基于SVM的不確定事件預(yù)測方法研究.pdf

1、隨著當(dāng)前的數(shù)據(jù)采集設(shè)備如RFID(Radio Frequency Identification)、傳感器等的廣泛應(yīng)用及其高速發(fā)展，產(chǎn)生了空前的海量動(dòng)態(tài)數(shù)據(jù)流。由于相關(guān)的事件處理技術(shù)能夠幫助人們從這些海量數(shù)據(jù)中獲取有用信息，因而近年來受到了廣泛關(guān)注與研究。事件處理廣泛地應(yīng)用于商業(yè)檢測和預(yù)測、供應(yīng)鏈管理、氣候環(huán)境監(jiān)測與預(yù)報(bào)以及醫(yī)療等領(lǐng)域，然而目前對事件的研究大多是基于檢測的且面向確定事件數(shù)據(jù)的，而對于不確定事件形成的概率流卻無能為力。在現(xiàn)實(shí)

2、中很多情況下，人們需要基于以往發(fā)生的事件獲取即將發(fā)生或未來一段時(shí)間內(nèi)可能會(huì)發(fā)生的事件，而目前幾乎沒有對事件流進(jìn)行預(yù)測的研究成果，因此對不確定事件預(yù)測方法的研究迫在眉睫。
　　為了實(shí)現(xiàn)不確定事件的預(yù)測，本文以傳統(tǒng)的支持向量機(jī)(Support Vector Machine，SVM)理論為基礎(chǔ)，結(jié)合事件流自身的特點(diǎn)，設(shè)計(jì)了特殊的事件存儲結(jié)構(gòu)—數(shù)據(jù)網(wǎng)格(DataGrid)，并基于該結(jié)構(gòu)使用雙向建模和二次建模策略使得對不確定事件的預(yù)測成為可

3、能。本文的主要貢獻(xiàn)如下:
　　首先，提出了針對不確定事件的預(yù)測方法?；赟VM，通過雙向建模和二次建模，成功實(shí)現(xiàn)事件流上的不確定事件預(yù)測。
　　其次，提出了事件存儲結(jié)構(gòu)—數(shù)據(jù)網(wǎng)格。該結(jié)構(gòu)能夠?qū)χС謹(jǐn)?shù)據(jù)清洗和填補(bǔ)，能夠?yàn)榻㈩A(yù)測模型提供最佳的訓(xùn)練數(shù)據(jù)。
　　最后，基于本文提出的數(shù)據(jù)結(jié)構(gòu)特點(diǎn)和可擴(kuò)展性需求，為縱向模型和橫向模型設(shè)計(jì)出合適的淘汰策略，在淘汰的同時(shí)迅速建立起準(zhǔn)確的新的預(yù)測模型。
　　通過理論和實(shí)驗(yàn)的評估，