一种多特征主观概率型预测的建模与聚合方法及系统技术方案

本发明专利技术提供一种多特征主观概率型预测的建模与聚合方法及系统，包括：获取专家概率型判断结果，基于透镜模型建立专家概率型判断结果的线性预测模型；通过所述线性预测模型生成预测结果，确定预测结果的误差；根据包含预测误差的预测结果提取潜在信息源，并分解出问题变量特征和专家行为特征；基于所分解的专家行为特征估计专家对不同信息源所赋予的权重，对专家权重进行聚类，形成多个聚类小组；从每个聚类小组中，选择估计的权重距离聚类中心最近的专家作为每一聚类小组的代表，并通过多种启发式方法进行概率型判断的聚合，本发明专利技术解决了现有多元专家概率型判断预测难以准确聚合的问题

【技术实现步骤摘要】
一种多特征主观概率型预测的建模与聚合方法及系统


[0001]本专利技术涉及决策分析
，尤其涉及一种多特征主观概率型预测的建模与聚合方法及系统
。

技术介绍

[0002]当数据稀疏时，决策者需要咨询专家对相关变量的预测，例如国内生产总值
、
新产品的销售量
、
灾难造成的损失
、
流媒体上新电影的播放次数等
。
为了预测一个连续变量，专家们经常被要求提供多个概率型预测，这些概率预测共同反映了不确定变量分布的位置
、
宽度和形状，且被广泛应用于气象学
、
概率风险评估
、
金融
、
运营管理等多个领域
。
[0003]在实际应用中，决策制定者不仅关心专家判断的可预测性，还关心其可解释性，即不同的信息源和处理信息的方式
。
政策制定者需要了解专家预测所基于的共同或不同的信息
、
动机和背景因素，这对决策透明度也是至关重要的
。
对专家预测聚合的基本目标是汇集信息源，调和不同的观点，并量化不确定性，而不是消除不一致或不确定性
。
当被预测的结果是久远的未来才能获得时，或者在进行同行预测无法验证准确结果时，信息的提取尤其关键
。
[0004]对于使用概率型预测进行聚合以提取群体智慧的已有研究，包括简单平均
、
基于聚合绩效的加权平均
、
基于“共享信息问题”的预测相关性分析
、
基于共有信息与私有信息的加权聚合等
。
上述研究或是考虑历史数据对预测进行校准，或是需要进行特殊的实验设置
(
如协调机制
、
竞争博弈机制
、
对其他专家预测进行额外估计等
)
，对专家预测相关性的分析集中于预测误差的协方差矩阵，在进行预测聚合时未考虑各专家预测所利用的信息源及信息处理方式
。

技术实现思路

[0005]本专利技术提供一种多特征主观概率型预测的建模与聚合方法及系统，用以解决现有多元专家概率型判断预测难以准确聚合的问题
。
[0006]本专利技术提供一种多特征主观概率型预测的建模与聚合方法，包括：
[0007]获取专家概率型判断结果，基于镜模型建立专家概率型判断结果的线性预测模型；
[0008]通过所述线性预测模型生成预测结果，确定预测结果的误差；
[0009]根据包含预测误差的预测结果提取潜在信息源，并分解出问题变量特征和专家行为特征；
[0010]基于所述分解的专家行为特征确定专家对不同信息源所赋予的权重，对专家权重进行聚类，形成多个聚类小组；
[0011]从每个聚类小组中，选择估计的权重距离聚类中心最近的专家作为每一聚类小组的代表，并通过多种启发式方法进行概率型判断的聚合
。
[0012]根据本专利技术提供的一种多特征主观概率型预测的建模与聚合方法，所述获取专家
概率判断结果，基于透镜模型建立专家概率型判断结果的线性预测模型，包括：
[0013]所述专家概率型判断包括预测误差的概率值和不包含预测误差的概率值；
[0014]基于透镜模型及预测误差模型，对预测误差的概率值和不包含预测误差的概率值进行分析，生成分析结果；
[0015]根据所述分析结果中不含预测误差的概率判断的权重分布及预测误差，建立线性预测模型
。
[0016]根据本专利技术提供的一种多特征主观概率型预测的建模与聚合方法，所述通过所述线性预测模型生成预测结果，确定预测结果的误差，包括：
[0017]基于线性预测模型生成的预测结果确定取样误差和判断误差；
[0018]所述取样误差取决于对信息线索的随机取样和专家如何对取样信息进行线性组合；
[0019]所述判断误差取决于来自于专家对概率水平的认知误差；
[0020]通过所述取样误差和判断误差组合确定概率预测结果的误差
。
[0021]根据本专利技术提供的一种多特征主观概率型预测的建模与聚合方法，所述根据包含预测误差的预测结果提取潜在信息源，并分解出问题变量特征和专家行为特征，包括：
[0022]基于包含预测误差的预测结果建立概率型预测矩阵；
[0023]将所述概率型预测矩阵分解为问题变量特征矩阵和专家行为特征矩阵；
[0024]通过最大似然法对所述问题变量特征矩阵和专家行为特征矩阵进行迭代求解，生成问题变量特征和专家行为特征
。
[0025]根据本专利技术提供的一种多特征主观概率型预测的建模与聚合方法，基于所分解的专家行为特征确定专家对不同信息源所赋予的权重，对专家权重进行聚类，形成多个聚类小组，包括：
[0026]基于概率型预测模型，求解问题变量特征和专家行为特征，估算专家针对可观测的信息线索和不可观测的信息线索赋予的权重；
[0027]基于专家赋予的权重值，将相似权重值划分到同一分组，完成聚类，形成多个聚类小组
。
[0028]根据本专利技术提供的一种多特征主观概率型预测的建模与聚合方法，所述从每个聚类小组中，选择估计的权重距离聚类中心最近的专家作为每一聚类小组的代表，并通过多种启发式方法进行概率型判断的聚合，包括：
[0029]确定聚类中心，将每个聚类小组的专家赋予的权重值与聚类中心的权重值进行距离比较，生成比较结果；
[0030]根据所述比较结果，选定估计的权重距离聚类中心最近的专家作为每一聚类小组的代表；
[0031]通过多种启发式方式基于每一聚类小组的代表进行概率型判断的聚合
。
[0032]根据本专利技术提供的一种多特征主观概率型预测的建模与聚合方法，还包括：
[0033]进行数据可视化，将各信息线索与问题变量的相关性，各专家在不同信息线索上赋予的权重情况以及选择不同聚合方式的加权权重通过图表的形式进行展现
。
[0034]本专利技术还提供一种多特征主观概率型预测的建模与聚合系统，所述系统包括：
[0035]线性预测模型建立模块，用于获取专家概率型判断结果，基于透镜模型建立专家
概率型判断结果的线性预测模型；
[0036]预测误差模块，用于通过所述线性预测模型生成预测结果，确定预测结果的误差；
[0037]提取潜在信息源模块，用于根据包含预测误差的预测结果提取潜在信息源，并分解出问题变量特征和专家行为特征；
[0038]聚类分组模块，用于基于所述分解的专家行为特征确定专家对不同信息源所赋予的权重，对专家权重进行聚类，形成多个聚类小组；
[0039]预测聚合模块，用于从每个聚类小组中，选择估计的权重距离聚类中心最近的专家作为每一聚类小组的代表，并通过多种启发式方法进行概率型判断的聚合
。
[0040]本专利技术还提供一种电子设备，包括存储器<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种多特征主观概率型预测的建模与聚合方法，其特征在于，包括：获取专家概率型判断结果，基于透镜模型建立专家概率型判断结果的线性预测模型；通过所述线性预测模型生成预测结果，确定预测结果的误差；根据包含预测误差的预测结果提取潜在信息源，并分解出问题变量特征和专家行为特征；基于所分解的专家行为特征确定专家对不同信息源所赋予的权重，对专家权重进行聚类，形成多个聚类小组；从每个聚类小组中，选择估计的权重距离聚类中心最近的专家作为每一聚类小组的代表，并通过多种启发式方法进行概率型判断的聚合
。2.
根据权利要求1所述的多特征主观概率型预测的建模与聚合方法，其特征在于，所述获取专家概率判断结果，基于透镜模型建立专家概率型判断结果的线性预测模型，包括：所述专家概率型判断包括预测误差的概率值和不包含预测误差的概率值；基于透镜模型及预测误差模型，对预测误差的概率值和不包含预测误差的概率值进行分析，生成分析结果；根据所述分析结果中不含预测误差的概率判断的权重分布及预测误差，建立线性预测模型
。3.
根据权利要求1所述的多特征主观概率型预测的建模与聚合方法，其特征在于，所述通过线性预测模型生成预测结果，确定预测结果的误差，包括：基于线性预测模型生成的预测结果确定取样误差和判断误差；其中，所述取样误差取决于对信息线索的随机取样和专家如何对取样信息进行线性组合；所述判断误差取决于来自于专家对概率水平的认知误差；通过所述取样误差和判断误差组合确定概率预测结果的误差
。4.
根据权利要求1所述的多特征主观概率型预测的建模与聚合方法，其特征在于，所述根据包含预测误差的预测结果提取潜在信息源，并分解出问题变量特征和专家行为特征，包括：基于包含预测误差的预测结果建立概率型预测矩阵；将所述概率型预测矩阵分解为问题变量特征矩阵和专家行为特征矩阵；通过最大似然法对所述问题变量特征矩阵和专家行为特征矩阵进行迭代求解，生成问题变量特征和专家行为特征
。5.
根据权利要求1所述的多特征主观概率型预测的建模与聚合方法，其特征在于，基于所分解的专家行为特征确定专家对不同信息源所赋予的权重，对专家权重进行聚类，形成多个聚类小组，包括：基于概率型预测矩阵，求解问题变量特征和专家行为...

【专利技术属性】
技术研发人员：雷媛媛，王琛，
申请(专利权)人：清华大学，
类型：发明
国别省市：