[發明專利]基于ELM的網絡信息熱點預測系統和方法

在審

• 申請號: 201710200772.3
• 申請日: 2017-03-30
• 公開（公告）號: CN106934064A
• 公開（公告）日: 2017-07-07
• 發明（設計）人: 林蔭;張竹清;朱瑩瑩
• 申請（專利權）人: 常州大學懷德學院
• 主分類號: G06F17/30
• 分類號: G06F17/30;G06Q10/04;G06Q50/00;G06N99/00
• 代理公司: 常州佰業騰飛專利代理事務所(普通合伙)32231
• 代理人: 黃杭飛

技術領域

本發明涉及網絡信息熱點的預測方法，具體涉及一種基于ELM的網絡信息熱點預測系統和方法。

背景技術

當前網絡信息熱點的預測主要采用：傳統統計模型和現代統計學模型，傳統統計模型無法跟蹤網絡信息熱點的變化態勢，預測結果極不可靠。現代統計學模型以獲得更高精度的網絡信息熱點預測結果，但無法滿足大規模網絡信息熱點的數據預測要求。因此，為了提高網絡信息熱點預測的準確性，更好地描述網絡信息熱點的變化趨勢，亟需一種預測實時性良好、且結果理想的網絡信息熱點預測系統和方法。

發明內容

本發明克服現有技術存在的不足，所要解決的技術問題為：提供一種預測實時性良好、且結果理想的基于ELM的網絡信息熱點預測系統和方法。

為了解決上述技術問題，本發明采用的技術方案為：基于ELM的網絡信息熱點預測系統，包括：采集單元：用于采集待測網絡信息熱點的歷史點擊率數據，構成網絡信息熱點的學習樣本；估計單元：用于對網絡信息熱點數據的延遲時間τ和嵌入維m進行估計，并對網絡信息熱點數據進行變換，得到訓練樣本和測試樣本；訓練單元：用于采用極限學習機器訓練網絡信息熱點樣本，訓練過程中，采用Cholesky分解方法對極限學習機器的權值β_L進行最優求解；模型建立單元：用于利用極限學習機器的權值β_L，建立網絡信息熱點的預測模型；預測單元：用于利用預測模型，對網絡信息熱點的測試樣本進行預測。

優選地，所述估計單元對網絡信息熱點數據的延遲時間τ和嵌入維m進行估計時，具體是采用關聯積分算法來確定最優的延遲時間τ和嵌入維m。

相應地，基于ELM的網絡信息熱點預測方法，包括以下步驟：采集待測網絡信息熱點的歷史點擊率數據，構成網絡信息熱點的學習樣本；對網絡信息熱點數據的延遲時間τ和嵌入維m進行估計，并對網絡信息熱點數據進行變換，得到訓練樣本和測試樣本；采用極限學習機器訓練網絡信息熱點樣本，訓練過程中，采用Cholesky分解方法對極限學習機器的權值β_L進行最優求解；利用極限學習機器的權值β_L，建立網絡信息熱點的預測模型；利用預測模型，對網絡信息熱點的測試樣本進行預測。

優選地，所述對網絡信息熱點數據的延遲時間τ和嵌入維m進行估計時，具體是采用關聯積分算法來確定最優的延遲時間τ和嵌入維m。

本發明與現有技術相比具有以下有益效果：本發明在對網絡信息熱點進行預測時，先采集待測網絡信息熱點的歷史點擊率數據，構成網絡信息熱點的學習樣本，然后對網絡信息熱點數據的延遲時間τ和嵌入維m進行估計，并對網絡信息熱點數據進行變換，得到訓練樣本和測試樣本，接著采用極限學習機器訓練網絡信息熱點樣本，再利用極限學習機器的權值β_L，建立網絡信息熱點的預測模型，最后利用預測模型，對網絡信息熱點的測試樣本進行預測；在極限學習機器的訓練過程中，關鍵要找到權值β_L的最優值，而對于現有的極限學習機器，在β_L的求解過程中，有大量的矩陣求逆運算，導致計算復雜度高，對網絡信息熱點預測模型的訓練過程產生不利影響；因此，本發明對現有的極限學習機器進行相應的改進，引入Cholesky分解方法對極限學習機器的權值β_L進行最優求解，使得β_L的求解僅通過四則運算就可以實現，沒有矩陣求逆運算，計算更加簡單，大幅度減少了求解的時間，使得對網絡信息熱點的預測實時性良好，結果也較理想。

附圖說明

下面結合附圖對本發明做進一步詳細的說明；

圖1為本發明提供的基于ELM的網絡信息熱點預測系統的實施例的結構示意圖；

圖2為本發明提供的基于ELM的網絡信息熱點預測方法的流程示意圖；

圖3為采用本發明的實施例對某一網絡信息熱點進行預測時采集數據的樣本示意圖；

圖4為對圖3中的網絡信息熱點數據的延遲時間τ進行估計后取得的最優值的示意圖；

圖5為對圖3中的網絡信息熱點數據的嵌入維m進行估計后取得的最優值的示意圖；

圖6采用本發明對圖3中的網絡信息熱點進行預測后的結果示意圖；

圖中：101為采集單元，102為估計單元，103為訓練單元，104為模型建立單元，105為預測單元。

具體實施方式