[發明專利]網絡行為預測模型的構建方法及裝置、網絡行為預測方法在審
| 申請號： | 201811599659.8 | 申請日： | 2018-12-26 |
| 公開（公告）號： | CN109740052A | 公開（公告）日： | 2019-05-10 |
| 發明（設計）人： | 張滬寅;李聰;伍永豪 | 申請（專利權）人： | 武漢大學 |
| 主分類號： | G06F16/9535 | 分類號： | G06F16/9535;G06F16/2458 |
| 代理公司： | 武漢科皓知識產權代理事務所(特殊普通合伙) 42222 | 代理人： | 羅飛 |
| 地址： | 430072 湖*** | 國省代碼： | 湖北;42 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 網絡行為預測 網絡行為 構建 歷史數據 預處理 優化參數 訓練集 最小二乘支持向量機 用戶網絡行為 技術效果 聚類算法 預測模型 預測 聚類 預設 查找 | ||
1.網絡行為預測模型的構建方法，其特征在于，包括：
步驟S1：收集網絡行為歷史數據；
步驟S2：對網絡行為歷史數據進行預處理；
步驟S3：采用預設聚類算法FCM對預處理后的網絡行為歷史數據進行聚類，構建網絡行為訓練集；
步驟S4：將網絡行為訓練集輸入最小二乘支持向量機LSSVM進行訓練，并查找LSSVM的優化參數；
步驟S5：基于優化參數，構建網絡行為預測模型。
2.如權利要求1所述的方法，其特征在于，步驟S1中，網絡行為歷史數據包括以下信息中的一種或多種：
GPS信息、移動信息、時間信息和使用信息。
3.如權利要求1所述的方法，其特征在于，步驟S2，具體包括采用公式(1)對網絡行為歷史數據進行預處理，
x’＝(x-xmin)/(xmax-xmin) (1)
其中，x’表示預處理后的網絡行為歷史數據，x表示收集的網絡行為歷史數據，xmax和xmin分別表示預設的數據規模上界和下界。
4.如權利要求1所述的方法，其特征在于，步驟S3具體包括：
步驟S3.1：根據公式(2)計算隸屬度矩陣：
步驟S3.2：計算價值函數J，判斷J是否小于閾值R，如果小于則終止，得到聚類中心C、模糊隸屬度矩陣U和距離矩陣D，執行步驟S3.4，否則執行步驟S3.3；
步驟S3.3：根據式(3)重新計算聚類中心Ci：
步驟S3.4：根據k近鄰判別法判斷樣本所屬類別，選取對應的網絡行為訓練集。
5.如權利要求1所述的方法，其特征在于，步驟S4中，采用人工蜂群算法尋找LSSVM的最優參數作為優化參數。
6.如權利要求1所述的方法，其特征在于，在步驟S5之后，所述方法還包括：利用測試樣本對構建的網絡行為預測模型進行測試。
7.網絡行為預測模型的構建裝置，其特征在于，包括：
收集模塊，用于收集網絡行為歷史數據；
預處理模塊，用于對網絡行為歷史數據進行預處理；
聚類模塊，用于采用預設聚類算法FCM對預處理后的網絡行為歷史數據進行聚類，構建網絡行為訓練集；
訓練模塊，用于將網絡行為訓練集輸入最小二乘支持向量機LSSVM進行訓練，并查找LSSVM的優化參數；
構建模塊，用于基于優化參數，構建網絡行為預測模型。
8.如權利要求7所述的裝置，其特征在于，預處理模塊，具體用于：
采用公式(1)對網絡行為歷史數據進行預處理：
x’＝(x-xmin)/(xmax-xmin) (1)
其中，x’表示預處理后的網絡行為歷史數據，x表示收集的網絡行為歷史數據，xmax和xmin分別表示預設的數據規模上界和下界。
9.如權利要求7所述的裝置，其特征在于，聚類模塊具體用于執行下述步驟：
步驟S3.1：根據公式(2)計算隸屬度矩陣：
步驟S3.2：計算價值函數J，判斷J是否小于閾值R，如果小于則終止，得到聚類中心C、模糊隸屬度矩陣U和距離矩陣D，執行步驟S3.4，否則執行步驟S3.3；
步驟S3.3：根據式(3)重新計算聚類中心Ci：
步驟S3.4：根據k近鄰判別法判斷樣本所屬類別，選取對應的網絡行為訓練集。
10.網絡行為預測方法，其特征在于，所述方法包括：
將采集的行為數據輸入權利要求1至6任一項權利要求構建的網絡行為預測模型，獲得預測結果。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于武漢大學，未經武漢大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201811599659.8/1.html，轉載請聲明來源鉆瓜專利網。
- 上一篇：一種推薦菜品的處理方法及裝置
- 下一篇：基于NLP技術的敏感詞屏蔽方法和裝置
