[发明专利]基于ELM的网络信息热点预测系统和方法

说明书

技术领域

本发明涉及网络信息热点的预测方法，具体涉及一种基于ELM的网络信息热点预测系统和方法。

背景技术

当前网络信息热点的预测主要采用：传统统计模型和现代统计学模型，传统统计模型无法跟踪网络信息热点的变化态势，预测结果极不可靠。现代统计学模型以获得更高精度的网络信息热点预测结果，但无法满足大规模网络信息热点的数据预测要求。因此，为了提高网络信息热点预测的准确性，更好地描述网络信息热点的变化趋势，亟需一种预测实时性良好、且结果理想的网络信息热点预测系统和方法。

发明内容

本发明克服现有技术存在的不足，所要解决的技术问题为：提供一种预测实时性良好、且结果理想的基于ELM的网络信息热点预测系统和方法。

为了解决上述技术问题，本发明采用的技术方案为：基于ELM的网络信息热点预测系统，包括：采集单元：用于采集待测网络信息热点的历史点击率数据，构成网络信息热点的学习样本；估计单元：用于对网络信息热点数据的延迟时间τ和嵌入维m进行估计，并对网络信息热点数据进行变换，得到训练样本和测试样本；训练单元：用于采用极限学习机器训练网络信息热点样本，训练过程中，采用Cholesky分解方法对极限学习机器的权值β_L进行最优求解；模型建立单元：用于利用极限学习机器的权值β_L，建立网络信息热点的预测模型；预测单元：用于利用预测模型，对网络信息热点的测试样本进行预测。

优选地，所述估计单元对网络信息热点数据的延迟时间τ和嵌入维m进行估计时，具体是采用关联积分算法来确定最优的延迟时间τ和嵌入维m。

相应地，基于ELM的网络信息热点预测方法，包括以下步骤：采集待测网络信息热点的历史点击率数据，构成网络信息热点的学习样本；对网络信息热点数据的延迟时间τ和嵌入维m进行估计，并对网络信息热点数据进行变换，得到训练样本和测试样本；采用极限学习机器训练网络信息热点样本，训练过程中，采用Cholesky分解方法对极限学习机器的权值β_L进行最优求解；利用极限学习机器的权值β_L，建立网络信息热点的预测模型；利用预测模型，对网络信息热点的测试样本进行预测。

优选地，所述对网络信息热点数据的延迟时间τ和嵌入维m进行估计时，具体是采用关联积分算法来确定最优的延迟时间τ和嵌入维m。

本发明与现有技术相比具有以下有益效果：本发明在对网络信息热点进行预测时，先采集待测网络信息热点的历史点击率数据，构成网络信息热点的学习样本，然后对网络信息热点数据的延迟时间τ和嵌入维m进行估计，并对网络信息热点数据进行变换，得到训练样本和测试样本，接着采用极限学习机器训练网络信息热点样本，再利用极限学习机器的权值β_L，建立网络信息热点的预测模型，最后利用预测模型，对网络信息热点的测试样本进行预测；在极限学习机器的训练过程中，关键要找到权值β_L的最优值，而对于现有的极限学习机器，在β_L的求解过程中，有大量的矩阵求逆运算，导致计算复杂度高，对网络信息热点预测模型的训练过程产生不利影响；因此，本发明对现有的极限学习机器进行相应的改进，引入Cholesky分解方法对极限学习机器的权值β_L进行最优求解，使得β_L的求解仅通过四则运算就可以实现，没有矩阵求逆运算，计算更加简单，大幅度减少了求解的时间，使得对网络信息热点的预测实时性良好，结果也较理想。

附图说明

下面结合附图对本发明做进一步详细的说明；

图1为本发明提供的基于ELM的网络信息热点预测系统的实施例的结构示意图；

图2为本发明提供的基于ELM的网络信息热点预测方法的流程示意图；

图3为采用本发明的实施例对某一网络信息热点进行预测时采集数据的样本示意图；

图4为对图3中的网络信息热点数据的延迟时间τ进行估计后取得的最优值的示意图；

图5为对图3中的网络信息热点数据的嵌入维m进行估计后取得的最优值的示意图；

图6采用本发明对图3中的网络信息热点进行预测后的结果示意图；

图中：101为采集单元，102为估计单元，103为训练单元，104为模型建立单元，105为预测单元。

具体实施方式