一种基于行为动机仿真的机器学习系统及方法技术方案

本发明专利技术提出了一种基于行为动机仿真的机器学习系统及方法，涉及机器学习技术领域。通过行为动机数据获取模块获取行为动机数据集；第一事件预测模块将行为动机数据集输入至预置的事件预测模型中，得到第一事件预测结果；行为仿真模块将行为动机数据集进行行为仿真；行为分类模块将行为仿真数据集按照预置的行为分类规则进行分类；第二事件预测模块根据多种类别的行为数据集中异常行为数据在预置的事件预测库中进行匹配，得到第二事件预测结果；对比模块将第一事件预测结果与第二事件预测结果进行对比；训练结果模块根据对比结果生成预置的事件预测模型的训练结果。从而可以知道预置的事件预测模型的性能好坏，进而方便对预测模型进行性能评估。预测模型进行性能评估。预测模型进行性能评估。

【技术实现步骤摘要】
一种基于行为动机仿真的机器学习系统及方法


[0001]本专利技术涉及机器学习
，具体而言，涉及一种基于行为动机仿真的机器学习系统及方法。

技术介绍

[0002]机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
[0003]在许多场景下，需要对人们行为或行为动机事件进行分析和处理，同时根据行为动机进行事件预测，以提前做好相关准备工作。例如：在大型活动现场或是轨道交通车站，可以根据人们的行为动机预测出发生突发事件的概率或是类型，从而可以提前预警，以避免突发事件带来的危害。
[0004]在进行事件预测时，常常会用到各种预测模型，这些预测模型就是机器学习的一种体现，这些预测模型是在大量样本数据进行训练后得到，预测模型训练得越好，得到的预测结果就越精确，但是在训练后无法判断出训练得到的模型的优良，导致无法对预测模型进行性能评估。

技术实现思路

[0005]本专利技术的目的在于提供一种基于行为动机仿真的机器学习系统及方法，用以改善现有技术中预测模型训练后无法判断出训练得到的模型的优良，导致无法对预测模型进行性能评估的问题。
[0006]第一方面，本申请实施例提供一种基于行为动机仿真的机器学习系统，包括：
[0007]行为动机数据获取模块，用于获取行为动机数据集；
[0008]第一事件预测模块，用于将行为动机数据集输入至预置的事件预测模型中，得到第一事件预测结果；
[0009]行为仿真模块，用于将行为动机数据集进行行为仿真，得到行为仿真数据集；
[0010]行为分类模块，用于将行为仿真数据集按照预置的行为分类规则进行分类，得到多种类别的行为数据集；
[0011]第二事件预测模块，用于根据多种类别的行为数据集中异常行为数据在预置的事件预测库中进行匹配，得到第二事件预测结果；
[0012]对比模块，用于将第一事件预测结果与第二事件预测结果进行对比，得到对比结果；
[0013]训练结果模块，用于根据对比结果生成预置的事件预测模型的训练结果。
[0014]上述实现过程中，通过行为动机数据获取模块获取行为动机数据集；然后第一事件预测模块将行为动机数据集输入至预置的事件预测模型中，得到第一事件预测结果；然后行为仿真模块将行为动机数据集进行行为仿真，得到行为仿真数据集；然后行为分类模
块将行为仿真数据集按照预置的行为分类规则进行分类，得到多种类别的行为数据集；然后第二事件预测模块根据多种类别的行为数据集中异常行为数据在预置的事件预测库中进行匹配，得到第二事件预测结果；对比模块将第一事件预测结果与第二事件预测结果进行对比，得到对比结果；最后训练结果模块根据对比结果生成预置的事件预测模型的训练结果。通过将行为动机数据集采用不同的方式进行事件预测，得到第一事件预测结果与第二事件预测结果，再通过比较第一事件预测结果与第二事件预测结果得到对比结果，根据对比结果就可以得到采用预置的事件预测模型进行预测的准确度，从而可以知道预置的事件预测模型的性能好坏，进而方便对预测模型进行性能评估。
[0015]基于第一方面，在本专利技术的一些实施例中，还包括：
[0016]事件样本获取模块，用于获取事件样本数据；
[0017]样本数据训练模块，用于对事件样本数据采用神经网络算法进行训练，得到事件预测模型。
[0018]基于第一方面，在本专利技术的一些实施例中，上述行为仿真模块包括：
[0019]对抗网络单元，用于将行为动机数据集采用生成式对抗网络进行训练，生成多种行为生成器；
[0020]行为模块单元，用于分别采用多种行为生成器进行行为模拟，得到行为仿真数据集。
[0021]基于第一方面，在本专利技术的一些实施例中，上述训练结果模块包括：
[0022]判断单元，用于判断对比结果是否为相同，若相同，则生成预置的事件预测模型的训练结果为良好；若否，则生成预置的事件预测模型的训练结果为不合格。
[0023]基于第一方面，在本专利技术的一些实施例中，上述第二事件预测模块包括：
[0024]统计单元，用于统计多种类别的行为数据集中各个异常行为数据的数量；
[0025]筛选单元，用于筛选出多个异常行为数据的数量最大的异常行为数据；
[0026]匹配单元，用于将数量最大的异常行为数据在预置的事件预测库中进行匹配，得到匹配的预测事件作为第二事件预测结果。
[0027]第二方面，本申请实施例提供一种基于行为动机仿真的机器学习方法，包括以下步骤：
[0028]获取行为动机数据集；
[0029]将行为动机数据集输入至预置的事件预测模型中，得到第一事件预测结果；
[0030]将行为动机数据集进行行为仿真，得到行为仿真数据集；
[0031]将行为仿真数据集按照预置的行为分类规则进行分类，得到多种类别的行为数据集；
[0032]根据多种类别的行为数据集中异常行为数据在预置的事件预测库中进行匹配，得到第二事件预测结果；
[0033]将第一事件预测结果与第二事件预测结果进行对比，得到对比结果；
[0034]根据对比结果生成预置的事件预测模型的训练结果。
[0035]上述实现过程中，通过获取行为动机数据集；然后将行为动机数据集输入至预置的事件预测模型中，得到第一事件预测结果；然后将行为动机数据集进行行为仿真，得到行为仿真数据集；然后将行为仿真数据集按照预置的行为分类规则进行分类，得到多种类别
的行为数据集；然后根据多种类别的行为数据集中异常行为数据在预置的事件预测库中进行匹配，得到第二事件预测结果；然后将第一事件预测结果与第二事件预测结果进行对比，得到对比结果；最后根据对比结果生成预置的事件预测模型的训练结果。通过将行为动机数据集采用不同的方式进行事件预测，得到第一事件预测结果与第二事件预测结果，再通过比较第一事件预测结果与第二事件预测结果得到对比结果，根据对比结果就可以得到采用预置的事件预测模型进行预测的准确度，从而可以知道预置的事件预测模型的性能好坏，进而方便对预测模型进行性能评估。
[0036]基于第二方面，在本专利技术的一些实施例中，还包括以下步骤：
[0037]获取事件样本数据；
[0038]对事件样本数据采用神经网络算法进行训练，得到事件预测模型。
[0039]基于第二方面，在本专利技术的一些实施例中，上述将行为动机数据集进行行为仿真，得到行为仿真数据集的步骤包括以下步骤：
[0040]将行为动机数据集采用生成式对抗网络进行训练，生成多种行为生成器；
[0041]分别采用多种行为生成器进行行为模拟，得到行为仿真数据集。
[0042]第三方面，本申请实施例提供一种电子设备，其包括存储器，用于存储一个或多个程序；处理器。当上述一个或多个程序被上述处理器执行时，实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于行为动机仿真的机器学习系统，其特征在于，包括：行为动机数据获取模块，用于获取行为动机数据集；第一事件预测模块，用于将行为动机数据集输入至预置的事件预测模型中，得到第一事件预测结果；行为仿真模块，用于将行为动机数据集进行行为仿真，得到行为仿真数据集；行为分类模块，用于将行为仿真数据集按照预置的行为分类规则进行分类，得到多种类别的行为数据集；第二事件预测模块，用于根据多种类别的行为数据集中异常行为数据在预置的事件预测库中进行匹配，得到第二事件预测结果；对比模块，用于将第一事件预测结果与第二事件预测结果进行对比，得到对比结果；训练结果模块，用于根据对比结果生成预置的事件预测模型的训练结果。2.根据权利要求1所述的基于行为动机仿真的机器学习系统，其特征在于，还包括：事件样本获取模块，用于获取事件样本数据；样本数据训练模块，用于对事件样本数据采用神经网络算法进行训练，得到事件预测模型。3.根据权利要求1所述的基于行为动机仿真的机器学习系统，其特征在于，所述行为仿真模块包括：对抗网络单元，用于将行为动机数据集采用生成式对抗网络进行训练，生成多种行为生成器；行为模块单元，用于分别采用多种行为生成器进行行为模拟，得到行为仿真数据集。4.根据权利要求1所述的基于行为动机仿真的机器学习系统，其特征在于，所述训练结果模块包括：判断单元，用于判断对比结果是否为相同，若相同，则生成预置的事件预测模型的训练结果为良好；若否，则生成预置的事件预测模型的训练结果为不合格。5.根据权利要求1所述的基于行为动机仿真的机器学习系统，其特征在于，所述第二事件预测模块包括：统计单元，用于统计多种类别的行为数据集中各个异常行为数据的数量；...

【专利技术属性】
技术研发人员：彭苏勉，
申请(专利权)人：彭苏勉，
类型：发明
国别省市：