Some content of this application is unavailable at the moment.
If this situation persist, please contact us atFeedback&Contact
1. (WO2018137442) DATA PREDICTION METHOD AND DEVICE
Latest bibliographic data on file with the International Bureau    Submit observation

Pub. No.: WO/2018/137442 International Application No.: PCT/CN2017/117003
Publication Date: 02.08.2018 International Filing Date: 18.12.2017
IPC:
G06N 3/00 (2006.01)
[IPC code unknown for G06N 3]
Applicants:
中国银联股份有限公司 CHINA UNIONPAY CO., LTD. [CN/CN]; 中国上海市 浦东新区含笑路36号银联大厦 CUP Tower 36 Hanxiao Road, Pudong New Area Shanghai 200135, CN
Inventors:
章政 ZHANG, Zheng; CN
Agent:
北京同达信恒知识产权代理有限公司 TDIP & PARTNERS; 中国北京市海淀区宝盛南路1号院20号楼8层101-01 101-01, 8/F, Building 20 No. 1 Baosheng South Road, Haidian District Beijing 100192, CN
Priority Data:
201710061325.425.01.2017CN
Title (EN) DATA PREDICTION METHOD AND DEVICE
(FR) PROCÉDÉ ET DISPOSITIF DE PRÉDICTION DE DONNÉES
(ZH) 一种数据预测方法及装置
Abstract:
(EN) A data prediction method and device. The method comprises: constructing a first group comprising N individuals, each individual comprising model parameter values of a support vector regression prediction model, wherein N is greater than or equal to 1 (101); performing genetic algorithm iteration on the first group, for genetic iteration each time: determining an individual selected as a crossed individual in the first group, and determining a crossed sub-generation on the basis of the crossed individual according to a tabu search algorithm to generate a second group (102); performing variation iteration on the second group, for variation iteration each time: performing variation operation on each individual in the second group to obtain a third group; determining the optimal individual from the third group according to the tabu search algorithm; and determining, from M optimal individuals on which variation iteration is performed M times, a first group on which next genetic algorithm iteration is performed(103); and selecting, from the first group on which genetic algorithm iteration is performed Y times, the optimal solution as a model parameter of the support vector regression prediction model (104). The method decreases the diversity of groups, resolves the problem of insufficiency of the climbing capability in a genetic algorithm, and avoids premature convergence to the locally optimal solution.
(FR) L'invention concerne un procédé et un dispositif de prédiction de données. Le procédé consiste : à construire un premier groupe comprenant N individus, chaque individu comprenant des valeurs de paramètre de modèle d'un modèle de prédiction de régression de vecteur de support, N étant supérieur ou égal à 1 (101) ; à effectuer une itération d'algorithme génétique sur le premier groupe, pour une itération génétique chaque fois : à déterminer un individu sélectionné en tant qu'individu croisé dans le premier groupe et à déterminer une sous-génération croisée en fonction de l'individu croisé conformément à un algorithme de recherche tabou afin de générer un deuxième groupe (102) ; à effectuer une itération de variation sur le deuxième groupe, pour une itération de variation chaque fois : à effectuer une opération de variation sur chaque individu dans le deuxième groupe afin d'obtenir un troisième groupe ; à déterminer l'individu optimal dans le troisième groupe conformément à l'algorithme de recherche tabou ; et à déterminer, à partir de M individus optimaux sur lesquels une itération de variation est effectuée M fois, un premier groupe sur lequel une itération d'algorithme génétique suivante est effectuée (103) ; et à sélectionner, dans le premier groupe sur lequel une itération d'algorithme génétique est effectuée Y fois, la solution optimale en tant que paramètre de modèle du modèle de prédiction de régression de vecteur de support (104). Le procédé permet de réduire la diversité de groupes, de résoudre le problème d'insuffisance de la capacité d'escalade dans un algorithme génétique et d'éviter une convergence prématurée à la solution optimale localement.
(ZH) 一种数据预测方法及装置,方法包括:构建包括N个个体的第一种群,其中每个个体包括支持向量回归机预测模型的模型参数值,其中N大于等于1(101);对第一种群进行遗传算法迭代,针对每一次遗传迭代:确定在第一种群中被选择作为交叉个体的个体,并将交叉个体的个体根据禁忌搜索算法确定交叉子代,产生第二种群(102);对第二种群进行变异迭代,针对每一次变异代迭代:对第二种群中每个个体进行变异操作,得到第三种群;根据禁忌搜索算法从第三种群中确定最优个体;从M次变异代迭代的M个最优个体中确定下一次遗传算法迭代的第一种群(103);从Y次遗传算法迭代的第一种群中选择最优解作为支持向量回归机预测模型的模型参数(104)。上述方法增加了种群的多样性,克服遗传算法中爬山能力不足的问题,避免过早收敛到局部最优解。
front page image
Designated States: AE, AG, AL, AM, AO, AT, AU, AZ, BA, BB, BG, BH, BN, BR, BW, BY, BZ, CA, CH, CL, CN, CO, CR, CU, CZ, DE, DJ, DK, DM, DO, DZ, EC, EE, EG, ES, FI, GB, GD, GE, GH, GM, GT, HN, HR, HU, ID, IL, IN, IR, IS, JO, JP, KE, KG, KH, KN, KP, KR, KW, KZ, LA, LC, LK, LR, LS, LU, LY, MA, MD, ME, MG, MK, MN, MW, MX, MY, MZ, NA, NG, NI, NO, NZ, OM, PA, PE, PG, PH, PL, PT, QA, RO, RS, RU, RW, SA, SC, SD, SE, SG, SK, SL, SM, ST, SV, SY, TH, TJ, TM, TN, TR, TT, TZ, UA, UG, US, UZ, VC, VN, ZA, ZM, ZW
African Regional Intellectual Property Organization (ARIPO) (BW, GH, GM, KE, LR, LS, MW, MZ, NA, RW, SD, SL, ST, SZ, TZ, UG, ZM, ZW)
Eurasian Patent Office (AM, AZ, BY, KG, KZ, RU, TJ, TM)
European Patent Office (EPO) (AL, AT, BE, BG, CH, CY, CZ, DE, DK, EE, ES, FI, FR, GB, GR, HR, HU, IE, IS, IT, LT, LU, LV, MC, MK, MT, NL, NO, PL, PT, RO, RS, SE, SI, SK, SM, TR)
African Intellectual Property Organization (BF, BJ, CF, CG, CI, CM, GA, GN, GQ, GW, KM, ML, MR, NE, SN, TD, TG)
Publication Language: Chinese (ZH)
Filing Language: Chinese (ZH)