事件預測方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明實施例涉及情報分析技術(shù)領(lǐng)域，尤其涉及一種事件預測方法。
【背景技術(shù)】
[0002]一般來說，數(shù)據(jù)挖掘的任務(wù)按功能劃分可分為兩類:1、預測性任務(wù):因子屬性的值需要依據(jù)其他屬性的值來預測。被預測的屬性稱為目標變量，而用來做預測的屬性則稱為說明變量(explanatory variable)或自變量(independent variable)。2、描述性任務(wù):是導出一種模式(相關(guān)、聚類、軌跡、趨勢和異常)能歸納隱含在數(shù)據(jù)中某些聯(lián)系的。實質(zhì)上，描述性數(shù)據(jù)挖掘任務(wù)一般是探索性的，并且經(jīng)常要用后處理技術(shù)去驗證和解釋結(jié)果。
[0003]數(shù)據(jù)挖掘的任務(wù)按實際作用劃分又可分六類:1、分類和預測。分類的目標是利用分類函數(shù)或分類模型(泛稱分類器)把數(shù)據(jù)庫里的數(shù)據(jù)項映射到某一個給定類別。預測的目標是為了能預測未來數(shù)據(jù)而從以往數(shù)據(jù)的紀錄里面導出對給定的數(shù)據(jù)的描述。2、聚類分析。是將一組數(shù)據(jù)根據(jù)其相似度劃歸為若干類別。3、關(guān)聯(lián)規(guī)則發(fā)現(xiàn)。關(guān)聯(lián)規(guī)則是以下的二種規(guī)則，“在購買牛奶和面包的顧客中80%的顧客同一時間也買了黃油”(牛奶+面包(黃油))。
4、時序模式。是指通過時間的序列而搜索出重復發(fā)生的概率偏高的一種模式。5、偏差分析。用于偏差檢驗的基本辦法就是找尋所要觀察的結(jié)果和參照數(shù)據(jù)兩者之間的區(qū)別。很多數(shù)據(jù)挖掘采取的方法都把離群點(即數(shù)據(jù)庫中一些異常數(shù)據(jù)，他們與模型里的數(shù)據(jù)或一般行為不一樣)看作噪音或是不正常數(shù)據(jù)而放棄，其實這些異常數(shù)據(jù)中蘊藏著許多重要的我們感興趣的東西。6、數(shù)據(jù)總結(jié)。目標是為了得到緊湊的描述而對大量的數(shù)據(jù)進行濃縮。
[0004]情報分析是根據(jù)因子領(lǐng)域的相關(guān)問題和矛盾進行預測和預防，目前，研究基本是通過對大量領(lǐng)域相關(guān)信息進行深層次加工和分析研究，找出其形成的根本原因，從根本原因入手找出相關(guān)的要素，從而形成有助于問題解決的分析過程。按照分析構(gòu)成方式可以分成幾個要素:①成因要素。②分析方法。③分析環(huán)節(jié)。④分析結(jié)果。⑤結(jié)果應(yīng)用。按照其內(nèi)容進行劃分:①軌跡信息分析:主要是根據(jù)信息收集，進行加工，建立字典型、事實型和數(shù)值型分析數(shù)據(jù)庫，加上一定的定量和定性分析，該類分析可以分析該領(lǐng)域的發(fā)展趨勢，了解趨勢、發(fā)現(xiàn)問題和提出問題。②比對信息分析:比較事件之間的相同點和不同點，在對各個事件通過各方面成因和要素進行比較后，找出導致該事件的根本性原因，從而把握事件之間的內(nèi)外關(guān)系，發(fā)現(xiàn)事件的本源。③預測信息分析:根據(jù)軌跡信息分析和比對信息分析，通過改變某些參數(shù)的輸入，推測出未來可能存在的風險和問題。
[0005]目前，大多的情報分析中的事件預測除了應(yīng)用數(shù)據(jù)挖據(jù)技術(shù)和相關(guān)算法，比如Apr1ri算法，但其基本數(shù)據(jù)大都運用網(wǎng)絡(luò)抓取、搜索引擎、信息碰撞、數(shù)據(jù)挖掘、信息融合等技術(shù)，實現(xiàn)了對待預測事件的快速預測分析。
[0006]存在的缺陷在于:基于現(xiàn)有的統(tǒng)計分析進行事件預測分析，由于難以保證待預測事件的樣本空間的有效性，導致預測分析準確度較低，實戰(zhàn)中無法進行有效的應(yīng)用。

【發(fā)明內(nèi)容】

[0007]本發(fā)明實施例提供一種事件預測方法，以提高對待預測事件的預測分析的準確度。
[0008]本發(fā)明實施例提供了一種事件預測方法，包括:
[0009]采集待預測事件的業(yè)務(wù)數(shù)據(jù)和環(huán)境數(shù)據(jù)；
[0010]基于預先建立的數(shù)據(jù)整合模型，對所述業(yè)務(wù)數(shù)據(jù)和所述環(huán)境數(shù)據(jù)進行數(shù)據(jù)整合，得到所述待預測事件的打標數(shù)據(jù)；
[0011]根據(jù)所述待預測事件的業(yè)務(wù)應(yīng)用目標，以及所述待預測事件的打標數(shù)據(jù)，調(diào)整由所述待預測事件所屬領(lǐng)域的多維關(guān)鍵因子組成的環(huán)境模板的參數(shù)，得到所述待預測事件的預測業(yè)務(wù)環(huán)境參數(shù)；
[0012]對所述待預測事件所屬領(lǐng)域的多維關(guān)鍵因子進行逐層遞歸掃描，得到各層候選頻繁項集和對應(yīng)的頻繁頻率;根據(jù)所述待預測事件與各層候選頻繁項集的包含關(guān)系，確定所述待預測事件對應(yīng)的各層候選頻繁項集;根據(jù)所述待預測事件的各層候選頻繁項集的頻繁頻率，建立各因子閥值池，并統(tǒng)計各因子閥值池的計數(shù);在因子閥值池的計數(shù)小于支持度閥值時，刪除該因子閥值池;將剩余的因子閥值池所包含的多維關(guān)鍵因子確定為所述待預測事件的隨機樣本空間，采用最小支持度搜尋所述隨機樣本空間中的頻繁項集，并計算隨機樣本空間中的頻繁項集所包含的多維關(guān)鍵因子的重復度；
[0013]根據(jù)所述隨機樣本空間中的頻繁項集，以及所包含的多維關(guān)鍵因子的重復度，并根據(jù)所述待預測事件的打標數(shù)據(jù)和預測業(yè)務(wù)環(huán)境參數(shù)，確定所述待預測事件的因子結(jié)構(gòu)；
[0014]通過預設(shè)的場景模型庫選擇需要預測的業(yè)務(wù)場景模型，對所述業(yè)務(wù)場景模型和所述因子結(jié)構(gòu)進行分析，得到所述待預測事件的目標數(shù)據(jù);所述目標數(shù)據(jù)是以業(yè)務(wù)場景模型所包含的參數(shù)作為字段，因子結(jié)構(gòu)的對應(yīng)數(shù)值作為字段的數(shù)據(jù)值；
[0015]基于預先建立的估算分析模型，對所述目標數(shù)據(jù)和所述因子結(jié)構(gòu)進行估算分析，得到所述待預測事件的分析結(jié)果；
[0016]利用所述因子結(jié)構(gòu)，確定所述待預測事件的分析結(jié)果的可信度值。
[0017]本發(fā)明實施例提供的事件預測方法，通過采集待預測事件的業(yè)務(wù)數(shù)據(jù)和環(huán)境數(shù)據(jù)，保證了數(shù)據(jù)完整性；由于數(shù)據(jù)整合模型中包含有各類事件的業(yè)務(wù)數(shù)據(jù)、環(huán)境數(shù)據(jù)和各類事件的打標數(shù)據(jù)之間的映射關(guān)系，提高了通過數(shù)據(jù)整合模型得到的待預測事件的打標數(shù)據(jù)的準確度；由于待預測事件所屬領(lǐng)域的多維關(guān)鍵因子是通過對該領(lǐng)域所有的字典項進行統(tǒng)計性分析、大量的實踐和訓練得到的，由待預測事件所屬領(lǐng)域的多維關(guān)鍵因子組成的環(huán)境模板可以涵蓋該領(lǐng)域的各種業(yè)務(wù)應(yīng)用目標，因此，根據(jù)待預測事件的業(yè)務(wù)應(yīng)用目標，調(diào)整由所述待預測事件所屬領(lǐng)域的多維關(guān)鍵因子組成的環(huán)境模板的參數(shù)，提高了得到的所述待預測事件的預測業(yè)務(wù)環(huán)境參數(shù)與待預測事件的業(yè)務(wù)應(yīng)用目標之間的匹配度，可以有效應(yīng)用在實戰(zhàn)中；將待預測事件所屬領(lǐng)域的多維關(guān)鍵因子作為待預測事件的待關(guān)鍵因子，進行待關(guān)鍵因子數(shù)據(jù)分析，待關(guān)鍵因子數(shù)據(jù)分析包括了對待關(guān)鍵因子進行逐層遞歸掃描、分析待關(guān)鍵因子與待預測事件的包含關(guān)系、刪除不相關(guān)的待關(guān)鍵因子、從待預測事件所屬領(lǐng)域的多維關(guān)鍵因子中初步篩選出與待預測事件相關(guān)聯(lián)的因子，作為待預測事件的隨機樣本空間，優(yōu)化了待預測事件的隨機樣本空間，提高了隨機樣本空間的有效性，還包括了計算隨機樣本空間中待關(guān)鍵因子的重復度，基于此，在有效的隨機樣本空間中進一步篩選出對待預測事件的預測結(jié)果影響比較大的多維關(guān)鍵因子，進而確定所述待預測事件的因子結(jié)構(gòu)，提高了所述待預測事件的因子結(jié)構(gòu)的準確度;基于此，對待預測事件進行預測、估算分析以及可信度分析，形成了評估和預測之間可信度的衡量體系，提高了對待預測事件的預測分析的準確度。
【附圖說明】
[0018]為了更清楚地說明本發(fā)明，下面將對本發(fā)明中所需要使用的附圖做一簡單地介紹，顯而易見地，下面描述中的附圖是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動性的前提下，還可以根據(jù)這些附圖獲得其他的附圖。
[0019]圖1為本發(fā)明實施例提供的一種事件預測方法的流程圖；
[0020]圖2為本發(fā)明實施例提供