本發(fā)明涉及網(wǎng)絡(luò)信息熱點的預(yù)測方法，具體涉及一種基于elm的網(wǎng)絡(luò)信息熱點預(yù)測系統(tǒng)和方法。

背景技術(shù)：

當(dāng)前網(wǎng)絡(luò)信息熱點的預(yù)測主要采用：傳統(tǒng)統(tǒng)計模型和現(xiàn)代統(tǒng)計學(xué)模型，傳統(tǒng)統(tǒng)計模型無法跟蹤網(wǎng)絡(luò)信息熱點的變化態(tài)勢，預(yù)測結(jié)果極不可靠?，F(xiàn)代統(tǒng)計學(xué)模型以獲得更高精度的網(wǎng)絡(luò)信息熱點預(yù)測結(jié)果，但無法滿足大規(guī)模網(wǎng)絡(luò)信息熱點的數(shù)據(jù)預(yù)測要求。因此，為了提高網(wǎng)絡(luò)信息熱點預(yù)測的準(zhǔn)確性，更好地描述網(wǎng)絡(luò)信息熱點的變化趨勢，亟需一種預(yù)測實時性良好、且結(jié)果理想的網(wǎng)絡(luò)信息熱點預(yù)測系統(tǒng)和方法。

技術(shù)實現(xiàn)要素：

本發(fā)明克服現(xiàn)有技術(shù)存在的不足，所要解決的技術(shù)問題為：提供一種預(yù)測實時性良好、且結(jié)果理想的基于elm的網(wǎng)絡(luò)信息熱點預(yù)測系統(tǒng)和方法。

為了解決上述技術(shù)問題，本發(fā)明采用的技術(shù)方案為：基于elm的網(wǎng)絡(luò)信息熱點預(yù)測系統(tǒng)，包括：采集單元：用于采集待測網(wǎng)絡(luò)信息熱點的歷史點擊率數(shù)據(jù)，構(gòu)成網(wǎng)絡(luò)信息熱點的學(xué)習(xí)樣本；估計單元：用于對網(wǎng)絡(luò)信息熱點數(shù)據(jù)的延遲時間τ和嵌入維m進行估計，并對網(wǎng)絡(luò)信息熱點數(shù)據(jù)進行變換，得到訓(xùn)練樣本和測試樣本；訓(xùn)練單元：用于采用極限學(xué)習(xí)機器訓(xùn)練網(wǎng)絡(luò)信息熱點樣本，訓(xùn)練過程中，采用cholesky分解方法對極限學(xué)習(xí)機器的權(quán)值βl進行最優(yōu)求解；模型建立單元：用于利用極限學(xué)習(xí)機器的權(quán)值βl，建立網(wǎng)絡(luò)信息熱點的預(yù)測模型；預(yù)測單元：用于利用預(yù)測模型，對網(wǎng)絡(luò)信息熱點的測試樣本進行預(yù)測。

優(yōu)選地，所述估計單元對網(wǎng)絡(luò)信息熱點數(shù)據(jù)的延遲時間τ和嵌入維m進行估計時，具體是采用關(guān)聯(lián)積分算法來確定最優(yōu)的延遲時間τ和嵌入維m。

相應(yīng)地，基于elm的網(wǎng)絡(luò)信息熱點預(yù)測方法，包括以下步驟：采集待測網(wǎng)絡(luò)信息熱點的歷史點擊率數(shù)據(jù)，構(gòu)成網(wǎng)絡(luò)信息熱點的學(xué)習(xí)樣本；對網(wǎng)絡(luò)信息熱點數(shù)據(jù)的延遲時間τ和嵌入維m進行估計，并對網(wǎng)絡(luò)信息熱點數(shù)據(jù)進行變換，得到訓(xùn)練樣本和測試樣本；采用極限學(xué)習(xí)機器訓(xùn)練網(wǎng)絡(luò)信息熱點樣本，訓(xùn)練過程中，采用cholesky分解方法對極限學(xué)習(xí)機器的權(quán)值βl進行最優(yōu)求解；利用極限學(xué)習(xí)機器的權(quán)值βl，建立網(wǎng)絡(luò)信息熱點的預(yù)測模型；利用預(yù)測模型，對網(wǎng)絡(luò)信息熱點的測試樣本進行預(yù)測。

優(yōu)選地，所述對網(wǎng)絡(luò)信息熱點數(shù)據(jù)的延遲時間τ和嵌入維m進行估計時，具體是采用關(guān)聯(lián)積分算法來確定最優(yōu)的延遲時間τ和嵌入維m。

本發(fā)明與現(xiàn)有技術(shù)相比具有以下有益效果：本發(fā)明在對網(wǎng)絡(luò)信息熱點進行預(yù)測時，先采集待測網(wǎng)絡(luò)信息熱點的歷史點擊率數(shù)據(jù)，構(gòu)成網(wǎng)絡(luò)信息熱點的學(xué)習(xí)樣本，然后對網(wǎng)絡(luò)信息熱點數(shù)據(jù)的延遲時間τ和嵌入維m進行估計，并對網(wǎng)絡(luò)信息熱點數(shù)據(jù)進行變換，得到訓(xùn)練樣本和測試樣本，接著采用極限學(xué)習(xí)機器訓(xùn)練網(wǎng)絡(luò)信息熱點樣本，再利用極限學(xué)習(xí)機器的權(quán)值βl，建立網(wǎng)絡(luò)信息熱點的預(yù)測模型，最后利用預(yù)測模型，對網(wǎng)絡(luò)信息熱點的測試樣本進行預(yù)測；在極限學(xué)習(xí)機器的訓(xùn)練過程中，關(guān)鍵要找到權(quán)值βl的最優(yōu)值，而對于現(xiàn)有的極限學(xué)習(xí)機器，在βl的求解過程中，有大量的矩陣求逆運算，導(dǎo)致計算復(fù)雜度高，對網(wǎng)絡(luò)信息熱點預(yù)測模型的訓(xùn)練過程產(chǎn)生不利影響；因此，本發(fā)明對現(xiàn)有的極限學(xué)習(xí)機器進行相應(yīng)的改進，引入cholesky分解方法對極限學(xué)習(xí)機器的權(quán)值βl進行最優(yōu)求解，使得βl的求解僅通過四則運算就可以實現(xiàn)，沒有矩陣求逆運算，計算更加簡單，大幅度減少了求解的時間，使得對網(wǎng)絡(luò)信息熱點的預(yù)測實時性良好，結(jié)果也較理想。

附圖說明

下面結(jié)合附圖對本發(fā)明做進一步詳細的說明；

圖1為本發(fā)明提供的基于elm的網(wǎng)絡(luò)信息熱點預(yù)測系統(tǒng)的實施例的結(jié)構(gòu)示意圖；

圖2為本發(fā)明提供的基于elm的網(wǎng)絡(luò)信息熱點預(yù)測方法的流程示意圖；

圖3為采用本發(fā)明的實施例對某一網(wǎng)絡(luò)信息熱點進行預(yù)測時采集數(shù)據(jù)的樣本示意圖；

圖4為對圖3中的網(wǎng)絡(luò)信息熱點數(shù)據(jù)的延遲時間τ進行估計后取得的最優(yōu)值的示意圖；

圖5為對圖3中的網(wǎng)絡(luò)信息熱點數(shù)據(jù)的嵌入維m進行估計后取得的最優(yōu)值的示意圖；

圖6采用本發(fā)明對圖3中的網(wǎng)絡(luò)信息熱點進行預(yù)測后的結(jié)果示意圖；

圖中：101為采集單元，102為估計單元，103為訓(xùn)練單元，104為模型建立單元，105為預(yù)測單元。

具體實施方式

為使本發(fā)明實施例的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例是本發(fā)明的一部分實施例，而不是全部的實施例；基于本發(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

圖1為本發(fā)明提供的基于elm的網(wǎng)絡(luò)信息熱點預(yù)測系統(tǒng)的實施例的結(jié)構(gòu)示意圖，如圖1所示，基于elm的網(wǎng)絡(luò)信息熱點預(yù)測系統(tǒng)，包括：

采集單元101：用于采集待測網(wǎng)絡(luò)信息熱點的歷史點擊率數(shù)據(jù)，構(gòu)成網(wǎng)絡(luò)信息熱點的學(xué)習(xí)樣本。

估計單元102：用于對網(wǎng)絡(luò)信息熱點數(shù)據(jù)的延遲時間τ和嵌入維m進行估計，并對網(wǎng)絡(luò)信息熱點數(shù)據(jù)進行變換，得到訓(xùn)練樣本和測試樣本。

訓(xùn)練單元103：用于采用極限學(xué)習(xí)機器訓(xùn)練網(wǎng)絡(luò)信息熱點樣本，訓(xùn)練過程中，采用cholesky分解方法對極限學(xué)習(xí)機器的權(quán)值βl進行最優(yōu)求解。

模型建立單元104：用于利用極限學(xué)習(xí)機器的權(quán)值βl，建立網(wǎng)絡(luò)信息熱點的預(yù)測模型。

預(yù)測單元105：用于利用預(yù)測模型，對網(wǎng)絡(luò)信息熱點的測試樣本進行預(yù)測。

對一個具體的預(yù)測問題，首先要采集歷史數(shù)據(jù)，設(shè)歷史數(shù)據(jù)組成的樣本集為：其中：n為數(shù)據(jù)的特征維數(shù)，k為樣本數(shù)量，訓(xùn)練樣本的回歸誤差為εi；那么，標(biāo)準(zhǔn)極限學(xué)習(xí)機的回歸形式可以表示為：

式中：l表示隱含層節(jié)點的數(shù)，ci表示第i個隱含層節(jié)點的誤差，f表示隱含層節(jié)點的非線映射函數(shù)，αi和βi分別表示隱含層節(jié)點和輸入節(jié)點的權(quán)值。

對式(1)進行求解，效率相當(dāng)?shù)投译y以獲得全局最優(yōu)解，為此引入拉格朗日乘子建立如下優(yōu)化函數(shù)：

式中：hl表示節(jié)點矩陣，w表示權(quán)值，t表示輸出結(jié)果。

對變量的偏導(dǎo)進行計算，得到如下公式：

對式(3)求解，極限學(xué)習(xí)機的權(quán)值計算公式為

利用權(quán)值βl構(gòu)建相應(yīng)問題的預(yù)測模型，得到輸出結(jié)果的表達式為

在標(biāo)準(zhǔn)極限機器學(xué)習(xí)過程中，關(guān)鍵要找到βl的最優(yōu)值，在βl求解過程，有大量的矩陣求逆運算，導(dǎo)致計算復(fù)雜度高，對網(wǎng)絡(luò)信息熱點預(yù)測模型的訓(xùn)練過程產(chǎn)生不利影響，因此本實施例對標(biāo)準(zhǔn)的極限機器進行相應(yīng)的改進，引入cholesky分解方法，再加上極限學(xué)習(xí)機器的訓(xùn)練過程，快速找到βl的最優(yōu)求解。

下面對采用cholesky分解方法對極限學(xué)習(xí)機器的權(quán)值βl進行最優(yōu)求解，來進行詳細的說明：

根據(jù)式(3)能夠得到：

利用式(6)對βl進行求解，可以得到相應(yīng)的線性方程形式為：

alβl＝bl(7)

同時滿足如下約束條件：

綜合式(6)和式(8)可以得到

對于v、al的二次型可以描述為：

對式(10)進行詳細分析可以發(fā)現(xiàn)，al是一個對稱正定矩陣，那么采用cholesky對其進行分解，就可以得到：

式中，sl是一個三角矩陣。

sij表示三角矩陣sl中的非零元素，那么根據(jù)al的元素αij可以得到

式中，i＝1,2,…,l，j＝1,2,…,l。

結(jié)合式(11)和式(7)，同時乘上那么根據(jù)與slfl＝bl等價，可以得到fl的元素fi為：

式中，i＝1,2,…,l。

根據(jù)sl和fl可以得到βl的計算公式為：

對比標(biāo)準(zhǔn)elm和本發(fā)明中改進的elm的建模過程，本發(fā)明中改進的elm中βl的求解僅通過四則運算就可以實現(xiàn)，沒有矩陣求逆運算，計算更加簡單，大幅度減少了求解的時間。

尤其當(dāng)隱含層的節(jié)點增多條件下，速度更加加快，可以得到：

那么，al+1與al之間的關(guān)系可以表示為：

式中，

根據(jù)cholesky分解過程可以知道，通過計算sl+1,1與sl+1,l中不為零的元素就可以得到sn+1，此時可以得到：

那么，根據(jù)fl可以得到

因此根據(jù)fl+1可以得到fl+1，不要重新計算f1,f2,…,fl，加快了學(xué)習(xí)效率，而且可以實現(xiàn)elm的在線學(xué)習(xí)。

本實施例在對網(wǎng)絡(luò)信息熱點進行預(yù)測時，先采集待測網(wǎng)絡(luò)信息熱點的歷史點擊率數(shù)據(jù)，構(gòu)成網(wǎng)絡(luò)信息熱點的學(xué)習(xí)樣本，然后對網(wǎng)絡(luò)信息熱點數(shù)據(jù)的延遲時間τ和嵌入維m進行估計，并對網(wǎng)絡(luò)信息熱點數(shù)據(jù)進行變換，得到訓(xùn)練樣本和測試樣本，接著采用極限學(xué)習(xí)機器訓(xùn)練網(wǎng)絡(luò)信息熱點樣本，再利用極限學(xué)習(xí)機器的權(quán)值βl，建立網(wǎng)絡(luò)信息熱點的預(yù)測模型，最后利用預(yù)測模型，對網(wǎng)絡(luò)信息熱點的測試樣本進行預(yù)測；在極限學(xué)習(xí)機器的訓(xùn)練過程中，關(guān)鍵要找到權(quán)值βl的最優(yōu)值，而對于現(xiàn)有的極限學(xué)習(xí)機器，在βl的求解過程中，有大量的矩陣求逆運算，導(dǎo)致計算復(fù)雜度高，對網(wǎng)絡(luò)信息熱點預(yù)測模型的訓(xùn)練過程產(chǎn)生不利影響；因此，本發(fā)明對現(xiàn)有的極限學(xué)習(xí)機器進行相應(yīng)的改進，引入cholesky分解方法對極限學(xué)習(xí)機器的權(quán)值βl進行最優(yōu)求解，使得βl的求解僅通過四則運算就可以實現(xiàn)，沒有矩陣求逆運算，計算更加簡單，大幅度減少了求解的時間，使得對網(wǎng)絡(luò)信息熱點的預(yù)測實時性良好，結(jié)果也較理想。

具體地，所述估計單元102對網(wǎng)絡(luò)信息熱點數(shù)據(jù)的延遲時間τ和嵌入維m進行估計時，具體是采用關(guān)聯(lián)積分算法來確定最優(yōu)的延遲時間τ和嵌入維m。

網(wǎng)絡(luò)信息熱點通常是一個一維的數(shù)據(jù)：{x(i),i＝1,2,…n}，根據(jù)其混沌性得到延遲時間(τ)和嵌入維(m)，然后把它變化一個多維數(shù)據(jù)：x(t)＝{x(t),x(i+τ),…,x(i+(m-1)τ)，從而將表面上看起來沒有規(guī)律的數(shù)據(jù)變?yōu)閷嶋H有規(guī)律的數(shù)據(jù)，從而發(fā)現(xiàn)其中包含的變化特點。采用關(guān)聯(lián)積分算法確定最優(yōu)的τ和m。設(shè)兩個樣本點為：x(i)和x(j)，它們的距離rij(m)為：

rij(m)＝||x(i)-x(j)||(19)

那么可以得到關(guān)聯(lián)積分為：

式中，r為距離的閾值。

全部樣本劃分為t個序列，cl為第l個序列的相關(guān)積分，那么可以得到：

可以得到極小值點為：

當(dāng)達到最小值時，那么可以認為得到最優(yōu)的τ。

變換后第i個向量為：xi(m+1)，最近鄰為xn(i,m)(m+1)，則有

設(shè)若e(m)處于最大值狀態(tài)時，那么就可以認為得到最優(yōu)的m。

相應(yīng)地，圖2為本發(fā)明提供的基于elm的網(wǎng)絡(luò)信息熱點預(yù)測方法的流程示意圖，如圖2所示，基于elm的網(wǎng)絡(luò)信息熱點預(yù)測方法，包括以下步驟：

采集待測網(wǎng)絡(luò)信息熱點的歷史點擊率數(shù)據(jù)，構(gòu)成網(wǎng)絡(luò)信息熱點的學(xué)習(xí)樣本。

對網(wǎng)絡(luò)信息熱點數(shù)據(jù)的延遲時間τ和嵌入維m進行估計，并對網(wǎng)絡(luò)信息熱點數(shù)據(jù)進行變換，得到訓(xùn)練樣本和測試樣本。

采用極限學(xué)習(xí)機器訓(xùn)練網(wǎng)絡(luò)信息熱點樣本，訓(xùn)練過程中，采用cholesky分解方法對極限學(xué)習(xí)機器的權(quán)值βl進行最優(yōu)求解。

利用極限學(xué)習(xí)機器的權(quán)值βl，建立網(wǎng)絡(luò)信息熱點的預(yù)測模型。

利用預(yù)測模型，對網(wǎng)絡(luò)信息熱點的測試樣本進行預(yù)測。

具體地，所述對網(wǎng)絡(luò)信息熱點數(shù)據(jù)的延遲時間τ和嵌入維m進行估計時，具體是采用關(guān)聯(lián)積分算法來確定最優(yōu)的延遲時間τ和嵌入維m。

下面選擇“天津化工廠爆炸”這個網(wǎng)絡(luò)信息熱點作為研究對象，圖3為采用本發(fā)明的實施例對該網(wǎng)絡(luò)信息熱點進行預(yù)測時采集數(shù)據(jù)的樣本示意圖，圖4為對圖3中的網(wǎng)絡(luò)信息熱點數(shù)據(jù)的延遲時間τ進行估計后取得的最優(yōu)值的示意圖，圖5為對圖3中的網(wǎng)絡(luò)信息熱點數(shù)據(jù)的嵌入維m進行估計后取得的最優(yōu)值的示意圖。

對圖3進行分析，可以發(fā)現(xiàn)該網(wǎng)絡(luò)信息熱點變化很復(fù)雜，不僅具有一定的增長趨勢，同時具有強烈的波動性。采用關(guān)聯(lián)積分算法估計τ和m，結(jié)果如圖4和圖5所示，從圖4和圖5可知，最優(yōu)的τ和m分別為：7和8，根據(jù)τ＝7和m＝8得到網(wǎng)絡(luò)信息熱點的多維數(shù)據(jù)，選擇前200個數(shù)據(jù)作為訓(xùn)練樣本，其余用于測試其預(yù)測效果。

采用本發(fā)明中改進的elm對“天津化工廠爆炸”這個網(wǎng)絡(luò)信息熱點話題進行預(yù)測，結(jié)果如圖6所示。對圖6進行分析可以發(fā)現(xiàn)，本發(fā)明中改進的elm的網(wǎng)絡(luò)信息熱點測精度高，而且預(yù)測結(jié)果十分穩(wěn)定，表明本發(fā)明中改進的elm可以用于網(wǎng)絡(luò)信息熱點話題預(yù)測中，而且預(yù)測結(jié)果十分理想。

選擇當(dāng)前經(jīng)典模型：多元線性回歸(mlr)、bp神經(jīng)網(wǎng)絡(luò)(bpnn)、支持向量機(svm)對2016年的10個網(wǎng)絡(luò)信息熱點進行預(yù)測，它們預(yù)測結(jié)果如表1所示。

表1預(yù)測精度(％)統(tǒng)計

對比表1中所有的網(wǎng)絡(luò)信息熱點的預(yù)測精度可以發(fā)現(xiàn)，相對于當(dāng)前經(jīng)典模型，本發(fā)明中改進的elm的網(wǎng)絡(luò)信息熱點預(yù)測精度有了一定的提高，而且預(yù)測結(jié)果更優(yōu)，這表明，本發(fā)明中改進的elm可以很好對網(wǎng)絡(luò)信息熱點進行建模，把握其變化態(tài)趨，是一種通用性強的網(wǎng)絡(luò)信息熱點預(yù)測模型。

統(tǒng)計所有模型的平均建模時間，結(jié)果如表2所示。

表2平均建模時間(秒)統(tǒng)計

從表2中可以發(fā)現(xiàn)，本發(fā)明中改進的elm的平均建模時間最少，加快了網(wǎng)絡(luò)信息熱點的建模效率，可以實現(xiàn)網(wǎng)絡(luò)信息熱點在線預(yù)測。

網(wǎng)絡(luò)信息熱點受到人的思想、政治、經(jīng)濟以及其它因素的影響，變化十分復(fù)雜，不僅具有強烈的時變性，而且具有一定的混沌變化特點。本發(fā)明中改進的elm的網(wǎng)絡(luò)信息熱點預(yù)測模型的預(yù)測結(jié)果穩(wěn)定、可信，建模預(yù)測效率更高，可以應(yīng)用于實際網(wǎng)絡(luò)輿情數(shù)據(jù)分析，預(yù)測結(jié)果可以幫助預(yù)控一些負面網(wǎng)絡(luò)信息熱點擴散，具有較高的實際應(yīng)用價值。

最后應(yīng)說明的是：以上各實施例僅用以說明本發(fā)明的技術(shù)方案，而非對其限制；盡管參照前述各實施例對本發(fā)明進行了詳細的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：其依然可以對前述各實施例所記載的技術(shù)方案進行修改，或者對其中部分或者全部技術(shù)特征進行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實施例技術(shù)方案的范圍。