基于LSTM神經(jīng)網(wǎng)絡(luò)的公交移動支付預(yù)測模型

梁肖裕 苗晨 山東科技大學(xué)信息管理與信息系統(tǒng)

關(guān)鍵字：LSTM 邏輯回歸分類器 混淆矩陣檢驗

1 應(yīng)用背景

我們擁有的初始數(shù)據(jù)集是某城市安裝四分之一的移動支付設(shè)備時，全部公交的移動支付情況。那么，該城市的公交車全部安裝移動支付設(shè)備后，當(dāng)前移動支付人數(shù)的四倍約為全部安裝移動支付設(shè)備后的總乘車人數(shù)。利用這個關(guān)鍵信息，使用LSTM神經(jīng)網(wǎng)絡(luò)對人數(shù)進(jìn)行預(yù)測。

2 LSTM神經(jīng)網(wǎng)絡(luò)

LSTM網(wǎng)絡(luò)的訓(xùn)練采用誤差的反向傳播算法，當(dāng)前細(xì)胞的狀態(tài)會受到前一個細(xì)胞狀態(tài)的影響。同時在誤差反向傳播計算時，當(dāng)前單元的輸出誤差不僅僅包含當(dāng)前時刻T的誤差，也包括T時刻之后所有時刻的誤差，這樣每個時刻的誤差都可以經(jīng)由當(dāng)前單元的輸出和前一時刻單元的輸出迭代計算。

經(jīng)過訓(xùn)練后，我們利用LSTM的記憶特點，對全部安裝設(shè)備后的公交卡支付人數(shù)進(jìn)行預(yù)測，再與移動支付人數(shù)進(jìn)行對比。通過數(shù)據(jù)對比發(fā)現(xiàn)，移動支付的人數(shù)一直比公交卡支付的人數(shù)多。且在統(tǒng)計范圍的28天之內(nèi)，共計多出1440824人。

3 邏輯回歸與混淆矩陣檢驗

邏輯回歸是將線性函數(shù)的結(jié)果映射到了Sigmoid函數(shù)中，Sigmoid函數(shù)如圖1：

圖1 Sigmoid函數(shù)

其中x為樣本輸入，對應(yīng)的函數(shù)為模型輸出，可以理解為某一分類的概率大小。而θ為分類模型的要求出的模型參數(shù)。對于模型輸出，令其讓它和二元樣本輸出y（假設(shè)為0和1）有以下的對應(yīng)關(guān)系：如果模型輸出值大于0.5，則y為1。

混淆矩陣是一個兩行兩列的情形分析表，可以用來對分類器進(jìn)行評估檢驗。矩陣的每一列表達(dá)了分類器對于樣本的類別預(yù)測，二矩陣的每一行則表達(dá)了版本所屬的真實類別，顯示以下四組記錄的數(shù)目：作出正確判斷的肯定記錄（真陽性）、作出錯誤判斷的肯定記錄（假陰性）、作出正確判斷的否定記錄（真陰性）以及作出錯誤判斷的否定記錄（假陽性）。

我們將用LSTM預(yù)測出的結(jié)果放入邏輯回歸分類器進(jìn)行重復(fù)訓(xùn)練，每天抽調(diào)出400個數(shù)據(jù)作為訓(xùn)練集，100個作為測試集，對28天的數(shù)據(jù)分別進(jìn)行檢驗。

圖2 訓(xùn)練集檢驗圖

圖3 測試集檢驗圖

可知重復(fù)預(yù)測的結(jié)果比較理想，再根據(jù)混淆矩陣的輸出，以2月13日為例，當(dāng)天一百個測試集的數(shù)據(jù)的混淆矩陣，得到矩陣打印結(jié)果：

即成功率為89%,模型通過驗證。

4 結(jié)束語

綜合來看，移動支付平臺由四分之一到全部開放的過程中，增加了一定的固定成本，更關(guān)鍵的是移動支付客流量的大幅增長，經(jīng)過代入數(shù)值計算，可得該城市在全部移動支付平臺投入運(yùn)行后的第13天開始盈利，且第三方支付平臺在每位用戶處獲利0.5%，由于移動支付的客流量增大，故開始盈利三十天內(nèi)，利潤可達(dá)到340000元。