基于信息衰减由时空数据挖掘驱动的预测Agent学习

基于信息衰减由时空数据挖掘驱动的预测Agent学习

论文摘要

人工智能(AI)是目前在计算机科学界最令人感兴趣的研究领域之一,它既可以帮助研究者更好的理解人的大脑的决策过程,同时也可以增加组织对决策制定的参与过程。AI的核心是它包含很多智能计算体,简称为智能体,这些智能体以建立可以适应环境和能够从经验中学习的系统为目标。这个目标吸引了很多来自不同学科的研究人员,从而导致当今很多正在改变工业和科学领域的学习方法的产生。这些学习方法已被证明在很多的应用领域都有巨大的实用价值,尤其是在数据挖掘领域,这是人工智能学习方法在从包含有用隐含规律性知识的大型数据库中自动发现并提取有用知识的一个应用。这些方法,也被称为机器学习方法,被认为是结构描述的产物,是从过去的数据中得到的一个模型。这个模型可以用作智能体的知识表示,具备预测、解释及理解等功能。最具预测性的Agent学习方法是基于这样一个假设的,即建设和验证一个模型的相关历史数据是对未来将要发生的事情的最佳估计。然而,从过去到未来的相关性取决于在特定时间内的应用领域。这些静态数据的处理是基于这些学习方法从人类的学习方法抽象成Agent的学习方法的这样一个事实,但是它却忽略了人类的遗忘因子,人类学习之后很可能会忘记学过的知识。因此,必须将遗忘因子整合到现有的Agent学习方法中以接近人类大脑的决策制定过程及提高Agent的学习性能。数据挖掘极大的促进了对时空数据的学习及对其他研究的信任,把数据挖掘整合到Agent系统中大大提高了预测Agent的学习技能,并协助Agent对未来因子或未来事件的预测。我们致力于开发一种新的学习方法,它可以用在数据挖掘中以创建一种知识表示模型用于学习Agent并协助之象人类那样预测未来。我们称之为信息衰变的新技术,正是对人类遗忘因子的抽象。基于信息衰变的学习方法反映了人类是如何通过时间的衰变来预测未来的,以学习过程中积累的信息量来模拟人类遗忘的行为。从最近的数据(数据表示一个因子或一个事件)得到的信息比从较旧的数据(数据表示很久以前的一个因子或一个事件,比如十年之前)得到的信息更有利于对未来的预测。为了揭示信息衰减学习方法的真相,而不仅是理解其背后的理论概念,我们使用数据挖掘试验并提供实际的试验结果。目前已经存在很多数据挖掘的分支领域,我们倾向于使用时空数据挖掘来处理从时空数据库来提取知识,这是由其对信息衰减的计算时间所决定的。本文介绍了一个多Agent系统的体系结构,为了实现遗忘因子的抽象。此体系结构揭示了Agent技术和数据挖掘技术是怎样整合到一个系统中的,作为一个使用信息衰减从大型数据库中发现知识以提高Agent的学习技能的视图。为了给此假设提供充足的证据,使用ID3决策树学习算法来实现信息衰减,利用从Oracle数据库收集到的940个样例数据集来进行测试。两种预测学习Agent的知识表示模型为:一种情况忽略信息数据的衰减特性,另一种情况则考虑信息衰减情况。准确性,Fl-测量和接受者操作特性曲线是衡量Agent学习性能的重要因素。这种概念的相关性是通过比较预测Agent在不同的时间利用以上两种模型在不可见的数据子集上作出决策的学习性能来证明的。

论文目录

  • Abstract
  • 摘要
  • Dedication
  • List of Tables
  • List of Figures
  • Chapter 1 Introduction
  • 1.1 Predictive Learning Overview
  • 1.2 Motivation
  • 1.3 Research Aim
  • 1.4 Contributions
  • 1.5 Thesis' Organization
  • Chapter 2 Background and Related Works
  • 2.1 Predictive Agent Learning
  • 2.1.1 Definition of an Agent
  • 2.1.2 Definition of Learning
  • 2.2 The Junction of Agent Learning and Data Mining
  • 2.3 Data Mining
  • 2.3.1 Introduction to Data Mining and Temporal databases
  • 2.3.2 Challenges of existing predictive data mining leaning techniques
  • 2.4 Information Decay
  • 2.4.1 Wang, Chen and Yao Theory of Information Decay
  • 2.4.2 Learning Through Forgetting and Pruning
  • 2.4.3 Forward Decay
  • 2.4.4 Other Discussions on Information Decay
  • 2.5 Summary
  • Chapter 3 Information Decay-Based Learning
  • 3.1 Comparison between Human Learning and Agent Learning
  • 3.1.1 Human's Predictive Learning
  • 3.1.2 Software Agent's Learning
  • 3.2 Learning Agent Design Choices
  • 3.2.1 Choice of training experience
  • 3.2.2 Choice of Task and Model Building Algorithm
  • 3.2.3 Choice of Performance Measurements
  • 3.3 Information Decay-Based Decision Tree Learning
  • 3.4 Summary
  • Chapter 4 Predictive Agent Learning System Design and Implementation
  • 4.1 Agent and Data Mining Technology Integration
  • 4.2 System Design
  • 4.2.1 System Architecture
  • 4.2.2 Agent types
  • 4.2.3 Choice of design language
  • 4.2.4 System Design Diagrams
  • 4.3 System Implementation
  • 4.3.1 Agent Infrastructure and Programming language
  • 4.3.2 Java Data Mining (JDM)
  • 4.3.3 Predictive Model Markup Language (PMML)
  • 4.4 Summary
  • Chapter 5 Experiment and Results
  • 5.1 Problem Understanding
  • 5.2 Data Preparation
  • 5.3 Knowledge Representation Models Building and Testing
  • 5.4 Best Models Selection and Comparison
  • 5.5 Result Discussion
  • 5.6 Summary
  • Chapter 6 Conclusion and Future Work
  • References
  • Acknowledgements
  • Publications
  • 相关论文文献

    • [1].基于agent的建筑工人流动行为仿真及其对行业的影响[J]. 控制与决策 2020(01)
    • [2].基于可能回答集程序的多Agent信念协调[J]. 计算机科学 2020(02)
    • [3].基于空间Agent的舰载机群调度路径规划[J]. 兵器装备工程学报 2020(03)
    • [4].基于多Agent的海岛微电网分布式双层控制方法[J]. 电力系统及其自动化学报 2020(03)
    • [5].基于Agent建模的小群体疏散时间研究[J]. 消防科学与技术 2020(03)
    • [6].基于多Agent的地区电网智能调度系统研究与设计[J]. 科技经济导刊 2020(09)
    • [7].基于Agent人工智能技术的分布式入侵检测系统设计[J]. 计算机测量与控制 2020(07)
    • [8].基于Agent的数据链系统信息交互过程建模仿真[J]. 计算机仿真 2020(08)
    • [9].基于Agent的中压电力线载波通信组网技术[J]. 电力信息与通信技术 2017(01)
    • [10].装备保障指挥Agent框架建模[J]. 火力与指挥控制 2017(02)
    • [11].基于Agent的要地防空作战仿真研究[J]. 计算机与数字工程 2016(11)
    • [12].利用多Agent算法进行船舶电力系统网络重构模型研究及仿真[J]. 舰船科学技术 2017(04)
    • [13].基于移动Agent的网络安全管理模型的研究[J]. 网络安全技术与应用 2017(06)
    • [14].基于多Agent技术的资产管理系统[J]. 电脑知识与技术 2017(07)
    • [15].基于Agent的内部威胁实时检测框架[J]. 计算机系统应用 2017(06)
    • [16].基于Agent的麻将游戏机器人系统设计[J]. 信息系统工程 2017(05)
    • [17].基于多agent系统的大规模无人机集群对抗[J]. 控制理论与应用 2015(11)
    • [18].基于多Agent的船舶电力系统故障恢复方法[J]. 信息与控制 2015(06)
    • [19].基于Agent的信息化作战油料保障调运模型[J]. 兵器装备工程学报 2016(03)
    • [20].基于多Agent仿真的新产品推广策略研究[J]. 中国管理科学 2015(S1)
    • [21].基于Agent的羊群行为研究[J]. 中国管理科学 2015(S1)
    • [22].智能电网之中的Agent技术分析[J]. 中国新技术新产品 2016(18)
    • [23].组织中情绪氛围对隐性知识共享的影响——基于多agent的仿真研究[J]. 情报理论与实践 2016(09)
    • [24].基于多Agent的作战体系仿真模型构建[J]. 舰船电子工程 2016(10)
    • [25].基于多Agent的分布式能源并网策略[J]. 系统工程学报 2014(06)
    • [26].基于Agent的个性化元搜索引擎[J]. 河北大学学报(自然科学版) 2015(02)
    • [27].一种改进的移动Agent消息收发机制[J]. 电子商务 2015(06)
    • [28].基于信标的多Agent系统及其移动规则研究[J]. 长春理工大学学报(自然科学版) 2015(03)
    • [29].电力系统继电保护中多Agent技术的运用实践略述[J]. 科技与创新 2015(21)
    • [30].基于多Agent的微电网电压控制系统[J]. 电气开关 2015(05)

    标签:;  ;  ;  ;  ;  ;  

    基于信息衰减由时空数据挖掘驱动的预测Agent学习
    下载Doc文档

    猜你喜欢