一种基于图演化博弈模型的案件规模预测方法及系统与流程

1.本发明涉及人工智能技术领域，尤其涉及一种基于图演化博弈模型的案件规模预测方法及系统。


背景技术：

2.社会治理矛盾纠纷事件的形成和发展存在多维因素的影响，具有很高的不确定和不可控性，目前市场上还没有成熟的技术方案对其进行准确的判断和预测。构建可靠高效的社会矛盾纠纷事件治理系统主要有以下挑战：一是由于管控范围大，治理个体数量多，同时个体的行为具有极强的主观性和不确定性，个体纠纷同时取决于所处环境以及与其他个体的互动，因此难以对纠纷事件的数量及性质的演化给出较精准的预测；二是众多的纠纷事件缺少智能化的治理系统，能够将纠纷进行准确的分类，并将纠纷案件流转到对应的协调单位予以处理。这极大地降低了纠纷事件的解决效率。
3.预测纠纷案件数量能够提前部署相应的解决方案，通常预测纠纷案件数量是指根据历史记录中纠纷案件在一定时间段内发生的数量及频率，预测未来的纠纷数量增减情况。现有系统主要考虑了纠纷案件发生的环境因素。环境因素是指因为环境的变化而造成的纠纷案件形成。采用自回归移动平均模型(autoregressive moving average model,arma)和循环神经网络模型，通过历史数据挖掘出环境因素所造成的案件走势，并基于所学到的模型此对未来纠纷案件数据给出预测。
4.但是纠纷案件的发生往往由诸多复杂的因素构成。其中就包含人为互动因素。人为互动因素是指由于个体交互从而造成的案件数量演化。典型的例子包括由于工友之间的信息交互从而导致的集体讨薪劳动纠纷等。这类案件的特点是个体之间的信息交互使得该纠纷能够在群体中进行扩散，从而造成纠纷案件的数量在一定时间段内发生变化，而这是时间序列分析无法解决的问题。时间序列分析考虑了环境因素，典型的回归方程中只包含历史的案件数量数据，不能将其细化到用户决策的层面。
5.而人为互动因素的交互行为的建模方法包括信息级联模型、传染病模型，以及图演化博弈模型等。这些模型能够建模个体间的交互到个体决策变化的映射，进而通过对个体决策和行为的变化统计出未来纠纷案件数量的变化。此外，时间序列模型对参数的估计是基于模型的，而函数形式通常是由易到难进行选择的，因此参数的估计强烈依赖于函数形式选择的优劣程度。同时，单靠时间序列模型的预测并不具有很可靠的解释性。


技术实现要素：

6.本发明提供一种基于图演化博弈模型的案件规模预测方法及系统，用以解决纠纷案件难以准确预测的缺陷，以实现对纠纷案件进行准确预测。
7.本发明提供一种基于图演化博弈模型的案件规模预测方法，包括：
8.根据预训练的图演化博弈模型获取最优参数序列；其中，图演化博弈模型是利用数据库中的待学习参数集进行训练得到的；
9.基于所述最优参数序列和用户的历史决策，对未来目标时段内用户的决策进行预测，以生成图演化博弈预测序列；
10.根据预训练的时间序列预测模型获取时间序列预测序列；其中，时间序列预测模型是利用待学习数据集训练得到的；
11.将图演化博弈预测序列与时间序列预测序列进行融合，得到终极预测序列，通过终极预测序列对案件规模进行预测。
12.根据本发明提供的基于图演化博弈模型的案件规模预测方法，所述根据预训练的图演化博弈模型获取最优参数序列，具体包括：
13.从数据库中获取图演化博弈模型的待学习参数集，将待学习参数集中的案件数量序列转换为决策序列；
14.获取决策序列中历史时刻网络中所有个体的决策状态，根据灭生规则获得预设时间段内个体决策状态的转变概率；
15.得到所有历史时刻的最大联合转变概率；
16.基于所述最大联合转变概率使用最大似然法概率训练图演化博弈模型，以使所述图演化博弈模型输出最优参数序列。
17.根据本发明提供的基于图演化博弈模型的案件规模预测方法，根据预训练的时间序列预测模型获取时间序列预测序列，具体包括：
18.将待学习参数集中的案件数量序列处理为时间序列；
19.对时间序列建模，形成随时间变化的预测模型；
20.将历史时刻的用户决策输入预测模型，输出时间序列预测序列。
21.根据本发明提供的基于图演化博弈模型的案件规模预测方法，
22.基于所述最大联合转变概率训练图演化博弈模型，具体包括：
23.根据个体决策状态的转变情况计算决策转变概率，建立似然函数；
24.根据似然函数确定对数似然函数；
25.基于对数似然函数确定最优模型参数。
26.根据本发明提供的基于图演化博弈模型的案件规模预测方法，
27.所述基于所述最优参数序列和用户的历史决策，对未来目标时段内用户的决策进行预测，以生成图演化博弈预测序列，具体包括：
28.根据当前时刻用户的决策序列计算决策转变概率；
29.遍历每个用户，并针对每个用户生成0-1区间内均匀分布的随机数；
30.将决策转变概率与随机数进行比较，得到比较结果；
31.根据比较结果预测未来时间段内用户的决策情况，生成图演化博弈预测序列。
32.根据本发明提供的基于图演化博弈模型的案件规模预测方法，所述将图演化博弈预测序列与时间序列预测序列进行融合，得到终极预测序列，通过终极预测序列对案件规模进行预测，具体包括：
33.将图演化博弈预测序列和时间序列预测序列进行融合；
34.基于案件数量时间序列计算融合权重系数；
35.根据融合权重系数确定终极预测序列；
36.利用终极预测序列生成预测值，对案件规模进行预测。
37.本发明还提供一种基于图演化博弈模型的案件规模预测系统，所述系统包括：
38.最优参数序列生成模块，用于根据预训练的图演化博弈模型获取最优参数序列；其中，图演化博弈模型是利用数据库中的待学习参数集进行训练得到的；
39.图演化博弈序列生成模块，用于基于所述最优参数序列和用户的历史决策，对未来目标时段内用户的决策进行预测，以生成图演化博弈预测序列；
40.时间序列预测序列生成模块，用于根据预训练的时间序列预测模型获取时间序列预测序列；其中，时间序列预测模型是利用待学习数据集训练得到的；
41.融合模块，用于将图演化博弈预测序列与时间序列预测序列进行融合，得到终极预测序列，通过终极预测序列对案件规模进行预测。
42.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于图演化博弈模型的案件规模预测方法。
43.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于图演化博弈模型的案件规模预测方法。
44.本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于图演化博弈模型的案件规模预测方法。
45.本发明提供的一种基于图演化博弈模型的案件规模预测方法及系统，通过图演化博弈模型可以刻画人机互动关系，弥补了只考虑环境因素的时间序列分析的不足之处，使模型更加符合现实。采用了基于最大似然方法的参数估计方法，避免了函数形式选择对估计结果的影响，可以得到更通用的估计结果，将图演化博弈预测序列与时间序列预测序列进行融合，得到终极预测序列，得到准确性和鲁棒性更高的预测。
附图说明
46.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
47.图1是本发明提供的基于图演化博弈模型的案件规模预测方法的流程示意图之一；
48.图2是本发明提供的基于图演化博弈模型的案件规模预测方法的流程示意图之二；
49.图3是本发明提供的灭生规则更替示意图；
50.图4是本发明提供的案件数量预测结果折线示意图；
51.图5是本发明提供的电子设备的结构示意图。
52.图6是本发明提供的基于图演化博弈模型的案件规模预测模块连接示意图；
53.附图标记：510：处理器；520：通信接口；530：存储器；540：通信总线；600：最优参数序列生成模块；601：图演化博弈序列生成模块；602：时间序列预测序列生成模块；603：融合模块。
具体实施方式
54.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
55.下面结合图1-图4描述本发明的一种基于图演化博弈模型的案件规模预测方法，包括：
56.s100、根据预训练的图演化博弈模型获取最优参数序列；其中，图演化博弈模型是利用数据库中的待学习参数集进行训练得到的；
57.将待学习参数集中的案件数量序列转换为决策序列，包括：
58.设定一段时间的案件数量序列{y(1),
…
,y(t)}，一段时间的用户的决策序列{x(1),
…
,x(t)}；
59.遍历t＝1,
…
,t。从1,
…
,m中不放回地随机抽取y(t)个自然数，记为令其对应下标的用户在该时刻的决策为s1，即：
[0060][0061]
其余用户在该时刻的决策为s0；
[0062][0063]
s200、基于所述最优参数序列和用户的历史决策，对未来目标时段内用户的决策进行预测，以生成图演化博弈预测序列；
[0064]
s300、将根据预训练的时间序列预测模型获取时间序列预测序列；其中，时间序列预测模型是利用待学习数据集训练得到的；
[0065]
s400、将将图演化博弈预测序列与时间序列预测序列进行融合，得到终极预测序列，通过终极预测序列对案件规模进行预测。
[0066]
图演化博弈模型包括六个要素：决策者、网络结构、决策、健康值、决策更新规则和烟花稳定状态，六个元素对应的纠纷案件场景参见表1。
[0067]
表1图演化博弈模型六要素对应的纠纷场景元素
[0068][0069]
定义社交网络g(v,e)，其中网络的节点代表社会中的用户个体，边代表个体的好友关系。在图演化博弈论中，个体与其邻居互动，并获得收益。假设用户社交网络是全连通的。在任意时刻t∈t，每个用户i∈i有两种决策：sa(参与案件，当日案件数量将增加1)和sb(不参与案件)。收益是由博弈矩阵来定义的，博弈矩阵u为：
[0070][0071]
式中的u
aa
代表当两个个体都参与到纠纷当中时所能获得的收益。u
ab
代表当个体参与纠纷而其好友不参与纠纷时，v所能够获得的收益。同理可以定义u
ba
,u
bb
的含义。
[0072]
在图演化博弈论中，个体的效用由下面的健康值来描述：
[0073]
π＝(1-α)b+α
·u[0074]
其中b是个体的基准健康值，不随个体的交互发生变化。一般情况下基准健康值可以取b＝1。u是个体与其所有邻居互动所能够获得的收益总和。个体的健康值是个体基准健康值和所有收益的线性加权和，折衷因子α控制了个体的总收益对于自身健康值的贡献大小。如果一个个体能够从和邻居的互动中获得更高的收益，那么它自身的健康值将越高，也将更加适应社会。
[0075]
根据预训练的图演化博弈模型获取最优参数序列，具体包括：
[0076]
s101、从数据库中获取图演化博弈模型的待学习参数集，将待学习参数集中的案件数量序列转换为决策序列；
[0077]
s102、获取决策序列中历史时刻网络中所有个体的决策状态，根据灭生规则获得预设时间段内个体决策状态的转变概率；
[0078]
s103、得到所有历史时刻的最大联合转变概率；
[0079]
s104、基于所述最大联合转变概率使用最大似然法概率训练图演化博弈模型，以使所述图演化博弈模型输出最优参数序列。
[0080]
在图演化博弈论中，个体根据一定的规则来更替自身的决策。比较常规用的决策更替规则是灭生规则(death-birth rule,db rule)。
[0081]
灭生规则是指在每一个时间单位，个体通过模仿将自己的决策替换为其邻居之一的决策。如图3所示，个体模仿一个邻居的概率正比于该邻居的健康值。如果一个个体的健康值越大，那么它的决策越容易被其他个体模仿。根据灭生规则，每一时刻持有决策sa的个体数量也就是当前时刻下纠纷案件的数量。据此，只要通过历史数据学习该模型中的参数，就能够根据学习到的模型进行未来的预测。
[0082]
记x(t)＝(x1(t),
…
,xn(t))代表n个用户在t时刻的决策(已知数据)，xi(t)＝1代表sa，xi(t)＝0代表sb。记t时刻共有na(t)＝1
t
x(t)个用户决策为sa，nb(t)＝n-1
t
x(t)个用户决策为sb。
[0083]
根据灭生规则，记θ是全部图演化博弈中待学习参数集，包括收益矩阵中的四个参数(u
aa
,u
ab
,u
ba
,u
bb
)，以及折衷因子α。假定历史数据从t＝0～t-1，每一个时刻下有网络中所有个体的决策状态记录，记为x(t)∈rn。根据灭生规则，可以得到从时间t到时间t+1状态转化的概率：
[0084][0085]
其中pi(t
→
t+1；θ)是个体i在时间t到时间t+1在参数为θ下的转变概率。接下来，
使用最大似然法，使得所有历史时刻的联合转移概率最大，即可得到最优参数θ
*
，即：
[0086][0087]
利用最大似然法对博弈矩阵中的最优参数进行估计。首先写出转移概率p(xi(t+1)|xi(t))的表达式，从而建立似然函数。
[0088]
如果xi(t)＝0，剩余的n-1个用户中有na(t)个用户决策为sa，有nb(t)-1个用户决策为sb，于是t时刻用户i的博弈回报为：
[0089]uba
na(t)+u
bb
(nb(t)-1)
[0090]
对应的健康值：
[0091]
φ0(t)＝1+u
ba
na(t)+u
bb
(nb(t)-1)
[0092]
如果xi(t)＝1，剩余的n-1个用户中有na(t)-1个用户决策为sa，有nb(t)个用户决策为sb，于是t时刻用户i的博弈回报为：
[0093]uaa
(na(t)-1)+u
ab
nb(t)
[0094]
对应的健康值：
[0095]
φ1(t)＝1+u
aa
(na(t)-1)+u
ab
nb(t)
[0096]
根据灭生规则，可以写出以下四个概率：
[0097][0098][0099][0100][0101]
根据数据，统计t时刻和t-1时刻的用户状态，记
[0102]n00
(t)＝#{i|xi(t)＝0，xi(t-1)＝0}
[0103]n10
(t)＝#{i|xi(t)＝1，xi(t-1)＝0}
[0104]n01
(t)＝#{i|xi(t)＝0，xi(t-1)＝1}
[0105]n11
(t)＝#{i|xi(t)＝1，xi(t-1)＝1}
[0106]
似然函数为：
[0107]
[0108]
对数似然函数为：
[0109][0110]
对数似然函数要求p
00
(t)，p
11
(t)为正数。当na(t)＝1时，p
11
(t)＝0。因此需要在原有的灭生规则上进行修正，引入参数p0∈(0，1)(用户选择不参与的无条件概率)，得到：
[0111][0112][0113]
其中η∈(0，1)是权重系数。保证了p
00
(t)，p
11
(t)为正数，可以进行最大似然估计。
[0114]
对图演化博弈模型最优参数序列计算具体过程为：
[0115]
1.设定时间窗口：用于估计参数的样本长度为t，步长为τ。
[0116]
2.遍历k＝0，1，2，...，统计t∈[kτ，kτ+t]时间区间内的。
[0117]n00
(t)＝#{i|xi(t)＝0，xi(t-1)＝0}
[0118]n10
(t)＝#{i|xi(t)＝1，xi(t-1)＝0}
[0119]n01
(t)＝#{i|xi(t)＝0，xi(t-1)＝1}
[0120]n11
(t)＝#{i|xi(t)＝1，xi(t-1)＝1}
[0121]
优化问题的目标函数为：
[0122][0123]
其中：
[0124][0125][0126]n00
(t)，n
10
(t)，n
01
(t)，n
11
(t)已知。约束条件为：
[0127]
η∈(0，1)，p0∈(0，1)
[0128]
最优解为
[0129]
得到图演化博弈模型的最优参数序列后，结合最近时刻的用户决策，可以对未来
的用户决策进行预测，进而间接预测案件数量。
[0130]
利用最优参数序列和某一时刻所有用户的决策输入图演化博弈模型，对未来某段时间内用户的决策进行预测，生成图演化博弈预测序列，具体包括：
[0131]
根据当前时刻用户的决策序列计算决策转变概率；
[0132]
遍历每个用户，并针对每个用户生成0-1区间内均匀分布的随机数，将决策转变概率与随机数进行比较，得到比较结果，根据比较结果预测未来时间段内用户的决策情况，生成图演化博弈预测序列。
[0133]
根据图演化博弈模型对预测未来时间段内用户的决策情况具体计算方法为：
[0134]
根据用户当前时刻的决策，计算转移概率：
[0135][0136][0137]
遍历每一个用户i。对于每一个用户i，生成(0，1)均匀分布的随机数a。如果当前时刻的决策为xi(t)＝0，且a≤p
00
(t)时，设定xi(t+1)＝0，否则xi(t+1)＝1；如果当前时刻的决策为xi(t)＝1，且a≤p
11
(t)时，设定xi(t+1)＝1，否则xi(t+1)＝0，得到图演化博弈预测序列。
[0138]
将案件数量序列处理为时间序列，对时间序列建模，形成随时间变化的预测模型，输出时间序列预测序列，具体包括：
[0139]
案件数量序列y＝{y(1)，y(2)，...，y(t)}是一个时间序列，对其未来趋势y
′
＝{y(t+1)，...，y(t+k)}进行预测，首先要将其建模为数量随时间变化的函数y(t)＝f(y(1)，...，y(t-1)，t|θ)，通过已知数据估计模型参数θ，进而预测未来趋势，即
[0140]
y(t+t)＝f(y，t|θ)
[0141]
经典时域分析方法具有相对固定的分析框架，通常遵循如下步骤：1、序列的预处理：
[0142]
得到一个案件数量序列之后，首先要对序列的平稳性和纯随机性进行检验。单位根检验是构造统计量进行序列平稳性检验的最常用方法，它的理论基础是：如果序列是平稳的，所有特征根都应该在单位圆内。基于这个性质可以构造增广的df检验(augmented dickey-fuller)，简记为adf检验。如果序列平稳，就可以进一步使用平稳序列的建模方法。但如果序列值彼此之间没有任何相关性，那就意味着该序列是一个没有记忆的序列，过去的行为对将来的发展没有影响，这种序列称为纯随机序列。为了确定平稳序列是否值得继续分析，需要对平稳序列进行纯随机性检验。lb检验(ljung-box)是普遍采用的纯随机性检验，它的原理是bartlett定理：如果一个时间序列是纯随机的，该序列的延迟非零期的样本自相关系数近似服从方差为期数倒数的零均值正态分布。
[0143]
2、模型识别：
[0144]
一个序列经过预处理被识别为平稳非纯随机序列，就说明是一个蕴含相关信息的平稳序列。通过考察样本自相关函数(autocorrelation coefficient function，acf)和偏自相关函数(partial autocorrelation coefficient function，pacf)的性质可以选择适
合的模型。
[0145]
具有如下结构的模型称为p阶自回归模型，记为ar(p)：
[0146][0147][0148]
具有如下结构的模型称为q阶移动平均模型，记为ma(q)：
[0149]
y(t)＝θ0+ε(t)-θ1ε(t-1)
‑…‑
θqε(t-q)
[0150]
θq≠0，eε(t)＝0，varε(t)＝σ2，
[0151]
具有如下结构的模型称为阶数为p和q自回归移动平均模型，记为arma(p，q)：
[0152][0153][0154]
三类模型定阶的基本原则如表2所示。
[0155]
表2 arma模型定阶的原则
[0156]
acfpacf模型定阶拖尾p阶截尾ar(p)q阶截尾拖尾ma(q)拖尾拖尾arma(p，q)
[0157]
3、确定模型的口径：
[0158]
确定模型的口径即估计模型中未知参数的值，方法有矩估计、最大似然估计和最小二乘估计等。
[0159]
4、显著性检验：
[0160]
模型的显著性检验是检验模型的有效性。一个好的拟合模型应该能够提取案件数量序列中几乎所有的样本相关信息，拟合残差中将不再蕴含任何相关信息，即纯随机序列，可以使用前文所述的lb检验。参数的显著性检验是检验每一个未知参数是否显著非零，目的是使模型最精简。如果某个参数不显著非零，即表示该参数对应的那个自变量就可以从拟合模型中剔除，最终模型将由一系列参数显著非零的自变量表示。
[0161]
5、序列的预测：
[0162]
到目前为止的所有工作，都是为了利用拟合模型对案件数量的未来发展进行预测。对平稳序列最常用的预测方法是线性最小方差预测，线性是指预测值为观察值序列的线性函数，最小方差是指预测方差达到最小。这里要说明的是，预测时间的长度越大，参数置信区间的宽度越大，精确度越低。
[0163]
将图演化博弈预测序列与时间序列预测序列进行融合，得到终极预测序列，通过终极预测序列对案件规模进行预测，具体包括：
[0164]
将图演化博弈预测序列y1＝(y
11
，...，y
1t
)、时间序列预测序列y2＝(y
21
，...，y
2t
)
进行融合；
[0165]
基于案件数量时间序列y＝(y1，...，y
t
)
[0166]
令：
[0167][0168]
对于每个t＝2，...，t，计算融合权重系数：
[0169][0170][0171]
以及融合得到的终极序列预测值：
[0172][0173]
在得到终极序列之后，利用终极预测序列生成预测值，对案件规模进行预测。
[0174]
参考图4，案件数量的预测结果，其中点实线代表实际发生案件数量，点划线分别代表用时间序列分析(浅色)和用图演化博弈(深色)得到的案件数量预测值，虚线代表按照终极预测序列得到的预测值，可以明显看出，基于图演化博弈和时间序列融合算法得到的案件预测值准确度更高。下面表3是使用均方误差(mean square error，mse)给出的定量分析结果。
[0175]
表3均方差定量分析结果展示表
[0176]
模型误差时间序列分析73.831图演化博弈144.943融合算法23.917
[0177]
通过图演化博弈模型可以刻画人机互动关系，弥补了只考虑环境因素的时间序列分析的不足之处，使模型更加符合现实。采用了基于最大似然方法的参数估计方法，避免了函数形式选择对估计结果的影响，可以得到更通用的估计结果，将图演化博弈预测序列与时间序列预测序列进行融合，得到终极预测序列，得到准确性和鲁棒性更高的预测。
[0178]
参考图6，本发明还公开了一种基于图演化博弈模型的案件规模预测系统，所述系统包括：
[0179]
最优参数序列生成模块600，用于根据预训练的图演化博弈模型获取最优参数序列；其中，图演化博弈模型是利用数据库中的待学习参数集进行训练得到的；
[0180]
图演化博弈序列生成模块601，用于基于所述最优参数序列和用户的历史决策，对未来目标时段内用户的决策进行预测，以生成图演化博弈预测序列；
[0181]
时间序列预测序列生成模块602，用于根据预训练的时间序列预测模型获取时间序列预测序列；其中，时间序列预测模型是利用待学习数据集训练得到的；
[0182]
融合模块603，用于将图演化博弈预测序列与时间序列预测序列进行融合，得到终极预测序列，通过终极预测序列对案件规模进行预测。
[0183]
最优参数序列生成模块通过记录决策序列中每一时刻下网络中所有个体的决策
状态，根据灭生规则得到一个设定时间段内个体决策状态的转变概率，使用最大似然法使得所有历史时刻的联合转移概率最大，完成对图演化博弈模型的训练，输出最优参数序列。
[0184]
图演化博弈序列生成模块，根据当前时刻用户的决策序列计算决策转变概率；
[0185]
遍历每个用户，并针对每个用户生成0-1区间内均匀分布的随机数，将决策转变概率与随机数进行比较，根据比较结果预测未来时间段内用户的决策情况，生成图演化博弈预测序列。
[0186]
融合模块603，将图演化博弈预测序列、时间序列预测序列进行融合；
[0187]
基于案件数量时间序列计算融合权重系数；
[0188]
根据融合权重系数确定终极预测序列；
[0189]
利用终极预测序列生成预测值，对案件规模进行预测。
[0190]
通过图演化博弈模型可以刻画人机互动关系，弥补了只考虑环境因素的时间序列分析的不足之处，使模型更加符合现实。采用了基于最大似然方法的参数估计方法，避免了函数形式选择对估计结果的影响，可以得到更通用的估计结果，将图演化博弈预测序列与时间序列预测序列进行融合，得到终极预测序列，得到准确性和鲁棒性更高的预测。
[0191]
图5示例了一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(communications interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行基于图演化博弈模型的案件规模预测方法，该方法包括：根据预训练的图演化博弈模型获取最优参数序列；其中，图演化博弈模型是利用数据库中的待学习参数集进行训练得到的；
[0192]
基于所述最优参数序列和用户的历史决策，对未来目标时段内用户的决策进行预测，以生成图演化博弈预测序列；
[0193]
根据预训练的时间序列预测模型获取时间序列预测序列；其中，时间序列预测模型是利用待学习数据集训练得到的；
[0194]
将图演化博弈预测序列与时间序列预测序列进行融合，得到终极预测序列，通过终极预测序列对案件规模进行预测。
[0195]
此外，上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0196]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的基于图演化博弈模型的案件规模预测方法，该方法包括：
[0197]
根据预训练的图演化博弈模型获取最优参数序列；其中，图演化博弈模型是利用
数据库中的待学习参数集进行训练得到的；
[0198]
基于所述最优参数序列和用户的历史决策，对未来目标时段内用户的决策进行预测，以生成图演化博弈预测序列；
[0199]
根据预训练的时间序列预测模型获取时间序列预测序列；其中，时间序列预测模型是利用待学习数据集训练得到的；
[0200]
将图演化博弈预测序列与时间序列预测序列进行融合，得到终极预测序列，通过终极预测序列对案件规模进行预测。
[0201]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的基于图演化博弈模型的案件规模预测方法，该方法包括：
[0202]
根据数据库中的待学习参数集对图演化模型进行训练，输出最优参数序根据预训练的图演化博弈模型获取最优参数序列；其中，图演化博弈模型是利用数据库中的待学习参数集进行训练得到的；
[0203]
基于所述最优参数序列和用户的历史决策，对未来目标时段内用户的决策进行预测，以生成图演化博弈预测序列；
[0204]
根据预训练的时间序列预测模型获取时间序列预测序列；其中，时间序列预测模型是利用待学习数据集训练得到的；
[0205]
将图演化博弈预测序列与时间序列预测序列进行融合，得到终极预测序列，通过终极预测序列对案件规模进行预测。
[0206]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0207]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0208]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。