基于点过程的序列预测算法研究
发布时间：2021-09-30 12:18
随着互联网技术的发展进步,各行各业通过网络产生了大量序列数据,利用序列数据进行预测,并挖掘其复杂动态性背后隐藏的内在规律,对于用户兴趣动态挖掘、电子广告实时推送、设备故障检测、交通故障预测等方面都具有重要的社会意义。但是,当前序列预测方法仍然存在信息未被充分利用的不足。因此,本文对融合了社交数据的点过程序列预测算法进行研究,利用了历史序列数据预测事件类型和时间。主要工作和创新点如下:（1）针对缺乏考虑不同维度信息的问题,本文提出一种社交化点过程序列预测算法（Social point process sequence prediction algorithm,SPSP）。通过同时考虑时间和空间两维度信息建模点过程强度函数,将社交关系网络引入点过程序列预测算法中,打开了建模强度函数的新思路。SPSP算法训练过程:首先在时间维度上,利用双LSTM分别建模强度函数的背景知识和历史影响;然后通过联合层将两个LSTM的输出合并,生成事件类型的预选表征和对应的事件时间;最后在空间维度上,将事件类型的预选表征作为输入,根据社交关系网络的邻居影响度算法优化重构强度函数,训练整个模型,预测最终事件类型和时...
【文章来源】：太原理工大学山西省 211工程院校
【文章页数】：78 页
【学位级别】：硕士
【部分图文】：
图1-1位置时间轨迹图
图 2-1 逻辑斯谛分布的密度函数和分布函数Fig 2-1 Density function and distribution function of logistic distribution项逻辑斯谛回归模型分布 P (Y |X)表示二项逻辑斯谛回归模型，属于分类模型。该模型参数，其中 X 与Y 的变量范围： X R, Y {0,1}。回归模型条件概率分布表示如下：1exp()exp()(1|)xbxbPYx 1exp()exp()(0|)xbxbPYx n R表示输入， Y {0,1}表示输出，n R， b R为学习参数，为 偏 置 ， x作 内 积 运 算 。 可 以 将 ，x扩 充 表
图 2-2 RMTPP 算法框架图Fig 2-2 RMTPP algorithm framework diagram 2-2 表示 RMTPP 算法框架图，分别介绍算法输入层、隐含层和输出）输入层 输入层首先将标记jy 的稀疏 one- hot向量映射到一个隐空间bedding 层，利用jemTiemy Wy b得到更加紧凑高效的表征，emW 表示偏置，在训练网络时学习emW 和emb 。另外，对于时间输入jt ，提取相就是事件间的时间间隔 1 jjjd tt。）隐含层 在获取当前输入和隐含层j 1h 之后，更新隐含层向量。在 R公式：max{,0}j1 hhjtjyjh Wy Wt Wh b ）输出层 输出层包括生成类型输出和时间输出，介绍如下：
本文编号：3415851
【文章来源】：太原理工大学山西省 211工程院校
【文章页数】：78 页
【学位级别】：硕士
【部分图文】：
图1-1位置时间轨迹图
图 2-1 逻辑斯谛分布的密度函数和分布函数Fig 2-1 Density function and distribution function of logistic distribution项逻辑斯谛回归模型分布 P (Y |X)表示二项逻辑斯谛回归模型，属于分类模型。该模型参数，其中 X 与Y 的变量范围： X R, Y {0,1}。回归模型条件概率分布表示如下：1exp()exp()(1|)xbxbPYx 1exp()exp()(0|)xbxbPYx n R表示输入， Y {0,1}表示输出，n R， b R为学习参数，为 偏 置 ， x作 内 积 运 算 。 可 以 将 ，x扩 充 表
图 2-2 RMTPP 算法框架图Fig 2-2 RMTPP algorithm framework diagram 2-2 表示 RMTPP 算法框架图，分别介绍算法输入层、隐含层和输出）输入层 输入层首先将标记jy 的稀疏 one- hot向量映射到一个隐空间bedding 层，利用jemTiemy Wy b得到更加紧凑高效的表征，emW 表示偏置，在训练网络时学习emW 和emb 。另外，对于时间输入jt ，提取相就是事件间的时间间隔 1 jjjd tt。）隐含层 在获取当前输入和隐含层j 1h 之后，更新隐含层向量。在 R公式：max{,0}j1 hhjtjyjh Wy Wt Wh b ）输出层 输出层包括生成类型输出和时间输出，介绍如下：
本文编号：3415851
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3415851.html
