① 關於數學建模數據分析的方法
建議使用層次分析法，就是將指標通過專家打分，分別賦權重，然後構造一個指標函數，在通過Spss或其他統計軟體，進行求解。
模型的建立：目標函數的建立，以第一個，即經濟效益為例，你可以查閱經濟書本，找到這些指標同經濟效益的關系，來建立函數，一般是線性模型；
模型的求解：
你先用Spss，進行這5個指標的因子分析，得到貢獻率高的因子，並得到它的權重系數，這就是你指標函數的權重值，這樣你的指標函數就求出來了；
接著你可以用其他軟體（一般我用matlab)，將具體歷年的數據代入指標函數，得到理念的經濟效益值，最後做一個歷年效益數據分析。
理論就是這樣，實際就要自己操作了。
2常用的建模方法(I)初等數學法。主要用於一些靜態、線性、確定性的模型。例如，席位分配問題，學生成績的比較，一些簡單的傳染病靜態模型。(2)數據分析法。從大量的觀測數據中，利用統計方法建立數學模型，常見的有：回歸分析法，時序分析法。(3)模擬和其他方法。主要有計算機模擬(是一種統計估計方法，等效於抽樣試驗，可以離散系統模擬和連續系統模擬)，因子試驗法(主要是在系統上做局部試驗，根據試驗結果進行不斷分析修改，求得所需模型結構)，人工現實法(基於對系統的了解和所要達到的目標，人為地組成一個系統)。(4)層次分析法。主要用於有關經濟計劃和管理、能源決策和分配、行為科學、軍事科學、軍事指揮、運輸、農業、教育、人才、醫療、環境等領域，以便進行決策、評價、分析、預測等。該方法關鍵的一步是建立層次結構模型。
③ 數據分析模型和方法有哪些
1、分類分析數據分析法
在數據分析中，如果將數據進行分類就能夠更好的分析。分類分析是將一些未知類別的部分放進我們已經分好類別中的其中某一類;或者將對一些數據進行分析，把這些數據歸納到接近這一程度的類別，並按接近這一程度對觀測對象給出合理的分類。這樣才能夠更好的進行分析數據。
2、對比分析數據分析方法
很多數據分析也是經常使用對比分析數據分析方法。對比分析法通常是把兩個相互有聯系的數據進行比較，從數量上展示和說明研究對象在某一標準的數量進行比較，從中發現其他的差異，以及各種關系是否協調。
3、相關分析數據分析法
相關分析數據分析法也是一種比較常見數據分析方法，相關分析是指研究變數之間相互關系的一類分析方法。按是否區別自變數和因變數為標准一般分為兩類：一類是明確自變數和因變數的關系;另一類是不區分因果關系，只研究變數之間是否相關，相關方向和密切程度的分析方法。
4、綜合分析數據分析法
層次分析法，是一種實用的多目標或多方案的決策方法。由於他在處理復雜的決策問題上的實用性和有效性，而層次分析數據分析法在世界范圍得到廣泛的應用。它的應用已遍及經濟計劃和管理，能源政策和分配，行為科學、軍事指揮、運輸、農業、教育、醫療和環境等多領域。
④ 數據建模的分析方法有哪些並寫出他們的大概介紹
從目前的資料庫及數據倉庫建模方法來說，主要分為四類。
第一類是大家最為熟悉的關系資料庫的三範式建模，通常我們將三範式建模方法用於建立各種操作型資料庫系統。
第二類是Inmon提倡的三範式數據倉庫建模，它和操作型資料庫系統的三範式建模在側重點上有些不同。Inmon的數據倉庫建模方法分為三層，第一層是實體關系層，也即企業的業務數據模型層，在這一層上和企業的操作型資料庫系統建模方法是相同的；第二層是數據項集層，在這一層的建模方法根據數據的產生頻率及訪問頻率等因素與企業的操作型資料庫系統的建模方法產生了不同；第三層物理層是第二層的具體實現。
第三類是Kimball提倡的數據倉庫的維度建模，我們一般也稱之為星型結構建模，有時也加入一些雪花模型在裡面。維度建模是一種面向用戶需求的、容易理解的、訪問效率高的建模方法，也是筆者比較喜歡的一種建模方式。
第四類是更為靈活的一種建模方式，通常用於後台的數據准備區，建模的方式不拘一格，以能滿足需要為目的，建好的表不對用戶提供介面，多為臨時表。
下面簡單談談第四類建模方法的一些的經驗。
數據准備區有一個最大的特點，就是不會直接面對用戶，所以對數據准備區中的表進行操作的人只有ETL工程師。ETL工程師可以自己來決定表中數據的范圍和數據的生命周期。下面舉兩個例子：
1）數據范圍小的臨時表
當需要整合或清洗的數據量過大時，我們可以建立同樣結構的臨時表，在臨時表中只保留我們需要處理的部分數據。這樣，不論是更新還是對表中某些項的計算都會效率提高很多。處理好的數據發送入准備載入到數據倉庫中的表中，最後一次性載入入數據倉庫。
2）帶有冗餘欄位的臨時表
由於數據准備區中的表只有自己使用，所以建立冗餘欄位可以起到很好的作用而不用承擔風險。
舉例來說，筆者在項目中曾遇到這樣的需求，客戶表{客戶ID，客戶凈扣值}，債項表{債項ID，客戶ID，債項余額，債項凈扣值}，即客戶和債項是一對多的關系。其中，客戶凈扣值和債項余額已知，需要計算債項凈扣值。計算的規則是按債項余額的比例分配客戶的凈扣值。這時，我們可以給兩個表增加幾個冗餘欄位，如客戶表{客戶ID，客戶凈扣值，客戶余額}，債項表{債項ID，客戶ID，債項余額，債項凈扣值，客戶余額，客戶凈扣值}。這樣通過三條SQL就可以直接完成整個計算過程。將債項余額匯總到客戶余額，將客戶余額和客戶凈扣值冗餘到債項表中，在債項表中通過（債項余額×客戶凈扣值/客戶余額）公式即可直接計算處債項凈扣值。
另外還有很多大家可以發揮的建表方式，如不需要主鍵的臨時表等等。總結來說，正因為數據准備區是不對用戶提供介面的，所以我們一定要利用好這一點，以給我們的數據處理工作帶來最大的便利為目的來進行數據准備區的表設計。
⑤ 大數據建模一般有哪些步驟
1、數據測量
數據測量包括ECU內部數據獲取，車內匯流排數據獲取以及模擬量數據獲取，特別是對於新能源汽車電機、逆變器和整流器等設備頻率高達100KHz的信號測量，ETAS提供完整的解決方案。
2、大數據管理與分析
目前的汽車嵌入式控制系統開發環境下，人們可以通過各種各樣不同的途徑(如真實物體、模擬環境、模擬計算等)獲取描述目標系統行為和表現的海量數據。
正如前文所述，ETAS數據測量環節獲取了大量的ECU內部以及模擬量數據，如何存儲並有效地利用這些數據，並從中發掘出目標系統的潛力，用以指引進一步的研發過程，成為極其重要的課題。
3、虛擬車輛模型建模與校準
基於大數據管理與分析環節對測量數據進行的分析，我們得到了一些參數之間的相互影響關系，以及相關物理變數的特性曲線。如何將這些隱含在大量數據中的寶貴的知識和數據保存下來並為我們後續的系統模擬分析所用呢?
模型是一個比較好的保存方式，我們可以通過建立虛擬車輛及虛擬ECU模型庫，為後續車輛及ECU的開發驗證提供標准化的模擬模型。ETAS除提供相關車輛子系統模型，還提供基於數據的建模和參數校準等完整解決方案。
4、測試與驗證(XiL)
在測試與驗證環節，通常包含模型在環驗證(MiL)，軟體在環驗證(SiL)，虛擬測試系統驗證(VTS)以及硬體在環驗證(HiL)四個階段，ETAS提供COSYM實現在同一軟體平台上開展四個環節模擬驗證工作。
關於大數據建模一般有哪些步驟，青藤小編就和您分享到這里了。如果您對大數據工程有濃厚的興趣，希望這篇文章可以為您提供幫助。如果您還想了解更多關於數據分析師、大數據工程師的技巧及素材等內容，可以點擊本站的其他文章進行學習。
⑥ 數據分析建模步驟有哪些
1、分類和聚類
分類演算法是極其常用的數據挖掘方法之一，其核心思想是找出目標數據項的共同特徵，並按照分類規則將數據項劃分為不同的類別。聚類演算法則是把一組數據按照相似性和差異性分為若干類別，使得同一類別數據間的相似性盡可能大，不同類別數據的相似性盡可能小。分類和聚類的目的都是將數據項進行歸類，但二者具有顯著的區別。分類是有監督的學習，即這些類別是已知的，通過對已知分類的數據進行訓練和學習，找到這些不同類的特徵，再對未分類的數據進行分類。而聚類則是無監督的學習，不需要對數據進行訓練和學習。常見的分類演算法有決策樹分類演算法、貝葉斯分類演算法等;聚類演算法則包括系統聚類，K-means均值聚類等。
2、回歸分析
回歸分析是確定兩種或兩種以上變數間相互依賴的定量關系的一種統計分析方法，其主要研究的問題包括數據序列的趨勢特徵、數據序列的預測以及數據間的相關關系等。按照模型自變數的多少，回歸演算法可以分為一元回歸分析和多元回歸分析;按照自變數和因變數間的關系，又可分為線性回歸和非線性回歸分析。
3、神經網路
神經網路演算法是在現代神經生物學研究的基礎上發展起來的一種模擬人腦信息處理機制的網路系統，不但具備一般計算能力，還具有處理知識的思維、學習和記憶能力。它是一種基於導師的學習演算法，可以模擬復雜系統的輸入和輸出，同時具有非常強的非線性映射能力。基於神經網路的挖掘過程由數據准備、規則提取、規則應用和預測評估四個階段組成，在數據挖掘中，經常利用神經網路演算法進行預測工作。
4、關聯分析
關聯分析是在交易數據、關系數據或其他信息載體中，查找存在於項目集合或對象集合之間的關聯、相關性或因果結構，即描述資料庫中不同數據項之間所存在關系的規則。例如，一項數據發生變化，另一項也跟隨發生變化，則這兩個數據項之間可能存在某種關聯。關聯分析是一個很有用的數據挖掘模型，能夠幫助企業輸出很多有用的產品組合推薦、優惠促銷組合，能夠找到的潛在客戶，真正的把數據挖掘落到實處。4市場營銷大數據挖掘在精準營銷領域的應用可分為兩大類，包括離線應用和在線應用。其中，離線應用主要是基於客戶畫像進行數據挖掘，進行不同目的針對性營銷活動，包括潛在客戶挖掘、流失客戶挽留、制定精細化營銷媒介等。而在線應用則是基於實時數據挖掘結果，進行精準化的廣告推送和市場營銷，具體包括DMP，DSP和程序化購買等應用。