基于GMBP 模型的圖書館借閱量非線性預(yù)測方法

高萍

（寶雞文理學(xué)院，陜西 寶雞 721006）

圖書館借閱量是評估一個圖書館館藏資源質(zhì)量、數(shù)量、圖書種類和用戶群體閱讀需求的重要指標(biāo)。圖書館借閱量能較為直觀地反映出紙質(zhì)書籍與電子文獻的借閱情況[1]。對圖書館借閱量進行預(yù)測可為圖書館的工作人員對圖書和文獻資源管理提供方便，并根據(jù)相關(guān)書籍的借閱情況及時作出部署與安排。圖書館借閱量會受到較多因素的制約，如借閱人數(shù)、借閱時間、館藏數(shù)量及質(zhì)量、冷門書籍的借閱氛圍等，這些制約因素具有一定的周期性和規(guī)律性，不利于圖書館借閱量的精準(zhǔn)預(yù)測[2]。

相關(guān)學(xué)者也提出比較有效的圖書館借閱量預(yù)測方法，楊英設(shè)計一種基于數(shù)據(jù)挖掘技術(shù)的圖書館借閱量估計模型，通過圖書館借閱數(shù)據(jù)構(gòu)建借閱量估計模型，采用蟻群算法優(yōu)化RBF 神經(jīng)網(wǎng)絡(luò)的權(quán)值、閾值，該方法能快速實現(xiàn)預(yù)測，但其預(yù)測精度較低，預(yù)測量與實際圖書館借閱量相差較大[3]。

為解決上述問題，實現(xiàn)圖書館借閱量的精準(zhǔn)預(yù)測，該文提出以GMBP 模型為核心的圖書館借閱量非線性預(yù)測方法，根據(jù)圖書館借閱量進行建模，利用混沌分析法和數(shù)據(jù)挖掘法處理數(shù)據(jù)，對數(shù)據(jù)進行非線性預(yù)測，通過實驗研究驗證該文所提方法的性能。

1 GMBP模型建模

對圖書館借閱量進行預(yù)測時，采集圖書館借閱量樣本數(shù)據(jù)(xi,yi)，并將其輸入到BP 神經(jīng)網(wǎng)絡(luò)模型中，通過采用?(x) 將圖書館借閱量樣本數(shù)據(jù)(xi,yi)映射到BP 神經(jīng)網(wǎng)絡(luò)模型中[4]，以得到GMBP 模型，如式（1）所示：

式中，ωT表示圖書館借閱量的正則化參數(shù)；b表示圖書館借閱量的子數(shù)據(jù)集。通過結(jié)合后的GMBP模型對圖書館借閱量進行預(yù)測建模[5]。

圖書館借閱量數(shù)據(jù)包含大量的測試數(shù)據(jù)，為改善因數(shù)據(jù)處理技術(shù)不具備歸一化處理能力導(dǎo)致的樣本數(shù)據(jù)與測試數(shù)據(jù)混沌性較高的問題，建立GM 灰色模型以實現(xiàn)圖書館借閱量測試數(shù)據(jù)的準(zhǔn)確預(yù)測。

將圖書館借閱量數(shù)據(jù)中的數(shù)據(jù)節(jié)點按照預(yù)測順序進行劃分，通過劃分完的節(jié)點數(shù)據(jù)對圖書館一個周期的借閱量進行預(yù)測，并進行系統(tǒng)學(xué)習(xí)，建立的預(yù)測模型如圖1 所示。

圖1 圖書館借閱量預(yù)測模型

觀察圖1 可知，每種圖書館借閱量數(shù)據(jù)集中含有相同數(shù)量的子數(shù)據(jù)，將輸入的圖書館借閱量數(shù)據(jù)通過GMBP 模型進行輸出，收集輸出的圖書館借閱量訓(xùn)練數(shù)據(jù)，并進行節(jié)點劃分，劃分完成后獲得多種圖書館借閱量數(shù)據(jù)集，將圖書館借閱量子數(shù)據(jù)輸入到GMBP 灰色神經(jīng)網(wǎng)絡(luò)模型對其進行統(tǒng)計與篩選。通過圖書館管理人員下發(fā)的圖書館借閱量預(yù)測子任務(wù)，篩選出符合圖書館預(yù)測要求的某一階段的圖書館借閱量數(shù)據(jù)，再根據(jù)訓(xùn)練集與測試集進行劃分，建立圖書館借閱量非線性預(yù)測模型[6]。在圖書館借閱量子數(shù)據(jù)輸入并選擇完成后，將其分別輸入到GM 灰色模型與BP 神經(jīng)網(wǎng)絡(luò)模型中，輸入到模型中的圖書館借閱量數(shù)據(jù)將存儲在輸入層與隱含層中[7]。輸入層中的圖書館借閱量子數(shù)據(jù)可通過映射轉(zhuǎn)換到多維空間之中，而存儲在隱含層中的圖書館借閱量子數(shù)據(jù)由于數(shù)據(jù)屬于多維數(shù)據(jù)，因此需通過隱含層節(jié)點將圖書館借閱量子數(shù)據(jù)變換到隱含層空間內(nèi)，對得到的圖書館借閱量預(yù)測結(jié)果進行分析，將GM 灰色模型與BP 神經(jīng)網(wǎng)絡(luò)結(jié)合，完成GMBP 模型的建模[8]。

通過該圖書館借閱量預(yù)測模型可實現(xiàn)海量圖書館借閱量數(shù)據(jù)的輸入與輸出、映射與融合，將不同空間內(nèi)的圖書館借閱量數(shù)據(jù)進行結(jié)合，使預(yù)測結(jié)果更具準(zhǔn)確性與可靠性[9]。

2 圖書館借閱量非線性預(yù)測方法的構(gòu)建

對圖書館借閱量的預(yù)測屬于非線性預(yù)測，這是由于圖書館借閱量具有非線性變化的特點，受到借閱人數(shù)、時間、書籍種類等因素影響，其數(shù)據(jù)具有一定的混沌性[10]。因此在對圖書館借閱量進行非線性預(yù)測時，首先采用混沌分析法對圖書館借閱量進行初級預(yù)測，降低其混沌性。假設(shè)圖書館借閱量的原始數(shù)據(jù)為xi，i=0,1,2,……，為更精確地找出圖書館借閱量的原始數(shù)據(jù)隨借閱時間與借閱圖書種類變化的情況，將圖書館借閱量的原始數(shù)據(jù)按照數(shù)據(jù)隱藏特點分為圖書館借閱量樣本數(shù)據(jù)與測試數(shù)據(jù)，通過混沌分析方法對圖書館借閱量樣本數(shù)據(jù)與測試數(shù)據(jù)進行處理與映射，以此完成對圖書館借閱量原始數(shù)據(jù)的初級預(yù)測[11]。預(yù)測公式如下：

式中，m表示采用混沌分析方法對圖書館借閱量原始數(shù)據(jù)進行映射的次數(shù)；τ表示圖書館借閱量樣本數(shù)據(jù)與測試數(shù)據(jù)的嵌入維數(shù)。將原始數(shù)據(jù)分為測試數(shù)據(jù)與樣本數(shù)據(jù)，通過該預(yù)測公式，采用混沌分析方法對圖書館借閱量原始數(shù)據(jù)進行初級預(yù)測[12]，并得出預(yù)測初級結(jié)果，該預(yù)測初級結(jié)果可提高圖書館借閱量最終預(yù)測結(jié)果的有效性和精確性[13]。

采用數(shù)據(jù)挖掘技術(shù)對圖書館借閱量測試數(shù)據(jù)與樣本數(shù)據(jù)進行挖掘。首先提取學(xué)校圖書館30 天的圖書館借閱量，采用數(shù)據(jù)挖掘技術(shù)確定測試數(shù)據(jù)與樣本數(shù)據(jù)的空間維數(shù)，如果定階指數(shù)為6，則可通過數(shù)據(jù)挖掘技術(shù)得到圖書館第7 天的圖書館借閱量，對初級預(yù)測過程中的圖書館借閱量樣本數(shù)據(jù)與測試數(shù)據(jù)進行分析，確定實驗結(jié)果[14]。驗證結(jié)束后，將圖書館借閱量預(yù)測初級結(jié)果與驗證結(jié)果進行融合，對融合后的預(yù)測結(jié)果進行參數(shù)尋優(yōu)和歸一化處理[15]，進行參數(shù)尋優(yōu)的公式為：

式中，xmin和xmax分別表示預(yù)測結(jié)果的最小值和最大值，采用圖書館借閱量樣本數(shù)據(jù)分別對預(yù)測融合結(jié)果、預(yù)測最大值、預(yù)測最小值進行參數(shù)尋優(yōu)，對參數(shù)尋優(yōu)后的三種預(yù)測結(jié)果進行訓(xùn)練，訓(xùn)練結(jié)束后就得到最終的圖書館借閱量預(yù)測結(jié)果[16]。

由于混沌分析方法具有非線性的特點，對數(shù)據(jù)的把控能力更強，可在短時間內(nèi)收集大量數(shù)據(jù)，收集后分析數(shù)據(jù)特性，以不同的方式將數(shù)據(jù)排列，根據(jù)數(shù)據(jù)特點，確定圖書館借閱量。與傳統(tǒng)的線性分析方法相比，非線性分析方法的分析范圍更廣，分析能力更強。圖書館書籍內(nèi)容羅列方式不同，因此基于GMBP模型的圖書館借閱量非線性預(yù)測方法更適合于實際應(yīng)用。

3 實驗研究

為驗證該文提出的以GMBP 模型為核心的圖書館借閱量非線性預(yù)測方法的實際工作效果，將基于數(shù)據(jù)挖掘技術(shù)的圖書館借閱量估計方法與該文方法進行對比實驗。實驗中的圖書館借閱量提取于某學(xué)校圖書館的管理系統(tǒng)，從某學(xué)校圖書館管理系統(tǒng)中采集某一時間段內(nèi)的圖書館借閱量樣本，采集到有效圖書館借閱量樣本數(shù)量為600 個，樣本數(shù)據(jù)示意圖如圖2 所示。

圖2 樣本數(shù)據(jù)示意圖

根據(jù)圖2 的樣本數(shù)據(jù)，進行對比實驗。

3.1 預(yù)測結(jié)果與實際結(jié)果的對比

實驗中，對所采集的600 個圖書館借閱量樣本數(shù)據(jù)進行處理和映射，然后將映射后的樣本數(shù)據(jù)分為樣本集與測試集，圖書館借閱量樣本數(shù)據(jù)中的前400 個數(shù)據(jù)作為GMBP 灰色神經(jīng)網(wǎng)絡(luò)的樣本集，對樣本集進行歸一化處理，剩下200 個數(shù)據(jù)作為灰色神經(jīng)網(wǎng)絡(luò)的測試集，利用混沌分析法分析圖書館借閱量的映射次數(shù)與嵌入維數(shù)，然后進行參數(shù)尋優(yōu)，尋優(yōu)后分別對樣本集與測試集進行預(yù)測。采用該文方法與傳統(tǒng)方法，即基于數(shù)據(jù)挖掘技術(shù)的圖書館借閱量估計方法對數(shù)據(jù)進行預(yù)測，預(yù)測結(jié)果如圖3 所示。

圖3 預(yù)測實驗結(jié)果

由圖3 可知，該文提出以GMBP 模型為核心的圖書館借閱量非線性預(yù)測方法預(yù)測結(jié)果與真實結(jié)果相差較小，而基于數(shù)據(jù)挖掘技術(shù)的圖書館借閱量估計方法的預(yù)測結(jié)果與真實結(jié)果相差較大，由此證明了該文方法預(yù)測的圖書館借閱量更符合實際圖書館的借閱量。

3.2 預(yù)測精度對比實驗

基于以上設(shè)置的實驗參數(shù)，針對不同預(yù)測方法進行預(yù)測精度的對比實驗。在預(yù)測精度對比實驗中，對圖書館借閱量樣本數(shù)據(jù)和測試數(shù)據(jù)分別進行映射實驗，實驗進行5 次，統(tǒng)計每次實驗結(jié)果，兩種預(yù)測方法的預(yù)測精度對比結(jié)果如圖4 所示。

圖4 預(yù)測精度實驗結(jié)果

分析預(yù)測精度實驗結(jié)果可知，該文方法的預(yù)測精度較高，傳統(tǒng)預(yù)測方法的預(yù)測精度較低。造成這種情況的原因是，該文研究的預(yù)測方法引用了GMBP模型，可實現(xiàn)非線性預(yù)測，得到GMBP 灰色神經(jīng)網(wǎng)絡(luò)模型的最優(yōu)參數(shù)，提升預(yù)測精度。而基于數(shù)據(jù)挖掘技術(shù)的圖書館借閱量估計方法的模型屬于線性回歸模型，無法識別圖書館借閱量的非線性特點，并且該方法對樣本集進行測試時泛化能力較差，很難通過灰色模型找出圖書館借閱量的全局最優(yōu)值，預(yù)測精度較低。

3.3 預(yù)測方法穩(wěn)定性對比實驗

采用該文方法與基于數(shù)據(jù)挖掘技術(shù)的圖書館借閱量估計方法對圖書館借閱量樣本數(shù)據(jù)進行5 次實驗，實驗中每次預(yù)測結(jié)果的穩(wěn)定性結(jié)果如圖5 所示。

圖5 預(yù)測穩(wěn)定性實驗結(jié)果

由實驗結(jié)果可知，基于數(shù)據(jù)挖掘技術(shù)的圖書館借閱量估計方法的5次預(yù)測結(jié)果的干擾值在-10～10 mm之間波動，主要集中在-3～5 mm 之間，說明基于數(shù)據(jù)挖掘技術(shù)的圖書館借閱量估計方法的波動范圍較大，穩(wěn)定性較差，不適合實際應(yīng)用。而該文方法的5次預(yù)測結(jié)果的干擾值在-2.5～2.5 mm 之間波動，主要集中在-1.5～1 mm 之間，說明該文方法的抗干擾性較強，波動范圍較小，穩(wěn)定性較好，適合實際應(yīng)用，由此可證明該文方法的穩(wěn)定性要優(yōu)于數(shù)據(jù)挖掘技術(shù)的圖書館借閱量估計方法。

經(jīng)過以上對比實驗可驗證，該文預(yù)測方法預(yù)測精度較高，穩(wěn)定性較高，預(yù)測結(jié)果與實際結(jié)果誤差小，整體性能優(yōu)于傳統(tǒng)預(yù)測方法，實用性強。

4 結(jié)束語

圖書館借閱量在圖書館業(yè)務(wù)統(tǒng)計中是一個非常關(guān)鍵的評估指標(biāo)，通過精準(zhǔn)閱讀提高圖書館服務(wù)質(zhì)量，完善圖書館的日常管理。該文利用GMBP 模型設(shè)計一種新的圖書館借閱量非線性預(yù)測方法，對預(yù)測方法的數(shù)據(jù)量進行建模，根據(jù)建模結(jié)果分析數(shù)據(jù)精度，實現(xiàn)數(shù)據(jù)預(yù)測。通過實驗可知，研究的預(yù)測方法穩(wěn)定性高、預(yù)測精度高，值得大力推薦和使用，有助于圖書館的資源管理。