[发明专利]累积效应识别方法及装置

说明书

技术领域

本发明涉及数据挖掘技术领域，具体而言，涉及一种累积效应识别方法及装置。

背景技术

近年来，中国正式开启大数据时代，每个行业各种各样的信息以及数据呈现爆炸式的增长，面对海量数据的处理，数据挖掘是一个必需的选择。数据挖掘是一门综合性的学科，它结合了其它基础学科的重要理论，其主要功能是提取出隐藏在大量数据中有用的模式和规则，其核心工作是分析各种参数之间相互影响的规律。在未考虑累积效应的数据挖掘算法中，对于时间序列的处理采用静态相似的算法，一般是从历史数据中挖掘与目标参数以及其它影响变量相似的数据，这种方法没有考虑数据之间存在的相关性，导致结果偏差较大。累积效应的本质是事物存在动态的规律变化特性，其转变了原有的由静态相似数据分析思维为动态相似数据分析思维。

目前，学者们分析累积效应影响已经经验充足，但是累积效应的识别仍然停留在专家人工观测的阶段。对于参数变化不确定性大的研究对象，由于专家人工观测法严重依赖研究专家的个人经验，并需要消耗大量的时间与精力，才能确定累积效应的存在。此外，专家人工观测法并不具备普适性。对于新的数据，专家人工法又需要重新进行大量经验的积累，观测才能识别累积效应的存在。

发明内容

本发明的目的在于提供一种累积效应识别方法及装置，其能够有效改善上述问题。

本发明的实施例是这样实现的：

第一方面，本发明实施例提供了一种累积效应识别方法，所述方法包括：获取预设时间长度内的研究对象的第一时间子序列以及影响因子的第二时间子序列，并根据所述第二时间子序列构建所述影响因子的历史序列；获取所述研究对象和所述影响因子的二元拟合结果，以及所述第一时间子序列、所述第二时间子序列和所述历史序列的多元拟合结果；基于所述二元拟合结果及所述多元拟合结果，判断所述影响因子对所述研究对象是否存在累积效应。

第二方面，本发明实施例还提供了一种累积效应识别装置，其包括序列获取模块，用于获取预设时间长度内的研究对象的第一时间子序列以及影响因子的第二时间子序列，并根据所述第二时间子序列构建所述影响因子的历史序列；拟合结果获取模块，用于获取所述研究对象和所述影响因子的二元拟合结果，以及所述第一时间子序列、所述第二时间子序列和所述历史序列的多元拟合结果；累积效应判断模块，用于基于所述二元拟合结果及所述多元拟合结果，判断所述影响因子对所述研究对象是否存在累积效应。

本发明实施例提供的累积效应识别方法及装置，先获取预设时间长度内的研究对象的第一时间子序列以及影响因子的第二时间子序列，并根据所述第二时间子序列构建所述影响因子的历史序列，可获得所述研究对象与影响因子的同期数据，以及所述影响因子的历史数据；之后再获取所述研究对象和所述影响因子的二元拟合结果，以及所述第一时间子序列、所述第二时间子序列和所述历史序列的多元拟合结果，即可获得所述研究对象与所述影响因子的同期数据的二元拟合结果，以及考虑到所述影响因子历史数据的多元拟合结果；最后，基于所述二元拟合结果及所述多元拟合结果，判断所述影响因子对所述研究对象是否存在累积效应，可通过将考虑了历史数据的多元拟合结果与只考虑同期数据的二元拟合结果对比，推断出所述影响因子对所述研究对象是否存在累积效应。和现有技术相比，本发明提供了一种有效且智能化的累积效应识别方法及装置，其基于动态变化规律的思想，不仅考虑了累积效应的研究对象与影响因子同期数据之间的关系，还考虑了研究对象与影响因子历史数据之间随时间的变化关系，通过将考虑了历史数据的多元拟合结果与只考虑同期数据的二元拟合结果对比，最后即可基于数据结果推断出是否存在累积效应，该方法并不依赖人工观测，适用于各个领域对累积效应的研究。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为一种可应用于本发明实施例中的电子设备的结构框图；

图2为本发明第一实施例提供的累积效应识别方法的流程框图；

图3为本发明第一实施例中步骤S200的子步骤流程框图；

图4为本发明第一实施例中步骤S210的子步骤流程框图；

图5为本发明第一实施例中步骤S220的子步骤流程框图；

图6为本发明第一实施例中步骤S510的子步骤流程框图；

图7为本发明第一实施例中步骤S520的子步骤流程框图；