宋曉姣，吳取芳

(合肥職業(yè)技術(shù)學(xué)院，安徽 合肥 230000)

基于移動(dòng)互聯(lián)網(wǎng)的空間，移動(dòng)社交電商借助社交軟件，以人為中心，以社交為紐帶，以手機(jī)或電腦為工具，進(jìn)行網(wǎng)上銷(xiāo)售。隨著移動(dòng)社交電商建設(shè)的不斷推進(jìn)，越來(lái)越需要加強(qiáng)移動(dòng)社交電商管理精細(xì)化水平，建立移動(dòng)社交電商的信息化管理模型，提高移動(dòng)社交電商盈利預(yù)測(cè)能力[1]。傳統(tǒng)盈利分析方法包括宏觀和微觀兩方面，其中，文獻(xiàn)[2]為了明確內(nèi)部控制對(duì)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的影響機(jī)制，采用面板平滑轉(zhuǎn)換回歸模型，針對(duì)內(nèi)部控制對(duì)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的影響關(guān)系，對(duì)上市企業(yè)面板數(shù)據(jù)進(jìn)行理論推演和分析；文獻(xiàn)[3]分析科技型創(chuàng)業(yè)企業(yè)與風(fēng)險(xiǎn)投資機(jī)構(gòu)之間的資本網(wǎng)絡(luò)規(guī)模和網(wǎng)絡(luò)異質(zhì)性，指出其對(duì)企業(yè)獲得風(fēng)險(xiǎn)投資和風(fēng)險(xiǎn)資金規(guī)模均具有顯著的正向作用，有助于企業(yè)吸引風(fēng)險(xiǎn)投資。

但是上述方法沒(méi)有結(jié)合移動(dòng)社交電商的相關(guān)理論分析，因此，為了符合時(shí)代發(fā)展，提高移動(dòng)社交電商盈利預(yù)測(cè)偏差的自適應(yīng)分析能力，提出感知信任模式下移動(dòng)社交電商盈利預(yù)測(cè)偏差分析算法。感知信任模式是通過(guò)雙方的各種行為而建立良好關(guān)系的基礎(chǔ)，即受信任的條件，采用線性回歸分析和檢驗(yàn)統(tǒng)計(jì)分析方法，分析移動(dòng)社交電商盈利特征，進(jìn)行移動(dòng)社交電商盈利的預(yù)測(cè)算法設(shè)計(jì)。通過(guò)模糊相關(guān)性特征聚類(lèi)分析方法，構(gòu)建移動(dòng)社交電商盈利統(tǒng)計(jì)序列分析模型，采用交互式的信息調(diào)度模型進(jìn)行移動(dòng)社交電商盈利的統(tǒng)計(jì)特征分析，根據(jù)移動(dòng)社交電商盈利信息的特征分布式調(diào)度結(jié)果，進(jìn)行感知信任模式下的移動(dòng)社交電商盈利特征檢測(cè)和優(yōu)化調(diào)度，構(gòu)建移動(dòng)社交電商盈利的統(tǒng)計(jì)序列分布模型，希望為移動(dòng)社交電商的盈利提供更多層面、更寬維度的參考。

1 統(tǒng)計(jì)信息模型構(gòu)建和特征分析

1.1 移動(dòng)社交電商盈利統(tǒng)計(jì)信息建模

為了進(jìn)行移動(dòng)社交電商盈利的自適應(yīng)預(yù)測(cè)，采用模糊相關(guān)性特征聚類(lèi)分析方法，進(jìn)行統(tǒng)計(jì)分析和自適應(yīng)聚類(lèi)[4-5]，得到移動(dòng)社交電商盈利非線性統(tǒng)計(jì)分析模型，描述為

xn=x(t0+nΔt)=h[z(t0+nΔt)]+ωn

(1)

式中，h(.)為信息關(guān)聯(lián)特征檢測(cè)函數(shù)，t0為統(tǒng)計(jì)時(shí)間系數(shù)，Δt為分析時(shí)間系數(shù)，n為統(tǒng)計(jì)個(gè)數(shù)。z為非線性限制條件閾值,ωn為對(duì)移動(dòng)社交電商盈利預(yù)測(cè)的測(cè)量誤差。進(jìn)行移動(dòng)社交電商盈利特征的標(biāo)量分布序列，得到一個(gè)感知信任模式下移動(dòng)社交電商盈利多元數(shù)量值函數(shù)。假設(shè)移動(dòng)社交電商盈利時(shí)間序列量表示為

U={U1,U2,…，Un}

(2)

其中，Ui為維數(shù)為d維的隨機(jī)變量。

構(gòu)建移動(dòng)社交電商盈利預(yù)測(cè)的回歸分析模型，采用描述統(tǒng)計(jì)分析方法，在M維相空間中，U是d維的關(guān)聯(lián)規(guī)則特征分布函數(shù)，k是U上的一個(gè)模糊函數(shù)，移動(dòng)社交電商盈利的統(tǒng)計(jì)數(shù)據(jù)在m維相空間中形成一個(gè)模糊粗糙集，采用多元線性回歸分析方法，得到移動(dòng)社交電商盈利分布式預(yù)測(cè)的概率密度函數(shù)表達(dá)為

(3)

(4)

(5)

其中，G(U|μk,∑k)為感知信任模式下移動(dòng)社交電商盈利的樣本回歸分析值，p(U|Θ)為隨機(jī)概率密度函數(shù)的加權(quán)值，采用特征空間聚類(lèi)分析方法[6]，得到移動(dòng)社交電商盈利預(yù)測(cè)的關(guān)聯(lián)統(tǒng)計(jì)序列分布滿足

(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表示移動(dòng)社交電商盈利的子空間聚類(lèi)維數(shù)，τ為時(shí)間延遲，根據(jù)上述分析，建立移動(dòng)社交電商盈利預(yù)測(cè)的大數(shù)據(jù)分析模型，結(jié)合大數(shù)據(jù)特征分析結(jié)果，進(jìn)行感知信任模式下移動(dòng)社交電商盈利預(yù)測(cè)偏差分析[7]。

1.2 社交電商盈利特征分析

采用信任感知方法進(jìn)行移動(dòng)社交電商盈利的大數(shù)據(jù)統(tǒng)計(jì)信息建模，提取移動(dòng)社交電商盈利的關(guān)聯(lián)規(guī)則特征量v[8]，移動(dòng)社交電商盈利在顯著度水平上的關(guān)聯(lián)特征表示為

(9)

其中，ζ為感知信任模式下移動(dòng)社交電商盈利的模糊衰減系數(shù)，X為移動(dòng)社交電商盈利的統(tǒng)計(jì)特征值，X*表示取復(fù)共軛，分析移動(dòng)社交電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動(dòng)社交電商盈利的決定性因素，t為統(tǒng)計(jì)時(shí)間約束系數(shù)，對(duì)感知信任模式下移動(dòng)社交電商盈利約束特征進(jìn)行模糊聚類(lèi)[9]，得到顯著性差異值滿足

(11)

其中，|X(v)|表示移動(dòng)社交電商盈利預(yù)測(cè)關(guān)聯(lián)規(guī)則項(xiàng)，通過(guò)統(tǒng)計(jì)分析結(jié)果，得到移動(dòng)社交電商盈利的標(biāo)量序列{x(t0+iΔt)},i=0,1,…,N-1，移動(dòng)社交電商盈利的相對(duì)特征分布集為

X=[s1,s2,…sK]n=(xn,xn-τ,…,xn-(m-1)τ)

(12)

其中，K=N-(m-1)τ表示移動(dòng)社交電商盈利預(yù)測(cè)的正交特征向量，m為模糊聚類(lèi)維數(shù)，si=(xi,xi+τ,…,xi+(m-1)τ)T為一組單變量的分布序列，τ為統(tǒng)計(jì)信息采樣的時(shí)間延遲。通過(guò)以上分析，完成移動(dòng)社交電商盈利的關(guān)聯(lián)規(guī)則特征提取，接下來(lái)根據(jù)特征提取結(jié)果進(jìn)行盈利預(yù)測(cè)[10]。

2 移動(dòng)社交電商盈利預(yù)測(cè)偏差分析

2.1 社交電商盈利預(yù)測(cè)的感知信任模型

在提取移動(dòng)社交電商盈利的關(guān)聯(lián)規(guī)則特征量的基礎(chǔ)上，采用模糊聚類(lèi)方法對(duì)感知信任模式下移動(dòng)社交電商盈利大數(shù)據(jù)進(jìn)行自動(dòng)聚類(lèi)處理，采用單變量演化聚類(lèi)分析方法，進(jìn)行移動(dòng)社交電商盈利的正交特征向量解RTR分析，假設(shè)Xm+1的單演分量x(tn+1)未知，從而得到移動(dòng)社交電商盈利特征分解模型為

VT=IM+r·∑diag(σ1,σ2,…，σm),r∈Rm×m

(13)

(13)式即為提取的RTR的移動(dòng)社交電商盈利信息采樣序列的持續(xù)性統(tǒng)計(jì)特征量，在統(tǒng)計(jì)過(guò)程中，存在盈余概率約束，因此對(duì)移動(dòng)社交電商盈利分布特征值的大小進(jìn)行排序，其排序關(guān)系為

σ1>σ2>σ3>…>σs+1>σm

(14)

在演化博弈下，移動(dòng)社交電商盈利預(yù)測(cè)的新的特征序列為

(15)

在局部穩(wěn)定性分析條件下，從而得到移動(dòng)社交電商盈利的量化預(yù)測(cè)值為

x(tn+1)′=Xm+1(m)

(16)

移動(dòng)社交電商盈利序列的高斯自相似過(guò)程，設(shè)期望值為mk，標(biāo)準(zhǔn)差為εk，設(shè)N0=0，D0=1，k=1,2,…，n-1，對(duì)移動(dòng)社交電商盈利序列進(jìn)行相空間重構(gòu)后，即可自動(dòng)聚類(lèi)處理移動(dòng)社交電商盈利大數(shù)據(jù)，得到為一組替代移動(dòng)社交電商盈利新的時(shí)間序列yk，量化為

Dk=Dk-1·mk·εk-N0

(17)

式(17)中，設(shè)高斯自相似過(guò)程的初始值為Dk-1，進(jìn)行信任感知多次迭代計(jì)算。綜上，移動(dòng)社交電商盈利預(yù)測(cè)的優(yōu)化迭代模型構(gòu)建完成。

2.2 移動(dòng)社交電商盈利預(yù)測(cè)的偏差估計(jì)

根據(jù)感知信任模式下移動(dòng)社交電商盈利預(yù)測(cè)模型，進(jìn)行移動(dòng)社交電商盈利的大數(shù)據(jù)統(tǒng)計(jì)信息建模。設(shè)感知信任模式下移動(dòng)社交電商盈利需求信息的離散特征分量為si=(xi,xi+τ,…,xi+(m-1)τ)T，上式為一組短時(shí)離散信息分布集，移動(dòng)社交電商盈利預(yù)測(cè)的嵌入空間中，得到移動(dòng)社交電商盈利預(yù)測(cè)狀態(tài)集在感知信任模式下的分布函數(shù)為

(18)

為了保證移動(dòng)社交電商盈利預(yù)測(cè)的有效概率密度較高，結(jié)合上式，選擇適當(dāng)?shù)膍和τ，此時(shí)感知信任模式下移動(dòng)社交電商盈利預(yù)測(cè)的統(tǒng)計(jì)回歸分析概率密度特征表示為

R1={X1,X2,X3,…,Xd}T

(19)

采用持續(xù)性的描述性統(tǒng)計(jì)分析方法，進(jìn)行多重比較分析，得到移動(dòng)社交電商盈利預(yù)測(cè)相關(guān)函數(shù)為：

(20)

設(shè)置一個(gè)預(yù)估計(jì)器來(lái)計(jì)算移動(dòng)社交電商盈利在最佳特征分解值，移動(dòng)社交電商盈利預(yù)測(cè)的特征分解表達(dá)式為

(21)

假設(shè)，Xj是xi近鄰函數(shù)，采用盈余管理方法，從L+1到2L維進(jìn)行移動(dòng)社交電商盈利模糊預(yù)測(cè)，在這個(gè)過(guò)程中，進(jìn)行感知信任模式下移動(dòng)社交電商盈利預(yù)測(cè)的模糊類(lèi)推，過(guò)程為

(22)

用式(22)將移動(dòng)社交電商盈利的正交特征向量解RTR從L+1實(shí)現(xiàn)到2L維的轉(zhuǎn)換，即將持續(xù)性統(tǒng)計(jì)特征量分解后，取相空間中Xm為中心點(diǎn)，獲取模糊類(lèi)推式

R2={Xd+1,Xd+2,…Xd+m}T

(23)

(24)

式中，移動(dòng)社交電商盈利預(yù)測(cè)的廣域特征分量為

V=[V1,V2,…,Vm]∈Rm×m

(25)

通過(guò)單變量的方差分析，根據(jù)預(yù)測(cè)值Xm和Xk的演化特征，得到電商盈利下一步預(yù)測(cè)值為Xm+1和Xk+1。

3 仿真實(shí)驗(yàn)與結(jié)果分析

為了測(cè)試本文方法在實(shí)現(xiàn)感知信任模式下移動(dòng)社交電商盈利偏差分析中應(yīng)用性能，對(duì)其自適應(yīng)性和盈利預(yù)測(cè)結(jié)果進(jìn)行實(shí)驗(yàn)分析，結(jié)合SPSS和MATLAB進(jìn)行移動(dòng)社交電商盈利預(yù)測(cè)仿真，在Quandl(https://www.quandl.com/)中隨機(jī)選取500個(gè)網(wǎng)絡(luò)交易數(shù)據(jù)，排除交易未成功的數(shù)據(jù)120個(gè)，將剩余的380個(gè)數(shù)據(jù)作為實(shí)驗(yàn)樣本，采用描述性統(tǒng)計(jì)分析方法進(jìn)行感知信任模式下移動(dòng)社交電商盈利的線性比重比較分析，分析結(jié)果見(jiàn)表1。

表1 基于年度分析的移動(dòng)社交電商盈利多重比較分析結(jié)果

根據(jù)表1盈利偏差分布和描述性比較的分析結(jié)果可知，年度盈余對(duì)感知信任模式下移動(dòng)社交電商盈利預(yù)測(cè)值如圖1所示。

圖1 移動(dòng)社交電商盈利預(yù)測(cè)值

分析圖1得知，其預(yù)測(cè)值最高可達(dá)1.3萬(wàn)元，與實(shí)際擬合正度相接近。這是因?yàn)楸疚姆椒ㄔO(shè)置一個(gè)預(yù)估計(jì)器來(lái)計(jì)算移動(dòng)社交電商盈利在最佳特征分解值，有效實(shí)現(xiàn)移動(dòng)社交電商盈利預(yù)測(cè)。

預(yù)測(cè)的偏差分析結(jié)果見(jiàn)表2。

分析表2中結(jié)果可知，采用本文方法進(jìn)行感知信任模式下移動(dòng)社交電商盈利預(yù)測(cè)的精度較高，偏差較低。這是因?yàn)楸疚姆椒ú捎媚：垲?lèi)方法對(duì)感知信任模式下移動(dòng)社交電商盈利大數(shù)據(jù)進(jìn)行自動(dòng)聚類(lèi)處理，聚類(lèi)后的數(shù)據(jù)可以被精準(zhǔn)挖掘出來(lái)，便于實(shí)現(xiàn)移動(dòng)社交電商盈利預(yù)測(cè)。

表2 持續(xù)性描述性統(tǒng)計(jì)分析結(jié)果

4 結(jié) 論

本文提出基于關(guān)聯(lián)規(guī)則調(diào)度和模糊自適應(yīng)聚類(lèi)的移動(dòng)社交電商盈利預(yù)測(cè)方法，通過(guò)相空間重構(gòu)，引入單變量的方差分析方法，對(duì)移動(dòng)社交電商盈利的正交特征向量解進(jìn)行實(shí)質(zhì)性分析，提取移動(dòng)社交電商盈利的關(guān)聯(lián)規(guī)則特征量，采用數(shù)據(jù)挖掘方法進(jìn)行移動(dòng)社交電商盈利的大數(shù)據(jù)統(tǒng)計(jì)信息建模，采用模糊聚類(lèi)方法對(duì)感知信任模式下移動(dòng)社交電商盈利大數(shù)據(jù)進(jìn)行自動(dòng)聚類(lèi)處理，結(jié)合自適應(yīng)尋優(yōu)算法實(shí)現(xiàn)移動(dòng)社交電商盈利預(yù)測(cè)。經(jīng)過(guò)實(shí)驗(yàn)證明，本文方法在進(jìn)行移動(dòng)社交電商盈利預(yù)測(cè)時(shí)，因考慮到了感知信任模式情況，其自適應(yīng)性較好，預(yù)測(cè)準(zhǔn)確度較高，提高了移動(dòng)社交電商盈利預(yù)測(cè)的實(shí)際應(yīng)用效果。