随着中国加入世界贸易组织的成功,世界经济全球化使我国电信企业面临着前所未有的挑战。能否对问题做出快速科学的决策,对电信企业的成败有着重大的影响。目前各电信运营商普遍采用依靠手工报表分析数据的决策方式,这存在着工作量大,速度慢,容易遗失数据等诸多问题,因此研究与开发适应中国特点的电信企业的决策支持系统已成为国内众多电信运营商的共识。本文所进行的“基于数据挖掘技术的决策支持系统及其关键技术”的研究,作为“电信IP决策支持系统(IPDSS)”项目的核心部分,提出基于数据仓库和数据挖掘相结合的电信决策支持系统的解决方案,并对IPDSS中使用的聚类、预测和建模等关键技术进行研究。针对电信IP业务的特点和需要,本文设计了一个基于.NET框架的决策支持系统。系统以ASP.NET作为Web应用程序模型,以ADO.NET作为数据存取技术基础,采用SQL(structured query language)server 2000作为数据库和数据仓库解决方案,并有效地嵌入了数据挖掘和人工智能技术。该系统可以为电信IP业务的决策提供快速、科学的参考和依据。K-Means算法是一种常用的聚类算法,但是聚类中心的初始化是其中的一个难点。本文提出了一个基于层次思想的初始化方法。一般聚类问题均可看作加权聚类,通过层层抽样减少数据量,然后采用自顶向下的方式,从抽样结束层到原始数据层,每层都进行聚类,其中每层初始聚类中心均通过对上层聚类中心进行换算得到,重复该过程直到原始数据层,可得原始数据层的初始聚类中心。模拟数据和真实数据的实验结果均显示基于层次抽样初始化的K-Means算法不仅收敛速度快、聚类质量高,而且对噪声不敏感,其性能明显优于现有相关算法。EPNET是一种进化人工神经网络模型,它能够同时优化网络权值和网络结构。该模型没有采用遗传算法中的交叉算子,而是采用了五个变异算子来获得比较理想的进化效果。本文主要研究基于EPNET(Evolutionary Programming Net)的时间序列预测问题,提出了一个基于该模型的时间序列预测算法,并介绍了该算法实现时的有关问题。同时提出基于规划规则的激励学习偏差分析算法用于快速校准模型参数。层次分析法是一种实用的决策方法,这一方法的核心是将决策者定性的经验判断给予量化,从而为决策者提供定量形式的决策依据。本文采用层次分析法作为投资预测模型的基本构建理论与技术,建立投资预测决策模型。此外,针对层次模型为图形模型的特点,本文提出用数据库表文件表示与存储IPDSS模型库中的层次模型,而IPDSS模型库中的其他模型仍以程序文件形式存储。在IPDSS系统中,我们将方法库和模型库中的程序文件合并管理,以减少模型库和方法库的接口,使模型库管理更加方便。