[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

说明书

本发明提供一种基于图演化博弈模型的案件规模预测方法及系统，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。本发明解决纠纷案件难以准确预测的缺陷，实现对纠纷案件进行准确预测。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基于图演化博弈模型的案件规模预测方法及系统。

背景技术

社会治理矛盾纠纷事件的形成和发展存在多维因素的影响，具有很高的不确定和不可控性，目前市场上还没有成熟的技术方案对其进行准确的判断和预测。构建可靠高效的社会矛盾纠纷事件治理系统主要有以下挑战：一是由于管控范围大，治理个体数量多，同时个体的行为具有极强的主观性和不确定性，个体纠纷同时取决于所处环境以及与其他个体的互动，因此难以对纠纷事件的数量及性质的演化给出较精准的预测；二是众多的纠纷事件缺少智能化的治理系统，能够将纠纷进行准确的分类，并将纠纷案件流转到对应的协调单位予以处理。这极大地降低了纠纷事件的解决效率。

预测纠纷案件数量能够提前部署相应的解决方案，通常预测纠纷案件数量是指根据历史记录中纠纷案件在一定时间段内发生的数量及频率，预测未来的纠纷数量增减情况。现有系统主要考虑了纠纷案件发生的环境因素。环境因素是指因为环境的变化而造成的纠纷案件形成。采用自回归移动平均模型(Autoregressive moving average model,ARMA)和循环神经网络模型，通过历史数据挖掘出环境因素所造成的案件走势，并基于所学到的模型此对未来纠纷案件数据给出预测。

但是纠纷案件的发生往往由诸多复杂的因素构成。其中就包含人为互动因素。人为互动因素是指由于个体交互从而造成的案件数量演化。典型的例子包括由于工友之间的信息交互从而导致的集体讨薪劳动纠纷等。这类案件的特点是个体之间的信息交互使得该纠纷能够在群体中进行扩散，从而造成纠纷案件的数量在一定时间段内发生变化，而这是时间序列分析无法解决的问题。时间序列分析考虑了环境因素，典型的回归方程中只包含历史的案件数量数据，不能将其细化到用户决策的层面。

而人为互动因素的交互行为的建模方法包括信息级联模型、传染病模型，以及图演化博弈模型等。这些模型能够建模个体间的交互到个体决策变化的映射，进而通过对个体决策和行为的变化统计出未来纠纷案件数量的变化。此外，时间序列模型对参数的估计是基于模型的，而函数形式通常是由易到难进行选择的，因此参数的估计强烈依赖于函数形式选择的优劣程度。同时，单靠时间序列模型的预测并不具有很可靠的解释性。

发明内容

本发明提供一种基于图演化博弈模型的案件规模预测方法及系统，用以解决纠纷案件难以准确预测的缺陷，以实现对纠纷案件进行准确预测。

本发明提供一种基于图演化博弈模型的案件规模预测方法，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。

根据本发明提供的基于图演化博弈模型的案件规模预测方法，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：