基于改进贝叶斯方法的轨迹预测算法研究

针对传统轨迹预测方法在历史轨迹数目有限时,预测准确度较低的问题,提出一种改进的贝叶斯推理(MBI)方法,MBI构建了马尔可夫模型来量化相邻位置的相关性,并通过对历史轨迹进行分解来获得更准确的马尔可夫模型,最后得到改进的贝叶斯推理公式。实验结果表明,MBI方法比现有方法的预测速度快2到3倍,并且有较高的准确度和稳定性。MBI方法充分利用现有轨迹信息,不仅提高了查询效率,还保证了较高的预测精度。     

基于HMIGW特征选择和XGBoost的毕业生就业预测方法

为了使高校的就业指导工作更具针对性,可以有针对性地培养学生,本文收集了毕业生的相关信息及其各自的就业情况,构建了基于HMIGW特征选择和XGBoost的分类预测建模算法,并将其应用于毕业生就业预测.本文首先考虑到学生信息数据具有离散型和连续型混合的特点,提出一种适应于就业预测的基于互信息和权重的混合（Hybrid feature selection based on Mutual Information and Gain Weight,以下简称HMIGW）特征选择算法,该方法先对学生数据的特征做相关性估值,然后采用前向特征添加后向递归删除策略进行特征选择,最后基于选择后的最优特征子集数据用XGBoost预测模型进行训练与结果预测.通过对比不同算法的结果,本文采用的预测方法在准确率和时间等评价指标上有较好的表现,对于毕业生培养就业指导具有积极作用.     

基于改进贝叶斯算法的云服务可靠性预测方法研究

目前服务消费者业务的不断发展,业务逻辑的不断复杂,对云服务组合的可靠性性能需求不断增加。通过对服务组合可靠性进行预测,根据预测结果向服务消费者推荐满足其可靠性需求的组合服务,以提高服务使用质量。基于传统的贝叶斯预测模型提出一种改进贝叶斯预测算法(IDLM)。通过采用指数加权回归方法对算法中的状态误差方差项进行估算,有效解决了传统贝叶斯模型中状态误差方差参数确定困难等问题,并且具有较高的预测效率和预测准确性。实验结果表明,改进的贝叶斯预测算法(IDLM)较其他传统的时间序列预测算法具有较高的准确性。     

基于贝叶斯模型的云服务服务质量预测

针对如何分配一个未来一段时间内满足QoS要求的云服务和感知可能将要发生的QoS违规的问题,提出一种基于时间序列预测方法的云服务QoS预测方法。该预测方法利用改进的贝叶斯常均值(IBCM)模型,能够准确地预测云服务未来一段时间内的QoS状态。实验通过搭建Hadoop集群模拟云平台并收集了响应时间和吞吐量两种QoS属性的数据作为预测对象,实验结果表明:相比自回归积分滑动平均(ARIMA)模型和贝叶斯常均值折扣模型等时间序列预测方法,基于改进的贝叶斯常均值模型的云服务QoS预测方法的平方和误差(SSE)、平均绝对误差(MAE)、均方误差(MSE)和和平均绝对百分比误差(MAPE)均比前两者小一个数量级,因此具有更高的预测精度;同时预测结果对比图说明提出的预测方法具有更好的拟合效果。     

改进朴素贝叶斯模型的复杂网络关系预测

复杂网络包括生物性信息网络、科学家合作网络、社交关系网络等,研究复杂网络的关系预测问题有助于预测蛋白质相互关系,发现科学家合作关系,以及挖掘潜在好友关系等。目前,绝大多数关系预测算法由复杂网络的相似度模型实现,但该类型算法基于显式的网络拓扑特征构建,忽视了影响关系生成的隐含信息。针对这一问题,在朴素贝叶斯链接预测模型(LNB)基础上提出了一种加强(Enhanced)朴素贝叶斯链接预测模型(ELNB),该模型通过定义共邻节点关系概率对共邻节点构成的局部子图特征进行建模,有效缓解了LNB中的独立性假设,实现了共邻节点关系贡献的量化计算。在人工数据集和真实复杂网络数据集上的实验表明,本文提出的模型优于基准算法和其他新近提出的模型。同时,把ELNB的思想有效地拓展到其他基于共邻节点的相似度算法中,为该类模型的研究提供一种新的方案。     

基于贝叶斯网络模型的高校贫困生预测实证分析

贝叶斯网络通过确定变量结点网络结构和参数学习来进行网络模型的概率推理,在样本数据不是过大的条件下能得到较精确的预测结果.从高校统一标准化的各数据平台中选取学生行为数据作为训练样本构建贝叶斯网络并进行参数学习得到推理模型,进而对高校学生的贫困程度进行预测,可以得出预测结果与实际样本对比没有显著差异,实现用数据分析精确判定高校学生的贫困程度水平.     

基于模型诊断的改进贝叶斯方法

基于模型诊断是针对系统或设备的行为和结构建立模型,从而进行诊断的.但是基于模型诊断的方法存在不确定性问题,诊断的结果可能为一组故障部件.为解决不确定性问题,很多学者在基于模型诊断中使用了概率的方法,利用待诊断设备组成部件的故障概率信息来寻找最可能的诊断.通过对模型诊断中存在的不确定性问题的深入研究,在基于模型诊断中提出了概率的贝叶斯解释,从而利用后验概率形式量化了元件故障的可能性的衡量标准,并且改进了计算元件后验概率的方法,分析了改进后算法的复杂性和完备性,证明了改进后的方法降低了时间和空间的复杂性.实验结果表明,改进后算法的执行效率较原有的算法有明显的提高,且有些问题可以提高两个数量级.     

基于高斯混合-贝叶斯模型的轨迹预测

如今，在交通管理系统、军事机械化战场、安全行驶系统中，对实时、准确、可靠的移动对象轨迹预测具有很重要的作用，在市场上的应用越来越广，简称智能化预测。智能化预测可以提供精准的基于位置的服务，还可以根据预判，给车主推荐最优路线，这成为移动对象数据库研究的热点。针对现有方法的不足，提出基于高斯混合-贝叶斯模型的轨迹预测模型。实验表明，GM-BM模型在路段车流量正常情况下，通过调整混合模型中子模型的权重，可预测出最可能的轨迹，经计算与相同参数设置下的单模型相比，预测准确性至少提高10.00%。     

基于贝叶斯方法的分类预测

介绍了基本的贝叶斯分类模型和贝叶斯信念网络模型,对网络模型的学习进行了讨论。并从实际出发,提出了几种可以简化模型结构、降低学习复杂性的可行方法,简要说明了这些方法在网络模型中的应用。对贝叶斯分类模型的准确性及其主要特点进行了分析。     

基于树状朴素贝叶斯模型的社会网络关系预测

在社会网络关系预测研究领域,把基于拓扑结构信息的共邻节点属性作为相似性度量的预测模型应用比较广泛,但是该类算法具有较强的假设独立性,不能完全反映社会网络的“链接”结构。引入树状朴素贝叶斯(TAN)分类模型,采用信息熵度量节点对的角色,赋予共邻节点集合差异化的贡献权重进行社会关系预测,同时把模型推广到CN,AA和RA 等3种基于相似度的链接预测算法中。对5个真实社会网络采用AUC和ROC曲线进行实验评价后证明,该模型能够在深入挖掘共邻节点对贡献及解决共邻节点角色独立性的基础上提高预测精确度,同时为该类模型的研究提供一种新的方案。     

软件可靠性预测的增强贝叶斯组合模型

针对当前可靠性预测模型的预测精度问题,提出一种增强贝叶斯组合的短期软件可靠性预测模型。该模型以基于小波分解的单个可靠性预测模型作为基本预测模型, 根据当前相邻几个失效时间间隔的预测精度,更新组合模型中各个基本预测模型的权重,解决了贝叶斯组合模型权重计算采用全部历史数据而导致某个基本预测模型权值占主导地位的缺陷,提高了贝叶斯组合模型对软件可靠性的预测精度。实验结果表明,增强贝叶斯组合预测模型的预测精度不仅优于单一的预测方法,而且也优于传统的软件组合预测模型,能显著提高软件可靠性预测的精度和模型对数据的适应性。     

组合预测在毕业生就业趋势预测中的应用探索

高校毕业生就业率是一项衡量高校办学校质量的一项重要指标,准确可靠的毕业生就业趋势预测能为学校制订新的发展战略决策提供参考。本文将AR模型和RBF模型相结合,对组合预测模型在高校毕业生就业趋势分析中的应用进行了有益的探索,预测过程中使用遗传算法求解模型的参数。实验结果表明组合预测模型在就业趋势的预测效果优于单项预测。     

高校毕业生就业网站创新研究

该文主要从三个方面介绍了毕业生就业网创新的途径,对就业网站对大学生就业的促进作用进行了阐述。     

基于GA＿XGBoost的高校毕业生就业能力预测研究

我国的高等教育从精英教育转变为大众教育,从而使高等教育毕业生的规模不断扩大,因此,在高校毕业生规模每年都屡创新高的形势下,科学评价大学生就业能力对于社会发展具有十分重要的意义。本研究针对上述问题提出了釆用SpringBoot+Vue框架搭建一个学生信息管理系统,并提出基于XGBoost和遗传算法相结合的大学生就业预测模型,利用现有数据集对模型进行训练后,预测精度达85%,对于大学生就业能力评价具有一定现实意义。     

贝叶斯动态模型及其预测算法在数据挖掘中的应用研究

通过对贝叶斯预测过程的研究,提出了应用于数据挖掘的10类贝叶斯动态模型及其预测算法、并解决了非线性动态模型的线性化问题。以该模型及算法建立的数据挖掘系统经过实例测试其效果很好,有较高的理论和实用价值,可以在政府、企业等领域内推广应用。     

融合朴素贝叶斯方法的复杂网络链路预测

近来复杂网络成为了众多学者的研究热点。但真实网络中的连边信息并不完整,不利于网络的分析研究,链路预测可以挖掘网络中的缺失连边,为网络重构提供基本依据。本文认为网络中链接的产生不仅受外部因素——共同邻居的影响,还受其自身因素的影响。其中,共同邻居的影响可以通过文献中的局部朴素贝叶斯（LNB）模型量化,节点的影响则根据其自身的度量化。本文将两者综合考虑,提出了融合朴素贝叶斯（SNB）模型,然后用共同邻居（CN）、Adamic-Adar（AA）和资源分配（RA）指标进行推广。在美国航空网（USAir）上的实验结果表明,该方法的预测准确度比LNB和基准方法均有所提高,从而证明了该方法的有效性。     

高校毕业生就业心理问题之我见

随着我国经济社会和教育制度的改革,就业人员大学普及率的逐年增长,我国人力资源总体发展趋好。但是,随着高校扩招,每年毕业生数量逐年递增,就业市场竞争加剧,高校毕业生心理素质的差异,企业招聘和高校毕业生就业问题尤为突出。国家、政府在高校毕业生就业方面加大扶持力度,给于了一定的优惠政策,但是,每年仍有20%-30%的高校毕业生不能就业。形成高校毕业生就业难的因素较多也比较复杂,本文旨在通过对高校毕业生就业心理的研究,帮助高校采取正确的教育方法使高校毕业生树立健康正确的人生观、世界观、价值观,帮助他们在就业方面及时调节自身的心理变化,更好的面对各种挑战,从而更好的走向社会、融入社会、适应社会,为今后自身的发展奠定坚实的基础。     

基于贝叶斯方法和变化表的恐怖行为预测算法

传统的恐怖行为预测算法没有考虑到组织会改变其行为策略,而CAPE算法根据组织背景的改变预测行为变化,但其只能根据变化表中存在的背景变化预测行为。为了能根据任意背景变化预测恐怖行为,针对恐怖数据高维小样本的特点,提出了一种 利用贝叶斯方法在改进的变化表上预测组织行为的算法。利用贝叶斯方法可快速有效地解决高维小样本分类问题的特性,在改进的变化表上实现对组织行为的预测,从而提高了预测精度和计算效率。此外,考虑到背景的变化会在时间序列上对组织行为产生持续的影响,因此在不同时间滞差下,利用加权的贝叶斯方法预测组织行为。MAROB数据集上多个组织数据的实验结果也表明,所提算法在准确率及时间复杂度上优于CAPE算法。     

基于改进贝叶斯算法的信息安全模型

很多网关系统和入侵检测系统被设计来保护信息系统的安全，其中一种安全隐患是现有网关系统的不完备性和入侵检测系统的虚警和漏警。该文总结了前人成果，改进了原有的入侵检测算法，提出了一个基于改进贝叶斯算法的新模型。该模型提高了入侵检测系统的完备性和准确性，更有效地保障了信息系统的安全。