一种网络游戏在疫情发展情况预测中的应用方法与流程

1.本发明属于大数据应用领域，具体涉及一种网络游戏在疫情发展情况预测中的应用方法。


背景技术：

2.随着信息技术的高速发展，网络虚拟空间已经嵌入社会体系并产生巨大的影响力。在所有网络空间虚拟产品中，游戏依靠其广泛的参与度渗入到网络活动的方方面面，成为影响社会生活不可忽视的重要力量。得益于移动互联网的快速普及和社交网络的高度渗透，网络游戏已成为虚拟空间的重要组成和现实世界中不可或缺的休闲工具，人们在游戏中生成的交互数据具备鲜明的人群代表性和极高的研究价值。作为一种高度依赖个体参与、互动的休闲活动，网络游戏强调主动性和沉浸性，较之传统大数据资源(如移动信令、交易数据、搜索数据、社交内容数据等)，游戏交互数据具备诸多优势，特别适用于公共社会群体活动中的用户行为分析与模式预判。
3.传统的疫情数据统计方法和疫情预测、防控方法均存在局限性。透过现象，可以将问题细化为两个方面：一是在疫情预警机制中，医疗卫生体系过度依赖人为研判与决策，忽视一线数据反馈；二是现有的公共卫生突发事件应对体系尚缺少风险预警的补充机制。
4.而疫情防控期间，由于长时间的居家状态，人们的休闲娱乐活动由线下转至了线上。全球范围内网络游戏作为网络娱乐的主要产品，在疫情期间取得了显著的增长。网络虚拟空间尤其是网络游戏领域与现实活动之间存在一定程度的关联。并且在疫情防控中，网络活跃程度变化往往早于现实管理措施。这可能是因为：居民身处城市多样的群体情感场所和利益组织所构成的社会单元中。随着社交媒体时代的到来，人们通过网络社群实现新的结群方式和社会组织形式，使得网络社会成为一种新的社会形态，并且展现出场域空间拓展、交往互动深化、预期效果多元等特性。
5.现实物理空间的群体行为特征会在网络虚拟空间的交互数据中得到体现。在应对重大突发公共卫生事件过程中，对网络空间大数据的有效分析将成为在传统疫情监测与报送模式之外一个可行的补充手段。因此，如果能提供一种基于网络游戏大数据进行的疫情发展情况预测方法，将具有重要的现实意义。


技术实现要素：

6.本发明的目的是提供一种网络游戏在疫情发展情况预测中的应用方法。
7.为实现上述发明目的，本发明所采用的技术方案是：一种疫情发展情况预测方法，收集网络游戏数据，所述数据包括：在线时长、进出游戏次数、打开app次数、反应玩家心理状态和理智程度的指标，根据数据预测当前疫情发展情况。
8.优选的，所述数据进行预测前，进行预处理：对于数据缺失的维度，采取周围平均化的方法进行填补；对冗余数据进行数据的查重和替换删除。
9.优选的，所述数据包括脑电数据。
10.优选的，所述脑电数据包括：delta、high_alpha、high_beta、 low_alpha、low_beta、low_gamma、theta、middle_gamma。
11.优选的，所述数据进行预测前，对脑电数据进行降噪处理：
12.(1)将原始脑电信号降采样处理为256hz；再通过带通滤波将数据滤波到1.5hz到50hz之间；
13.(2)对于脑电信号里的眼电信号数据y[y1，y2，...，yn]和经过fastica分离的各独立成分ti[ti1，ti2，...，tin]，经过归一化后计算它们之间的欧氏距离：
[0014][0015]
其中y、t、n、i分别表示眼电信号、分离后的脑电信号、数据片段长度、单个脑电成分；
[0016]
计算各信号矩阵与眼电信号数据y[y1，y2，...yn]之间的欧式距离，选择具有d
yt
最小的脑电信号，判定为噪音，将其删除或者置零处理，最后获得降噪后的脑电信号数据。
[0017]
优选的，将降噪获得的脑电信号和预处理后的网络游戏数据构建为有效特征向量，包括如下步骤：
[0018]
(1)针对网络游戏数据：在特征选择过程中采用主成分分析法对收集的数据特征进行了降维处理；
[0019]
(2)将降噪后的脑电信号数据的脑波特征向量记为be：be＝[delta high_alpha high_beta low_alpha low_beta low_gamma theta middle_gamma]，进行综合核函数φ计算得出疫情心理指数(ci)，ci＝φ(be)；
[0020]
(3)将步骤(1)、(2)获得的数据特征进行组合，形成疫情发展情况预测有效特征向量。
[0021]
优选的，基于lstm建立疫情发展情况的预测模型，包括如下步骤：
[0022]
(1)在输入层按照采集单位为每天，定义疫情全阶段的脑电数据和网络游戏数据集为fn＝(x1，x2，...，x
t
，...，xn)，数据集中 x
t
＝{ci
t
，sex
t
，age
t
，o_d
t
，i_o_t
t
，agg
t
，c_t
t
，s_d
t
，t_t
t
，p_e
t
，n_e
t
，p_w
t
，n_w
t
，app
t
}，其中 ci，sex，age，o_d，i_o_t，agg，c_t，s_d，t_t，p_e，n_e，p_w，n_w，app分别表示t时刻对应的各有效特征向量；
[0023]
训练过程中采用均方误差(e
ms
)作为损失计算函数：
[0024]
其中，l为窗口长度，pi为实际输出，yi为理论输出，预测步长为7。以损失最小为最优目标，并应用adam优化算法不断更新网络的权重，直至网络损失最小；
[0025]
(2)采用全数据集的形式确定网络游戏预测疫情发展情况预测模型参数，利用控制变量的方法确定模型参数，具体如下：
[0026]
1)固定疫情发展情况预测模型中非关键参数取值，选择批次大小为128，并确定重复训练的次数2000；
[0027]
2)确定重要参数的范围以简化整个的调参过程，其中隐含节点数经验公式为其中τ为隐含层节点数，q为输入层节点数，l为输出层节点数，rd∈
[1,10],rd∈n；
[0028]
3)非关键参数条件下，一次选择不同的隐含层节点数，判断不同的学习效率对于测试集rmse的影响；完成最终参数的调优。
[0029]
本发明具有以下有益效果：本发明首次基于网络游戏数据，提供了一种大数据分析和预测疫情发展趋势的方法。预测结果准确，方法简单，将算法输入电脑后，结合后台采集的数据，即可快速、准确、高效地给出当前疫情发展情况，及接下来的疫情预测，为公共卫生突发事件应对体系提供了一种有效的风险预警补充机制。
附图说明
[0030]
图1为本发明提供的预测方法流程图；
[0031]
图2为地理区域信息疫情心理示意图；
[0032]
图3为时间疫情线示意图。
具体实施方式
[0033]
本发明提供了一种网络游戏在疫情发展情况预测中的应用方法，具体是利用网络游戏交互数据来预测疫情的演进情况，进而较为准确地还原社会复产复工情况，有效填补疫情防控工作中存在的“触达盲区”，丰富疫情防控应对机制。本方法具体包括如下步骤：
[0034]
1、选择具有各年龄段广泛参与度的代表性棋牌类游戏。
[0035]
2、收集与相关的数据，收集的数据包括网络游戏数据和脑电数据两部分。其中，网络游戏数据指在网络游戏过程中可以直接收集到的数据，包括：玩家id、性别、年龄、ip地址、在线时长、进出游戏次数、打开app次数、反应玩家情绪和理智程度的指标。以斗地主为例，反应玩家情绪和理智程度的指标例如包括：激进程度、叫地主局数、单次出牌时长、点击牌次数、积极emoji次数、消极emoji次数、积极文字次数、消极文字次数。脑电数据指玩家玩游戏的同时佩戴便携式脑电设备采集的脑波数据，包括delta、high_alpha、high_beta、low_alpha、 low_beta、low_gamma、theta、middle_gamma。
[0036]
上述各数据的收集时间段包括：当下、疫情最严重时、正常时期(各时间段分别收集上述全部数据)。
[0037]
3、数据预处理：上述数据在某些数据维度上可能存在数据缺失、数据冗余、数据噪音等情况。
[0038]
(1)在网络游戏数据方面，对于数据缺失的维度，采取周围平均化的方法进行填补，以完成所有缺失数据的完善；对部分冗余数据进行数据的查重和替换删除。
[0039]
(2)针对脑电数据中存在的复杂噪音，需要采取一系列数据预处理方法进行数据降噪：
[0040]
1)将原始脑电信号降采样处理为256hz；再通过带通滤波将数据滤波到1.5hz到50hz之间；
[0041]
2)对于脑电信号里的眼电信号数据y[y1，y2，...，yn]和经过fastica分离的各独立成分ti[ti1，ti2，...，tin]，经过归一化后计算它们之间的欧氏距离：
[0042][0043]
其中y、t、n、i分别表示眼电信号、分离后的脑电信号、数据片段长度、单个脑电成分。
[0044]
通过计算各信号矩阵与眼电信号数据y[y1，y2，...，yn]之间的欧式距离，选择具有d
yt
最小的脑电信号，判定为噪音，将其删除或者置零处理，以完成眼电伪迹的去除。最后获得降噪后较为纯净的脑电信号数据。
[0045]
4、特征选择和有效特征向量构建。
[0046]
(1)针对网络游戏数据：在特征选择过程中采用主成分分析法 (pca)对收集的数据特征进行了降维处理。
[0047]
(2)将经步骤3降噪后的脑电信号数据的脑波特征向量记为be：be＝[delta high_alpha high_beta low_alpha low_beta low_gammatheta middle_gamma]。进行综合核函数φ计算得出疫情心理指数(ci)， ci＝φ(be)。
[0048]
(3)将步骤4的步骤(1)、(2)获得的数据特征进行组合，形成疫情发展情况预测有效特征向量。
[0049]
5、基于lstm建立疫情发展情况的预测模型。
[0050]
(1)在输入层按照采集单位为每天，定义疫情全阶段的脑电数据和网络游戏数据集为fn＝(x1，x2，...，x
t
，...，xn)，数据集中 x
t
＝{ci
t
，sex
t
，age
t
，o_d
t
，i_o_t
t
，agg
t
，c_t
t
，s_d
t
，t_t
t
，p_e
t
，n_e
t
，p_w
t
，n_w
t
，app
t
}，其中 ci，sex，age，o_d，i_o_t，agg，c_t，s_d，t_t，p_e，n_e，p_w，n_w，app分别表示t时刻对应的步骤4 中的各有效特征向量。
[0051]
训练过程中采用均方误差(e
ms
)作为损失计算函数：其中，l为窗口长度，pi为实际输出，yi为理论输出。以损失最小为最优目标，并应用adam优化算法不断更新网络的权重，直至网络损失最小。
[0052]
(2)采用全数据集的形式确定网络游戏预测疫情发展情况预测模型参数，利用控制变量的方法确定模型参数，具体如下所示：
[0053]
1)固定疫情发展情况预测模型中非关键参数取值，选择批次大小为128，并确定重复训练的次数2000；
[0054]
2)确定重要参数的范围以简化整个的调参过程，其中隐含节点数经验公式为其中τ为隐含层节点数，q为输入层节点数，i为输出层节点数，rd∈[1，10]，rd∈n。
[0055]
3)非关键参数条件下，一次选择不同的隐含层节点数，判断不同的学习效率对于测试集rmse的影响；完成最终参数的调优。
[0056]
6、根据上述步骤，分析、计算得出当前疫情发展情况，并对接下来的进展进行结果展示。疫情发展情况的预测结果包括时间和空间两个维度，具体可以包括基于地理区域信息的疫情心理图和基于时间轴的疫情线。
[0057]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。若未特
别指明，实施例中所用的技术手段为本领域技术人员所熟知的常规手段。
[0058]
实施例
[0059]
1、本实施例的相关数据来自于波克公司旗下的斗地主游戏数据。数据收集时间段包括：(1)正常时期：201z年全年、201n年上半年数据。(2)疫情最严重期间数据：202x年1月23日～202x年2月3日；因为201n年底、202x年初，全球爆发疫情，以202x年1月23日为疫情最严重期间的起点，春节后原法定第一个工作日(2月3日)为终点。(3)当下(并非指专利撰写日，而是指采集数据的时间)：202x年2月 10日～202x年2月16日、202x年2月17日～202x年2月24日、202x 年3月2日～202x年3月13日、202x年4月1日～202x年4月6日、 202x年4月7日～202x年4月12日。
[0060]
采集网络游戏数据指标包括：玩家id、性别、年龄、ip地址、在线时长、进出游戏次数、打开app次数、反应玩家情绪和理智程度的指标；所述反应玩家情绪和理智程度的指标包括：激进程度、叫地主局数、单次出牌时长、点击牌次数、积极emoji次数、消极emoji次数、积极文字次数、消极文字次数。采集的脑电数据指玩家佩戴便携式脑电设备采集的数据，包括delta、high_alpha、high_beta、low_alpha、low_beta、low_gamma、theta、middle_gamma。需要说明的是，脑电数据只是作为辅助，因时间和疫情管控等关系，只有202x年3月及以后的数据同时包括网络游戏数据和脑电数据。脑电数据来自线下招募的方式招募的 1000名志愿者(以邮寄设备等方式将设备提供给志愿者，再由志愿者定期返回数据)，平均年龄30.88
±
4.14岁，男女不限，能够熟练使用智能手机和微信，均无医学专业背景。
[0061]
2、根据收集的数据，按图1的流程进行处理和分析，具体包括如下步骤：
[0062]
(1)数据预处理：
[0063]
1)在网络游戏数据方面，对于数据缺失的维度，采取周围平均化的方法进行填补，以完成所有缺失数据的完善，填补方法为：取上下两次的数据平均数作为缺失部位的数据；对部分冗余数据进行数据的查重和替换删除。
[0064]
2)针对脑电数据中存在的复杂噪音，进行数据降噪：
[0065]
将原始脑电信号降采样处理为256hz；再通过带通滤波将数据滤波到1.5hz到50hz之间；对于脑电信号里的眼电信号数据y[y1，y2，...，yn]和经过fastica分离的各独立成分ti[ti1，ti2，...，tin]，经过归一化后计算它们之间的欧氏距离：
[0066][0067]
通过计算各信号矩阵与眼电信号数据y[y1，y2，...，yn]之间的欧式距离，选择具有d
yt
最小的脑电信号，判定为噪音，将其删除，以完成眼电伪迹的去除。最后获得降噪后较为纯净的脑电信号数据。
[0068]
(2)特征选择和有效特征向量构建。
[0069]
1)针对网络游戏数据：在特征选择过程中采用主成分分析法(pca) 对收集的数据特征进行了降维处理：
[0070]
将原始数据按列组成j行k列的矩阵o；将矩阵o的每一行零均值化；求出协方差矩阵求出协方差矩阵的特征值及对应的特征向量。将特征向量按对应特征从上到
下由大到小按行排列成矩阵，取前 i行组成矩阵p。计算得到的矩阵y，即为o降维到i维后的数据。
[0071]
最终选择了13维变量参与构建疫情发展情况预测模型，维度包括：性别、年龄、在线时长、进出房间次数、激进程度、叫地主局数、单次出牌时长、点击牌次数、积极emoji次数、消极emoji次数、积极文字次数、消极文字次数以及打开app次数。
[0072]
2)针对脑电信号数据：将降噪后的脑电信号数据的脑波特征向量记为be：be＝[delta high_alpha high_beta low_alpha low_beta low_gamma theta middle_gamma]。进行综合核函数φ计算得出疫情心理指数(ci)，ci＝φ(be)。具体包括如下步骤：
[0073]
设置拟合函数ci＝w
tbi
，w表示拟合函数的参数，bi表示数据集be 中第i条数据。
[0074]
确定损失函数：n为定值，代表数据集的记录数，yi表示第i个疫情指数；
[0075]
求解参数w：
[0076][0077]
并对w求偏导，确定loss取极小值时参数w的值：
[0078][0079]bt
bw＝b
t
y。w＝(b
t
b)-1bt
y。
[0080]
从而完成函数拟合，求出与网络游戏数据同时采集的脑波信号的疫情心理指数(ci)。
[0081]
(3)将步骤(2)获得的数据特征进行组合，形成疫情发展情况预测有效特征向量。如果没有收集脑电信号数据，则有效特征缺少疫情心理指数(ci)，其余相同。
[0082]
(4)基于lstm建立疫情发展情况的预测模型。
[0083]
1)在输入层按照采集单位为每天，定义疫情全阶段的脑电数据和网络游戏数据集为fn＝(x1，x2，...，x
t
，...，xn)，数据集中 x
t
＝{ci
t
，sex
t
，age
t
，o_d
t
，i_o_t
t
，agg
t
，c_t
t
，s_d
t
，t_t
t
，p_e
t
，n_e
t
，p_w
t
，n_w
t
，app
t
}，其中 ci，sex，age，o_d，i_o_t，agg，c_t，s_d，t_t，p_e，n_e，p_w，n_w，app分别表示t时刻对应的疫情心理指数、性别、年龄、在线时长、进出房间次数、激进程度、叫地主局数、单次出牌时长、点击牌次数、积极emoji次数、消极emoji次数、积极文字次数、消极文字次数以及打开app次数。
[0084]
训练过程中采用均方误差(e
ms
)作为损失计算函数：其中，l为窗口长度，pi为实际输出，yi为理论输出。以损失最小为最优目标，并应用adam优化算法不断更新网络的权重，直至网络损失最小。
[0085]
2)采用全数据集的形式确定网络游戏预测疫情发展情况预测模型参数，利用控制
变量的方法确定模型参数，具体如下所示：
[0086]
固定疫情发展情况预测模型中非关键参数取值，选择批次大小为 128，并确定重复训练的次数2000；
[0087]
确定重要参数的范围以简化整个的调参过程，其中隐含节点数经验公式为其中τ为隐含层节点数，q为输入层节点数， 1为输出层节点数，rd∈[1，10]，rd∈n。
[0088]
非关键参数条件下，一次选择不同的隐含层节点数，判断不同的学习效率对于测试集rmse的影响；完成最终参数的调优。
[0089]
(5)根据上述步骤，分析、计算得出当前疫情发展情况，并对接下来的进展进行结果展示。疫情发展情况的预测结果包括时间和空间两个维度，具体包括基于地理区域信息的疫情心理图和基于时间轴的疫情线。
[0090]
地理区域信息疫情心理图以202y年1月14日预测的地理区域信息疫情心理图为例，结合网络游戏数据和脑电信号数据，结果如图2所示。图2中，出现实心框点的位置表示该地区人们的疫情心理指数，圆框越大，表示该地区人们的疫情心理指数越大，判断为当地的疫情越严重。预测结果与当日实际情况高度吻合。
[0091]
基于时间轴的疫情线以202y年1月13日至202y年1月19日a省地区疫情为例，如图3所示。图3中，纵坐标表示疫情心理指数，范围为[0，100]，疫情心理指数越大，判断预测当地的疫情越严重。预测结果与实际情况高度吻合。
[0092]
同时以表1展示各时间段的计算结果与现实对应情况。需要说明的是，申请人并非只统计、分析、计算了表1中展示的时间。疫情心理指数越高，表明疫情越严重，其中疫情心理指数范围[0，20]代表正常，超过20代表出现疫情，[60，100]表示疫情严重。
[0093]
表1计算结果与现实对应关系展示表
[0094]
[0095][0096]
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形、变型、修改、替换，均应落入本发明权利要求书确定的保护范围内。