感知信任模式下移动社交电商盈利预测偏差分析算法

宋晓姣，吴取芳

(合肥职业技术学院，安徽 合肥 230000)

基于移动互联网的空间，移动社交电商借助社交软件，以人为中心，以社交为纽带，以手机或电脑为工具，进行网上销售。随着移动社交电商建设的不断推进，越来越需要加强移动社交电商管理精细化水平，建立移动社交电商的信息化管理模型，提高移动社交电商盈利预测能力[1]。传统盈利分析方法包括宏观和微观两方面，其中，文献[2]为了明确内部控制对企业财务风险的影响机制，采用面板平滑转换回归模型，针对内部控制对企业财务风险的影响关系，对上市企业面板数据进行理论推演和分析；文献[3]分析科技型创业企业与风险投资机构之间的资本网络规模和网络异质性，指出其对企业获得风险投资和风险资金规模均具有显著的正向作用，有助于企业吸引风险投资。

但是上述方法没有结合移动社交电商的相关理论分析，因此，为了符合时代发展，提高移动社交电商盈利预测偏差的自适应分析能力，提出感知信任模式下移动社交电商盈利预测偏差分析算法。感知信任模式是通过双方的各种行为而建立良好关系的基础，即受信任的条件，采用线性回归分析和检验统计分析方法，分析移动社交电商盈利特征，进行移动社交电商盈利的预测算法设计。通过模糊相关性特征聚类分析方法，构建移动社交电商盈利统计序列分析模型，采用交互式的信息调度模型进行移动社交电商盈利的统计特征分析，根据移动社交电商盈利信息的特征分布式调度结果，进行感知信任模式下的移动社交电商盈利特征检测和优化调度，构建移动社交电商盈利的统计序列分布模型，希望为移动社交电商的盈利提供更多层面、更宽维度的参考。

1 统计信息模型构建和特征分析

1.1 移动社交电商盈利统计信息建模

为了进行移动社交电商盈利的自适应预测，采用模糊相关性特征聚类分析方法，进行统计分析和自适应聚类[4-5]，得到移动社交电商盈利非线性统计分析模型，描述为

xn=x(t0+nΔt)=h[z(t0+nΔt)]+ωn

(1)

式中，h(.)为信息关联特征检测函数，t0为统计时间系数，Δt为分析时间系数，n为统计个数。z为非线性限制条件阈值,ωn为对移动社交电商盈利预测的测量误差。进行移动社交电商盈利特征的标量分布序列，得到一个感知信任模式下移动社交电商盈利多元数量值函数。假设移动社交电商盈利时间序列量表示为

U={U1,U2,…，Un}

(2)

其中，Ui为维数为d维的随机变量。

构建移动社交电商盈利预测的回归分析模型，采用描述统计分析方法，在M维相空间中，U是d维的关联规则特征分布函数，k是U上的一个模糊函数，移动社交电商盈利的统计数据在m维相空间中形成一个模糊粗糙集，采用多元线性回归分析方法，得到移动社交电商盈利分布式预测的概率密度函数表达为

(3)

(4)

(5)

其中，G(U|μk,∑k)为感知信任模式下移动社交电商盈利的样本回归分析值，p(U|Θ)为随机概率密度函数的加权值，采用特征空间聚类分析方法[6]，得到移动社交电商盈利预测的关联统计序列分布满足

(6)

其中

(7)

X=K[s1,s2,…sK]n=K(xn,xn-τ,…,xn-(m-1)τ

(8)

其中，K=N-(m-1)τ表示移动社交电商盈利的子空间聚类维数，τ为时间延迟，根据上述分析，建立移动社交电商盈利预测的大数据分析模型，结合大数据特征分析结果，进行感知信任模式下移动社交电商盈利预测偏差分析[7]。

1.2 社交电商盈利特征分析

采用信任感知方法进行移动社交电商盈利的大数据统计信息建模，提取移动社交电商盈利的关联规则特征量v[8]，移动社交电商盈利在显著度水平上的关联特征表示为

(9)

其中，ζ为感知信任模式下移动社交电商盈利的模糊衰减系数，X为移动社交电商盈利的统计特征值，X*表示取复共轭，分析移动社交电商盈利的量化平均值，得到

(10)

其中，Wx(t,v)表示感知信任模式下移动社交电商盈利的决定性因素，t为统计时间约束系数，对感知信任模式下移动社交电商盈利约束特征进行模糊聚类[9]，得到显著性差异值满足

(11)

其中，|X(v)|表示移动社交电商盈利预测关联规则项，通过统计分析结果，得到移动社交电商盈利的标量序列{x(t0+iΔt)},i=0,1,…,N-1，移动社交电商盈利的相对特征分布集为

X=[s1,s2,…sK]n=(xn,xn-τ,…,xn-(m-1)τ)

(12)

其中，K=N-(m-1)τ表示移动社交电商盈利预测的正交特征向量，m为模糊聚类维数，si=(xi,xi+τ,…,xi+(m-1)τ)T为一组单变量的分布序列，τ为统计信息采样的时间延迟。通过以上分析，完成移动社交电商盈利的关联规则特征提取，接下来根据特征提取结果进行盈利预测[10]。

2 移动社交电商盈利预测偏差分析

2.1 社交电商盈利预测的感知信任模型

在提取移动社交电商盈利的关联规则特征量的基础上，采用模糊聚类方法对感知信任模式下移动社交电商盈利大数据进行自动聚类处理，采用单变量演化聚类分析方法，进行移动社交电商盈利的正交特征向量解RTR分析，假设Xm+1的单演分量x(tn+1)未知，从而得到移动社交电商盈利特征分解模型为

VT=IM+r·∑diag(σ1,σ2,…，σm),r∈Rm×m

(13)

(13)式即为提取的RTR的移动社交电商盈利信息采样序列的持续性统计特征量，在统计过程中，存在盈余概率约束，因此对移动社交电商盈利分布特征值的大小进行排序，其排序关系为

σ1>σ2>σ3>…>σs+1>σm

(14)

在演化博弈下，移动社交电商盈利预测的新的特征序列为

(15)

在局部稳定性分析条件下，从而得到移动社交电商盈利的量化预测值为

x(tn+1)′=Xm+1(m)

(16)

移动社交电商盈利序列的高斯自相似过程，设期望值为mk，标准差为εk，设N0=0，D0=1，k=1,2,…，n-1，对移动社交电商盈利序列进行相空间重构后，即可自动聚类处理移动社交电商盈利大数据，得到为一组替代移动社交电商盈利新的时间序列yk，量化为

Dk=Dk-1·mk·εk-N0

(17)

式(17)中，设高斯自相似过程的初始值为Dk-1，进行信任感知多次迭代计算。综上，移动社交电商盈利预测的优化迭代模型构建完成。

2.2 移动社交电商盈利预测的偏差估计

根据感知信任模式下移动社交电商盈利预测模型，进行移动社交电商盈利的大数据统计信息建模。设感知信任模式下移动社交电商盈利需求信息的离散特征分量为si=(xi,xi+τ,…,xi+(m-1)τ)T，上式为一组短时离散信息分布集，移动社交电商盈利预测的嵌入空间中，得到移动社交电商盈利预测状态集在感知信任模式下的分布函数为

(18)

为了保证移动社交电商盈利预测的有效概率密度较高，结合上式，选择适当的m和τ，此时感知信任模式下移动社交电商盈利预测的统计回归分析概率密度特征表示为

R1={X1,X2,X3,…,Xd}T

(19)

采用持续性的描述性统计分析方法，进行多重比较分析，得到移动社交电商盈利预测相关函数为：

(20)

设置一个预估计器来计算移动社交电商盈利在最佳特征分解值，移动社交电商盈利预测的特征分解表达式为

(21)

假设，Xj是xi近邻函数，采用盈余管理方法，从L+1到2L维进行移动社交电商盈利模糊预测，在这个过程中，进行感知信任模式下移动社交电商盈利预测的模糊类推，过程为

(22)

用式(22)将移动社交电商盈利的正交特征向量解RTR从L+1实现到2L维的转换，即将持续性统计特征量分解后，取相空间中Xm为中心点，获取模糊类推式

R2={Xd+1,Xd+2,…Xd+m}T

(23)

(24)

式中，移动社交电商盈利预测的广域特征分量为

V=[V1,V2,…,Vm]∈Rm×m

(25)

通过单变量的方差分析，根据预测值Xm和Xk的演化特征，得到电商盈利下一步预测值为Xm+1和Xk+1。

3 仿真实验与结果分析

为了测试本文方法在实现感知信任模式下移动社交电商盈利偏差分析中应用性能，对其自适应性和盈利预测结果进行实验分析，结合SPSS和MATLAB进行移动社交电商盈利预测仿真，在Quandl(https://www.quandl.com/)中随机选取500个网络交易数据，排除交易未成功的数据120个，将剩余的380个数据作为实验样本，采用描述性统计分析方法进行感知信任模式下移动社交电商盈利的线性比重比较分析，分析结果见表1。

表1 基于年度分析的移动社交电商盈利多重比较分析结果

根据表1盈利偏差分布和描述性比较的分析结果可知，年度盈余对感知信任模式下移动社交电商盈利预测值如图1所示。

图1 移动社交电商盈利预测值

分析图1得知，其预测值最高可达1.3万元，与实际拟合正度相接近。这是因为本文方法设置一个预估计器来计算移动社交电商盈利在最佳特征分解值，有效实现移动社交电商盈利预测。

预测的偏差分析结果见表2。

分析表2中结果可知，采用本文方法进行感知信任模式下移动社交电商盈利预测的精度较高，偏差较低。这是因为本文方法采用模糊聚类方法对感知信任模式下移动社交电商盈利大数据进行自动聚类处理，聚类后的数据可以被精准挖掘出来，便于实现移动社交电商盈利预测。

表2 持续性描述性统计分析结果

4 结 论

本文提出基于关联规则调度和模糊自适应聚类的移动社交电商盈利预测方法，通过相空间重构，引入单变量的方差分析方法，对移动社交电商盈利的正交特征向量解进行实质性分析，提取移动社交电商盈利的关联规则特征量，采用数据挖掘方法进行移动社交电商盈利的大数据统计信息建模，采用模糊聚类方法对感知信任模式下移动社交电商盈利大数据进行自动聚类处理，结合自适应寻优算法实现移动社交电商盈利预测。经过实验证明，本文方法在进行移动社交电商盈利预测时，因考虑到了感知信任模式情况，其自适应性较好，预测准确度较高，提高了移动社交电商盈利预测的实际应用效果。