基于聚类和支持向量机相结合的热点发现

为更及时且有效地挖掘出微博热点,提出一种基于无监督聚类和支持向量机相结合的热点发现方法。该方法运用热点事件之间的关联性,通过这种关联性来预测未知事件是热点事件的可能性。该算法首先通过对已标注的正例和反例训练SVM并获得SVM分类器。然后对测试集用K-means聚类算法进行聚类并获取热点簇,最后对每一簇中的样本使用SVM分类器进行分类,计算出每一簇中热点样本占该簇中总样本的比例。通过三种热度的计算方式。在相同的环境下进行测试,实验表明基于聚类和支持向量机相结合的热点发现方法,对热点发现具有良好的指导作用。

多目标时间序列混合特征动态变权组合预测研究

在通过LightGBM、Prophet、HotWinters等单一预测算法,以及通过引入搜索指数等消费者行为数据作为预测变量等无法达到汽车品牌销量预测精度的情况下,基于销量数据特征遴选出HotWinters、Prophet、LightGBM三个预测模型,并自主构建了Musgrave方法,以此四个算法构建了组合预测模型,并结合熵值法作为权重动态变化的方法,构建了“动态变权组合预测策略”。本策略使用“单地区多品牌维度、多品牌维度、多地区多品牌维度”三种方式进行六期预测并检验预测效果,结果表明三种方式预测误差中位数分别为7.50%、6.11%、9.61%,因此,本策略能够满足对具有复杂多变特征的数据进行预测的需要。