一种面向网络购物平台的在线用户量的智能分析方法技术

本发明专利技术公开了一种面向网络购物平台的在线用户量的智能分析方法，实现HTM对网络购物平台的实时用户数量变化规律的快速学习的能力。通过数据驱动的空间池微柱动态拓展策略，根据输入数据动态的初始化所利用到的微柱，使得空间池的微柱利用率趋于均衡，提高了空间池的运行效率；通过基于承载度的空间池算法，根据每个微柱的承载的输入的种类，均衡的使用每根微柱表征新的输入，代替了原有的Boost和Bump机制，较少了计算的复杂度，可以节省空间池的时间开销。本发明专利技术将对生物大脑新皮质功能的模拟和基于承载度动态加载方式相结合，提高了HTM对变化较快的规律的学习能力，从而保证了在学习购物平台的实时用户数量时的有效性和实用性。和实用性。和实用性。

【技术实现步骤摘要】
一种面向网络购物平台的在线用户量的智能分析方法


[0001]本专利技术涉及人工智能深度学习领域,尤其涉及一种面向网络购物平台的在线用户量的智能分析方法。

技术介绍

[0002]从长期来看，网络购物平台用户的在线数量呈现一定的周期性的规律。例如在节假日用户数量会上升，在平常的日子需求量则不高；白天时间用户数量较少，夜间用户数量较多。因此平台也应该随着用户的在线数量尽可能的调整自己服务器负载配置，保证服务器的稳定性，减少商品的加载、购买、结算的延迟，保证商品的正常交易。
[0003]受益于近些年来的大数据和计算力的提升，以及各种算法上的优化，深度学习广泛的应用于图像、语音、自然语言处理等领域，其中以循环神经网络、卷积神经网络、对抗神经网络、Transforms等为几个典型的深度学习算法。另一方面，脑科学、生物神经学的研究取的了不断突破，为人工神经网络的研究提供了良好的借鉴。其中，一种受人类大脑皮层启发的时间序列数据预测模型，层级时序记忆(Hierarchical Temporal Memory,HTM)开始受到人们的广泛关注，该模型利用了稀疏分布表征，通过空间池和时间池等算法完成学习，广泛的应用于时间序列的分析和处理，据一些研究报道称，HTM的预测效果与LSTM相当甚至更好。
[0004]当前训练的HTM的方法还比较简单，其中空间池的训练算法存在一定的利用率和时间开销上的问题，通过Boost和Bump机制对激活微柱的选取，对于微柱和细胞较少的模型，性能较好，但是对于购物平台的实际场景，实时在线的用户的数量变化范围较大，变化规律存在多样性，虽然HTM可以一边学习数据的变化，一边进行接下来的数据预测，但是原有的空间池算法会使得空间池的微柱利用率不均衡，同时也会带来较大的时间开销，不适用与购物平台的实时用户量的变化规律。因此针对这种问题，提出了新的基于数据驱动的动态空间池算法，提高HTM学习网络购物平台实时用户量的效率，减少训练的时间开销。

技术实现思路

[0005]本专利技术的目的在于提供一种面向网络购物平台的在线用户量的智能分析方法，以解决现有的HTM空间池算法中微柱利用率不均衡和激活微柱选取机制造成的时间开销过大的问题，提高HTM学习网络购物平台实时用户量的效率，减少训练的时间开销。
[0006]本专利技术的技术方案为：一种面向网络购物平台的在线用户量的智能分析方法，包括以下步骤：
[0007]步骤1，采集某个较长时间内在线用户数量分段统计数据，构成具有时序特性的网络购物平台实时在线用户数量数据流；
[0008]步骤2，针对购物平台的实时在线用户数量分析应用，将每个固定时间段的在线用户数量转化为输入的二值化编码；
[0009]步骤3，随着输入进入空间池进行训练，使用数据驱动的动态空间池算法，空间池
中的微柱动态拓展初始化，其中提出了承载度的概念，利用微柱承载度的方式逐步在初始化的区域内选取激活微柱，完成空间池对输入数据的表征；
[0010]步骤4，空间池完成学习之后，在被激活微柱上生成学习细胞集将被激活的微柱集送入时间池进行训练，构建输入之间的时序关系，并在HTM中形成记忆；
[0011]步骤5，时间池完成对购物平台实时在线用户量的数据学习，输出下个时间段的在线用户数量预测模式，由分类解码器根据最终训练的结果给出预测的实时用户数量。
[0012]进一步，二值化编码X(t)(x1(t),x2(t),x3(t)
…
x
n
(t))，规则如下：
[0013][0014]其中：min为在线用户量X(t)的最小值，max为最大值，n为输入编码的长度，w为编码后输入编码比特位为1的位数。
[0015]进一步，所述步骤3中，使用数据驱动的动态空间池算法，主要包括以下步骤：
[0016]步骤3.1，数据驱动的微柱动态拓展策略，每一时刻，利用输入编码中表征数据的激活比特位，计算需要表征的微柱范围，逐步拓展微柱的使用区域，代替原有的初始化全部区域，计算方式为：
[0017][0018][0019]x
t
表示t时刻的输入数据对应的输入编码，m
j
表示输入编码的激活比特位首位的对应的索引，m
k
表示输入编码的激活比特位末位对应的索引，n
c
表示微柱的数量，n表示输入编码的维度，start(x
t
)和end(x
t
)表示该输入所使用的微柱区域的范围边界序号；
[0020]步骤3.2，原有的Bump和Boost机制会带来较大的时间开销，因此提出基于承载度的空间池算法，具体步骤为：
[0021]3.2.1，输入x
t，
并转换为输入编码；
[0022]3.2.2，动态扩展形成x
t
候选微柱区域col
‑
field(t)：
[0023]col
‑
field(t)＝[start(x
t
),end(x
t
)]ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0024]3.2.3，对所拓展的区域进行微柱的初始化；
[0025]3.2.4，引入“承载度”，提出基于微柱承载度的空间池算法替代原有的选取机制，微柱承载度，即微柱表达输入模式的种类，同时提出微柱长期承载度和短期承载度的概念：微柱长期承载度H
l
为在已经过的所有时刻中，微柱表达输入模式的种类微柱短期承载度H
s
为在时间窗口w中，微柱表达输入模式的种类，初始化完成后，在拓展的微柱区域内进行激活微柱的选取；
[0026]3.2.5，对于已经激活的微柱，再次被选取到时，进行Hebbian学习，利用奖惩机制对微柱突触持久值进行调整。
[0027]本专利技术的有益效果：
[0028]1、本专利技术与现有网络购物平台的实时用户量分析方法不同，使用了一种面向网络购物平台的在线用户量的智能分析方法，改进了现有的HTM模型，实现了HTM空间池对购物平台实时用户量变化规律的快速高效的学习。
[0029]2、本专利技术与现有HTM在基本的构成方面存在不同，使用了基于数据驱动的动态空间池算法，改进了现有的空间池算法。其中包含了数据驱动的微柱动态拓展策略，与现有的HTM初始化过程存在不同；另一部分基于承载度的空间池算法，与现有HTM空间池在激活微柱的选取机制上也存在不同。
[0030]3、本专利技术针对空间池的微柱学习过程，利用HTM自身结构，使得空间池的微柱利用率区域均衡，提高了空间池的学习效率，同时对激活微柱选取机制的改变，也可以节省空间池运行的时间开销，增强了HTM对实时用户数量变化规律的学习能力。
附图说明
[0031]图1为一种面向网络购物平台的在线用户量的智能分析方法的流程图。
具体实施方式
[0032]为了使本专利技术的目的、技术方案及优点更加清楚明白本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向网络购物平台的在线用户量的智能分析方法，其特征在于，包括以下步骤：步骤1，采集某个较长时间内在线用户数量分段统计数据，构成具有时序特性的网络购物平台实时在线用户数量数据流；步骤2，针对购物平台的实时在线用户数量分析应用，将每个固定时间段的在线用户数量转化为输入的二值化编码；步骤3，随着输入进入空间池进行训练，使用数据驱动的动态空间池算法，空间池中的微柱动态拓展初始化，其中提出了承载度的概念，利用微柱承载度的方式逐步在初始化的区域内选取激活微柱，完成空间池对输入数据的表征；步骤4，空间池完成学习之后，在被激活微柱上生成学习细胞集将被激活的微柱集送入时间池进行训练，构建输入之间的时序关系，并在HTM中形成记忆；步骤5，时间池完成对购物平台实时在线用户量的数据学习，输出下个时间段的在线用户数量预测模式，由分类解码器根据最终训练的结果给出预测的实时用户数量。2.根据权利要求1所述的一种面向网络购物平台的在线用户量的智能分析方法，其特征在于，二值化编码X(t)(x1(t),x2(t),x3(t)
…
x
n
(t))，规则如下：其中：min为在线用户量X(t)的最小值，max为最大值，n为输入编码的长度，w为编码后输入编码比特位为1的位数。3.根据权利要求1所述的一种面向网络购物平台的在线用户量的智能分析方法，其特征在于，所述步骤3中，使用数据驱动的动态空间池算法，主要包括以下步骤：步骤3.1，数据驱动的微柱动态拓展策略，每一时刻，利用输入编码中表征数据的激活比特位，计算需要表征的微柱范围，逐步拓展微柱的使用区域，代替原有的初始化全部区域，计算方式为：域，计算方式为：x
t
...

【专利技术属性】
技术研发人员：朱博，袁云燕，左翌，张雨钊，
申请(专利权)人：瑞祥全球购超市有限公司，
类型：发明
国别省市：