基于大數(shù)據(jù)的數(shù)字圖書館流量預(yù)測(cè)算法

楊思思 王琢玉

摘? 要： 數(shù)字圖書館流量預(yù)測(cè)是數(shù)字圖書館管理的基礎(chǔ)，直接影響數(shù)字圖書館管理效率。當(dāng)前數(shù)字圖書館流量預(yù)測(cè)算法存在預(yù)測(cè)精度低、時(shí)間長(zhǎng)等局限性，為了提高數(shù)字圖書館流量預(yù)測(cè)結(jié)果，提出基于大數(shù)據(jù)的數(shù)字圖書館流量預(yù)測(cè)算法。收集數(shù)字圖書館流量歷史數(shù)據(jù)，用大數(shù)據(jù)分析技術(shù)對(duì)數(shù)字圖書館流量歷史數(shù)據(jù)進(jìn)行建模，構(gòu)建數(shù)字圖書館流量預(yù)測(cè)模型，并對(duì)數(shù)字圖書館流量預(yù)測(cè)模型的相關(guān)參數(shù)采用蟻群算法進(jìn)行優(yōu)化。在Matlab 2017平臺(tái)上進(jìn)行數(shù)字圖書館流量預(yù)測(cè)的仿真對(duì)比測(cè)試實(shí)驗(yàn)，結(jié)果表明，所提算法的數(shù)字圖書館流量預(yù)測(cè)精度超過95%，相較其他對(duì)比算法預(yù)測(cè)建模總時(shí)間最短。所提算法的數(shù)字圖書館流量預(yù)測(cè)精度、建模效率均得到了明顯的提升，可以應(yīng)用于實(shí)際數(shù)字圖書館管理系統(tǒng)中。

關(guān)鍵詞： 大數(shù)據(jù)分析; 歷史數(shù)據(jù); 數(shù)字圖書館; 流量預(yù)測(cè); 仿真測(cè)試; 執(zhí)行效率

中圖分類號(hào)： TN911.1?34; TP391? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼： A? ? ? ? ? ? ? ? ? ? 文章編號(hào)： 1004?373X（2020）11?0120?05

Digital library flow forecast algorithm based on big data

YANG Sisi1， WANG Zhuoyu2

（1. Library of Wuhan University of Science and Technology， Wuhan 430081， China;

2. Journalism and Information Communication School， Huazhong University of Science and Technology， Wuhan 430070， China）

Abstract： The flow forecast of digital library is the foundation of digital library management， which directly affects the management efficiency of digital library. The current digital library flow forecast algorithm has the limitations of low prediction accuracy and long prediction time. To improve the flow forecast result of digital library， the digital library flow forecast algorithm based on big data is proposed. The historical data of digital library flow are collected for modeling with big data analysis technology， so as to construct the flow prediction model of digital library. Furthermore， the relevant parameters of the flow prediction model of digital library are optimized with ant colony algorithm. The simulation comparison tests for digital library flow prediction is performed on the Matlab 2017 platform. The results show that the flow prediction accuracy of digital library of the proposed algorithm is above 95%. The total time for modeling is the shortest， compared with other algorithms. Both the prediction accuracy and modeling efficiency of the proposed algorithm have been significantly improved. Therefore， it can be applied to the actual digital library management system.

Keywords： big data analysis; historical data; digital library; flow prediction; simulation test; execution efficiency

0? 引? 言

隨著網(wǎng)絡(luò)、通信技術(shù)及數(shù)字閱讀技術(shù)的快速發(fā)展和不斷融合，許多高校建立了自己的數(shù)字圖書館，學(xué)生可以通過數(shù)字圖書館搜索和找到自己需要的數(shù)字圖書資源，如何對(duì)數(shù)字圖書館有效利用，提高數(shù)字圖書館的管理水平十分重要[1?3]。學(xué)生訪問數(shù)字圖書館的時(shí)間點(diǎn)、時(shí)間長(zhǎng)短都不一樣，使得數(shù)字圖書館流量具有較大的時(shí)變性和隨機(jī)性，數(shù)字圖書館流量的建模與預(yù)測(cè)可以幫助管理人員提前知道數(shù)字圖書館流量變化態(tài)勢(shì)，從而更好地提升數(shù)字圖書館利用率，所以數(shù)字圖書館流量的預(yù)測(cè)成為當(dāng)前高校數(shù)字圖書館中的一個(gè)重要研究方向[4?6]。

數(shù)字圖書館流量預(yù)測(cè)采用時(shí)間分析技術(shù)，認(rèn)為數(shù)字圖書館流量之間具有一定的時(shí)間相關(guān)性，可以根據(jù)時(shí)間相關(guān)性發(fā)現(xiàn)數(shù)字圖書館變化規(guī)律。最初采用多元線性回歸算法對(duì)數(shù)字圖書館流量進(jìn)行建模與分析，根據(jù)數(shù)字圖書館流量歷史數(shù)據(jù)找到預(yù)測(cè)模型的參數(shù)，從而對(duì)未來一段時(shí)間的數(shù)字圖書館流量進(jìn)行估計(jì)，但是由于其是一種線性分析技術(shù)，局限性十分明顯，如無法對(duì)數(shù)字圖書館流量的隨機(jī)變化特點(diǎn)進(jìn)行描述等，使得對(duì)于現(xiàn)代數(shù)字圖書館流量預(yù)測(cè)錯(cuò)誤比較大[7?9]。

隨后出現(xiàn)了基于人工神經(jīng)網(wǎng)絡(luò)的數(shù)字圖書館流量預(yù)測(cè)算法，相對(duì)于多元線性回歸算法，人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力更強(qiáng)，可以更好地反映數(shù)字圖書館流量變化態(tài)勢(shì)，使得數(shù)字圖書館流量預(yù)測(cè)效果得到了有效改善[10?11]。但是人工神經(jīng)網(wǎng)絡(luò)算法同樣存在不足，如數(shù)字圖書館流量預(yù)測(cè)結(jié)果不穩(wěn)定、預(yù)測(cè)精度時(shí)高時(shí)低、建模花費(fèi)時(shí)間相當(dāng)長(zhǎng)、預(yù)測(cè)速度比較慢等。最近幾年，出現(xiàn)了基于支持向量機(jī)的數(shù)字圖書館流量預(yù)測(cè)算法[11?14]，其建模與預(yù)測(cè)的穩(wěn)定性要優(yōu)于人工神經(jīng)網(wǎng)絡(luò)，數(shù)字圖書館流量效果更優(yōu)，但是其數(shù)字圖書館流量建模時(shí)參數(shù)優(yōu)化是一個(gè)難題，當(dāng)前還沒有找到有效的解決方法，使數(shù)字圖書館流量結(jié)果有待進(jìn)一步改善[15?17]。

為了提高數(shù)字圖書館流量預(yù)測(cè)結(jié)果，本文提出了基于大數(shù)據(jù)的數(shù)字圖書館流量預(yù)測(cè)算法，結(jié)果表明，本文算法的數(shù)字圖書館流量預(yù)測(cè)精度超過95%，而對(duì)比算法的數(shù)字圖書館流量預(yù)測(cè)錯(cuò)誤率高，而且本文算法的數(shù)字圖書館流量預(yù)測(cè)建模總時(shí)間少，數(shù)字圖書館流量預(yù)測(cè)建模效率得到了明顯的提升，具有更好的應(yīng)用價(jià)值。

1? 基于大數(shù)據(jù)的數(shù)字圖書館流量預(yù)測(cè)算法

1.1? 數(shù)字圖書館流量歷史數(shù)據(jù)的處理

數(shù)字圖書館流量的歷史數(shù)據(jù)通常包括一些無效的數(shù)據(jù)，這些數(shù)據(jù)以噪聲的形式出現(xiàn)，為此，本文采用去噪算法對(duì)數(shù)字圖書館流量的歷史數(shù)據(jù)進(jìn)行處理，去除其中的一些無用信息，從而改善數(shù)字圖書館流量的歷史數(shù)據(jù)質(zhì)量，有利于數(shù)字圖書館流量預(yù)測(cè)。

設(shè)[yt]表示數(shù)字圖書館流量的歷史數(shù)據(jù)，那么連續(xù)小波變換可描述為：

[W（a，b）=1aytψt-badt] （1）

預(yù)處理后的數(shù)字圖書館流量的歷史數(shù)據(jù)重構(gòu)為：

[y′t=1Cψ0+∞-∞+∞W（a，b）aψt-badadb] （2）

在實(shí)際應(yīng)用中，數(shù)字圖書館流量的歷史數(shù)據(jù)具有一定離散性，因此引用離散形式的去噪技術(shù)，即：

[cj+1（m）=mh（m-2k）cj（m）] （3）

[dj+1（m）=mg（m-2k）cj（m）] （4）

1.2? 數(shù)字圖書館流量歷史數(shù)據(jù)的重構(gòu)

當(dāng)前數(shù)字圖書館流量建模沿用時(shí)間分析技術(shù)，而原始數(shù)字圖書館流量的歷史數(shù)據(jù)為一維，無法直接對(duì)其進(jìn)行建模與預(yù)測(cè)。結(jié)合數(shù)字圖書館流量的歷史數(shù)據(jù)的隨機(jī)性和混沌性，引入混沌算法將一維的數(shù)字圖書館流量的歷史數(shù)據(jù)變?yōu)橐粋€(gè)多變的數(shù)字圖書館流量的歷史數(shù)據(jù)，更好地挖掘隱藏于數(shù)字圖書館流量的歷史數(shù)據(jù)中的變化特點(diǎn)。原始數(shù)字圖書館流量的歷史數(shù)據(jù)為：[xi，i=1，2，…，n]，[n]表示數(shù)字圖書館流量的歷史數(shù)據(jù)數(shù)量，通過引入混沌算法得到的多維數(shù)據(jù)為：

[Xt={xi，xi+τ，…，xi+m-1τ}] （5）

式中：[τ]為數(shù)字圖書館流量的歷史數(shù)據(jù)延遲時(shí)間;[m]為數(shù)字圖書館流量的歷史數(shù)據(jù)嵌入維。從式（5）可以看出，嵌入維和延遲時(shí)間決定了數(shù)字圖書館流量的歷史數(shù)據(jù)重構(gòu)好壞，它們具體確定步驟如下。

1.2.1? 延遲時(shí)間的確定

延遲時(shí)間的確定步驟如下：

Step1：數(shù)字圖書館流量歷史數(shù)據(jù)的相鄰兩個(gè)樣本點(diǎn)為[X（i）]和[X（j）]，兩者的距離[rij（m）]為：

[rij（m）=X（i）-X（j）] （6）

Step2：重構(gòu)后數(shù)字圖書館流量的歷史數(shù)據(jù)為：[Xt={xi，xi+τ，…，xi+m-1τ}]，其關(guān)聯(lián)積分計(jì)算方式具體如下：

[C（m，N，r，τ）=2M（M-1）1≤i≤j≤MH（r-X（i）-X（j））] （7）

式中：[r]為鄰域的半徑;[M=（m-1）?τ]。

Step3：將全部數(shù)字圖書館流量的歷史數(shù)據(jù)數(shù)量劃分為[t]個(gè)子集，這樣可以得到：

[S（m，r，τ）=1tl=1t{Cl（m，r，τ）-Cl（l，r，τ）m}] （8）

Step4：[S（m，r，τ）]極小值點(diǎn)計(jì)算公式為：

[ΔS（t）=14m=25max[S（m，rj，t）]-min[S（m，rj，t）]] （9）

Step5：當(dāng)[ΔS（t）]達(dá)到最小值時(shí)，可以得到數(shù)字圖書館流量的歷史數(shù)據(jù)的最優(yōu)延遲時(shí)間值。

1.2.2? 嵌入維的確定

嵌入維的確定步驟如下：

Step1：[Xi（m+1）]為重構(gòu)后的數(shù)字圖書館流量的歷史數(shù)據(jù)第[i]個(gè)樣本，其距離最近的樣本為[Xn（i，m）（m+1）]，建立如下等式：

[α（i，m）=Xi（m+1）-Xn（i，m）（m+1）Xi（m）-Xn（i，m）（m）]? ?（10）

Step2：當(dāng)[E（m）=1N-mτi=1N-mτα（i，m）]值達(dá)到最大時(shí)，可以得到數(shù)字圖書館流量的歷史數(shù)據(jù)的最優(yōu)嵌入維值。

1.3? 數(shù)字圖書館流量預(yù)測(cè)算法設(shè)計(jì)

本文采用大數(shù)據(jù)分析技術(shù)中的最小二乘支持向量機(jī)作為數(shù)字圖書館流量預(yù)測(cè)算法，因?yàn)槠浣Ｋ俣纫煊谥С窒蛄繖C(jī)，同時(shí)，建模精度要好于人工神經(jīng)網(wǎng)絡(luò)。對(duì)于數(shù)字圖書館流量歷史數(shù)據(jù)，最小二乘支持向量機(jī)目標(biāo)優(yōu)化函數(shù)可以表示為：

[J1w，e=12wTw+12γi=1Ne2is.t.? ? yi=wTφxi+b+ei] （11）

式中[γ]表示正則化參數(shù)。

構(gòu)造式（11）的拉格朗日函數(shù)，具體為：

[L=Jw，e-i=1NαiwTφxi+b+ei-yi] （12）

對(duì)式（11）求偏導(dǎo)，可以得到：

[?L?w=0→w=i=1Nαiφxi?L?b=0→i=1Nαi=0?L?ei=0→αi=γei?L?αi=0→wTφxi+b+ei-yi] （13）

消掉[w]和[e]，得到一個(gè)線性方程，具體如下：

[01Tv1vΩ+1γIN×bα=0y] （14）

式中：[y=[y1，y2，…，yN]];[1v=1，…，1];[α=[α1，][α2，…，αN]];[Ω=φxφxi=Kx，xi]。

數(shù)字圖書館流量預(yù)測(cè)結(jié)果可以表示為：

[yx=i=1NαiKx，xi+b] （15）

其中：

[K（x，xi）=exp-x-xi2σ22]? ? ? （16）

式中[σ]表示核寬度參數(shù)。核寬度參數(shù)和正則化參數(shù)直接影響數(shù)字圖書館流量預(yù)測(cè)效果，為此，本文采用蟻群算法確定它們的最優(yōu)值。

1.4? 蟻群算法

有[m]只螞蟻，[n]個(gè)節(jié)點(diǎn)，[dij]是節(jié)點(diǎn)[i]和[j]間的距離，[ηij]是節(jié)點(diǎn)[i]和[j]間邊[（i，j）]的能見度，[τij]是[（i，j）]上的信息素強(qiáng)度，[Δτkij]是第[k]只螞蟻在[（i，j）]上留下的信息素量，[pkij]為狀態(tài)轉(zhuǎn)移概率，其具體計(jì)算公式為：

[pkij=ταijtηβijts∈allowedkταijtηβijt，? ? ? j∈allowedk0，? ? ? ?otherwise]? （17）

式中[allowedk={0，1，2，…，n-1}]為沒有經(jīng)過的節(jié)點(diǎn)集合。

螞蟻信息素增量的局部更新規(guī)則為：

[τij（t+1）=（1-ρ）τij（t）+Δτij（t，t+1）] （18）

[Δτij（t，t+1）=k=1mΔτkijt，t+1] （19）

式中：[ρ]為信息素衰減程度;[Δτkij]的計(jì)算公式為：

[Δτkij=QLk，? ? ? （i，j）∈Lk0，? ? ? ? ?其他] （20）

式中：[Q]為一常數(shù);[Lk]為第[k]只螞蟻爬行的長(zhǎng)度。

1.5? 大數(shù)據(jù)的數(shù)字圖書館流量預(yù)測(cè)算法工作原理

基于大數(shù)據(jù)的數(shù)字圖書館流量預(yù)測(cè)算法工作原理為：收集數(shù)字圖書館流量歷史數(shù)據(jù)，引入去噪算法對(duì)其進(jìn)行處理;采用混沌算法得到多維的圖書館流量歷史數(shù)據(jù);通過大數(shù)據(jù)分析技術(shù)對(duì)數(shù)字圖書館流量歷史數(shù)據(jù)進(jìn)行建模，構(gòu)建數(shù)字圖書館流量預(yù)測(cè)模型，并對(duì)數(shù)字圖書館流量預(yù)測(cè)模型的相關(guān)參數(shù)采用蟻群算法進(jìn)行優(yōu)化，具體如圖1所示。

2? 數(shù)字圖書館流量預(yù)測(cè)算法性能測(cè)試與分析

2.1? 數(shù)字圖書館流量的歷史數(shù)據(jù)

為驗(yàn)證基于大數(shù)據(jù)的數(shù)字圖書館流量預(yù)測(cè)算法，選擇10所高校的數(shù)字圖書館流量歷史數(shù)據(jù)作為實(shí)驗(yàn)對(duì)象，將數(shù)字圖書館流量歷史數(shù)據(jù)劃分為兩部分：一部分作為數(shù)字圖書館流量預(yù)測(cè)建模的訓(xùn)練樣本集合;另一部分作為分析數(shù)字圖書館流量預(yù)測(cè)效果的驗(yàn)證樣本集合。大數(shù)據(jù)的數(shù)字圖書館流量預(yù)測(cè)算法采用Matlab 2019編程實(shí)現(xiàn)，采用人工神經(jīng)網(wǎng)絡(luò)中的BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)進(jìn)行數(shù)字圖書館流量預(yù)測(cè)對(duì)照實(shí)驗(yàn)。10所高校的數(shù)字圖書館流量歷史數(shù)據(jù)如表1所示。

2.2? 混沌算法確定數(shù)字圖書館流量數(shù)據(jù)的延遲時(shí)間和嵌入維數(shù)

采用1.2節(jié)的方法確定10所高校的數(shù)字圖書館流量歷史數(shù)據(jù)的延遲時(shí)間和嵌入維數(shù)，具體如表2所示。根據(jù)表2的結(jié)果得到相應(yīng)的多維數(shù)字圖書館流量歷史數(shù)據(jù)，用于后期數(shù)字圖書館流量建模與預(yù)測(cè)。

2.3? 數(shù)字圖書館流量預(yù)測(cè)模型的參數(shù)

采用蟻群算法確定數(shù)字圖書館流量預(yù)測(cè)模型的核寬度參數(shù)和正則化參數(shù)，結(jié)果如表3所示。從表3可以看出，不同的高校數(shù)字圖書館流量歷史數(shù)據(jù)，有不同的核寬度參數(shù)和正則化參數(shù)，這樣建立的高校數(shù)字圖書館流量預(yù)測(cè)模型不一樣，可以適合不同類型的高校數(shù)字圖書館流量建模。

2.4? 高校數(shù)字圖書館流量的預(yù)測(cè)精度對(duì)比

所有數(shù)字圖書館流量預(yù)測(cè)算法的精度如圖2所示。

從圖2的實(shí)驗(yàn)結(jié)果可以得到如下結(jié)論：

1） BP神經(jīng)網(wǎng)絡(luò)的數(shù)字圖書館流量的預(yù)測(cè)精度最低，低于88%，其數(shù)字圖書館流量的預(yù)測(cè)錯(cuò)誤差大于10%，無法滿足數(shù)字圖書館管理的實(shí)際應(yīng)用要求。這主要是由于BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)性能比較差，無法建立最優(yōu)的數(shù)字圖書館流量的預(yù)測(cè)模型。

2） 支持向量機(jī)的數(shù)字圖書館流量的預(yù)測(cè)精度高于BP神經(jīng)網(wǎng)絡(luò)的數(shù)字圖書館流量的預(yù)測(cè)精度，預(yù)測(cè)精度處于90%左右，數(shù)字圖書館流量的預(yù)測(cè)錯(cuò)誤率得到了降低。這主要是由于支持向量機(jī)的學(xué)習(xí)性能要優(yōu)于BP神經(jīng)網(wǎng)絡(luò)，得到了更優(yōu)的高校數(shù)字圖書館流量的預(yù)測(cè)模型。

3） 在所有算法中，本文算法的數(shù)字圖書館流量的預(yù)測(cè)精度最高，超過了95%，數(shù)字圖書館流量的預(yù)測(cè)錯(cuò)誤率遠(yuǎn)小于BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)，克服了BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)在數(shù)字圖書館流量的預(yù)測(cè)過程中存在的局限性，建立了理想的數(shù)字圖書館流量預(yù)測(cè)模型。

2.5? 高校數(shù)字圖書館流量的預(yù)測(cè)效率對(duì)比

為全面描述數(shù)字圖書館流量預(yù)測(cè)算法的性能，計(jì)算三種算法的數(shù)字圖書館流量預(yù)測(cè)建模時(shí)間，結(jié)果如圖3所示。

對(duì)圖3的數(shù)字圖書館流量建模時(shí)間進(jìn)行對(duì)比和分析可以發(fā)現(xiàn)：支持向量機(jī)的數(shù)字圖書館流量預(yù)測(cè)建模時(shí)間最長(zhǎng)，BP神經(jīng)網(wǎng)絡(luò)的數(shù)字圖書館流量預(yù)測(cè)建模時(shí)間次之，而本文的數(shù)字圖書館流量預(yù)測(cè)建模時(shí)間最短，這主要是由于最小二乘支持向量機(jī)的學(xué)習(xí)效率更高，而且對(duì)數(shù)字圖書館流量歷史數(shù)據(jù)進(jìn)行了去噪和混沌處理，提高了數(shù)字圖書館流量預(yù)測(cè)建模效率，可以用于大規(guī)模數(shù)字圖書館流量預(yù)測(cè)與建模，實(shí)際應(yīng)用價(jià)值更高。

3? 結(jié)? 語(yǔ)

為了解決當(dāng)前數(shù)字圖書館流量預(yù)測(cè)結(jié)果不穩(wěn)定、建模時(shí)間長(zhǎng)等缺陷，以獲得更優(yōu)的數(shù)字圖書館流量預(yù)測(cè)結(jié)果為目標(biāo)，本文設(shè)計(jì)提出了基于大數(shù)據(jù)的數(shù)字圖書館流量預(yù)測(cè)算法。采用去噪算法對(duì)數(shù)字圖書館流量歷史數(shù)據(jù)進(jìn)行預(yù)處理，然后引入混沌算法重構(gòu)數(shù)字圖書館流量歷史數(shù)據(jù)，最后引入大數(shù)據(jù)分析技術(shù)構(gòu)建數(shù)字圖書館流量預(yù)測(cè)模型，并采用蟻群算法確定圖書館流量預(yù)測(cè)模型的參數(shù)。在Matlab 2017平臺(tái)上的數(shù)字圖書館流量預(yù)測(cè)的仿真測(cè)試實(shí)驗(yàn)結(jié)果表明，本文算法是一種精度高、速度快的數(shù)字圖書館流量預(yù)測(cè)算法，數(shù)字圖書館流量預(yù)測(cè)整體效率明顯優(yōu)于當(dāng)前其他數(shù)字圖書館流量預(yù)測(cè)算法，具有更加廣泛的實(shí)際應(yīng)用范圍。

參考文獻(xiàn)

[1] 馬東.高校圖書館網(wǎng)絡(luò)異常流量分析與研究[J].現(xiàn)代情報(bào)，2012，32（12）：149?151.

[2] 費(fèi)巍，徐軍.公共圖書館讀者流量影響因素研究[J].山東圖書館學(xué)刊，2012（2）：56?58.

[3] 王家勝，牟肖光.基于時(shí)間序列高校圖書館借閱流量分布統(tǒng)計(jì)分析[J].農(nóng)業(yè)圖書情報(bào)學(xué)刊，2011，23（4）：72?75.

[4] 楊佳.以上海圖書館為例的到館讀者流量分析[J].圖書館界，2010（6）：36?38.

[5] 夏玲，張揚(yáng).黃岡師范學(xué)院圖書館紙質(zhì)圖書流量統(tǒng)計(jì)分析[J].黃岡師范學(xué)院學(xué)報(bào)，2009，29（6）：89?91.

[6] 王靜，李丕仕.基于Lyapunov指數(shù)的高校圖書館圖書借閱流量混沌預(yù)測(cè)[J].現(xiàn)代情報(bào)，2009，29（9）：7?10.

[7] 吳紅艷.高校數(shù)字圖書館圖書流量的時(shí)間序列分布趨勢(shì)及預(yù)測(cè)分析[J].中原工學(xué)院學(xué)報(bào)，2008（4）：3?7.

[8] 鐘克吟.圖書館數(shù)字資源訪問流量統(tǒng)計(jì)分析系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].圖書館研究與工作，2007（4）：25?28.

[9] 尹志強(qiáng).基于數(shù)據(jù)挖掘的高校圖書館圖書借閱流量建模與分析[J].微電子學(xué)與計(jì)算機(jī)，2018，35（11）：95?99.

[10] 趙惠，劉芳.湖南圖書館網(wǎng)站訪問流量分析研究報(bào)告[J].圖書館，2006（5）：97?100.

[11] 左麗.基于大數(shù)據(jù)分解的數(shù)字圖書館訪問流量預(yù)測(cè)[J].自動(dòng)化技術(shù)與應(yīng)用，2018，37（10）：43?46.

[12] 周靜晴.公共圖書館智能讀者流量系統(tǒng)大數(shù)據(jù)分析研究：以深圳圖書館為例[J].圖書館研究，2018，48（4）：116?122.

[13] 陳越華.神經(jīng)網(wǎng)絡(luò)在高校圖書館圖書借閱流量預(yù)測(cè)中的應(yīng)用[J].現(xiàn)代電子技術(shù)，2017，40（19）：115?118.

[14] 張振華，梅江林.高校圖書館引進(jìn)英文數(shù)據(jù)庫(kù)的成本效益研究：以鹽城工學(xué)院圖書館為例[J].鹽城工學(xué)院學(xué)報(bào)（社會(huì)科學(xué)版），2016，29（4）：85?88.

[15] 張嵐.數(shù)字圖書館訪問流量預(yù)測(cè)方法研究[J].河南科技，2014（12）：280?281.

[16] 張明霞.GM（1，1）模型在大開間圖書館流量預(yù)測(cè)中的應(yīng)用[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2013，43（23）：80?84.

[17] 李靜.基于蝙蝠算法優(yōu)化LSSVM的圖書館訪問流量預(yù)測(cè)[J].信息技術(shù)，2018，42（12）：5?8.

[18] 杜慧敏.基于數(shù)據(jù)挖掘的讀者流量與圖書館開放能力分析系統(tǒng)[J].情報(bào)探索，2009（7）：30?32.