基于隐马尔科夫模型的浏览路径预测

基于马尔科夫模型的浏览路径预测，仅仅从用户的浏览会话本身出发来预测用户下一步的链接，并不能捕获用户的真正兴趣所在。运用隐马尔科夫模型来分析用户浏览网页的内容，可进一步捕获用户的浏览兴趣，并作下一步的链接预测。当浏览序列长度逐渐增加，系统捕获的用户浏览信息越来越多，此时能够折射出用户的兴趣所在，预测准确率也逐步增加。当浏览序列长度大于或等于8时，预测准确率已经到达80％，提高了预测准确率。     

基于决策树的产品设计用户评价预测方法

产品设计用户评价预测是理论研究和应用研究的重要课题。本文提出了基于决策树的产品设计用户评价预测方法。讨论了决策树方法在产品设计用户评价预测中的适用性。对取自加州大学欧文分校机器学习知识库中,汽车评价数据库中的1729个数据做了产品设计用户评价预测实验,结果表明,模型有非常好的拟合和预测效果,其效果明显优于常用logistic回归。     

基于网络服务的蛋白质二级结构预测软件

借助位于互联网的蛋白质结构预测服务，开发了一个蛋白质二级结构预测软件，它能全面快速地搜索到不同网站的各种预测结果，对其进行综合分析可获取更准确的预测，用户不必分别访问每个网络服务界面并填写数据，程序能自动提交预测请求，并收集，分析各个网站的预测结果，因而该软件能够大大提高结构预测效率和准确率。     

高效的用户访问预测新算法

针对基于Web日志挖掘的用户访问预测经典算法的不足,提出了基于Markov链和关联规则的预测算法(MAPA).使用二阶Markov链找到用户下一步或将来可能访问的页面集,生成预测候选集;使用二项关联规则从正向和反向2个角度修正Markov的预测结果,从而生成最后的预测页面.通过引入用户反馈机制,提出了带反馈的Markov预测算法(MPAF),即在预测过程中逐步构造历史预测树,把历史预测信息保存到历史预测树中,并根据用户的反馈来判断预测的正确性.在预测过程中,用二阶Markov预测算法生成预测候选集,再利用历史预测信息动态地调整预测算法,从而生成预测页面.理论分析证明,这2种预测算法具有线性时间复杂度的预测效率.实验结果表明,MAPA和MPAF在预测准确率上平均提高5%和10%.     

融合时序文本与高阶交互拓扑的在线抗议预测

针对在线抗议预测技术中忽视用户文本时序差异性及用户间高阶交互拓扑的问题，提出融合时序文本与高阶交互拓扑的在线抗议预测方法.基于自注意力机制建模用户不同时刻交互文本信息对其抗议倾向的影响，构建用户文本表示向量；同时利用邻域节点的相似性，构建二阶相似性保持的用户交互拓扑表示向量；融合用户文本表示向量和交互表示向量预测用户抗议倾向.推特数据集结果表明本方法准确率可达到93.9%，为抗议活动预测提供技术支撑.      

认知无线网络中频谱预测的能量有效性设计

基于频谱预测对认知用户进行能量有效性设计,重新设计认知用户的帧结构,在频谱感知前加入频谱预测时隙,在预测为空闲的信道中选择信道进行频谱感知,避免浪费频谱感知能量,与传统认知用户相比,提高了能量有效性。推导表明,认知用户能量效率由频谱预测能量、频谱预测时长、认知无线网络通信强度、信道数量决定。仿真结果表明,为了提高认知用户的能量效率,频谱预测参数必须满足预测能量低于32mW、预测时长小于15ms的条件。认知无线网络的通信强度的提高和信道数量的增加能够提高认知用户的能量效率。     

有关电力负荷的短期预测初探

所谓的电力负荷短期预测指对一年以内用户需求用电量的预测,其包括小时预测、日预测、周预测以及月预测。通常短期预测是预测电功率。在短期内用户需求电量呈现一种随机起伏的状态,其以过去负荷为基础,用户负荷变动、系统内部设备检修以及重大事件与气候变化等因素均会对其产生影响。所以对电力负荷进行短期预测可以为经济调度、发电机组的停启、错峰避峰用电等有着重要的现实意义。     

基于XGBoost算法的电商用户重复购买行为预测

机器学习算法广泛应用于电商用户行为数据分析及商业预测.其中，XGBoost算法作为一种常用的有监督机器学习算法，能够实现电商用户行为特征最优选择与行为模型构建、评估消费价值、预测重复购买行为概率、提高商业决策的精准性与可行性.本研究采用阿里云天池大数据竞赛“天猫复购预测”所提供的“双十一”电商购物节关联数据集中约42万电商平台用户产生的5 500万条行为数据，基于促销活动情境完成特征构造，实现有监督分类学习.本研究实现了XGBoost算法的参数优化与数据特征值处理过程优化，完成了促销活动后6个月内电商用户重复购买行为的预测模型演算.结果表明：优化后的XGBoost算法能够比较精准地预测电商用户重复购买行为、评估在线用户潜在购买价值、实现精准营销以及真正促进促销活动的长期投资回报率提高.     

一种基于用户关注行为的标签预测方法研究

为从互联网用户的关注行为中抽离出更有效的用户标签,通过挖掘用户行为的关注特性,对标签进行预测,完善用户画像系统。首先,构建用户和关注行为对象的邻接矩阵,对其进行奇异值分解,得到行为特征矩阵;然后,利用逻辑斯蒂回归模型训练特征矩阵,预测用户行业属性标签;最后,针对微博上673 144条用户行为数据进行实验研究。结果表明,利用用户关注行为特征矩阵预测行业标签,15类行业标签中预测准确性的最大值可达到0.657。研究结果缓解了用户关注行为的稀疏性,并且提升了行业标签的预测效果,改善了用户关注行为不能很好反映用户重要标签的缺陷,可为互联网用户画像贴标系统提供借鉴。     

基于Markov链和关联规则的Web访问预测模型

用户访问预测是根据用户的历史访问信息和当前的访问路径预测用户下一步或将来可能访问的页面.因此可以利用预测结果提高服务器的性能,提高缓存的利用率和为用户提供个性化服务.提出了基于Markov链和关联规则的预测模型MAPM(Markov chain and association rule prediction model),该模型首先使用二阶Markov链找到用户下一步或将来可能访问的页面集,生成预测候选集;然后再使用二项关联规则从正向和反向两个角度修正Markov的预测结果,从而生成最后的预测页面.     

江苏省航运量的预测

研究江苏省航运量的预测。利用线性回归模型和提出的灰色绝对残差辨识模型预测了１５个结点的货运量及分货种的出发量和进入量，引用离散相对吸引力及“用户最优分布模型”成功地预测了１９９５，２０００，２０１０年１５×１５个结点对之间的总量及分货种的Ｏ－Ｄ分布，其结果为江苏省航运系统优化规划提供了可靠的依据．     

VAR模型在3G用户规模预测中的应用

3G(Third Generation)用户规模的大小,将直接关系到我国未来通信事业发展前景。很多机构和个人应用各种线性,非线性模型对中国的3G用户规模进行了预测,但大多数模型分析都没有充分利用3G用户群特点。为此,在充分分析3G用户群特点的基础上,采用间接预测方法,把向量自回归模型(VAR:Vector Autoregression)引入3G用户规模预测中。通过建立CDMA(Code Division Multiple Address)用户数、互联网用户数、2G用户数的三变量的VAR模型,验证了宽带网络用户与CDMA用户之间的相互替代关系,并采用宽带网络用户数间接预测了3G未来网络用户规模。预测结果显示,到2008年中国3G需求空间将为6千多万户。这一巨大的市场规模将会直接影响中国3G产业的发展与政策制订。     

码分多址信道中的迭代译码及干扰消除技术

提出了一种码分多址在高斯白噪声信道中的迭代译码和干扰消除方案，在译码过程中，每个用户译码器的输出用来生成用户信号的软预测，预测值通过迭代译码和干扰消除得以改进，直到迭代收敛为止，然后对用户信号进行硬判决输出，最后，给出了模拟结果。结果表明系统性能将得到改善。     

NGI中一种切换目标预测机制

基于统计与即时相结合的方法,设计了NGI中的一种切换目标预测机制.首先,采用统计预测,根据切换历史记录,建立模糊决策树,据此预测切换目标.如果预测到的目标有多个,则根据用户当前位置、运动方向和运动速率等即时信息以及平均呼叫持续时间进行即时预测,计算用户对每个预测到的目标的访问概率,选取该值最大的作为切换目标.仿真结果表明,同单一的统计预测机制和即时预测机制相比,该机制在不同速率下的预测命中率都较高,总体性能好.     

面向路网环境速度预测攻击的隐私保护

针对路网环境中攻击者利用速度预测获得用户位置隐私的问题,提出了一种提高当前路段查询密度值的密度压缩算法。该算法在用户真实位置附近添加大量噪声用户,通过噪声用户影响当前路段查询密度,进而降低速度预测的准确性,破坏攻击者通过概率转移矩阵预测用户行驶速度的攻击行为,以此保护用户在路网环境中的位置轨迹隐私。该算法通过密度压缩使真实用户和噪声用户表现出相同速度,提高了真实用户与噪声用户之间的相似程度,降低了噪声用户被识别的机率,进一步隐藏了真实用户。实验结果表明,与其他主流算法相比,密度压缩算法能够更有效地抵抗基于速度预测的攻击行为,具有更好的隐私保护能力。在执行时间和隐私保护成功率等方面的实验结果进一步表明,该算法更适合在路网环境下提供隐私保护服务,具有广阔的应用前景。     

网格资源提前预留中用户资源需求量预测模型

针对目前对网格资源提前预留的研究主要集中在资源预留算法上,几乎忽略了如何估算用户资源需求量问题,提出一种适用于网格资源预留的用户资源需求量预测模型.基于对网格资源提前预留请求的定义,结合GM(1,1)灰色预测方法,建立了用户资源需求量预测模型,并提出相应的改进方法,提高了预测精度.模拟实验证明了模型的有效性,能获得较好的预测效果.     

基于网页类方法进行预测的研究

在网络时代的今天,不同类型,不同内容,不同结构的网站浩如烟海,而网站建设所面临的一个主要问题是：如果能够深入了解用户的浏览兴趣和浏览习惯、预测用户的浏览路径,就可以通过修改网页结构来提高用户的浏览效率,从而提高网站的访问量和访问效率。前人采用基于Markov链用户浏览预测模型的方法对用户的浏览路径进行预测,其缺点是不能确切反应出用户所感兴趣的网页类别,以及用户在不同类别间访问跳转的联系,本文试图通过首先将网页分类,从而基于“网页类”再对用户的浏览进行预测,可以达到了解用户对不同类别网页访问习惯的目的,从而提高网站开发设计的质量。     

系统安全性预测模型与系统的建立

系统安全性预测对预防事故起到至关重要的作用，而预测模型的正确选择是预测的关键。本文就目前安全性预测的原则、预测模型的复杂程度、特点和选择等若干问题进行了分析，并就系统安全性预测中如何处理这些问题进行了探讨。在综合分析的基础上，建立了合理的预测系统。组合预测利用各种预测方法提供的有用信息，有效提高了预测精度，改变由于预测模型选择不合理而带来得预测误差。     

多媒体文件欢迎度的分析和预测

多媒体件的欢迎度是随时间而变化的，分析预测欢迎度并将其应用到节目存储管理中可以降低VoD系统的性价比。对用户点播数据的分析表明，大部分多媒体节目欢迎度变化过程包括增长、平稳和下降三个阶段。章探讨了完整变化过程的阶段划分算法，以及节目所处阶段的判断算法，并用回归分析的方法探讨了各个阶段欢迎度的分析和预测。     

基于隐马尔科夫模型的浏览兴趣预测

Web上的信息量正以惊人的速度增加,人们迫切需要能自动地从Web上发现、抽取和过滤信息的工具,即如何从数以亿计的页面中发现需要的内容、如何从大量的访问中发现固有的模式和关联.马尔科夫模型的网页浏览预测,仅仅从用户的浏览网页本身出发,预测用户的下一步链接,并不能捕获到用户的真正兴趣.本文提出基于隐马尔科夫模型的网页浏览路径预测,并将其与基于马尔科夫模型的方法进行对比.根据已知的浏览序列判断用户的类别,当浏览序列长度很短时,本文方法的预测准确性比马尔科夫模型低.这是由于序列长度过短,系统获取判断的信息少,增加了对用户错误分类的可能性.随着浏览序列长度逐渐增加.系统捕获的用户浏览信息越来越多,进而能够折射出用户的兴趣所在.预测准确率也逐步增加.当浏览序列长度大于或等于8时,预测准确率已经到达80%.提高了浏览兴趣预测的准确率.