基于神經(jīng)網(wǎng)絡(luò)的行為預(yù)測(cè)方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于行為預(yù)測(cè)方法領(lǐng)域，具體涉及基于神經(jīng)網(wǎng)絡(luò)的行為預(yù)測(cè)方法。
【背景技術(shù)】
[0002]隨著復(fù)雜性科學(xué)的不斷發(fā)展，關(guān)于神經(jīng)網(wǎng)絡(luò)算法的研宄成果不斷涌現(xiàn)。傳統(tǒng)的有監(jiān)督機(jī)器學(xué)習(xí)算法，要求目標(biāo)域數(shù)據(jù)(測(cè)試數(shù)據(jù))和源域數(shù)據(jù)(訓(xùn)練數(shù)據(jù))服從相同的分布，這樣基于源域訓(xùn)練的模型就能直接應(yīng)用于目標(biāo)域數(shù)據(jù)的識(shí)別。然而，在現(xiàn)實(shí)生活中，這個(gè)條件很難滿足，進(jìn)而導(dǎo)致了傳統(tǒng)機(jī)器學(xué)習(xí)方法的失效。近年來(lái)，許多機(jī)器學(xué)習(xí)方法研宄者為尋找處理目標(biāo)域和源域數(shù)據(jù)分布不同的方法而進(jìn)行了多方面的探索，其共同目標(biāo)都是希望在源域已標(biāo)注數(shù)據(jù)集上構(gòu)建的模型能夠很好的應(yīng)用于目標(biāo)域數(shù)據(jù)。其中的許多方法是以迀移學(xué)習(xí)方法為指導(dǎo)的。傳統(tǒng)的機(jī)器學(xué)習(xí)領(lǐng)域中，目標(biāo)域和源域的數(shù)據(jù)分布不同會(huì)導(dǎo)致基于源域訓(xùn)練的分類模型不能很好地適應(yīng)于目標(biāo)域數(shù)據(jù)的問(wèn)題。
[0003]實(shí)證研宄結(jié)果表明行為的變化具有非線性、時(shí)變性的特點(diǎn)。傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型僅對(duì)具有趨向性的時(shí)間序列預(yù)測(cè)做了研宄，另外，傳統(tǒng)神經(jīng)網(wǎng)絡(luò)基本采用的算法或者是基于神經(jīng)網(wǎng)絡(luò)的其他算法，這些算法都有不足之處，基于梯度下降算法需要求解目標(biāo)函數(shù)的導(dǎo)數(shù)，適用范圍有局限性；基于神經(jīng)網(wǎng)絡(luò)的混合算法常會(huì)把簡(jiǎn)單問(wèn)題復(fù)雜話，也較容易出現(xiàn)局部收斂問(wèn)題。

【發(fā)明內(nèi)容】

[0004]本發(fā)明為了解決上述技術(shù)問(wèn)題，提供一種基于神經(jīng)網(wǎng)絡(luò)的行為預(yù)測(cè)方法，該方法在大量收集數(shù)據(jù)的基礎(chǔ)上可以有效對(duì)行為進(jìn)行預(yù)測(cè)，且有效的解決了使用范圍局限和容易把簡(jiǎn)單問(wèn)題復(fù)雜化的問(wèn)題。
[0005]為了達(dá)到上述技術(shù)效果，本發(fā)明的技術(shù)方案包括:
[0006]基于神經(jīng)網(wǎng)絡(luò)的行為預(yù)測(cè)方法，包含以下步驟:采集數(shù)據(jù)、分類、轉(zhuǎn)碼處理、模型設(shè)計(jì)、驗(yàn)證測(cè)試。
[0007]進(jìn)一步的，所述采集數(shù)據(jù)可以采取的方式包括:入戶訪問(wèn)，攔截訪問(wèn)，郵寄問(wèn)卷調(diào)查，留置問(wèn)卷調(diào)查，電話調(diào)查，網(wǎng)絡(luò)調(diào)查，深度訪問(wèn)法，座談法等；數(shù)據(jù)采集完畢后，將所述的采集數(shù)據(jù)按照被采集對(duì)象的年齡、地域和時(shí)間進(jìn)行分類；將已經(jīng)完成分類的數(shù)據(jù)進(jìn)行轉(zhuǎn)碼處理，輸入計(jì)算機(jī)。
[0008]進(jìn)一步的，所述模型設(shè)計(jì)的方法為:確定隱含層，通過(guò)自標(biāo)注增量極速學(xué)習(xí)算法優(yōu)化搜索，進(jìn)行權(quán)值優(yōu)化，得到局部最優(yōu)算法。
[0009]進(jìn)一步的，所述自標(biāo)注增量極速學(xué)習(xí)算法基于源域標(biāo)注數(shù)據(jù)訓(xùn)練ELM模型，并將所述ELM模型迀移到目標(biāo)域，然后對(duì)目標(biāo)域數(shù)據(jù)進(jìn)行自標(biāo)定，并利用高置信度標(biāo)注結(jié)果不斷地調(diào)整原有所述ELM模型，使之成為一個(gè)適應(yīng)目標(biāo)域數(shù)據(jù)的模型。
[0010]進(jìn)一步的，所述驗(yàn)證測(cè)試包括如下步驟:將所述分類數(shù)據(jù)輸入至計(jì)算機(jī)，進(jìn)而調(diào)整所述目標(biāo)域數(shù)據(jù)模型，得到行為預(yù)測(cè)結(jié)果。
[0011]本發(fā)明的有益效果包括:本發(fā)明基于神經(jīng)網(wǎng)絡(luò)的行為預(yù)測(cè)方法，利用自標(biāo)注增量極速學(xué)習(xí)算法的介入而調(diào)整原有所述ELM模型，使之成為一個(gè)適應(yīng)目標(biāo)域數(shù)據(jù)的模型，進(jìn)而對(duì)行為進(jìn)行了準(zhǔn)確的預(yù)測(cè)，方便人們的出行和計(jì)劃安排。
【具體實(shí)施方式】
[0012]下文將結(jié)合具體實(shí)施例詳細(xì)描述本發(fā)明。應(yīng)當(dāng)注意的是，下述實(shí)施例中描述的技術(shù)特征或者技術(shù)特征的組合不應(yīng)當(dāng)被認(rèn)為是孤立的，它們可以被相互組合從而達(dá)到更好的技術(shù)效果。
[0013]實(shí)施例:
[0014]基于神經(jīng)網(wǎng)絡(luò)的行為預(yù)測(cè)方法，包含以下步驟:采集數(shù)據(jù)、分類、轉(zhuǎn)碼處理、模型設(shè)計(jì)、驗(yàn)證測(cè)試。
[0015]采集數(shù)據(jù)采取的方式包括:入戶訪問(wèn)，攔截訪問(wèn)，郵寄問(wèn)卷調(diào)查，留置問(wèn)卷調(diào)查，電話調(diào)查，網(wǎng)絡(luò)調(diào)查，深度訪問(wèn)法和座談法并用對(duì)不同年齡、不同地域、不同時(shí)間的人們收集數(shù)據(jù)；數(shù)據(jù)采集完畢后，將所述的采集數(shù)據(jù)按照被采集對(duì)象的年齡、地域和時(shí)間進(jìn)行分類；將已經(jīng)完成分類的數(shù)據(jù)進(jìn)行轉(zhuǎn)碼處理，輸入計(jì)算機(jī)。
[0016]模型設(shè)計(jì)的方法為:確定隱含層，通過(guò)自標(biāo)注增量極速學(xué)習(xí)算法優(yōu)化搜索，進(jìn)行權(quán)值優(yōu)化，得到局部最優(yōu)算法。
[0017]自標(biāo)注增量極速學(xué)習(xí)算法基于源域標(biāo)注數(shù)據(jù)訓(xùn)練ELM模型，并將所述ELM模型迀移到目標(biāo)域，然后對(duì)目標(biāo)域數(shù)據(jù)進(jìn)行自標(biāo)定，并利用高置信度標(biāo)注結(jié)果不斷地調(diào)整原有所述ELM模型，使之成為一個(gè)適應(yīng)目標(biāo)域數(shù)據(jù)的模型。
[0018]驗(yàn)證測(cè)試包括如下步驟:將所述分類數(shù)據(jù)輸入至計(jì)算機(jī)，進(jìn)而調(diào)整所述目標(biāo)域數(shù)據(jù)模型，得到行為預(yù)測(cè)結(jié)果。
[0019]本發(fā)明基于神經(jīng)網(wǎng)絡(luò)的行為預(yù)測(cè)方法，利用自標(biāo)注增量極速學(xué)習(xí)算法的介入而調(diào)整原有所述ELM模型，使之成為一個(gè)適應(yīng)目標(biāo)域數(shù)據(jù)的模型，進(jìn)而對(duì)行為進(jìn)行了準(zhǔn)確的預(yù)測(cè)，方便人們的出行和計(jì)劃安排。
[0020]上述詳細(xì)說(shuō)明是針對(duì)發(fā)明的可行實(shí)施例的具體說(shuō)明，該實(shí)施例并非用以限制本發(fā)明的專利范圍，凡未脫離本發(fā)明的等效實(shí)施或變更，均應(yīng)當(dāng)包含于本發(fā)明的專利范圍內(nèi)。
[0021]另外，本領(lǐng)域技術(shù)人員還可在本發(fā)明權(quán)利要求公開(kāi)的范圍和精神內(nèi)做其它形式和細(xì)節(jié)上的各種修改、添加和替換。當(dāng)然，這些依據(jù)本發(fā)明精神所做的各種修改、添加和替換等變化，都應(yīng)包含在本發(fā)明所要求保護(hù)的范圍之內(nèi)。
【主權(quán)項(xiàng)】
1.基于神經(jīng)網(wǎng)絡(luò)的行為預(yù)測(cè)方法，其特征在于，包含以下步驟:采集數(shù)據(jù)、分類、轉(zhuǎn)碼處理、模型設(shè)計(jì)、驗(yàn)證測(cè)試。2.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)的行為預(yù)測(cè)方法，其特征在于，所述采集數(shù)據(jù)可以采取的方式包括:入戶訪問(wèn)，攔截訪問(wèn)，郵寄問(wèn)卷調(diào)查，留置問(wèn)卷調(diào)查，電話調(diào)查，網(wǎng)絡(luò)調(diào)查，深度訪問(wèn)法，座談法；數(shù)據(jù)采集完畢后，將所述的采集數(shù)據(jù)按照被采集對(duì)象的年齡、地域和時(shí)間進(jìn)行分類；將已經(jīng)完成分類的數(shù)據(jù)進(jìn)行轉(zhuǎn)碼處理，輸入計(jì)算機(jī)。3.根據(jù)權(quán)利要求2所述的基于神經(jīng)網(wǎng)絡(luò)的行為預(yù)測(cè)方法，其特征在于，所述模型設(shè)計(jì)的方法為:確定隱含層，通過(guò)自標(biāo)注增量極速學(xué)習(xí)算法優(yōu)化搜索，進(jìn)行權(quán)值優(yōu)化，得到局部最優(yōu)算法。4.根據(jù)權(quán)利要求2所述的基于神經(jīng)網(wǎng)絡(luò)的行為預(yù)測(cè)方法，其特征在于，所述自標(biāo)注增量極速學(xué)習(xí)算法基于源域標(biāo)注數(shù)據(jù)訓(xùn)練ELM模型，并將所述ELM模型迀移到目標(biāo)域，然后對(duì)目標(biāo)域數(shù)據(jù)進(jìn)行自標(biāo)定，并利用高置信度標(biāo)注結(jié)果不斷地調(diào)整原有所述ELM模型，使之成為一個(gè)適應(yīng)目標(biāo)域數(shù)據(jù)的模型。5.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)的行為預(yù)測(cè)方法，其特征在于，所述驗(yàn)證測(cè)試包括如下步驟:將所述分類數(shù)據(jù)輸入至計(jì)算機(jī)，進(jìn)而調(diào)整所述目標(biāo)域數(shù)據(jù)模型，得到行為預(yù)測(cè)結(jié)果。
【專利摘要】本發(fā)明屬于行為預(yù)測(cè)方法領(lǐng)域，具體涉及基于神經(jīng)網(wǎng)絡(luò)的行為預(yù)測(cè)方法?；谏窠?jīng)網(wǎng)絡(luò)的行為預(yù)測(cè)方法包含以下步驟：采集數(shù)據(jù)、分類、轉(zhuǎn)碼處理、模型設(shè)計(jì)、驗(yàn)證測(cè)試。本發(fā)明行為預(yù)測(cè)方法引入了自標(biāo)注增量極速學(xué)習(xí)算法，所述自標(biāo)注增量極速學(xué)習(xí)算法基于源域標(biāo)注數(shù)據(jù)訓(xùn)練ELM模型，并將所述ELM模型遷移到目標(biāo)域，然后對(duì)目標(biāo)域數(shù)據(jù)進(jìn)行自標(biāo)定，并利用高置信度標(biāo)注結(jié)果不斷地調(diào)整原有所述ELM模型，使之成為一個(gè)適應(yīng)目標(biāo)域數(shù)據(jù)的模型，進(jìn)而進(jìn)行行為的預(yù)測(cè)，有利于人們更好的預(yù)測(cè)行為，并更好的規(guī)劃自己的行程，節(jié)約了時(shí)間。
【IPC分類】G06N3/02, G06F19/00
【公開(kāi)號(hào)】CN104915537
【申請(qǐng)?zhí)枴緾N201510162201
【發(fā)明人】趙中堂, 馬倩, 張又林, 胡天彤, 白首華
【申請(qǐng)人】鄭州航空工業(yè)管理學(xué)院
【公開(kāi)日】2015年9月16日
【申請(qǐng)日】2015年4月8日