CN104915537A - 基于神经网络的行为预测方法 - Google Patents
基于神经网络的行为预测方法 Download PDFInfo
- Publication number
- CN104915537A CN104915537A CN201510162201.6A CN201510162201A CN104915537A CN 104915537 A CN104915537 A CN 104915537A CN 201510162201 A CN201510162201 A CN 201510162201A CN 104915537 A CN104915537 A CN 104915537A
- Authority
- CN
- China
- Prior art keywords
- behavior prediction
- data
- neural network
- prediction method
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 19
- 230000006399 behavior Effects 0.000 claims abstract description 26
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 6
- 238000010200 validation analysis Methods 0.000 claims description 6
- 238000013499 data model Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 238000002372 labelling Methods 0.000 abstract 3
- 238000012795 verification Methods 0.000 abstract 1
- 238000010801 machine learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000714 time series forecasting Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于行为预测方法领域,具体涉及基于神经网络的行为预测方法。基于神经网络的行为预测方法包含以下步骤:采集数据、分类、转码处理、模型设计、验证测试。本发明行为预测方法引入了自标注增量极速学习算法,所述自标注增量极速学习算法基于源域标注数据训练ELM模型,并将所述ELM模型迁移到目标域,然后对目标域数据进行自标定,并利用高置信度标注结果不断地调整原有所述ELM模型,使之成为一个适应目标域数据的模型,进而进行行为的预测,有利于人们更好的预测行为,并更好的规划自己的行程,节约了时间。
Description
技术领域
本发明属于行为预测方法领域,具体涉及基于神经网络的行为预测方法。
背景技术
随着复杂性科学的不断发展,关于神经网络算法的研究成果不断涌现。传统的有监督机器学习算法,要求目标域数据(测试数据)和源域数据(训练数据)服从相同的分布,这样基于源域训练的模型就能直接应用于目标域数据的识别。然而,在现实生活中,这个条件很难满足,进而导致了传统机器学习方法的失效。近年来,许多机器学习方法研究者为寻找处理目标域和源域数据分布不同的方法而进行了多方面的探索,其共同目标都是希望在源域已标注数据集上构建的模型能够很好的应用于目标域数据。其中的许多方法是以迁移学习方法为指导的。传统的机器学习领域中,目标域和源域的数据分布不同会导致基于源域训练的分类模型不能很好地适应于目标域数据的问题。
实证研究结果表明行为的变化具有非线性、时变性的特点。传统神经网络模型仅对具有趋向性的时间序列预测做了研究,另外,传统神经网络基本采用的算法或者是基于神经网络的其他算法,这些算法都有不足之处,基于梯度下降算法需要求解目标函数的导数,适用范围有局限性;基于神经网络的混合算法常会把简单问题复杂话,也较容易出现局部收敛问题。
发明内容
本发明为了解决上述技术问题,提供一种基于神经网络的行为预测方法,该方法在大量收集数据的基础上可以有效对行为进行预测,且有效的解决了使用范围局限和容易把简单问题复杂化的问题。
为了达到上述技术效果,本发明的技术方案包括:
基于神经网络的行为预测方法,包含以下步骤:采集数据、分类、转码处理、模型设计、验证测试。
进一步的,所述采集数据可以采取的方式包括:入户访问,拦截访问,邮寄问卷调查,留置问卷调查,电话调查,网络调查,深度访问法,座谈法等;数据采集完毕后,将所述的采集数据按照被采集对象的年龄、地域和时间进行分类;将已经完成分类的数据进行转码处理,输入计算机。
进一步的,所述模型设计的方法为:确定隐含层,通过自标注增量极速学习算法优化搜索,进行权值优化,得到局部最优算法。
进一步的,所述自标注增量极速学习算法基于源域标注数据训练ELM模型,并将所述ELM模型迁移到目标域,然后对目标域数据进行自标定,并利用高置信度标注结果不断地调整原有所述ELM模型,使之成为一个适应目标域数据的模型。
进一步的,所述验证测试包括如下步骤:将所述分类数据输入至计算机,进而调整所述目标域数据模型,得到行为预测结果。
本发明的有益效果包括:本发明基于神经网络的行为预测方法,利用自标注增量极速学习算法的介入而调整原有所述ELM模型,使之成为一个适应目标域数据的模型,进而对行为进行了准确的预测,方便人们的出行和计划安排。
具体实施方式
下文将结合具体实施例详细描述本发明。应当注意的是,下述实施例中描述的技术特征或者技术特征的组合不应当被认为是孤立的,它们可以被相互组合从而达到更好的技术效果。
实施例:
基于神经网络的行为预测方法,包含以下步骤:采集数据、分类、转码处理、模型设计、验证测试。
采集数据采取的方式包括:入户访问,拦截访问,邮寄问卷调查,留置问卷调查,电话调查,网络调查,深度访问法和座谈法并用对不同年龄、不同地域、不同时间的人们收集数据;数据采集完毕后,将所述的采集数据按照被采集对象的年龄、地域和时间进行分类;将已经完成分类的数据进行转码处理,输入计算机。
模型设计的方法为:确定隐含层,通过自标注增量极速学习算法优化搜索,进行权值优化,得到局部最优算法。
自标注增量极速学习算法基于源域标注数据训练ELM模型,并将所述ELM模型迁移到目标域,然后对目标域数据进行自标定,并利用高置信度标注结果不断地调整原有所述ELM模型,使之成为一个适应目标域数据的模型。
验证测试包括如下步骤:将所述分类数据输入至计算机,进而调整所述目标域数据模型,得到行为预测结果。
本发明基于神经网络的行为预测方法,利用自标注增量极速学习算法的介入而调整原有所述ELM模型,使之成为一个适应目标域数据的模型,进而对行为进行了准确的预测,方便人们的出行和计划安排。
上述详细说明是针对发明的可行实施例的具体说明,该实施例并非用以限制本发明的专利范围,凡未脱离本发明的等效实施或变更,均应当包含于本发明的专利范围内。
另外,本领域技术人员还可在本发明权利要求公开的范围和精神内做其它形式和细节上的各种修改、添加和替换。当然,这些依据本发明精神所做的各种修改、添加和替换等变化,都应包含在本发明所要求保护的范围之内。
Claims (5)
1.基于神经网络的行为预测方法,其特征在于,包含以下步骤:采集数据、分类、转码处理、模型设计、验证测试。
2.根据权利要求1所述的基于神经网络的行为预测方法,其特征在于,所述采集数据可以采取的方式包括:入户访问,拦截访问,邮寄问卷调查,留置问卷调查,电话调查,网络调查,深度访问法,座谈法;数据采集完毕后,将所述的采集数据按照被采集对象的年龄、地域和时间进行分类;将已经完成分类的数据进行转码处理,输入计算机。
3.根据权利要求2所述的基于神经网络的行为预测方法,其特征在于,所述模型设计的方法为:确定隐含层,通过自标注增量极速学习算法优化搜索,进行权值优化,得到局部最优算法。
4.根据权利要求2所述的基于神经网络的行为预测方法,其特征在于,所述自标注增量极速学习算法基于源域标注数据训练ELM模型,并将所述ELM模型迁移到目标域,然后对目标域数据进行自标定,并利用高置信度标注结果不断地调整原有所述ELM模型,使之成为一个适应目标域数据的模型。
5.根据权利要求1所述的基于神经网络的行为预测方法,其特征在于,所述验证测试包括如下步骤:将所述分类数据输入至计算机,进而调整所述目标域数据模型,得到行为预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510162201.6A CN104915537B (zh) | 2015-04-08 | 2015-04-08 | 基于神经网络的行为预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510162201.6A CN104915537B (zh) | 2015-04-08 | 2015-04-08 | 基于神经网络的行为预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104915537A true CN104915537A (zh) | 2015-09-16 |
CN104915537B CN104915537B (zh) | 2018-01-12 |
Family
ID=54084599
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510162201.6A Active CN104915537B (zh) | 2015-04-08 | 2015-04-08 | 基于神经网络的行为预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104915537B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106384022A (zh) * | 2016-11-23 | 2017-02-08 | 东软集团股份有限公司 | 出行行为预测方法及装置 |
CN107526117A (zh) * | 2017-07-06 | 2017-12-29 | 天津科技大学 | 基于自动编码和超限学习联合网络的声波速度预测方法 |
CN108009630A (zh) * | 2017-11-24 | 2018-05-08 | 华南师范大学 | 分析预测文化冲突的深度学习方法、装置、计算机设备 |
CN109410565A (zh) * | 2017-08-15 | 2019-03-01 | 高德信息技术有限公司 | 一种动态交通事件预测方法及装置 |
CN111738440A (zh) * | 2020-07-31 | 2020-10-02 | 支付宝(杭州)信息技术有限公司 | 一种基于领域自适应与联邦学习的模型训练方法及系统 |
CN117539963A (zh) * | 2024-01-10 | 2024-02-09 | 山东大学 | 一种社交网络数据动态分析方法及系统 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921301B (zh) * | 2018-06-29 | 2020-06-02 | 长扬科技(北京)有限公司 | 一种基于自学习的机器学习模型更新方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101355504A (zh) * | 2008-08-14 | 2009-01-28 | 成都市华为赛门铁克科技有限公司 | 一种用户行为的确定方法和装置 |
CN102075352A (zh) * | 2010-12-17 | 2011-05-25 | 北京邮电大学 | 一种网络用户行为预测的方法和装置 |
-
2015
- 2015-04-08 CN CN201510162201.6A patent/CN104915537B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101355504A (zh) * | 2008-08-14 | 2009-01-28 | 成都市华为赛门铁克科技有限公司 | 一种用户行为的确定方法和装置 |
CN102075352A (zh) * | 2010-12-17 | 2011-05-25 | 北京邮电大学 | 一种网络用户行为预测的方法和装置 |
Non-Patent Citations (2)
Title |
---|
NAN-YING LIANG ET AL: ""A Fast and Accurate Online Sequential Learning Algorithm for Feedforward Networks"", 《IEEE TRANSACTIONS ON NEURAL NETWORKS》 * |
李栋 等: ""基于FOA-ELM的客户基金购买行为预测仿真"", 《计算机仿真》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106384022A (zh) * | 2016-11-23 | 2017-02-08 | 东软集团股份有限公司 | 出行行为预测方法及装置 |
CN106384022B (zh) * | 2016-11-23 | 2019-03-15 | 东软集团股份有限公司 | 出行行为预测方法及装置 |
CN107526117A (zh) * | 2017-07-06 | 2017-12-29 | 天津科技大学 | 基于自动编码和超限学习联合网络的声波速度预测方法 |
CN107526117B (zh) * | 2017-07-06 | 2019-08-13 | 天津科技大学 | 基于自动编码和超限学习联合网络的声波速度预测方法 |
CN109410565A (zh) * | 2017-08-15 | 2019-03-01 | 高德信息技术有限公司 | 一种动态交通事件预测方法及装置 |
CN109410565B (zh) * | 2017-08-15 | 2020-07-10 | 阿里巴巴(中国)有限公司 | 一种动态交通事件预测方法及装置 |
CN108009630A (zh) * | 2017-11-24 | 2018-05-08 | 华南师范大学 | 分析预测文化冲突的深度学习方法、装置、计算机设备 |
CN111738440A (zh) * | 2020-07-31 | 2020-10-02 | 支付宝(杭州)信息技术有限公司 | 一种基于领域自适应与联邦学习的模型训练方法及系统 |
CN117539963A (zh) * | 2024-01-10 | 2024-02-09 | 山东大学 | 一种社交网络数据动态分析方法及系统 |
CN117539963B (zh) * | 2024-01-10 | 2024-04-05 | 山东大学 | 一种社交网络数据动态分析方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN104915537B (zh) | 2018-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104915537A (zh) | 基于神经网络的行为预测方法 | |
CN103730006B (zh) | 一种短时交通流量的组合预测方法 | |
CN105469109B (zh) | 一种用于遥感图像分类的基于类心对齐的迁移学习方法 | |
CN106372749B (zh) | 基于云变分析的超短期光伏功率预测方法 | |
CN105676670B (zh) | 用于处理能源数据的方法和系统 | |
CN112132014B (zh) | 基于非督导金字塔相似性学习的目标重识别方法及系统 | |
Xiao et al. | Research on generalized non‐equidistance GM (1, 1) model based on matrix analysis | |
CN107742168A (zh) | 一种基于物联技术的生产车间动态瓶颈预测方法 | |
CN108241901A (zh) | 一种基于预测数据的变压器预警评估方法及装置 | |
Jović et al. | Solar radiation analyzing by neuro-fuzzy approach | |
CN110837921A (zh) | 基于梯度提升决策树混合模型的房地产价格预测研究方法 | |
CN103942749A (zh) | 一种基于修正聚类假设和半监督极速学习机的高光谱地物分类方法 | |
CN103676649A (zh) | 局部自适应小波神经网络训练系统、设备及方法 | |
CN111967696A (zh) | 基于神经网络的电动汽车充电需求预测方法、系统及装置 | |
CN103885867B (zh) | 一种模拟电路性能的在线评价方法 | |
Wanner et al. | Quality modelling in battery cell manufacturing using soft sensoring and sensor fusion-A review | |
CN109656808A (zh) | 一种基于混合式主动学习策略的软件缺陷预测方法 | |
CN106483490A (zh) | 基于支持向量机分类的无线定位方法 | |
Khosravi et al. | Wind farm power uncertainty quantification using a mean-variance estimation method | |
CN116227389A (zh) | 气动热数据的预测方法及装置 | |
Chu et al. | Multi-class classification method for steel surface defects with feature noise | |
CN113762791B (zh) | 一种铁路工程造价管理系统 | |
Miao et al. | The color characteristic model based on optimized BP neural network | |
CN107633009A (zh) | 一种基于标记置信度的弱监督文档分类方法 | |
Gao et al. | Detection method of potholes on highway pavement based on yolov5 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |