基于云計算技術(shù)的圖書館借閱量建模與預(yù)測分析

摘 ?要： 為了提高圖書館借閱量預(yù)測精度，針對當(dāng)前圖書館借閱量預(yù)測過程存在的一些問題，提出基于云計算技術(shù)的圖書館借閱量建模與預(yù)測方法。首先，對國內(nèi)外圖書館借閱量預(yù)測研究現(xiàn)狀進(jìn)行分析，找到引起圖書館借閱量預(yù)測效果不理想的原因;然后，采用云計算技術(shù)搭建圖書館借閱量預(yù)測平臺，并采用多個最小二乘支持向量機(jī)同時進(jìn)行圖書館借閱量建模與預(yù)測;最后，與其他方法進(jìn)行圖書館借閱量預(yù)測仿真測試對比實驗。結(jié)果表明，所提方法不僅圖書館借閱量預(yù)測精度高，而且減少了圖書館借閱量預(yù)測時間，加快了圖書館借閱量預(yù)測速度，且實際應(yīng)用價值更高。

關(guān)鍵詞： 云計算技術(shù); 圖書館借閱量; 建模方法; 預(yù)測模型; 云平臺; 預(yù)測精度

中圖分類號： TN911.1?34; TP311 ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識碼： A ? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2020）01?0111?03

Analysis on library′s book borrowing volume modeling and forecasting

based on cloud computing technology

LIU Change

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

隨著高校的人數(shù)不斷增加，高校的圖書館規(guī)模越來越大，每天圖書館借閱量也在不斷攀升，這給圖書館的管理帶來一定的困難。為了對圖書館進(jìn)行高效管理，需要對圖書館借閱量進(jìn)行建模與預(yù)測，因此如何設(shè)計高精度的圖書館借閱量建模與預(yù)測方法成為當(dāng)前圖書館管理領(lǐng)域中的一個重要研究方向[1?3]。

針對圖書館借閱量建模與預(yù)測問題，國內(nèi)外學(xué)者們進(jìn)行了大量的研究，涌現(xiàn)了許多有效的圖書館借閱量建模與預(yù)測方法，圖書館借閱量建模與預(yù)測研究可以劃分為兩個階段：

1） 線性建模階段，主要包括時間序列分析法。將圖書館借閱量歷史數(shù)據(jù)看作是一種時間序列數(shù)據(jù)，通過分析數(shù)據(jù)之間的變化關(guān)系，建立圖書館借閱量預(yù)測模型，但是圖書館借閱量與多種影響因素相關(guān)，如：學(xué)生的學(xué)習(xí)習(xí)慣，學(xué)生感興趣的書籍，使得圖書館借閱量呈現(xiàn)一種非線性變化特點，這樣線性的圖書館借閱量預(yù)測結(jié)果不準(zhǔn)確，圖書館借閱量預(yù)測錯誤大[4?6]。

2） 非線性的圖書館借閱量建模與預(yù)測方法，主要包括支持向量機(jī)的圖書館借閱量建模與預(yù)測方法、神經(jīng)網(wǎng)絡(luò)的圖書館借閱量建模與預(yù)測方法[7?9]，但是神經(jīng)網(wǎng)絡(luò)要求的圖書館借閱量歷史數(shù)據(jù)比較大，這給數(shù)據(jù)的收集帶來困難[10]。支持向量機(jī)對圖書館借閱量的歷史數(shù)據(jù)要求不高，但是其建模速度很慢，這樣影響圖書館借閱量建模與預(yù)測效果[11?13]。

最小二乘支持向量機(jī)是一種新型的非線性建模方法，建模效率比支持向量機(jī)的建模效率更高，同時克服了神經(jīng)網(wǎng)絡(luò)的缺陷。為了提高圖書館借閱量預(yù)測精度，針對當(dāng)前圖書館借閱量預(yù)測過程存在的一些問題，提出基于云計算技術(shù)的圖書館借閱量建模與預(yù)測方法。采用多個最小二乘支持向量機(jī)通過云計算技術(shù)對圖書館借閱量進(jìn)行建模與預(yù)測，并與其他圖書館借閱量預(yù)測方法進(jìn)行對比實驗。結(jié)果表明，相對于對比方法，本文方法提高了圖書館借閱量預(yù)測精度，減少了圖書館借閱量預(yù)測時間，提升了圖書館借閱量預(yù)測效率，具有十分明顯的優(yōu)越性。

1 ?基于云計算技術(shù)的圖書館借閱量建模和預(yù)測方法

1.1 ?云計算技術(shù)

云計算技術(shù)是一種針對單機(jī)運行速度達(dá)到瓶頸的并行處理技術(shù)，其集成了大數(shù)據(jù)處理技術(shù)、物聯(lián)網(wǎng)技術(shù)、分布式技術(shù)，主要針對大規(guī)模數(shù)據(jù)處理問題，采用Map/Reduce工作框架，將一個大規(guī)模問題劃分為Map和Reduce模塊，工作原理如圖1所示。

1.2 ?最小二乘支持向量機(jī)

對于圖書館借閱量歷史樣本數(shù)據(jù)[{（xi，yi）}]，支持向量采用函數(shù)[?（x）]將其進(jìn)行映射，轉(zhuǎn)換到高維空間，然后在高維空間進(jìn)行建模，從而得到如下形式的方程：

[f（x）=ωT?（x）+b] （1）

對式（1）問題進(jìn)行變換，得到相應(yīng)等價形式，具體為：

[minω2+12γi=1nξ2i ? s.t. ? ?yi-ωT?（x）+b=eii=1，2，…，n] （2）

式中[γ]為正則化參數(shù)。

引入拉格朗日乘子[αi]對式（2）進(jìn)行變換，得到其對偶形式，即有：

[L（ω，b，ζ，α）=minω2+12γi=1nξ2i+i=1nαi（ωT?（x）-b+ei-yi）] （3）

根據(jù)Mercer條件，采用核函數(shù)替代內(nèi)積操作，即：

[K（xi，xj）=?T（xi）?（xj）] （4）

采用RBF函數(shù)，具體為：

[k（xi，xj）=exp-xi-xj22σ2 ] （5）

式中[σ]為寬度參數(shù)。

基于最小二乘支持向量機(jī)的圖書館借閱量回歸方程為

[f（x）=i=1Nαiexp-xi-xj22σ2+b] （6）

1.3 ?基于云計算的圖書館借閱量預(yù)測具體實現(xiàn)

當(dāng)前圖書館借閱量數(shù)據(jù)呈海量形式存在，傳統(tǒng)單機(jī)處理技術(shù)不能滿足圖書館借閱量建模的預(yù)測要求，本文利用計算技術(shù)采用多個節(jié)點對圖書館借閱量進(jìn)行并行建模和預(yù)測，各個節(jié)點采用最小支持向量機(jī)對圖書館借閱量進(jìn)行學(xué)習(xí)，建立圖書館借閱量預(yù)測模型，具體如圖2所示。

云計算技術(shù)的圖書館借閱量預(yù)測步驟如下：

Step1：收集圖書館借閱量的歷史數(shù)據(jù)。

Step2：將圖書館借閱量數(shù)據(jù)進(jìn)行劃分，得到多個圖書館借閱量子數(shù)據(jù)。

Step3：對于每一個圖書館借閱量的子數(shù)據(jù)，采用最小二乘支持向量機(jī)進(jìn)行訓(xùn)練，建立圖書館借閱量預(yù)測模型。

Step4：多個最小二乘支持向量機(jī)基于云計算，同時對圖書館借閱量進(jìn)行建模與預(yù)測，得到多個圖書館借閱量預(yù)測結(jié)果。

Step5：將多個圖書館借閱量預(yù)測結(jié)果傳輸?shù)絉educe。

Step6：確定每一個最小二乘支持向量機(jī)的圖書館借閱量預(yù)測結(jié)果的權(quán)重，然后基于權(quán)值計算圖書館借閱量的最終預(yù)測結(jié)果。

2 ?圖書館借閱量的預(yù)測算例分析

2.1 ?云平臺搭建

為了分析基于云計算技術(shù)的圖書館借閱量建模與預(yù)測方法的有效性，搭建一個云平臺，該平臺共包括50個節(jié)點，其基本結(jié)構(gòu)可以用圖3描述。

2.2 ?圖書館借閱量歷史數(shù)據(jù)

對一個大學(xué)的圖書館借閱量一段時間的數(shù)據(jù)進(jìn)行采集，共得到300個圖書館借閱量樣本，變化曲線如圖4所示。

2.3 ?結(jié)果與分析

2.3.1 ?圖書館借閱量預(yù)測精度比較

選擇支持向量機(jī)的圖書館借閱量建模與預(yù)測方法、神經(jīng)網(wǎng)絡(luò)的圖書館借閱量建模與預(yù)測方法進(jìn)行對比測試，均進(jìn)行5次仿真測試，選擇最后200個樣本作為驗證樣本，其他為訓(xùn)練樣本，統(tǒng)計它們的圖書館借閱量預(yù)測精度，結(jié)果如圖5所示。從圖5可以看出：支持向量機(jī)的圖書館借閱量預(yù)測精度均值為92.18%;神經(jīng)網(wǎng)絡(luò)的圖書館借閱量預(yù)測精度均值為87.02%;本文方法的圖書館借閱量預(yù)測精度均值為95.72%，本文方法的圖書館借閱量預(yù)測精度最高，從而減少了圖書館借閱量預(yù)測誤差，驗證了本文方法的圖書館借閱量預(yù)測結(jié)果的優(yōu)越性。

2.3.2 ?圖書館借閱量預(yù)測效率比較

統(tǒng)計圖書館借閱量建模與預(yù)測方法的訓(xùn)練時間和預(yù)測時間，如表1所示。從表1可知，本文方法的圖書館借閱量訓(xùn)練時間和預(yù)測時間的均值分別為6.03 s和1.11 s;支持向量機(jī)的圖書館借閱量訓(xùn)練時間和預(yù)測時間的均值分別為27.49 s和3.62 s;神經(jīng)網(wǎng)絡(luò)的圖書館借閱量訓(xùn)練時間和預(yù)測時間的均值為13.10 s和2.51 s。本文方法減少了圖書館借閱量建模時間，加快了圖書館借閱量預(yù)測速度，獲得了更高的圖書館借閱量預(yù)測效率。

3 ?結(jié) ?語

為了提高圖書館借閱量預(yù)測精度，針對當(dāng)前圖書館借閱量預(yù)測過程存在的一些問題，提出了基于云計算技術(shù)的圖書館借閱量建模與預(yù)測方法。為了驗證本文方法的性能，與其他方法進(jìn)行了圖書館借閱量預(yù)測仿真測試實驗。結(jié)果表明，本文方法不僅圖書館借閱量預(yù)測精度高，而且減少了圖書館借閱量預(yù)測時間，加快了圖書館借閱量預(yù)測速度，實際應(yīng)用價值更高。

參考文獻(xiàn)

[1] 牛秀.基于多參數(shù)指數(shù)平滑的圖書借閱量預(yù)測[J].科技情報開發(fā)與經(jīng)濟(jì)，2011，21（28）：50?51.

[2] 于曦.基于Unicorn和SPSS的圖書借閱量周期性分析及預(yù)測[J].山東圖書館學(xué)刊，2011（1）：52?56.

[3] 劉素兵，劉海明，苗佳晶，等.圖書借閱量的灰色回歸組合模型研究[J].云南民族大學(xué)學(xué)報（自然科學(xué)版），2010，19（3）：170?172.

[4] 孫寶.圖書借閱量預(yù)測模型[J].華北科技學(xué)院學(xué)報，2006（3）：121?124.

[5] 張東波，林永杰，盧凱，等.基于云計算的大規(guī)模交通路網(wǎng)的最短路徑算法[J].華南理工大學(xué)學(xué)報（自然科學(xué)版），2018，46（12）：139?146.

[6] 葛凡.基于灰色系統(tǒng)模型的圖書借閱量預(yù)測分析：以青島科技大學(xué)圖書館為例[J].教育教學(xué)論壇，2018（46）：106?109.

[7] 許志榮，陳倩，過榴曉.基于時間序列分析的高校圖書館借閱量研究：以江南大學(xué)圖書館為例[J].農(nóng)業(yè)圖書情報學(xué)刊，2018，30（10）：107?110.

[8] 陳明.一元線性回歸模型預(yù)測圖書借閱量[J].大學(xué)教育，2016（5）：111?112.

[9] 陳英.圖書借閱量預(yù)測建模方法比較研究[J].科技視界，2014（23）：222?223.

[10] 汪玉杰，劉智立.基于BP神經(jīng)網(wǎng)絡(luò)對圖書借閱量的預(yù)測研究[J].科技創(chuàng)新與應(yīng)用，2013（36）：25?26.

[11] 鄒梅.利用神經(jīng)網(wǎng)絡(luò)技術(shù)預(yù)測圖書借閱量[J].蘭臺世界，2013（20）：135?136.

[12] 張囡，張永梅.基于灰色神經(jīng)網(wǎng)絡(luò)的圖書館圖書借閱量預(yù)測[J].情報探索，2013（3）：133?135.

[13] 劉雄飛，聶偉，陳浩，等.基于云計算平臺的室內(nèi)環(huán)境監(jiān)測系統(tǒng)設(shè)計與實現(xiàn)[J].傳感器與微系統(tǒng)，2019，38（3）：92?95.

作者簡介：劉嫦娥（1983—），女，江西南昌人，中級職稱，圖書館館員，主要從事圖書館相關(guān)方面的研究。