[发明专利]一种社交网络中信息转发增量的预测方法及系统

权利要求书

1.一种社交网络中信息转发增量的预测方法，其特征在于，包括：

获取社交网络中信息转发数据；

对所述信息转发数据进行统计，获取单位时间内的信息转发增量时间序列；

利用互信息方法获取所述信息转发增量时间序列的时间延迟；

利用G-P算法获取所述信息转发增量时间序列的嵌入维数；

根据所述时间延迟与所述嵌入维数，进行时间序列的相空间重构；

根据重构后的相空间建立所述信息增量时间序列的最小二乘支持向量机预测模型；

根据所述最小二乘支持向量机预测模型对该社交网络的信息转发增量进行预测。

2.如权利要求1所述的预测方法，其特征在于，

所述信息转发数据包括转发时间、转发用户帐号和转发用户识别号。

3.如权利要求1所述的预测方法，其特征在于，

所述利用互信息方法获取所述信息转发增量时间序列的时间延迟，采用以下公式：

其中，时间序列{x_j}、{x_j+τ}；I(x_j,x_j+τ)为时间序列{x_j}、{x_j+τ}的互信息；P(x_j)为时间序列{x_j}的概率分布；P(x_j,x_j+τ)为时间序列{x_j}与{x_j+τ}的联合概率分布。

4.如权利要求1所述的预测方法，其特征在于，

所述利用G-P算法获取所述信息转发增量时间序列的嵌入维数的 步骤，包括：

获取时间延迟和初始嵌入维数m0重构相空间；

计算重构后相空间中任意两个向量的距离，得到最大值与最小值，确定邻域半径r；

根据所述邻域半径r计算关联积分C(r)；

找到曲线lnC(r)～lnr的线性部分，利用最小二乘法估计关联指数d(m0)；

调整初始嵌入维数m0，获取所述关联指数d(m0)达到饱和时的所对应的m0值。

5.如权利要求1所述的预测方法，其特征在于，

所述根据所述时间延迟与所述嵌入维数，进行时间序列的相空间重构的步骤包括利用如下公式进行相空间重构，从而形成m维向量X＝{X_j}：

X₁＝[x(1),x(1+τ),...,x(1+(m-1)τ)]

X₂＝[x(2),x(2+τ),...,x(2+(m-1)τ)]

...

X_M＝[x(N),x(N+τ),...,x(N+(m-1)τ)]

其中，j＝1,2,...,M，M＝N-(m-1)τ，τ为时间延迟，m为嵌入维数，x＝{x(1),x(2),…,x(N)}为信息转发增量时间序列。

6.如权利要求1所述的预测方法，其特征在于，

所述信息转发增量预测模型为最小二乘支持向量机预测模型。

7.如权利要求1所述的预测方法，其特征在于，

所述最小二乘支持向量机预测模型为：

为径向基函数。

8.一种社交网络中信息转发增量的预测系统，其特征在于，包括：

信息转发数据获取模块，用于获取社交网络中信息转发数据；

时间序列获取模块，用于对所述信息转发数据进行统计，获取单位时间内的信息转发增量时间序列；

时间延迟确定模块，用于利用互信息方法获取所述信息转发增量时间序列的时间延迟；

嵌入维数获取模块，用于利用G-P算法获取所述信息转发增量时间序列的嵌入维数；

相空间重构模块，用于根据所述时间延迟与所述嵌入维数，进行时间序列的相空间重构；

预测模型建立模块，用于根据所述相空间建立所述信息增量时间序列的最小二乘支持向量机预测模型；

信息转发增量预测模块，用于根据所述最小二乘支持向量机预测模型对该社交网络的信息转发增量进行预测。

9.如权利要求8所述的预测系统，其特征在于，所述嵌入维数获取模块，包括：

重构子模块，用于获取时间延迟和初始嵌入维数重构相空间；

邻域半径获取子模块，用于根据时间序列向量距离的最大值、最小值以及邻域半径搜索步长，确定邻域半径r；

关联积分计算子模块，用于根据所述邻域半径r计算关联积分C(r)；

关联维数估计子模块，用于找到曲线lnC(r)～lnr的线性部分，利用最小二乘法估计关联指数d(m)；

嵌入维数获得子模块，用于调整初始嵌入维数m0，获取所述关联指数d(m0)达到饱和时的所对应的m0值。