CN102075352B - 一种网络用户行为预测的方法和装置 - Google Patents

Abstract

本发明公开了一种网络用户行为预测的方法和装置，其中，所述方法为：确定预测模型相应的参数集；确定网络用户行为训练数据集；再根据所确定的参数集建立神经网络预测模型的层次结构，建立输入权重矩阵、反馈权重矩阵、动态池内部连接权重矩阵；利用训练数据集对该预测模型进行训练，经计算得到预测模型的输出权重矩阵，调整预测模型的输入，该预测模型将给出相应的预测结果。

Description

一种网络用户行为预测的方法和装置

技术领域

本发明涉及通信网络业务管理及监控领域，特别是一种网络用户行为预测的方法和装置。

背景技术

现有技术中的网络用户行为预测方法是采用一种基于BP(BackPropagation)神经网络的方法来预测用户行为。但是，这种BP神经网络方法的训练方法较为复杂，本质上为梯度下降法，算法容易陷入局部极值，且效率不高。BP网络的预测能力(泛化能力)与训练能力(逼近能力)存在矛盾，会出现“过拟合现象”。因此，这种基于BP神经网络的用户行为预测方法不能充分学习网络用户行为分布的规律，对网络用户行为预测存在一定的片面性。另一方面，BP神经网络的学习算法的易实现性、预测精度、容错能力等性能指标都不如基于复杂网络的回声状态神经网络预测方法，不适合直接应用于网络用户行为的预测中。

发明内容

本发明实施例提供一种实现网络用户行为预测的方法和装置，通过UBMS获得网络用户使用的业务信息，产生用户行为分布数据集以及训练数据集，再根据设定的参数集构建一个基于复杂网络的回声状态神经网络预测模型，利用训练数据集训练预测模型，最后利用训练好的预测模型对网络用户行为分布进行预测，满足通信网络业务监控及管理领域对把握用户行为规律的要求，提高业务监控和管理效率。

本发明实施例公开了一种实现网络资源选择的方法，包括：确定预测模型相应的参数集；根据网络用户使用的业务信息与用户类别划分标准，获得网络用户行为分布的数据集，对获得的用户行为分布数据集进行数据预处理，得到训练数据集；再根据所确定的参数集构建一个基于复杂网络的回声状态神经网络预测模型；利用训练数据集对该预测模型进行训练，经计算得到预测模型的输出权重，调整预测模型的输入，预测模型将给出相应的预测结果。

本发明实施例还公开了一种实现网络资源选择的装置，包括：参数集设定单元，用于设定用户行为分布数据集的参数集、训练数据集特征、预测模型的参数集；数据集获取及预处理单元，用于获取用户行为分布数据集以及将其预处理成训练用数据集；预测模型单元，用于在根据参数集设置单元所确定的预测模型参数集建立一个基于复杂网络的回声状态神经网络预测模型，以及完成预测模型的训练、预测功能。

从上述本发明的实施例可以看出，本发明实施例利用层次分析方法，综合确定预测模型参数集中的相应参数，合理地建立了网络用户使用的业务信息与用户行为类别的对应关系。同时，本发明实施例中的预测模型采用了基于复杂网络的回声状态神经网络方法对网络用户行为分布的规律进行学习与预测，解决了现有网络用户行为预测方法的实现难度大、效率低、训练复杂、容错能力低、鲁棒性不强、预测精度不理想等局限性，满足了通信网络业务监控与管理领域对网络用户行为规律把握的期望，能够提高通信网络业务监控与管理的效率。

附图说明

图1为本发明实现网络用户行为预测方法的一个实施例流程图；

图2为本发明实现网络用户行为预测方法的另一个实施例流程图；

图3为本发明获得训练数据集方法的流程图；

图4为本发明构建基于WS复杂网络预测模型方法的流程图；

图5为本发明构建基于BA复杂网络预测模型方法的流程图；

图6为本发明构建基于MSB复杂网络预测模型方法的流程图；

图7为本发明训练预测模型方法的流程图；

图8为本发明利用预测模型进行预测的流程图；

图9为本发明实现网络用户行为预测的装置的一个实施例结构图。

具体实施方式

下面结合附图对本发明实施例进行详细描述。

请参阅图1，为本发明实现网络用户行为预测方法的一个实施例流程图，包括以下步骤：

步骤101：确定预测模型相应的参数集；

步骤102：确定网络用户行为训练数据集；

步骤103：根据确定的参数集建立神经网络预测模型的层次结构，建立输入权重矩阵、反馈权重矩阵、动态池内部连接权重矩阵；

步骤104：利用训练数据集对该预测模型进行训练，经计算得到预测模型的输出权重矩阵，调整预测模型的输入，该预测模型将给出相应的预测结果。

请参阅图2，为本发明实现网络用户行为预测方法的另一个实施例流程图，包括以下步骤：

步骤201：确定参数集，主要的参数有输入层神经元数目、输出层神经元数目、动态池神经元数目、建立动态池连接的方式、动态池权重谱半径、训练逝去数、预测长度；若采用WS、NW小世界网络模型，还需设定最近邻系数K、重连概率p；若采用BA无标度网络模型，还需要设定初始网络规模m₀，每次引入节点连接的边数m等；

步骤202：确定网络用户使用的业务信息与用户行为类别分类的对应关系。所述对应关系如表1所示。

表1业务信息与用户行为类别分类的对应关系

步骤203：从UBMS(User Behavior Monitor Server，用户行为监控服务器)获取网络用户使用的业务信息，按照表1的对应关系确定网络用户行为分布类别，再将所有类别均匀对应到[-1，1]区间上的若干点，进行数字化操作，建立网络用户行为分布数据集；

步骤204：根据设定的参数集，构建训练数据集；

上述构建训练数据集的方法的具体实现方式请查阅图3，包括以下步骤：

步骤301：读取参数集中输入神经元数InputUnitNum、输出神经元数OutputUnitNum，并将滑动窗口长度置为两者之和；

步骤302：用滑动窗口对网络用户行为分布数据集进行数据分割处理，取出滑动窗口内的数据Pre_Data；

步骤303：判断输入神经元的数目，这决定预测模型是否有输入激励以及决定训练数据集中是否含有训练输入数据集；

步骤304：因为输入神经元数目为零，故将训练数据集中输入数据集置0；训练数据集中教师数据集为Pre_Data；

步骤305：因为输入神经元数目不为零，故将训练数据集中输入数据集为Pre_Data中前InputUnitNum个数据；训练数据集中教师数据集为Pre_Data中后OutputUnitNum个数据；

步骤306：滑动窗口向后移动一个数据点，并判断是否滑动到网络用户行为分布数据集末尾，若已经滑到网络用户行为分布数据集末尾，则执行步骤307，否则执行步骤302；

步骤307：输出训练数据集；

在获得了训练用数据集后，返回到网络用户行为预测方法的流程中，并执行步骤205。

步骤205：根据设定的参数集，构建基于复杂网络的回声状态神经网络预测模型；

上述构建基于复杂网络的回声状态神经网络预测模型的方法的具体实现方式请查阅图4、图5、图6，分别实现三种不同复杂网络的回声状态预测模型。

请参阅图4，本发明构建基于WS复杂网络预测模型方法的流程图，包括以下步骤：

步骤401：读取参数集中相应的参数，主要是最近邻系数K、重连概率p、谱半径ρ_W；

步骤402：构建一个节点数等于动态池神经单元数的最近邻耦合网络Net，每个节点都与它左右相邻的各K/2个节点相连；

步骤403：以概率p随机地重新连接网络中的每个边，即将边的一个端点保持不变，而另一个端点取为网络中随机选择的一个节点。其中规定，任意两个不同的节点之间至多只能有一条边，并且每一个节点都不能有边与自身相连，将其记为网络WSNet；

步骤404：将小世界网络WSNet的邻接矩阵中的非零元素的取值均匀分布于[-1，1]，形成权重矩阵W，计算W的最大谱半径λ_max，将W对其最大谱半径归一化，再乘以参数集中的谱半径，也即按照式W＝ρ_W(W/|λ_max|)计算动态池内部连接权重矩阵W，需要指出ρ_W的取值要小于1；

步骤405：生成并初始化输入权重矩阵、反馈连接权重矩阵；

按照式Wⁱⁿ＝a*rand(N，K)-b生成输入权重矩阵；

按照式W^back＝c*rand(N，L)-d生成输出权重矩阵；

其中rand()函数产生服从[-1，1]上均匀分布的随机数，a和c为幅度调节因子，b和d为漂移因子，N为动态池神经元数目，K为输入层神经元数目、L为输出层神经元数目；

在构建了基于WS复杂网络预测模型后，返回到网络用户行为预测方法的流程中，并执行步骤206。

请参阅图5，本发明构建基于BA复杂网络预测模型方法的流程图，包括以下步骤：

步骤501：读取参数集中相应的参数，主要是初始网络规模m₀，每次引入节点连接的边数m、谱半径ρ_W；

步骤502：构建一个具有初始节点数m₀的初始网络，可采用随机连接方式、孤立点方式、全连接方式；

步骤503：从一个具有m₀个节点的网络开始，这个初始网络可以采用随机连接、全连接、孤立点方式构建。每次引入一个新的节点，并且练到m个已存在的节点上，这里m≤m₀。一个新节点与一个已经存在的节点i相连接的概率∏_i与节点i的度ki，节点j的度kj满足如下关系：

${\mathrm{\Π}}_i=\frac{k_i}{\underset{j}{\mathrm{\Σ}}{k}_j}$

将其记为网络BANet；

步骤504：将小世界网络BANet的邻接矩阵中的非零元素的取值均匀分布于[-1，1]，形成权重矩阵W，计算W的最大谱半径λ_max，将W对其最大谱半径归一化，再乘以参数集中的谱半径，也即按照式W＝ρ_W(W/|λ_max|)计算动态池内部连接权重矩阵W，需要指出ρ_W的取值要小于1；

步骤505：生成并初始化输入权重矩阵、反馈连接权重矩阵；

按照式Wⁱⁿ＝a*rand(N，K)-b生成输入权重矩阵；

按照式W^back＝c*rand(N，L)-d生成输出权重矩阵；

其中rand()函数产生服从[-1，1]上均匀分布的随机数，a和c为幅度调节因子，b和d为漂移因子，N为动态池神经元数目，K为输入层神经元数目、L为输出层神经元数目；

在构建了基于BA复杂网络预测模型后，返回到网络用户行为预测方法的流程中，并执行步骤206。

请参阅图6，本发明构建基于MSB复杂网络预测模型方法的流程图，包括以下步骤：

步骤601：读取参数集中相应的参数，主要是分组数、分组规模和谱半径ρ_W等；

步骤602：将神经单元分为若干个组，每个神经单元只能唯一属于某一个组；

步骤603：将每个组视为一个局部小网络，随机地选择WS小世界模型、BA无标度模型构造其组内连接方式；

步骤604：每个组选取若干个神经元作为该组的代表，将所有组的代表神经元按全连接方式进行组间连接，生成该动态池的邻接接矩阵；

步骤605：将邻接矩阵中的非零元素的取值均匀分布于[-1，1]，形成权重矩阵W，计算W的最大谱半径λ_max，将W对其最大谱半径归一化，再乘以参数集中的谱半径，也即按照式W＝ρ_W(W/|λ_max|)计算动态池内部连接权重矩阵W；

步骤606：生成并初始化输入权重矩阵、反馈连接权重矩阵；

按照式Wⁱⁿ＝a*rand(N，K)-b生成输入权重矩阵；

按照式W^back＝c*rand(N，L)-d生成输出权重矩阵；

其中rand()函数产生服从[-1，1]上均匀分布的随机数，a和c为幅度调节因子，b和d为漂移因子，N为动态池神经元数目，K为输入层神经元数目、L为输出层神经元数目；

在构建了基于WSB复杂网络预测模型后，返回到网络用户行为预测方法的流程中，并执行步骤206。

步骤206：利用训练数据集，对预测模型进行训练；

上述利用训练数据集训练预测模型的方法的具体实现方式请查阅图7，包括以下步骤：

步骤701：读取参数集中的相应参数，主要有训练数据的长度、逝去数等，动态池神经元激励函数、输出神经元激励函数等；

步骤702：读取训练数据集中的一条数据，更新动态池内部状态，设在第k时刻动态池的状态为x(k)，输入数据为u(k)，输出数据为y_d(k)，噪声数据为n(k)，动态池的初始状态可以是随机指定的，一般指定为零状态，即

动态池内部状态更新方程为：

x(k+1)＝f(Wⁱⁿu(k+1)+Wx(k)+W^backy_d(k)+n(k+1))

其中函数f为动态池神经元激励函数，可以为tanth()或者线性函数；

步骤703：判断训练步长是否达到逝去数，因为逝去数之前的状态是不稳定的，不予采集；

步骤704：收集动态池状态、输出层数据的逆数据分别作为状态收集矩阵M和教师矩阵T的行向量，也即将x(k)作为矩阵M的行向量，(f^out)^-1(y_d(k))作为矩阵T的行向量，按顺序收集，其中f^out是输出层激励函数；

步骤705：判断训练数据集是否读取完毕，若完毕，转至步骤706，否则转至步骤702；

步骤706：计算输出权重矩阵，采用最小均方误差准则，利用式W^out＝(M^-1T)计算输出权重矩阵。

在利用训练数据训练完预测模型后，返回到网络用户行为预测方法的流程中，并执行步骤207。

步骤207：使用训练好的预测模型进行预测；

上述使用训练好的预测模型进行预测的方法的具体实现方式请查阅图8，包括以下步骤：

步骤801：利用训练数据集对预测模型进行引导，也即读取训练数据集，按下式更新动态池状态；

x(k+1)＝f(Wⁱⁿu(k+1)+Wx(k)+W^backy_d(k)+n(k+1))

步骤802：判断引导过程是否结束，若结束，转至步骤803，否则转至步骤801继续引导；

步骤803：利用下面预测阶段动态池状态更新方程，更新动态池状态；

$x(k+1)=f(W^{\mathrm{in}}u(k+1)+\mathrm{Wx}\left(k\right)+W^{\mathrm{back}}\hat{y}\left(k\right)+n(k+1))$

其中

为第k时刻预测输出；

步骤804：利用下式计算预测输出；

$\hat{y}(k+1)=f^{\mathrm{out}}\left(W^{\mathrm{out}}x(k+1)\right)$

其中，x(k+1)为第k+1时刻的动态池状态、为第k+1时刻的预测输出、f^out为输出层神经元激励函数、W^out为输出权重矩阵；

步骤805：调整预测模型输入，也即将上次预测的输出，作为本次预测输入的一部分，如果输入层神经元数目为零，则无需步骤805；

步骤806：判断预测是否结束，若结束，转至步骤803，否则转至步骤807；

步骤807：将每次预测的输出，按一定格式组成预测输出数据；

至此，已经完成了本发明实现网络用户行为预测方法的所有实施步骤。

请参阅图9，为本发明实现网络用户行为预测的装置的一个实施例结构图，该装置包括参数集设定单元901、数据集获取及预处理单元902和预测模型单元903。下面结合该装置的工作原理进一步介绍其内部结构以及连接关系。

参数集设置单元901，用于设定预测模型的参数集；

数据集获取及预处理单元902，用于根据网络用户使用的业务信息与用户类别划分标准，获得网络用户行为分布的数据集，对获得的用户行为分布数据集进行数据预处理，得到训练数据集；

预测模型单元903，用于根据所确定的参数集构建一个基于复杂网络的回声状态神经网络预测模型，利用训练数据集对该预测模型进行训练，经计算得到预测模型的输出权重，调整预测模型的输入，该预测模型将给出相应的预测结果。

其中，预测模型单元903包括：

动态池建立单元904，用于根据所述参数集设置单元901所设置的相应参数建立基于复杂网络的回声状态神经网络模型；

层次结构建立单元905，用于根据所述参数集设置单元901所设置的相应参数，构建预测模型的输入层、动态池、输出层三层层次结构，并完成初始化工作。

训练单元906，用于根据所述参数集设置单元901所设置的相应参数以及数据集获取及预处理单元902输出的训练数据集，对层次结构建立单元905所构建的预测模型进行训练，计算输出权重矩阵。

预测单元907，用于根据数据集获取及预处理单元902输出的训练数据集，对训练单元906训练好的预测模型进行引导，并执行预测工作。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤，是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于计算机可读取存储介质中，该程序包括如下步骤：确定预测模型的参数集；再根据网络用户使用的业务信息与用户类别划分标准，获得网络用户行为分布的数据集，对获得的用户行为分布数据集进行数据预处理，得到训练数据集；再根据所确定的参数集构建一个基于复杂网络的回声状态神经网络预测模型，利用训练数据集对该预测模型进行训练，经计算得到预测模型的输出权重，调整预测模型的输入，该预测模型将给出相应的预测结果。所述的存储介质，如：ROM/RAM、磁碟、光盘等。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应该视为本发明的保护范围。

Claims (9)

1.一种实现网络用户行为预测的方法，其特征在于，包括：

确定预测模型相应的参数集；

确定网络用户行为训练数据集；

再根据所确定的参数集建立神经网络预测模型的层次结构，建立输入权重矩阵、反馈权重矩阵、动态池内部连接权重矩阵；

所述根据所确定的参数集建立神经网络预测模型的层次结构，建立输入权重矩阵、反馈权重矩阵、动态池内部连接权重矩阵的步骤包括：

所述神经网络预测模型采用3层层次结构，依次为输入层、动态池、输出层，每层分别有K、N、L个神经单元；连接权重矩阵有输入层至动态池的输入权重矩阵

动态池内部连接权重矩阵W＝(w_ij)_NxN、输出层至动态池的反馈连接权重矩阵

动态池至输出层的输出权重矩阵

动态池中各神经单元的连接拓扑，也即矩阵W采用复杂网络模型；

利用训练数据集对该预测模型进行训练，经计算得到预测模型的输出权重矩阵，调整预测模型的输入，该预测模型将给出相应的预测结果。

2.根据权利要求1所述的方法，其特征在于：

所述预测模型相应的参数集主要有输入层神经元个数、输出层神经元个数、动态池神经元个数、动态池连接权重矩阵的谱半径、逝去数、预测长度、噪声水平参数。

3.根据权利要求1所述的方法，其特征在于：

所述确定网络用户行为训练数据集之前还包括：在预先确定的网络用户行为类别范围内，设定网络用户使用的业务种类与网络用户行为类别之间的对应关系，确定网络用户行为分布数据集；

所述网络用户行为分布数据集为从UBMS（User Behavior Monitor Server,用户行为监控服务器）获取网络用户使用的业务种类，再根据所述业务种类与用户行为类别之间的对应关系得到的数据集；通过对所述网络用户行为分布数据集进行数据预处理，得到训练数据集。

4.根据权利要求3所述的方法，其特征在于，所述预先确定的网络用户行为类别范围包括：

传统web业务分类、文件传输类、电子邮件类、P2P应用类、即时通信类、流媒体业务类、网络游戏类、VOIP类、事务处理（Transaction/Databases）类；

其中，所述传统web业务分类包括：新闻子类、娱乐子类、科技子类、教育子类、财经理财子类、汽车子类、数码子类、体育子类、博客子类、房产子类。

5.根据权利要求3所述的方法，其特征在于，所述业务种类包括：

FTP、TFTP、微软的系统命令行程序CMD、NetBIOS、NFS、PRINTER、端口号是170的TCP协议PRINTE-SRV、基于接收端的传输层控制协议RCP、SUN’S的远程程序调用服务SUNRPC、SYSLOG、各类电子邮件、BitTorrent、eMule/eDonkey、开放网络协议Gnutella、基于个人空间的个人互动娱乐软件POCO、KazaA、点对点协议PPPoint、迅雷、PPstream、QQlive、PPlive、SNS、CCIPTV、UUSee、AOL/ICQ、MSN、QQ、Skype、Yahoo、Sina-UC、Google Talk、Lava-Lava、MMS、PPTP协议的客户-服务器模型的服务器端PNS、可靠数据传输协议RDT、RTP、RTSP、Streaming-Tool、边锋、中国游戏在线、浩方、联众、QQ游戏、CS/反恐精英、Diablo、DOOM、天堂、King of Kings、传奇、Quake、魔兽世界、魔兽争霸、街头篮球、剑侠情缘、H.232、MGCP、SIP、T.120、CORBA、电子商务的网络支付服务CyberCash、DaZhiHui、数据备份软件EXEC、LDAP、Oracle、SQL、SAP。

6.根据权利要求1所述的方法，其特征在于，所述预测模型层次结构中建立动态池内部连接权重矩阵方式包括：

假设动态池中含有N个神经元，将其看做N个节点；

WS小世界构造法：把动态池构建为一个含有N个点的最邻近耦合网络，它们围成一个环，其中每个节点都与它的左右相邻的各K/2个节点相连，K是偶数，以概率p随机地重新连接网络中的每个边，但是规定任意两个不同的节点之间至多只能有一条边，并且每一个节点都不能与自己相连；

BA无标度构造法：从一个具有m₀个节点的网络开始，这个初始网络采用随机连接、全连接、孤立点方式构建，每次引入一个新的节点，并且练到m个已存在的节点上，这里m≤m₀；一个新节点与一个已经存在的节点i相连接的概率Π_i与节点i的度ki,节点j的度kj满足如下关系：

${\mathrm{\Π}}_i=\frac{k_i}{\underset{j}{\mathrm{\Σ}}{k}_j}$

MSB混合构造法：把动态池中的神经单元划分为若干个组，每个神经单元必须唯一确切地属于某一个组；对于划分好的每一个组随机地采用WS小世界构造法、BA无标度构造法构造该组组内的连接方式；同时对于每一组，随机选取小数量的神经单元作为该组的代表神经单元，所有代表神经单元元采用全连接方式完成组间连接，从而形成了这个动态池的连接结构。

7.根据权利要求1所述的方法，其特征在于，所述的利用训练数据集对预测

模型进行训练包括：

训练数据集包括输入数据集U、教师数据集Y_d，均采用向量表示形式,训练时依次将输入数据集、教师数据集送入预测模型的输入层和输出层，并按照下式记录和更新动态池的状态；

x(k+1)＝f(Wⁱⁿu(k+1)+Wx(k)+W^backy_d(k)+n(k+1))

其中u(k+1)为第k+1时刻输入数据集的数据、y_d(k)为第k时刻教师数据集的数据、x(k)为第k时刻动态池的状态、x(k+1)为第k+1时刻动态池的状态、n(k+1)为第k+1时刻引入的噪声,函数f为动态池神经单元激励函数；

在逝去时间T0之后，收集动态池的状态x(k)至状态收集矩阵M，作为其第K-T0行，收集相应的教师数据(f^out)^-1(y_d(k))至矩阵T，做为其第K-T0行，f^out为输出层神经单元的激励函数，待训练过程结束时，可由式W^out＝(M^-1T)计算输出权重。

8.根据权利要求1所述的方法，其特征在于，所述调整预测模型输入，进行

相应预测包括：

在训练预测模型得到输出权重矩阵后，再用训练数据集对该预测模型进行引导，在引导预测模型期间内，动态池的状态按照下式进行更新；

x(k+1)＝f(Wⁱⁿu(k+1)+Wx(k)+W^backy_d(k)+n(k+1))

引导期完毕后，预测模型进入预测状态，此时动态池状态以及预测输出分别由以下两式确定；

$x(k+1)=f(W^{\mathrm{in}}u(k+1)+\mathrm{Wx}\left(k\right)+W^{\mathrm{back}}\hat{y}\left(k\right))$

$\hat{y}(k+1)=f^{\mathrm{out}}\left(W^{\mathrm{out}}\right[x(k+1)\left]\right)$

其中

是第k时刻预测模型的预测输出，f^out为输出层神经单元的激励函数。

9.一种实现网络用户行为预测的装置，其特征在于，包括：

参数集设定单元，用于设定预测模型相应的参数集；

数据集获取及预处理单元，用于获取用户行为分布数据集以及将其预处理成训练数据集；

预测模型单元，用于在根据参数集设置单元所确定的预测模型参数集建立一个基于复杂网络的回声状态神经网络预测模型，以及完成预测模型的训练、预测功能；

所述预测模型单元包括：

动态池建立单元，用于根据所述参数集设置单元所设置的参数集建立一个基于复杂网络结构连接的动态池；

层次结构建立单元，用于建立预测模型的三层结构，以及初始化相应的连接权重矩阵；

训练单元，用于在所述层次结构建立单元建立预测模型结构后，利用训练数据集对预测模型进行训练，并计算输出权重矩阵；

预测单元，用与在所述训练单元计算输出权重矩阵后，根据所述参数集设置单元所设置的相应参数进行预测。

Images