隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展進步,各行各業(yè)通過網(wǎng)絡(luò)產(chǎn)生了大量序列數(shù)據(jù),利用序列數(shù)據(jù)進行預(yù)測,并挖掘其復(fù)雜動態(tài)性背后隱藏的內(nèi)在規(guī)律,對于用戶興趣動態(tài)挖掘、電子廣告實時推送、設(shè)備故障檢測、交通故障預(yù)測等方面都具有重要的社會意義。但是,當前序列預(yù)測方法仍然存在信息未被充分利用的不足。因此,本文對融合了社交數(shù)據(jù)的點過程序列預(yù)測算法進行研究,利用了歷史序列數(shù)據(jù)預(yù)測事件類型和時間。主要工作和創(chuàng)新點如下:（1）針對缺乏考慮不同維度信息的問題,本文提出一種社交化點過程序列預(yù)測算法（Social point process sequence prediction algorithm,SPSP）。通過同時考慮時間和空間兩維度信息建模點過程強度函數(shù),將社交關(guān)系網(wǎng)絡(luò)引入點過程序列預(yù)測算法中,打開了建模強度函數(shù)的新思路。SPSP算法訓(xùn)練過程:首先在時間維度上,利用雙LSTM分別建模強度函數(shù)的背景知識和歷史影響;然后通過聯(lián)合層將兩個LSTM的輸出合并,生成事件類型的預(yù)選表征和對應(yīng)的事件時間;最后在空間維度上,將事件類型的預(yù)選表征作為輸入,根據(jù)社交關(guān)系網(wǎng)絡(luò)的鄰居影響度算法優(yōu)化重構(gòu)強度函數(shù),訓(xùn)練整個模型,預(yù)測最終事件類型和時... 

【文章來源】：太原理工大學(xué)山西省 211工程院校

【文章頁數(shù)】：78 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖1-1位置時間軌跡圖

圖 2-1 邏輯斯諦分布的密度函數(shù)和分布函數(shù)Fig 2-1 Density function and distribution function of logistic distribution項邏輯斯諦回歸模型分布 P (Y |X)表示二項邏輯斯諦回歸模型，屬于分類模型。該模型參數(shù)，其中 X 與Y 的變量范圍： X R, Y {0,1}。回歸模型條件概率分布表示如下：1exp()exp()(1|)xbxbPYx 1exp()exp()(0|)xbxbPYx n R表示輸入， Y {0,1}表示輸出，n R， b R為學(xué)習參數(shù)，為 偏 置 ， x作 內(nèi) 積 運 算 。 可 以 將 ，x擴 充 表

圖 2-2 RMTPP 算法框架圖Fig 2-2 RMTPP algorithm framework diagram 2-2 表示 RMTPP 算法框架圖，分別介紹算法輸入層、隱含層和輸出）輸入層 輸入層首先將標記jy 的稀疏 one- hot向量映射到一個隱空間bedding 層，利用jemTiemy Wy b得到更加緊湊高效的表征，emW 表示偏置，在訓(xùn)練網(wǎng)絡(luò)時學(xué)習emW 和emb 。另外，對于時間輸入jt ，提取相就是事件間的時間間隔 1 jjjd tt。）隱含層 在獲取當前輸入和隱含層j 1h 之后，更新隱含層向量。在 R公式：max{,0}j1 hhjtjyjh Wy Wt Wh b ）輸出層 輸出層包括生成類型輸出和時間輸出，介紹如下：


本文編號：3415851