面向大数据流的增量式Kriging学习算法研究  

A Study on Incremental Kriging Learning Algorithm for Big Data Flow

作　　者：周晓剑 王乐研 ZHOU Xiao-jian;WANG Le-yan(School of Management,Nanjing University of Posts and Telecommunications,Nanjing 210023,China)

机构地区：[1]南京邮电大学管理学院,江苏南京210023

出　　处：《统计与信息论坛》2020年第10期21-26,共6页Journal of Statistics and Information

基　　金：国家自然科学基金项目“面向复杂计算机试验的在线双重稳健参数设计研究”(71872088);国家自然科学基金项目“面向学术文献策略阅读的语义支撑技术研究”(71904078);江苏省研究生科研创新计划“面向流式数据的在线Kriging学习算法及其应用研究”(KYCX20_0842)。

摘　　要：面对大数据流,当不断有新的数据加入时,如果使用传统的Kriging进行建模,需要针对全体数据进行重新建模,严重降低了数据处理效率。解决这一困境的一个有效思路是:针对新加入的样本并不重新建模,而是在原有模型的基础上进行迭代处理,即在原有模型的基础上把新增的样本加入进来,并不是针对所有样本重新建模。基于此,提出了一种新的增量式Kriging模型,通过分块矩阵和矩阵递归构建的方式处理“相关矩阵”的求逆问题,极大地提高了建模效率。对新增量式模型与一次性建模进行比较,实验结果表明,新增量式Kriging模型在建模效率方面远高于传统的一次性建模方法,大大提升了数据处理速度。Facing the big data flow,when use the traditional Kriging for modeling with new data added,the entire data should be re-modeled,at the same time seriously reduces the data processing efficiency.An effective way to solve this dilemma is that,the newly added samples are not re-modeled,but iterated on the basis of the original model,that is,the new samples are added on the basis of the original model,not re-modeled for all samples.An incremental Kriging model is designed here,which handles the inverse problem of"correlation matrix"by means of block matrix and matrix recursive construction,greatly improving the modeling efficiency.The experimental results show that the incremental Kriging model is much more efficient than the traditional model,which greatly improves the data processing capacity.

关 键 词：大数据流 KRIGING模型 增量式算法 

分 类 号：F224.9[经济管理—国民经济]