您好, 访客   登录/注册

基于云计算技术的图书馆借阅量建模与预测分析

来源:用户上传      作者:

  摘  要: 为了提高图书馆借阅量预测精度,针对当前图书馆借阅量预测过程存在的一些问题,提出基于云计算技术的图书馆借阅量建模与预测方法。首先,对国内外图书馆借阅量预测研究现状进行分析,找到引起图书馆借阅量预测效果不理想的原因;然后,采用云计算技术搭建图书馆借阅量预测平台,并采用多个最小二乘支持向量机同时进行图书馆借阅量建模与预测;最后,与其他方法进行图书馆借阅量预测仿真测试对比实验。结果表明,所提方法不仅图书馆借阅量预测精度高,而且减少了图书馆借阅量预测时间,加快了图书馆借阅量预测速度,且实际应用价值更高。
  关键词: 云计算技术; 图书馆借阅量; 建模方法; 预测模型; 云平台; 预测精度
  中图分类号: TN911.1?34; TP311                   文献标识码: A                    文章编号: 1004?373X(2020)01?0111?03
  Analysis on library′s book borrowing volume modeling and forecasting
  based on cloud computing technology
  LIU Chang’e
  Abstract: In order to improve the prediction accuracy of book borrowing volume in library, a method of book borrowing volume modeling and prediction based on cloud computing technology is put forward in this paper to solve problems existing in the current prediction process of book borrowing volume in library. The research situation of current library′s book borrowing volume prediction at home and abroad is analyzed to find out the reasons that lead to the unsatisfactory effect of library′s book borrowing volume prediction. The cloud computing technology is adopted to build a book borrowing volume prediction platform. Several least squares support vector machines are used to perform book borrowing volume modeling and forecasting simultaneously. The simulation experiment for library′s book borrowing volume prediction of this method and that of other methods were conducted. The experiment results show that this method not only improves the prediction accuracy, but also reduces the prediction time of book borrowing volume in library, speeds up the prediction velocity of book borrowing volume, and has high practical application value.
  Keywords: cloud computing technology; library′s book borrowing volume; modeling method; prediction model; cloud platform; prediction accuracy
  0  引  言
  随着高校的人数不断增加,高校的图书馆规模越来越大,每天图书馆借阅量也在不断攀升,这给图书馆的管理带来一定的困难。为了对图书馆进行高效管理,需要对图书馆借阅量进行建模与预测,因此如何设计高精度的图书馆借阅量建模与预测方法成为当前图书馆管理领域中的一个重要研究方向[1?3]。
  针对图书馆借阅量建模與预测问题,国内外学者们进行了大量的研究,涌现了许多有效的图书馆借阅量建模与预测方法,图书馆借阅量建模与预测研究可以划分为两个阶段:
  1) 线性建模阶段,主要包括时间序列分析法。将图书馆借阅量历史数据看作是一种时间序列数据,通过分析数据之间的变化关系,建立图书馆借阅量预测模型,但是图书馆借阅量与多种影响因素相关,如:学生的学习习惯,学生感兴趣的书籍,使得图书馆借阅量呈现一种非线性变化特点,这样线性的图书馆借阅量预测结果不准确,图书馆借阅量预测错误大[4?6]。
  2) 非线性的图书馆借阅量建模与预测方法,主要包括支持向量机的图书馆借阅量建模与预测方法、神经网络的图书馆借阅量建模与预测方法[7?9],但是神经网络要求的图书馆借阅量历史数据比较大,这给数据的收集带来困难[10]。支持向量机对图书馆借阅量的历史数据要求不高,但是其建模速度很慢,这样影响图书馆借阅量建模与预测效果[11?13]。   最小二乘支持向量机是一种新型的非线性建模方法,建模效率比支持向量机的建模效率更高,同时克服了神经网络的缺陷。为了提高图书馆借阅量预测精度,针对当前图书馆借阅量预测过程存在的一些问题,提出基于云计算技术的图书馆借阅量建模与预测方法。采用多个最小二乘支持向量机通过云计算技术对图书馆借阅量进行建模与预测,并与其他图书馆借阅量预测方法进行对比实验。结果表明,相对于对比方法,本文方法提高了图书馆借阅量预测精度,减少了图书馆借阅量预测时间,提升了图书馆借阅量预测效率,具有十分明显的优越性。
  1  基于云计算技术的图书馆借阅量建模和预测方法
  1.1  云计算技术
  云计算技术是一种针对单机运行速度达到瓶颈的并行处理技术,其集成了大数据处理技术、物联网技术、分布式技术,主要针对大规模数据处理问题,采用Map/Reduce工作框架,将一个大规模问题划分为Map和Reduce模块,工作原理如图1所示。
  1.2  最小二乘支持向量机
  对于图书馆借阅量历史样本数据[{(xi,yi)}],支持向量采用函数[?(x)]将其进行映射,转换到高维空间,然后在高维空间进行建模,从而得到如下形式的方程:
  [f(x)=ωT?(x)+b] (1)
  对式(1)问题进行变换,得到相应等价形式,具体为:
  [minω2+12γi=1nξ2i   s.t.    yi-ωT?(x)+b=eii=1,2,…,n] (2)
  式中[γ]為正则化参数。
  引入拉格朗日乘子[αi]对式(2)进行变换,得到其对偶形式,即有:
  [L(ω,b,ζ,α)=minω2+12γi=1nξ2i+i=1nαi(ωT?(x)-b+ei-yi)] (3)
  根据Mercer条件,采用核函数替代内积操作,即:
  [K(xi,xj)=?T(xi)?(xj)] (4)
  采用RBF函数,具体为:
  [k(xi,xj)=exp-xi-xj22σ2 ] (5)
  式中[σ]为宽度参数。
  基于最小二乘支持向量机的图书馆借阅量回归方程为
  [f(x)=i=1Nαiexp-xi-xj22σ2+b] (6)
  1.3  基于云计算的图书馆借阅量预测具体实现
  当前图书馆借阅量数据呈海量形式存在,传统单机处理技术不能满足图书馆借阅量建模的预测要求,本文利用计算技术采用多个节点对图书馆借阅量进行并行建模和预测,各个节点采用最小支持向量机对图书馆借阅量进行学习,建立图书馆借阅量预测模型,具体如图2所示。
  云计算技术的图书馆借阅量预测步骤如下:
  Step1:收集图书馆借阅量的历史数据。
  Step2:将图书馆借阅量数据进行划分,得到多个图书馆借阅量子数据。
  Step3:对于每一个图书馆借阅量的子数据,采用最小二乘支持向量机进行训练,建立图书馆借阅量预测模型。
  Step4:多个最小二乘支持向量机基于云计算,同时对图书馆借阅量进行建模与预测,得到多个图书馆借阅量预测结果。
  Step5:将多个图书馆借阅量预测结果传输到Reduce。
  Step6:确定每一个最小二乘支持向量机的图书馆借阅量预测结果的权重,然后基于权值计算图书馆借阅量的最终预测结果。
  2  图书馆借阅量的预测算例分析
  2.1  云平台搭建
  为了分析基于云计算技术的图书馆借阅量建模与预测方法的有效性,搭建一个云平台,该平台共包括50个节点,其基本结构可以用图3描述。
  2.2  图书馆借阅量历史数据
  对一个大学的图书馆借阅量一段时间的数据进行采集,共得到300个图书馆借阅量样本,变化曲线如图4所示。
  2.3  结果与分析
  2.3.1  图书馆借阅量预测精度比较
  选择支持向量机的图书馆借阅量建模与预测方法、神经网络的图书馆借阅量建模与预测方法进行对比测试,均进行5次仿真测试,选择最后200个样本作为验证样本,其他为训练样本,统计它们的图书馆借阅量预测精度,结果如图5所示。从图5可以看出:支持向量机的图书馆借阅量预测精度均值为92.18%;神经网络的图书馆借阅量预测精度均值为87.02%;本文方法的图书馆借阅量预测精度均值为95.72%,本文方法的图书馆借阅量预测精度最高,从而减少了图书馆借阅量预测误差,验证了本文方法的图书馆借阅量预测结果的优越性。
  2.3.2  图书馆借阅量预测效率比较
  统计图书馆借阅量建模与预测方法的训练时间和预测时间,如表1所示。从表1可知,本文方法的图书馆借阅量训练时间和预测时间的均值分别为6.03 s和1.11 s;支持向量机的图书馆借阅量训练时间和预测时间的均值分别为27.49 s和3.62 s;神经网络的图书馆借阅量训练时间和预测时间的均值为13.10 s和2.51 s。本文方法减少了图书馆借阅量建模时间,加快了图书馆借阅量预测速度,获得了更高的图书馆借阅量预测效率。
  
  3  结  语
  为了提高图书馆借阅量预测精度,针对当前图书馆借阅量预测过程存在的一些问题,提出了基于云计算技术的图书馆借阅量建模与预测方法。为了验证本文方法的性能,与其他方法进行了图书馆借阅量预测仿真测试实验。结果表明,本文方法不仅图书馆借阅量预测精度高,而且减少了图书馆借阅量预测时间,加快了图书馆借阅量预测速度,实际应用价值更高。
  参考文献
  [1] 牛秀.基于多参数指数平滑的图书借阅量预测[J].科技情报开发与经济,2011,21(28):50?51.
  [2] 于曦.基于Unicorn和SPSS的图书借阅量周期性分析及预测[J].山东图书馆学刊,2011(1):52?56.
  [3] 刘素兵,刘海明,苗佳晶,等.图书借阅量的灰色回归组合模型研究[J].云南民族大学学报(自然科学版),2010,19(3):170?172.
  [4] 孙宝.图书借阅量预测模型[J].华北科技学院学报,2006(3):121?124.
  [5] 张东波,林永杰,卢凯,等.基于云计算的大规模交通路网的最短路径算法[J].华南理工大学学报(自然科学版),2018,46(12):139?146.
  [6] 葛凡.基于灰色系统模型的图书借阅量预测分析:以青岛科技大学图书馆为例[J].教育教学论坛,2018(46):106?109.
  [7] 许志荣,陈倩,过榴晓.基于时间序列分析的高校图书馆借阅量研究:以江南大学图书馆为例[J].农业图书情报学刊,2018,30(10):107?110.
  [8] 陈明.一元线性回归模型预测图书借阅量[J].大学教育,2016(5):111?112.
  [9] 陈英.图书借阅量预测建模方法比较研究[J].科技视界,2014(23):222?223.
  [10] 汪玉杰,刘智立.基于BP神经网络对图书借阅量的预测研究[J].科技创新与应用,2013(36):25?26.
  [11] 邹梅.利用神经网络技术预测图书借阅量[J].兰台世界,2013(20):135?136.
  [12] 张囡,张永梅.基于灰色神经网络的图书馆图书借阅量预测[J].情报探索,2013(3):133?135.
  [13] 刘雄飞,聂伟,陈浩,等.基于云计算平台的室内环境监测系统设计与实现[J].传感器与微系统,2019,38(3):92?95.
  作者简介:刘嫦娥(1983—),女,江西南昌人,中级职称,图书馆馆员,主要从事图书馆相关方面的研究。
转载注明来源:https://www.xzbu.com/8/view-15122177.htm