基于神经网络的行为预测方法技术

本发明专利技术属于行为预测方法领域，具体涉及基于神经网络的行为预测方法。基于神经网络的行为预测方法包含以下步骤：采集数据、分类、转码处理、模型设计、验证测试。本发明专利技术行为预测方法引入了自标注增量极速学习算法，所述自标注增量极速学习算法基于源域标注数据训练ELM模型，并将所述ELM模型迁移到目标域，然后对目标域数据进行自标定，并利用高置信度标注结果不断地调整原有所述ELM模型，使之成为一个适应目标域数据的模型，进而进行行为的预测，有利于人们更好的预测行为，并更好的规划自己的行程，节约了时间。

【技术实现步骤摘要】

本专利技术属于行为预测方法领域，具体涉及。
技术介绍
随着复杂性科学的不断发展，关于神经网络算法的研宄成果不断涌现。传统的有监督机器学习算法，要求目标域数据(测试数据)和源域数据(训练数据)服从相同的分布，这样基于源域训练的模型就能直接应用于目标域数据的识别。然而，在现实生活中，这个条件很难满足，进而导致了传统机器学习方法的失效。近年来，许多机器学习方法研宄者为寻找处理目标域和源域数据分布不同的方法而进行了多方面的探索，其共同目标都是希望在源域已标注数据集上构建的模型能够很好的应用于目标域数据。其中的许多方法是以迀移学习方法为指导的。传统的机器学习领域中，目标域和源域的数据分布不同会导致基于源域训练的分类模型不能很好地适应于目标域数据的问题。实证研宄结果表明行为的变化具有非线性、时变性的特点。传统神经网络模型仅对具有趋向性的时间序列预测做了研宄，另外，传统神经网络基本采用的算法或者是基于神经网络的其他算法，这些算法都有不足之处，基于梯度下降算法需要求解目标函数的导数，适用范围有局限性；基于神经网络的混合算法常会把简单问题复杂话，也较容易出现局部收敛问题。
技术实现思路
本专利技术为了解决上述技术问题，提供一种，该方法在大量收集数据的基础上可以有效对行为进行预测，且有效的解决了使用范围局限和容易把简单问题复杂化的问题。为了达到上述技术效果，本专利技术的技术方案包括:，包含以下步骤:采集数据、分类、转码处理、模型设计、验证测试。进一步的，所述采集数据可以采取的方式包括:入户访问，拦截访问，邮寄问卷调查，留置问卷调查，电话调查，网络调查，深度访问法，座谈法等；数据采集完毕后，将所述的采集数据按照被采集对象的年龄、地域和时间进行分类；将已经完成分类的数据进行转码处理，输入计算机。进一步的，所述模型设计的方法为:确定隐含层，通过自标注增量极速学习算法优化搜索，进行权值优化，得到局部最优算法。进一步的，所述自标注增量极速学习算法基于源域标注数据训练ELM模型，并将所述ELM模型迀移到目标域，然后对目标域数据进行自标定，并利用高置信度标注结果不断地调整原有所述ELM模型，使之成为一个适应目标域数据的模型。进一步的，所述验证测试包括如下步骤:将所述分类数据输入至计算机，进而调整所述目标域数据模型，得到行为预测结果。本专利技术的有益效果包括:本专利技术，利用自标注增量极速学习算法的介入而调整原有所述ELM模型，使之成为一个适应目标域数据的模型，进而对行为进行了准确的预测，方便人们的出行和计划安排。【具体实施方式】下文将结合具体实施例详细描述本专利技术。应当注意的是，下述实施例中描述的技术特征或者技术特征的组合不应当被认为是孤立的，它们可以被相互组合从而达到更好的技术效果。实施例:，包含以下步骤:采集数据、分类、转码处理、模型设计、验证测试。采集数据采取的方式包括:入户访问，拦截访问，邮寄问卷调查，留置问卷调查，电话调查，网络调查，深度访问法和座谈法并用对不同年龄、不同地域、不同时间的人们收集数据；数据采集完毕后，将所述的采集数据按照被采集对象的年龄、地域和时间进行分类；将已经完成分类的数据进行转码处理，输入计算机。模型设计的方法为:确定隐含层，通过自标注增量极速学习算法优化搜索，进行权值优化，得到局部最优算法。自标注增量极速学习算法基于源域标注数据训练ELM模型，并将所述ELM模型迀移到目标域，然后对目标域数据进行自标定，并利用高置信度标注结果不断地调整原有所述ELM模型，使之成为一个适应目标域数据的模型。验证测试包括如下步骤:将所述分类数据输入至计算机，进而调整所述目标域数据模型，得到行为预测结果。本专利技术，利用自标注增量极速学习算法的介入而调整原有所述ELM模型，使之成为一个适应目标域数据的模型，进而对行为进行了准确的预测，方便人们的出行和计划安排。上述详细说明是针对专利技术的可行实施例的具体说明，该实施例并非用以限制本专利技术的专利范围，凡未脱离本专利技术的等效实施或变更，均应当包含于本专利技术的专利范围内。另外，本领域技术人员还可在本专利技术权利要求公开的范围和精神内做其它形式和细节上的各种修改、添加和替换。当然，这些依据本专利技术精神所做的各种修改、添加和替换等变化，都应包含在本专利技术所要求保护的范围之内。【主权项】1.，其特征在于，包含以下步骤:采集数据、分类、转码处理、模型设计、验证测试。2.根据权利要求1所述的，其特征在于，所述采集数据可以采取的方式包括:入户访问，拦截访问，邮寄问卷调查，留置问卷调查，电话调查，网络调查，深度访问法，座谈法；数据采集完毕后，将所述的采集数据按照被采集对象的年龄、地域和时间进行分类；将已经完成分类的数据进行转码处理，输入计算机。3.根据权利要求2所述的，其特征在于，所述模型设计的方法为:确定隐含层，通过自标注增量极速学习算法优化搜索，进行权值优化，得到局部最优算法。4.根据权利要求2所述的，其特征在于，所述自标注增量极速学习算法基于源域标注数据训练ELM模型，并将所述ELM模型迀移到目标域，然后对目标域数据进行自标定，并利用高置信度标注结果不断地调整原有所述ELM模型，使之成为一个适应目标域数据的模型。5.根据权利要求1所述的，其特征在于，所述验证测试包括如下步骤:将所述分类数据输入至计算机，进而调整所述目标域数据模型，得到行为预测结果。【专利摘要】本专利技术属于行为预测方法领域，具体涉及。包含以下步骤：采集数据、分类、转码处理、模型设计、验证测试。本专利技术行为预测方法引入了自标注增量极速学习算法，所述自标注增量极速学习算法基于源域标注数据训练ELM模型，并将所述ELM模型迁移到目标域，然后对目标域数据进行自标定，并利用高置信度标注结果不断地调整原有所述ELM模型，使之成为一个适应目标域数据的模型，进而进行行为的预测，有利于人们更好的预测行为，并更好的规划自己的行程，节约了时间。【IPC分类】G06N3/02, G06F19/00【公开号】CN104915537【申请号】CN201510162201【专利技术人】赵中堂, 马倩, 张又林, 胡天彤, 白首华 【申请人】郑州航空工业管理学院【公开日】2015年9月16日【申请日】2015年4月8日本文档来自技高网...

【技术保护点】
基于神经网络的行为预测方法，其特征在于，包含以下步骤：采集数据、分类、转码处理、模型设计、验证测试。

【技术特征摘要】

【专利技术属性】
技术研发人员：赵中堂，马倩，张又林，胡天彤，白首华，
申请(专利权)人：郑州航空工业管理学院，
类型：发明
国别省市：河南;41