[发明专利]GGA数据质量的评定预测方法

说明书

技术领域

本发明涉及软件开发领域，尤其涉及对GGA数据质量的评定预测方法。

背景技术

随着大数据时代的到来，如何从海量的数据中对影响定位准确的因素进行预测是当前的一个研究热点。很多公司经常采用的逻辑和线性回归作为一般性的预测和分类的方法。该方法不需要考虑被预测项目的内容就能够为目标用户提供新的预测内容，因此，在电子商务和社交网络等互联网应用中尤为常见。但是，随着数据规模的不断增大，大数据彰显出的数据量大、数据多样性、信息量增长速度过快、维度增多造成稀疏矩阵现象严重，数据质量参差不齐等特征导致用户-项目评分数据的维度急剧增高，并且，用户进行评分的项目很少，传统的回归预测技术面临着数据稀疏、算法计算复杂度较高、预测准确率低的问题。

发明内容

本发明解决的问题是现有数据预测计算复杂度高、准确度低的问题。

为解决上述问题，本发明在位置定位领域，差分账户数据的挖掘并不多见。本发明结合相似性查询算法的有意义的研究内容和位置数据的关联特点性，摒弃传统只在数据维度较低时性能良好基于回归的划分预测算法，而采用专门解决稀疏矩阵场景和内在因素叠加的FM算法。基于该思路，本发明提供一种GGA数据质量的快速评定预测方法。该方法包括如下步骤：步骤一：将GGA数据中代表数据各个状态位转化成多维度特征向量而获得稀疏矩阵；步骤二：根据获得数据质量，其中，代表定位准确度，x_i为稀疏矩阵的中任意GGA数据在维度i特征值，x_j为稀疏矩阵的中任意GGA数据在维度j特征值，w₀和w_i表示权重因子，<v_i，v_j>是因子之间相互影响程度。

与现有技术相比，本发明至少具有以下优点：

(1)本方法的降低了存储空间，传统的矩阵降维远远小于输入海量信息的数量和其特征维度的数量，进一步提高空间复用率和节省实现和存储的空间复杂度。

(2)本发明提高了运行效率，通过上述定义所描述，方法可采用并行计算，同时支持横向扩展，时间复杂度可控并且不随输入信息的暴增而无序增长。

(3)本发明提高预测的准确度，通过对特征向量的内部因子的相互影响建模来解决传统机器学习算法不能解决的内部因子相互影响的问题，提高准确度和特征向量选取时候尽量相互独立的要求限制。

附图说明

图1是本发明GGA数据质量的评定预测方法的流程图。

具体实施方式

为详细说明本发明的技术内容、构造特征、所达成目的及功效，下面将结合实施例并配合附图予以详细说明。

请参阅图1，本发明GGA数据质量的评定预测方法包括如下步骤：

步骤一：将GGA数据中代表数据各个状态位转化成多维度特征向量而获得稀疏矩阵。具体的，该步骤详述如下：将GGA数据格式抽象出影响定位本身的特征向量，根据取值转换成特征值类型。数据源表如下表所示。

上述数据源表展示了一般GGA中信息提取加上可能影响GGA数据质量的其他特征向量列表，转化为特征值类型以后如下表：

上述表格中，每个特征值和特征向量组成一个新的特征维度，对于任意一行源数据，符合其中一个组合特征维度的标记为1，否则为0，以此类推将源数据横向展开。展开以后建立的稀疏矩阵表示任意GGA在各个维度的标记状况。质量状况是人为根据已有的训练数据打标所得的结论，不属于特征向量范围，其通过枚举数字0-2来判定GGA数据状况，这里约定0表示数据状况最好，1情况良好，2情况一般，3最差，以此类推

步骤二：对数据质量的状况可以根据因子分解机原理，将其与n个特征维度的关系记：