申请/专利权人：洪志令

申请日：2019-11-21

公开（公告）日：2020-03-31

公开（公告）号：CN110942188A

主分类号：G06Q10/04(20120101)

分类号：G06Q10/04(20120101);G06Q40/04(20120101)

优先权：

专利状态码：在审-实质审查的生效

法律状态：2022.09.23#实质审查的生效;2020.03.31#公开

摘要：本发明公开了一种基于时态联动挖掘的时间序列预测方法及其装置。方法用于挖掘类似规则：如果A时间序列大涨或大跌，那么k个时间期后B时间序列大涨或大跌的概率为x％。方法分为两个阶段。在规则挖掘阶段，针对所有时间序列的每时间期涨跌幅数据，经过简单量化后，统计不同时间序列之间在间隔的一小段时间期内联动大涨或大跌的次数，同时计算出现该联动的支持度和置信度，最后生成联动规则。在规则应用阶段，每时间期根据每只时间序列的涨跌情况进行触发生成，生成的规则分为大涨正面、大涨反面、大跌正面、大跌反面四种类型。方法为时间序列的短期预测提供了一种新方法，改进了传统预测方法的不足，提高了准确性。

主权项：1.一种基于时态联动挖掘的时间序列预测方法及其装置，其特征在于所述方法包括如下步骤：方法分为两个阶段，规则挖掘阶段和规则应用阶段，一、规则挖掘阶段1对基础统计数据及映射数据进行准备；1.1获取所有时间序列的列表，并为每只时间序列从0开始进行顺序编号，形成时间序列与编号的哈希映射表HashSeries:ID，和编号与时间序列的哈希映射表HashID:Series；1.2获取某个最长时间序列某个时间期以来所有时间期，并对时间期从小到大排序后，从0开始顺序编号，形成时间期与编号的哈希映射表HashDate:ID，和编号与时间期的哈希映射表HashID:Date；1.3获取每只时间序列在历史的大涨次数和大跌次数，形成时间序列与大涨次数的哈希映射表HashSeries:UpCount，和时间序列与大跌次数的哈希映射表HashSeries:DownCount；获取每只时间序列的总次数，形成时间序列与总次数的哈希映射表HashSeries:Count；2加载大涨和大跌的时间序列数据，并各自填充到二维统计数组里面；2.1定义两个二维统计数组:StatUp[n,m]和StatDown[n,m]，其中n代表所有时间序列的数量，m代表最长时间序列某段时间以来总的时间期的数量；2.2获取每只时间序列大涨的时间期，以1填充StatUp[n,m]的相应位置，具体为：对于每只时间序列，在得到其时间序列代码及大涨的时间期后，通过HashSeries:ID获取行编号，通过HashDate:ID获取列编号，最后设置StatUp数组的行列编号对应位置为1，其余位值设置为0；2.3获取每只时间序列大跌的时间期，以1填充StatDown[n,m]的相应位置，具体为：对于每只时间序列，在得到其时间序列代码及大跌的时间期后，通过HashSeries:ID获取行编号，通过HashDate:ID获取列编号，最后设置StatDown数组的行列编号对应位置为1，其余位值设置为0；3基于统计数组进行时态间隔时间为1时间期、2时间期和3时间期的联动统计，包括大涨联动统计和大跌联动统计；对StatUp和StatDown两个数组分别进行时态联动统计，时态间隔时间仅取3种情况：间隔1时间期，间隔2时间期，间隔3时间期；3.1大涨联动统计：分别对时态间隔时间的3种情况进行大涨的联动统计，具体为：a.设置3个一维跟踪数组Stat1[n]、Stat2[n]、Stat3[n]，n为所有时间序列的数量；b.对于StatUp中的每一行，逐位进行扫描，如果位值为1，则进入下一步，否则跳过；c.获取该1位置所对应的列编号，对该列位置减1，减2和减3的三列进行竖的扫描，如果位值为1，则将该值累加统计到跟踪数组中；列位置减1，减2和减3的三列的扫描统计数据分别记录到Stat1[n]、Stat2[n]、Stat3[n]；跟踪数组的每行实际上是与每只时间序列一一对应的；d.计算支持度和置信度；对于3个跟踪数组的每一行，通过HashID:Series获取时间序列代码，通过HashSeries:UpCount获取大涨次数，通过HashSeries:Count获取总次数；最后大涨联动统计的支持度和置信度定义为：支持度up＝100*大涨次数总次数；置信度up＝100*跟踪数组的统计次数大涨次数；3.2大跌联动统计：分别对时态间隔时间的3种情况进行大跌的联动统计；具体过程与大涨联动统计过程类似；统计对象为StatDown二维数组，大跌次数通过HashSeries:DownCount获得，最后大跌联动统计的支持度和置信度定义为：支持度down＝100*大跌次数总次数；置信度down＝100*跟踪数组的统计次数大跌次数；4基于联动统计结果，挖掘生成大涨的正反面规则和大跌的正反面规则；4.1大涨正面规则生成：设定最小支持度minSupport、最小置信度minConfidence和最少时间期次数minPeriodCount参数，基于大涨联动统计和计算的结果，获取支持度大于minSupport，置信度大于minConfidence，时间期次数大于minPeriodCount的元组，这些元组构成大涨正面规则的元组组合：UpRule+＝{SeriesASeriesB,Interval,Support,Confidence}其中，每条元组代表时间序列SeriesA大涨，在间隔时间Interval后，在支持度Support下，时间序列SeriesB大涨的置信度或概率为Confidence；4.2大涨反面规则生成：设定最小支持度minSupport、最大置信度maxConfidence和最少时间期次数minPeriodCount参数，基于大涨联动统计和计算的结果，获取支持度大于minSupport，置信度小于maxConfidence，时间期次数大于minPeriodCount的元组，这些元组构成大涨反面规则的元组组合：UpRule-＝{SeriesA,SeriesB,Interval,Support,Confidence}其中，每条元组代表时间序列SeriesA大涨，在间隔时间Interval后，在支持度Support下，时间序列SeriesB不会大涨的置信度或概率为Confidence；4.3大跌正面规则生成：设定最小支持度minSupport、最小置信度minConfidence和最少时间期minPeriodCount参数，基于大跌联动统计和计算的结果，获取支持度大于minSupport，置信度大于minConfidence，时间期次数大于minPeriodCount的元组，这些元组构成大跌正面规则的元组组合：DownRule+＝{SeriesA,SeriesB,Interval,Support,Confidence}其中，每条元组代表时间序列SeriesA大跌，在间隔时间Interval后，在支持度Support下，时间序列SeriesB大跌的置信度或概率为Confidence；4.4大跌反面规则生成：设定最小支持度minSupport、最大置信度maxConfidence和最少时间期次数minPeriodCount参数，基于大跌联动统计和计算的结果，获取支持度大于minSupport，置信度小于maxConfidence，时间期次数大于minPeriodCount的元组，这些元组构成大跌反面规则的元组组合：DownRule-＝{SeriesA,SeriesB,Interval,Support,Confidence}其中，每条元组代表时间序列SeriesA大跌，在间隔时间Interval后，在支持度Support下，时间序列SeriesB不会大跌的置信度或概率为Confidence；二、规则应用阶段5加载每日大涨时间序列的涨幅，搜索应用大涨的正反面规则，生成联动规则结果；5.1大涨正面规则应用：基于UpRule+＝{SeriesA,SeriesB,Interval,Support,Confidence}，对于每只时间序列的代码，通过匹配SeriesB列，获取SeriesA列所有相关的时间序列代码，如果元组SeriesA列的时间序列代码存在于HashSeries:ChangeUp，则说明规则条件成立，获取SeriesA的具体涨幅X％，生成联动规则：SeriesA大涨X％，SeriesB在Interval天后大涨的概率为Confidence％；5.2大涨反面规则应用：基于UpRule-＝{SeriesA,SeriesB,Interval,Support,Confidence}，对于每只时间序列的代码，通过匹配SeriesB列，获取SeriesA列所有相关的时间序列代码，如果元组SeriesA列的时间序列代码存在于HashSeries:ChangeUp，则说明规则条件成立，获取SeriesA的具体涨幅X％，生成联动规则：SeriesA大涨X％，SeriesB在Interval天后不会大涨的概率为Confidence％；6加载每日大跌时间序列的跌幅，搜索应用大跌的正反面规则，生成联动规则结果；6.1大跌正面规则应用：基于DownRule+＝{SeriesA,SeriesB,Interval,Support,Confidence}，对于每只时间序列的代码，通过匹配SeriesB列，获取SeriesA列所有相关的时间序列代码，如果元组SeriesA列的时间序列代码存在于HashSeries:ChangeDown，则说明规则条件成立，获取SeriesA的具体跌幅X％，生成联动规则：SeriesA大跌X％，SeriesB在Interval天后大跌的概率为Confidence％；6.2大跌反面规则应用：基于DownRule-＝{SeriesA,SeriesB,Interval,Support,Confidence}，对于每只时间序列的代码，通过匹配SeriesB列，获取SeriesA列所有相关的时间序列代码，如果元组SeriesA列的时间序列代码存在于HashSeries:ChangeDown，则说明规则条件成立，获取SeriesA的具体跌幅X％，生成联动规则：SeriesA大跌X％，SeriesB在Interval天后不会大跌的概率为Confidence％。

全文数据：

权利要求：

百度查询： 洪志令 一种基于时态联动挖掘的时间序列预测方法及其装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD