楊天瑞，孫偉東

（沈陽航空航天大學計算機學院，沈陽 110000）

隨著科學技術的不斷發(fā)展，我國進入到大數據時代，在此時代背景下數據預測與應用成為數據技術開發(fā)的重要部分?，F階段，阿里集團、騰訊、谷歌等都陸續(xù)認識到大數據的重要作用，突出體現便是“雙十一”購物節(jié)的成功運營，使當天的銷售額能夠達到前十一個月的20倍以上，這與數據特征提取與預測之間有著十分重要的促進作用。

1 基于深度學習的數據特征提取

社區(qū)結構主要是社區(qū)內部各要素之間形成的相對穩(wěn)定的關系，屬于由各個要素的共同作用下組成的有機系統(tǒng)。在對社團演化預測過程中，考慮到社團演化中的合并問題，因此在預測模型中通常提取社團內部的特征，包括規(guī)模、內度、內外部連邊的比值等等，這些特征只是單純的能夠體現某個社團，因此需要對社團之間的共性特征進行提取，才能夠對多個社團合并事件進行預測。

通過現有的研究表明，社團的性質能夠通過規(guī)模和內外連邊比值體現出來，所謂的規(guī)模也就是節(jié)點數量，規(guī)模越小的社團發(fā)生合并的幾率將越高，而社會的數量只能體現其規(guī)模，卻無法表現其稀疏程度。因此，需要加入內外連邊比值特征，該特征主要是指社團外部與內部連邊數量的比值，且比值與社團合并可能性之間呈現正比例關系，如若內部連邊與外部連邊相比，增長速度較低，則會增加合并的幾率，因此可以通過對內外連邊比值測試的方式，對社團的演化趨勢進行預測[1]。

假設G=（V，E）屬于無權無向網絡，具有N個頂點，且頂點集合V的取值范圍為V1到VN，頂點與集合二者的連邊用E來表示。同時，該網絡的鄰接矩陣屬于一個角對稱矩陣，將其表示為：

式中，i與j均表示頂點；aij表示兩個頂點間的連邊，其數值為1；當aij的數值為0時則表示兩個頂點連邊之間不存在連邊，這時i的取值范圍在0到N之間，i的度數表示為：

Ci與 Cj屬于兩個隨機社團，二者之間的連接度為 Bd（Ci，Cj），能夠與社團之間相連的一階差值為△Bd（Ci，Cj），二階差值為△△Bd（Ci，Cj），并且計算方式分別為：

一階差值 ：△ Bd（Ci，Cj）=Bd（Ci，Cj）t=to-Bd（Ci，Cj）t=to-△t

二階差值：△△ Bd（Ci，Cj）= △ Bd（Ci，Cj）t=to-△ Bd（Ci，

式中，t0代表的是時間段；△t0代表的是時間步長。

綜上可知，在社團結構中共計需要提取出四個特征數據，分別為 Ni社團大小、連接度 Bd（Ci，Cj），以及一階差值為△ Bd（Ci，Cj）、二階差值為△△ Bd（Ci，Cj）。

2 社團合并預測模型的建立

2.1 深度學習模型的構建

DBN屬于一個概率生成模型，將樣本標簽數據當中的特征值有效的提取出來，利用該模型獲取到社團特征以后進行預測分析。通常波爾茲曼機的輸入范圍為0-1之間，但是在社會合并預測中，特征向量具有連續(xù)性，因此可以將RBM中的實值特征轉變?yōu)槎M制變量。在低維空間中，將樣本數據轉變?yōu)楦呔暥认蛄?，然后輸入到向量訓練層當中，由此完成在深度學習基礎上的社團合并預測模型的建立[2]。

2.2 模型的訓練算法

由于以往采用的BP算法中存在較大的誤差信號，很可能出現“梯度擴散”現象，影響訓練效果。因此，本文采用貪婪逐層算法的方式，對整個網絡進行訓練。貪婪逐層算法是將樣本數據看作成輸入量，對首個RBM進行訓練，并在此基礎上對第二個RBM進行輸入，從而訓練出第二個，以此類推，直至所有深度學習網絡全部被訓練完成。在算法流程方面，主要內容如下。

（1）利用CD算法對特征向量X進行訓練，從而得出第一個RBM。

（2）利用上一個RBM作為向量，輸出下一個RBM。

（3）重復第二步，直至使所有RBM均完成訓練。

（4）通過最后一層得出RBM輸出向量，將輸出向量看做成回歸預測層輸入向量，并且對參數進行初始化處理。

（5）利用帶標簽的數據和BP算法，通過從上到下的方式，對整個預測模型參數進行細微的調整，進而獲取預測模型參數。

利用上述貪婪逐層算法對各個RBM進行訓練以后，便能夠建立DBM預測模型，進而通過數據集的方式對社團的合并進行分析和預測。

3 結束語

綜上所述，本文針對大數據時代下的數據預測進行分析，在深度學習背景下，在RBM基礎上建立了結構模型，對智能家居發(fā)展趨勢進行預測，并且提出了社團檢測方法，最后在時間序列數據預測的基礎上，對復雜網絡的社團演化進行預測，這對于智能家居行業(yè)的實際工作來說具有較大的應用價值與現實意義。