在大数据时代,传感器网络,社交网络,互联网等不断且快速地生成大量数据。从大数据流中学习知识是一项重要任务,因为它可以支持在线决策。 预测是有用的学习任务之一,但是固定模型通常不能很好地工作,因为数据分布会随时间而变化。 本文提出了一种基于演化贝叶斯网络的流数据预测方法。 贝叶斯网络模型是基于高斯混合模型和EM算法来推导的。 为了支持基于流数据的演化模型结构和参数,提出了一种演化爬山算法,该算法基于到达新数据时分数度量的增量计算。 实验评估表明,该方法是有效的,并且优于流式数据预测的其他流行方法。
2021-06-03 01:07:22
1.1MB
研究论文
1