摘 要：大數(shù)據(jù)的時(shí)代，數(shù)據(jù)的產(chǎn)生和收集是基礎(chǔ)，數(shù)據(jù)挖掘是關(guān)鍵，在日新月異的應(yīng)用背后，產(chǎn)生的是數(shù)據(jù)爆炸式增長(zhǎng)和來(lái)自大數(shù)據(jù)分析的挑戰(zhàn)，如何有效的利用這些數(shù)據(jù)也是一個(gè)難題。所以研究大數(shù)據(jù)各種預(yù)測(cè)的模型的研究就尤為重要，本文結(jié)合大數(shù)據(jù)時(shí)代的數(shù)據(jù)特點(diǎn)，研究大數(shù)據(jù)的預(yù)測(cè)處理模式，提出一種算法融合的模型框架，并通過(guò)實(shí)驗(yàn)數(shù)據(jù)集驗(yàn)證模式。

關(guān)鍵詞：大數(shù)據(jù)；數(shù)據(jù)挖掘；特征工程；模型融合；Hadoop

1 研究背景及意義

大數(shù)據(jù)時(shí)代當(dāng)前面臨的挑戰(zhàn)是根據(jù)大數(shù)據(jù)進(jìn)行預(yù)測(cè)[1]研究，利用已知數(shù)據(jù)進(jìn)行預(yù)測(cè)的模式產(chǎn)出，本文對(duì)大數(shù)據(jù)預(yù)測(cè)處理模式進(jìn)行研究，同時(shí)創(chuàng)新性的提出一種融合算法模型框架，最后用數(shù)據(jù)集[3]來(lái)驗(yàn)證模型的準(zhǔn)確性。

2 預(yù)測(cè)處理模式研究

基本處理模式

本文研究的大數(shù)據(jù)[4]預(yù)測(cè)處理模式主要分為幾個(gè)過(guò)程，如下：

1.問(wèn)題與業(yè)務(wù)理解

問(wèn)題與業(yè)務(wù)的理解是對(duì)數(shù)據(jù)挖掘的需求進(jìn)行確認(rèn)，對(duì)預(yù)測(cè)與挖掘目標(biāo)有一個(gè)明確的定義。

2.數(shù)據(jù)收集與預(yù)處理

原始的數(shù)據(jù)要傾國(guó)清洗或者預(yù)處理的方式，才能使最終的結(jié)果準(zhǔn)確或者可用。

3.數(shù)據(jù)挖掘

a）特征工程

b）模型訓(xùn)練

c）模型評(píng)估

4.結(jié)果解釋和評(píng)估

特征工程

特征工程[5]是將原始數(shù)據(jù)轉(zhuǎn)化為特征，在進(jìn)行特征工程的時(shí)候，影響其預(yù)測(cè)結(jié)果有三大因素：模型的選取是否合適，可以用的數(shù)據(jù)是否好用，提取的特征是否實(shí)用。

數(shù)據(jù)預(yù)處理

對(duì)數(shù)據(jù)進(jìn)行挖掘之前，必須首先準(zhǔn)備好挖掘的數(shù)據(jù)，需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，提高分類(lèi)或預(yù)測(cè)的準(zhǔn)確性、效率和可擴(kuò)展性。

1.數(shù)據(jù)清理。數(shù)據(jù)清理是指在消除或者減少數(shù)據(jù)中噪聲和處理缺失值數(shù)據(jù)預(yù)處理。

2.相關(guān)性分析。猶豫數(shù)據(jù)集中的許多屬性與挖掘任務(wù)本身可能是無(wú)關(guān)的。

3.數(shù)據(jù)轉(zhuǎn)換。利用概念分成，可以將數(shù)據(jù)泛化到更高層次的概念。

特征選擇

特征選擇是根據(jù)有意義的特征輸入數(shù)據(jù)挖掘的算法和模型進(jìn)行訓(xùn)練。特征選擇是特征處理的核心部分。包括以下幾種方法：

1.過(guò)濾特征[6]：該思路是自變量和目標(biāo)變量之間的關(guān)聯(lián)。

2.封裝特征：該思路是通過(guò)目標(biāo)函數(shù)來(lái)看是否加入一個(gè)變量。

3.嵌入特征：該思路是學(xué)習(xí)器來(lái)自動(dòng)選擇特征。

算法框架

本問(wèn)研究?jī)?nèi)容創(chuàng)新性采用算法模型的融合方式，即多模融合的學(xué)習(xí)算法框架 ，建立組合預(yù)測(cè)方法，得到優(yōu)選的預(yù)測(cè)處理模式，克服單個(gè)預(yù)測(cè)算法的缺點(diǎn)，提升了算法預(yù)測(cè)的準(zhǔn)確性。

GBDT

GBDT算法是Boosting算法的一種具體實(shí)現(xiàn)形式，它是一種非線性的模型，每次迭代都是在減少殘差的梯度方向新建一顆決策樹(shù)，迭代多少次就會(huì)生成多少?zèng)Q策樹(shù)。

LR

LR是廣義的線性模型。LR模型可以很好的并行化，其是一種線性模型，其可以處理上億條的訓(xùn)練樣本。但是這種線性模型限制它的的學(xué)習(xí)能力，不能處理大量的特征。

GBDT與LR的融合

GBDT的決策樹(shù)的通道可以直接作為L(zhǎng)R輸入特征使用。所以本文將兩種算法結(jié)合，提出一種GBDT與LR融合的算法模型。這種模型相比如人工尋找特征和特征組合，這種方法省時(shí)省力，效率更高。經(jīng)過(guò)融合算法模型進(jìn)行特征和特征組合的自動(dòng)發(fā)現(xiàn)，LR的輸入特征來(lái)自GBDT生成的特征。

模型評(píng)價(jià)

模型評(píng)價(jià)是驗(yàn)證特征工程與算法框架的重要評(píng)測(cè)環(huán)節(jié)。一般采用均方根誤差評(píng)價(jià)法。

其計(jì)算公式如下。

3 實(shí)驗(yàn)數(shù)據(jù)集分析

數(shù)據(jù)分析

通過(guò)分析某省部分公交線路的歷史公交卡交易數(shù)據(jù)，分析推測(cè)乘客的出行習(xí)慣和偏好，從而建立模型，預(yù)測(cè)未來(lái)公交客流。即：根據(jù)公交線路歷史刷卡數(shù)據(jù)，預(yù)測(cè)不同公交線路6點(diǎn)-21點(diǎn)各時(shí)段的客流情況。

特征工程

原始數(shù)據(jù)包含特征Use_city features、Line_name features、Terminal_id features、Card_id features、Create_city features、Deal_time features、Card_type features、Weather features。特征按照具體的內(nèi)容又可以分為：計(jì)數(shù)、比值、Flag、時(shí)間間隔、時(shí)間層級(jí)、規(guī)則、排序、地理特征等八種。由于篇幅有限，這里不詳細(xì)介紹各特征。

算法框架

算法采用GBDT和LR融合算法，基本原理見(jiàn)圖1，GBDT作為主要分類(lèi)器，表3得到的訓(xùn)練參數(shù)是經(jīng)過(guò)模型訓(xùn)練得到的。其中，GBDT3是單模型中評(píng)價(jià)效果最好的模型。經(jīng)過(guò)GBDT生成的特征，下一步使用LR對(duì)GBDT生成的模型進(jìn)行融合，把每個(gè)GBDT 模型對(duì)測(cè)試集的預(yù)測(cè)結(jié)果合并作為L(zhǎng)R的訓(xùn)練集。

結(jié)果評(píng)價(jià)

模型結(jié)果評(píng)價(jià)采用RMSE評(píng)測(cè)，公式如下：

經(jīng)過(guò)線下的預(yù)測(cè)集測(cè)試，7模型混合GBDT特征模型與LR融合的算法框架最終得到82%的評(píng)分值，說(shuō)明整個(gè)預(yù)測(cè)模式效果很好。

4 結(jié)論

本文研究基于大數(shù)據(jù)的預(yù)測(cè)處理模式，研究了包括特征工程、算法框架、模型評(píng)價(jià)等大數(shù)據(jù)預(yù)測(cè)處理的關(guān)鍵步驟，提出多模融合算法：GBDT與LR融合算法，相比于傳統(tǒng)算法，多模的融合算法結(jié)合了LR速度快、效率高，是一種精確、有效的預(yù)測(cè)處理算法。最后本文用真實(shí)的數(shù)據(jù)集驗(yàn)證了所研究的處理模式和多模算法的正確性。

參考文獻(xiàn)

[1] 孟小峰， 慈祥， MengXiaofeng，等. 大數(shù)據(jù)管理：概念、技術(shù)與挑戰(zhàn)[J]. 計(jì)算機(jī)研究與發(fā)展， 2013， 50（1）：146-169.

[2] 李建中， 劉顯敏. 大數(shù)據(jù)的一個(gè)重要方面：數(shù)據(jù)可用性[J]. 計(jì)算機(jī)研究與發(fā)展， 2013， 50（6）：1147-1162.

[3] 應(yīng)毅， 劉亞軍， 陳誠(chéng). 基于云計(jì)算技術(shù)的個(gè)性化推薦系統(tǒng)[J]. 計(jì)算機(jī)工程與應(yīng)用， 2015， 51（13）：111-117.

[4] 趙娜. 大數(shù)據(jù)研究綜述[J]. 電子測(cè)試， 2015， 14（5）：87-90.

[5] Crone S F， Kourentzes N. Feature selection for time series prediction - A combined filter and wrapper approach for neural networks[J]. Neurocomputing， 2010， 73（s 10-12）：1923-1936.

[6] Liu D， Li T， Liang D. Incorporating logistic regression to decision-theoretic rough sets for classifications[J]. International Journal of Approximate Reasoning， 2014， 55（1）：197-210.

作者簡(jiǎn)介

王金海（1990-），男（滿(mǎn)族），籍貫黑龍江，碩士研究生，在讀學(xué)生，研究方向：智能信息處理。