[发明专利]一种基于图演化博弈模型的案件规模预测方法及系统

权利要求书

1.一种基于图演化博弈模型的案件规模预测方法，其特征在于，包括：

根据预训练的图演化博弈模型获取最优参数序列；其中，图演化博弈模型是利用数据库中的待学习参数集进行训练得到的；

基于所述最优参数序列和用户的历史决策，对未来目标时段内用户的决策进行预测，以生成图演化博弈预测序列；

根据预训练的时间序列预测模型获取时间序列预测序列；其中，时间序列预测模型是利用待学习数据集训练得到的；

将图演化博弈预测序列与时间序列预测序列进行融合，得到终极预测序列，通过终极预测序列对案件规模进行预测。

2.根据权利要求1所述的基于图演化博弈模型的案件规模预测方法，其特征在于，所述根据预训练的图演化博弈模型获取最优参数序列，具体包括：

从数据库中获取图演化博弈模型的待学习参数集，将待学习参数集中的案件数量序列转换为决策序列；

获取决策序列中历史时刻网络中所有个体的决策状态，根据灭生规则获得预设时间段内个体决策状态的转变概率；

得到所有历史时刻的最大联合转变概率；

基于所述最大联合转变概率使用最大似然法概率训练图演化博弈模型，以使所述图演化博弈模型输出最优参数序列。

3.根据权利要求1所述的基于图演化博弈模型的案件规模预测方法，其特征在于，所述根据预训练的时间序列预测模型获取时间序列预测序列，具体包括：

将待学习参数集中的案件数量序列处理为时间序列；

对时间序列建模，形成随时间变化的预测模型；

将历史时刻的用户决策输入预测模型，输出时间序列预测序列。

4.根据权利要求2所述的基于图演化博弈模型的案件规模预测方法，其特征在于，基于所述最大联合转变概率训练图演化博弈模型，具体包括：

根据个体决策状态的转变情况计算决策转变概率，建立似然函数；

根据似然函数确定对数似然函数；

基于对数似然函数确定最优模型参数。

5.根据权利要求1所述的基于图演化博弈模型的案件规模预测方法，其特征在于，所述基于所述最优参数序列和用户的历史决策，对未来目标时段内用户的决策进行预测，以生成图演化博弈预测序列，具体包括：

根据当前时刻用户的决策序列计算决策转变概率；

遍历每个用户，并针对每个用户生成0-1区间内均匀分布的随机数；

将决策转变概率与随机数进行比较，得到比较结果；

根据比较结果预测未来时间段内用户的决策情况，生成图演化博弈预测序列。

6.根据权利要求1所述的基于图演化博弈模型的案件规模预测方法，其特征在于，所述将图演化博弈预测序列与时间序列预测序列进行融合，得到终极预测序列，通过终极预测序列对案件规模进行预测，具体包括：

将图演化博弈预测序列和时间序列预测序列进行融合；

基于案件数量时间序列计算融合权重系数；

根据融合权重系数确定终极预测序列；

利用终极预测序列生成预测值，对案件规模进行预测。

7.一种基于图演化博弈模型的案件规模预测系统，其特征在于，所述系统包括：

最优参数序列生成模块，用于根据预训练的图演化博弈模型获取最优参数序列；其中，图演化博弈模型是利用数据库中的待学习参数集进行训练得到的；

图演化博弈序列生成模块，用于基于所述最优参数序列和用户的历史决策，对未来目标时段内用户的决策进行预测，以生成图演化博弈预测序列；

时间序列预测序列生成模块，用于根据预训练的时间序列预测模型获取时间序列预测序列；其中，时间序列预测模型是利用待学习数据集训练得到的；

融合模块，用于将图演化博弈预测序列与时间序列预测序列进行融合，得到终极预测序列，通过终极预测序列对案件规模进行预测。

8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述基于图演化博弈模型的案件规模预测方法。