[发明专利]关联网络的影响传播分析和模式识别方法、系统、设备

权利要求书

1.针对动态关联网络进行影响传播的分析方法，其特征在于：包括以下步骤：

输入动态关联网络信息，以形成动态关联网络；所述动态关联网络包括动态节点集合V(t)、动态节点的关联边集合E(t)；所述动态关联网络信息为金融信息，所述动态节点集合V(t)中的节点为企业、机构、单位或个人；所述关联边集合E(t)中的关联边为企业、机构、单位和个人之间的关联关系；

获取所述动态关联网络在设定的最大传播度数内的关联路径；

根据所述关联路径提取对应节点的类别和关联边的类别，获取关联路径类别；

根据关联路径类别，以时间点t为基础，通过节点的数值型属性A，计算有关联边的各节点类别之间的影响传播溢出效应系数，所述影响传播溢出效应系数代表在属性A上，节点类别C_i的波动在对应关联边类别上对节点类别C_j所造成的影响。

2.根据权利要求1所述的针对动态关联网络进行影响传播的分析方法，其特征在于：

所述动态节点集合为，其中代表节点，，N表示节点的个数；C是节点的字符型属性，代表节点的类别；A是节点的数值型属性；_A(t)代表节点在t时刻所对应的数值型属性值；

所述节点的字符型属性C为行业、类型或地域；所述节点的数值型属性A为股价、资产、利润或亏损；

所述动态节点的关联边集合为，其中代表节点间的关联边，，M表示关联边的条数；L代表关联边的类别；_L(t)代表t时刻关联边的类别。

3.根据权利要求2所述的针对动态关联网络进行影响传播的分析方法，其特征在于：还包括步骤：

将关联路径类别对应关联路径上的节点按照关联顺序放入对应集合中；并计算各集合中包含节点的数值型属性值_A(t)在对应各时刻的加权平均值；所述加权平均值代表对应节点类别的数值属性值。

4.根据权利要求3所述的针对动态关联网络进行影响传播的分析方法，其特征在于：所述根据关联路径类别，以时间点t为基础，通过节点数值型属性A，计算有关联边的各节点类别之间的影响传播溢出效应系数的步骤，包括：

每种关联路径类别对应的节点类别集合为：类别C₁、类别C₂、…类别C_N，分别具有数值属性时间序列加权平均值At(C₁)、数值属性时间序列加权平均值At(C₂)、…数值属性时间序列加权平均值At(C_N)，以各节点类别对应的数值属性时间序列加权平均值为依据，通过多元DCC-GARCH模型计算两两节点类别之间的影响传播溢出效应系数。

5.根据权利要求4所述的针对动态关联网络进行影响传播的分析方法，其特征在于：所述通过多元DCC-GARCH模型计算两两节点类别之间的影响传播溢出效应系数的步骤，包括：

通过多元DCC-GARCH模型计算出随机变量之间的动态相关系数，使用最近的若干期相关系数的绝对值的均值作为两两节点类别对应的数值属性时间序列加权平均值之间的影响传播溢出效应系数。

6.根据权利要求3所述的针对动态关联网络进行影响传播的分析方法，其特征在于：所述根据关联路径类别，以时间点t为基础，通过节点数值型属性A，计算有关联边的各节点类别之间的影响传播溢出效应系数的步骤，包括：

每种关联路径类别对应的节点类别集合为：类别C₁、类别C₂、…类别C_N，分别具有数值属性时间序列加权平均值At(C₁)、数值属性时间序列加权平均值At(C₂)、…数值属性时间序列加权平均值At(C_N)，以各类别对应的数值属性时间序列加权平均值为依据，通过多元BEKK-GARCH模型计算两两节点类别之间的影响传播溢出效应系数。