利用Oracle数据库中的数据挖掘选件(Oracle Data Mining,ODM),并使用存储在Oracle数据库中的时间序列数据,可构建预测时间序列未来值的支持向量机(Support Vector Machines,SVM)模型。建模时,需去除时间序列中的趋势,将目标属性标准化,...利用Oracle数据库中的数据挖掘选件(Oracle Data Mining,ODM),并使用存储在Oracle数据库中的时间序列数据,可构建预测时间序列未来值的支持向量机(Support Vector Machines,SVM)模型。建模时,需去除时间序列中的趋势,将目标属性标准化,确定包含延迟变量窗口的尺寸,利用机器学习方法,由时间序列历史数据得出SVM预测模型。与传统时间序列预测模型相比,SVM预测模型能够揭示时间序列的非线性、非平稳性和随机性,从而得到较高的预测精度。展开更多
地学数据具有结构复杂、多尺度、数据量大的特点.将多源地学数据库集成在同一操作平台与数据库中进行分析使用,使用传统的空间数据储存方法有一定的难度.采用大型数据库系统Oracle 9 i Spatial构建地学空间数据库方法,提供了建立空间数...地学数据具有结构复杂、多尺度、数据量大的特点.将多源地学数据库集成在同一操作平台与数据库中进行分析使用,使用传统的空间数据储存方法有一定的难度.采用大型数据库系统Oracle 9 i Spatial构建地学空间数据库方法,提供了建立空间数据库的实例与应用程序访问空间数据库方法.实践表明,采用Oracle Spatial构建多源地学空间数据库具有空间数据格式统一、数据安全性高、数据存储量大的优点.展开更多
文摘利用Oracle数据库中的数据挖掘选件(Oracle Data Mining,ODM),并使用存储在Oracle数据库中的时间序列数据,可构建预测时间序列未来值的支持向量机(Support Vector Machines,SVM)模型。建模时,需去除时间序列中的趋势,将目标属性标准化,确定包含延迟变量窗口的尺寸,利用机器学习方法,由时间序列历史数据得出SVM预测模型。与传统时间序列预测模型相比,SVM预测模型能够揭示时间序列的非线性、非平稳性和随机性,从而得到较高的预测精度。
文摘地学数据具有结构复杂、多尺度、数据量大的特点.将多源地学数据库集成在同一操作平台与数据库中进行分析使用,使用传统的空间数据储存方法有一定的难度.采用大型数据库系统Oracle 9 i Spatial构建地学空间数据库方法,提供了建立空间数据库的实例与应用程序访问空间数据库方法.实践表明,采用Oracle Spatial构建多源地学空间数据库具有空间数据格式统一、数据安全性高、数据存储量大的优点.