[发明专利]开源社区中开发者代码提交次数的预测方法及系统

权利要求书

1.一种开源社区中开发者代码提交次数的预测方法，其特征在于，包括：

步骤1：构建单位根检验，检验时间序列的平稳性；

步骤2：构建LB或Q统计量，检验时间序列的白噪声；

步骤3：构建季节性单位根检验，检验时间序列的季节性；

步骤4：根据检验结果选择预测模型得到预测结果，所述预测模型包括ARIMA模型、LSTM模型和混合模型。

2.根据权利要求1所述的开源社区中开发者代码提交次数的预测方法，其特征在于，所述ARIMA模型根据对时间序列的成分分析对参数(p,d,q)进行范围定阶；

其中，p表示自回归项数，d表示滑动平均项数，q表示使该序列成为平稳序列所做的差分次数。

3.根据权利要求1所述的开源社区中开发者代码提交次数的预测方法，其特征在于，所述ARIMA模型包括：自回归模型、移动平均模型、移动平均自回归模型、趋势差分移动平均自回归模型和季节性差分移动自回归模型模型。

4.根据权利要求1所述的开源社区中开发者代码提交次数的预测方法，其特征在于，所述LSTM模型利用任何成熟实现，包括：基于tensorflow构建的LSTM和基于pytorch构建的LSTM。

5.根据权利要求1所述的开源社区中开发者代码提交次数的预测方法，其特征在于，所述混合模型包括ARIMA-LSTM混合模型；

ARIMA-LSTM混合模型是在自动ARIMA模型拟合后，将拟合残差作为LSTM模型的输入，结合两部分的结果得到最终预测结果。

6.根据权利要求1所述的开源社区中开发者代码提交次数的预测方法，其特征在于，所述ARIMA-LSTM混合模型的步骤包括：

步骤A：设定时间序列X＝{x₁,x₂,…,x_N}，选择ARIMA模型阶数，记为p₀,d₀,q₀；

其中，x₁表示时间序列中的第一项，即发生的最早的一项；N表示时间序列长度，X_N为最后一项，即发生的最晚的一项；p₀、d₀及q₀表示在对ARIMA模型进行成分分析确定p、d及q范围，通过信息准则计算后，找到数据的ARIMA模型自回归项数、滑动平均项数及序列所作的差分次数；

步骤B：计算残差；

步骤C：对残差进行Max-Min归一化处理；

步骤D：构建LSTM模型并获取到预测结果。

7.根据权利要求6所述的开源社区中开发者代码提交次数的预测方法，其特征在于，所述步骤B包括：

e_k＝x_k-ARIMA(p₀，d₀，q₀)({x₁，x₂，…，x_k-1})k＝2，…，N

其中，e_k表示第k项的残差，时间序列第k项值与ARIMA模型在该项的预测值的差；

对于序列中元素的每一个下标k，用前k-1个元素的预测值为L_k，其中，e₁＝x₁。

8.根据权利要求6所述的开源社区中开发者代码提交次数的预测方法，其特征在于，所述步骤C包括：

其中，e′_k表示归一化后的第k项残差，e_min表示所有残差中的最小值，e_max表示所有残差中的最大值。