CN102231672A - 基于信息网络的数值评估方法及系统 - Google Patents

Abstract

本发明涉及一种基于信息网络的数值评估方法及系统，执行以下主要步骤：从用户终端接收数据包，所述数据包含有评估对象识别码、用户识别码估值；对所述数据包进行预处理，将产生的结构化数据存入数据库中；从数据库中提取相关联的评估对象识别码、用户识别码和估值进行处理；判断所述估值的有效性；对有效估值进行处理，将结果与所述评估对象识别码和用户识别码相关联；对异常估值进行处理，将结果与所述评估对象识别码和用户识别码相关联。本发明采用了鉴别估值的有效性的步骤，利用了客观存在的统计学规律，能够自动预测下一个估值的有效性，以甄别出异常估值。本发明具备以下优点：高效率、低成本、充分地利用大量用户提供的评估信息；从整体上提高数值评估结果的可信度；能直接对用户的异常估值做出实时反馈；能迅速提供更全面的评估结果。

Description

基于信息网络的数值评估方法及系统

技术领域

本发明涉及一种数值评估方法及系统，尤其涉及基于信息网络的面向很多用户的数值评估方法及系统。

背景技术

随着互联网和无线通信技术的不断发展，在日常生活和工作中，人们越来越多地通过各种电子信息终端来及时收集和传送信息，在数以亿万计的个人计算机、无线上网设备和智能手机等信息终端之间形成了不受地域限制的实时互联的信息网络。网络信息的表现形式就是各种格式的数据，各种设备之间按照协议来交换数据包，最常用的是Internet协议。一方面，在信息网络上随时都有成千上万的在线用户；另一方面，在线的服务器与在线用户的信息终端之间保持动态的网络连接，由服务器集中处理从大量用户终端采集到信息，然后服务器在线发布信息处理的结果，供用户终端从在线的服务器获取这些结果。

在一些社会经济活动中，需要对特定的对象进行定量描述，而这类数值可能很难通过物理测量的方法来获得，往往采用调查评估方法。常规的调查评估方法，一般是先向参与调查的一组评估者发放和回收问卷，然后整体出样本，最后对样本进行数值分析，拟合出定量的结果。这种估值方法非常耗时，综合成本较高，而且调查者的参与机会受到很多限制，不利于提高估值的准确性和可信度。虽然在一些评估过程中，在个别环节利用了信息网络，如电话调查、网络在线征集信息，在一定程度上提高了效率，扩大了参与者的来源，但是，现有方法所提供的评估结果都只包含较简单的信息，用户得到的实时信息反馈也很有限，也不能充分发挥信息网络技术在数值评估中的应用价值。

广泛运用的信息网络设施也在不断升级，提供了优化数值评估方法的技术基础，可以将信息网络的更多功能用于数值评估系统，有利于扩大服务范围和提高信息汇集效率，从而降低评估成本，产生更丰富更可靠的评估结果。由于多功能便携式信息终端的普及，很多用户能够随时随地上网，终端用户对服务器端的应用程序具有更高程度的参与，新一代网络社会正在以WEB2.0为特征推进演化。为了更多地利用WEB2.0模式的自发性、互动性、随机性和扩散性，实时反馈评估信息，引导散布于各地的评估者有效参与，提高评估结果的实时性、准确性和可信度，就需要对基于信息网络的数值评估方法和系统加以改进。

发明内容

本发明要解决的技术问题在于提供一种数值评估方法及系统，以解决现有技术中的数值评估方法通过信息网络自动提供的评估结果过于简单，不能充分地即时地利用大量用户提供的评估信息，不能直接对用户评估的准确性做出实时反馈，也不能高效率地并行处理大量评估对象的数值评估过程等问题。

解决本发明的技术问题所采用的技术方案是一种数值评估方法，用于处理用户终端通过信息网络发送的关于评估对象的数据包，其特征在于包括以下步骤：步骤S11，从所述用户终端接收第一种数据包，所述第一种数据包含有第一组关联数据，所述第一组关联数据包括一个评估对象识别码、一个用户识别码和一个估值，所述用户终端与所述的一个用户识别码相关联；步骤S12，对所述的第一种数据包进行预处理，所述预处理产生的数据中包括了结构化数据，所述的结构化数据被存入数据库中；步骤S21，从数据库中提取第二组关联数据，包括一个评估对象识别码、一个用户识别码和一个估值，对所述的第二组关联数据进行第一数据处理；步骤S22，利用所述第一数据处理的结果，鉴别所述第二组关联数据的一个估值的有效性，若所述一个估值为有效估值则转到步骤S23，若所述一个估值为异常估值则转到步骤S24；步骤S23，对所述的有效估值进行第二数据处理，将所述的第二数据处理的结果存入数据库中并与所述第二组关联数据的一个评估对象识别码和一个用户识别码相关联，然后转到步骤S11；步骤S24，对所述的异常估值进行第三数据处理，将所述的第三数据处理的结果存入数据库中并与所述第二组关联数据的一个评估对象识别码和一个用户识别码相关联，然后转到步骤S11。

进一步的方案为，步骤S24的最后一项操作被替换为，转到步骤S25；增加步骤S25为，输出异常估值的提示信息，用于与第二组关联数据的一个用户识别码相关联的用户终端，然后转到步骤S11。

进一步的方案为，步骤S11还从所述用户终端接收第二种数据包，所述第二数据包含有用于描述所述评估对象的背景信息、用户注册申请、用户登录请求、用户查询请求中的至少一种；步骤S12还对所述的第二种数据包进行预处理。

进一步的方案为，在步骤S11之前，先执行步骤S10，设置与所述评估对象一一对应的评估对象识别码，以及与所述评估对象识别码相关联的终止条件；步骤S23的最后一项操作被替换为，转到步骤S30；步骤S24的最后一项操作被替换为，转到步骤S30；增加步骤S30为，判断与所述第二组关联数据的一个评估对象识别码相关联的终止条件是否被满足，若所述终止条件被满足，则输出与所述的一个评估对象识别码相关联的评估报告，所述评估报告含有与所述的一个评估对象识别码相关联的数值评估最终值，与所述的一个评估对象识别码相关联的数值评估过程结束，然后转到步骤S10，若所述终止条件未被满足则返回到步骤S11。

进一步的方案为，步骤S22根据统计学规律来鉴别所述第二组关联数据的一个估值的有效性，利用了与所述第二组关联数据的一个评估对象识别码相关联的样本数据，所述样本数据通过对所述数据库进行数据处理而得到。

进一步的方案为，所述的统计学规律包括正态分布，所述的样本数据包括平均值、中值、标准差和有效估值区间极限之中的至少一种。

进一步的方案为，在步骤S30中，若所述终止条件被满足，则还要根据所述的一个评估对象识别码相关联的每一个有效估值与样本数据的相对关系来确定所述每一个有效估值的相对准确性，从而对与所述每一个有效估值相关联的用户识别码所对应的帐户信息进行处理。

进一步的方案为，在步骤S12之后增加步骤S13，执行步骤S13则返回步骤S10，以使步骤S10、S11、S12和S13构成第一循环；在步骤S30中，不论所述终止条件是否被满足，最后一个操作都被替换为转到步骤S21，以使步骤S21、S22、S23、S24和S30构成第二循环。

进一步的方案为，步骤S10还设置与所述评估对象识别码相关联的起始条件；与所述评估对象识别码相关联的起始条件被满足时，步骤S11才开始接收与所述评估对象识别码相关联的第一种数据包。

本发明还提供了一种数值评估系统，用于处理用户终端通过信息网络发送的关于评估对象的数据包，包括以下部分：网络借口模块，用于从所述用户终端接收第一种数据包，所述第一种数据包含有第一组关联数据，所述第一组关联数据包括一个评估对象识别码、一个用户识别码和一个估值，所述用户终端与所述的一个用户识别码相关联；数据输入预处理模块，用于对所述的第一种数据包进行预处理，预处理产生的数据中包括了结构化数据；数据库模块，用于保存所述的结构化数据；数据处理单元的第一模块，用于从数据库中提取第二组关联数据，包括一个评估对象识别码、一个用户识别码和一个估值，对所述的第二组关联数据进行第一数据处理；有效估值鉴别模块，利用所述第一数据处理的结果，用于判断所述第二组关联数据的一个估值的有效性，所述一个估值被判断为有效估值或者异常估值；数据处理单元的第二模块，用于对所述的有效估值进行第二数据处理，将所述的第二数据处理的结果输入所述的数据库模块并与所述第二组关联数据的一个评估对象识别码和一个用户识别码相关联；数据处理单元的第三模块，用于对所述的异常估值进行第三数据处理，将所述的第三数据处理的结果输入所述的数据库模块并与所述第二组关联数据的一个评估对象识别码和一个用户识别码相关联。

本发明的数值评估系统和方法，可以快速地接收和处理大量用户输入的评估信息，针对一个特定评估对象的估值就容易累积成符合客观的统计学规律的大规模样本，因而有效估值鉴别模块能够根据当前样本来自动预测下一个估值的有效性，以甄别出误差偏大的估值。与现有技术相比，本发明的数值评估系统和方法具备以下优点：高效率、低成本、充分地利用大量用户提供的评估信息；从整体上提高数值评估结果的可信度；能直接对用户的异常估值做出实时反馈；能迅速地向用户提供内容更丰富更全面的评估结果。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是基于信息网络的数值评估系统的一种具体实施方式的原理框图；

图2是本发明数值评估方法的第一实施例的前端部分流程图；

图3是本发明数值评估方法的第一实施例的后端部分流程图；

图4是本发明数值评估方法的第二实施例的第一循环流程图；

图5是本发明数值评估方法的第二实施例的第二循环流程图；

图6是本发明数值评估方法的第三实施例的第二循环流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例中的基于信息网络的数值评估系统是一台具有快速计算能力和较大容量数据库的服务器，或者至少一台WEB服务器与至少一台配备数据库的后台服务器组成的计算机系统，该数值评估系统在服务状态中应保持与信息网络(如计算机互联网、无线互联网、计算机局域网、有线电视网络、语音通信网或其结合)的网络连接，该信息网络还联接了很多各种用户终端，如通用计算机、移动电话、无线互联网设备、视频电话、网络电视机等。也就是说，分散于各地的很多用户随时通过各种信息终端进行远程网络通信，经过用户登录验证的终端与数值评估系统都加入到一个包含很多随机节点的信息网络中。

通过上述信息网络，任意用户终端自发地申请登录并向数值评估系统发送信息，而数值评估系统随机地接收到来自不特定用户终端的信息，因此，基于该信息网络的多用户的数值评估是一个典型的随机过程。对于这个数值评估系统所描述的特定评估对象，如果该评估对象具有可量度的内在属性，该内在属性能够用一个理论值E(通常是一个实数)来表征，随机参与评估过程的用户做出的关于理论值E的估值V就成为一个随机变量。一般情况下，用户受到客观规律和理性常识的约束，因此该随机变量V的数值也受客观规律的支配。只要排除或尽量减少用户的主观局限或人为干扰，估值V的分布就基本符合统计学规律，当估值V的样本量足够大时一般趋近于正态分布，根据估值V的样本分布规律就能导出与理论值E误差很小的数值评估最终值E_f。

本发明所述的数值评估系统连接到信息网络上，为了一直保持在线服务状态，实时响应多个用户终端的访问请求，该数值评估系统能够同时运行以下程序：网络接口程序、数据输入预处理程序和数据处理程序。其中，数据输入预处理程序或数据处理程序还可能经常调用以下程序：用户信息管理程序、数据输出处理程序、有效估值鉴别程序。基于多任务处理的计算机操作系统，数值评估系统能同时响应多个动态程序的中断请求，或者运行多个并发的程序线程，上述程序模块都能并行处理各自的数据。此外，数值评估系统包括快速的大容量数据库，以上程序模块都能访问数据库。因此，数值评估系统能同时处理多个用户发出的信息，也能同时接收和存储关于很多评估对象的信息。即使面对大量用户的并发的各种访问请求，数值评估系统也能在很短的时间里安全高效地处理全部数据信息。参与数值评估之前，用户需要在信息终端上安装具有特定功能的界面软件，建立与数值评估系统的网络连接。

图1是基于信息网络的数值评估系统的一种具体实施方式的工作原理图，虚线框内显示的该数值评估系统的主要功能包括：数据处理单元，数据库，有效估值鉴别模块，用户信息管理模块，数据输入预处理模块，数据输出处理模块，以及网络接口模块。其中，网络接口与所述信息网络保持双向通信，信息网络上的数据通过网络接口进入数据输入预处理模块，数值评估系统的数据都可以保存在数据库中，数据库与其它模块之间可交换数据，数据处理单元实施主要的数据处理和数据传送，有效估值鉴别模块用于实时预测任一估值的可信程度，数据输出处理模块用于向信息网络发布数据。

根据上述的基于信息网络的数值评估系统的基本原理，本发明的数值评估方法可以有多种不同的具体实施方式，以下对本发明的若干实施例分别进行阐述。

第一实施例

结合图2和图3，对本发明所述的数值评估方法的第一实施例进行详细说明。其中，图2是本发明第一实施例的前端部分流程图，图3是本发明第一实施例的后端部分流程图。

如果用户尚未在数值评估系统注册，就可通过用户终端的界面软件和数值评估系统的网络接口程序进行网络连接，然后用户终端向数值评估系统发送数据包，这些数据包含有申请注册所需的用户信息。数值评估系统通过信息网络收到这些数据包以后，由数据输入预处理程序从数据包中提取注册申请信息再保存到数据库的缓冲区中。所述的用户信息管理程序就会处理数据库的缓冲区中的注册申请信息，为符合条件的用户创建帐户，分配一个唯一的用户识别码(例如：字符串或序号)，而帐户信息都存入数据库中。优选地，在创建帐户之后，还可以调用数据输出处理程序，生成一个输出数据包并发到信息网络上，通过网络接口程序指向该用户的信息终端，用户的界面软件收到数据包后就在终端屏幕上显示结果。

已注册的用户，可通过信息终端上的界面软件向数值评估系统发出登录请求，包括用户识别码U和相应密码，此时用户识别码U与该信息终端相关联。数值评估系统接收到登录请求以后，将用户的登录请求存入数据库的缓冲区。用户信息管理程序处理用户登录请求时，就会查询数据库并将用户识别码U和密码与数据库中保存的帐户信息对照。通过帐户验证之后，用户终端和数值评估系统通过网络接口程序保持网络通信，用户通过界面软件进行操作，比如：发送评估信息(包含估值的评估数据包)或上传评估对象的背景信息。

参与数值评估前，用户必须充分了解评估对象的背景信息，才能及时给出合理的估值。关于评估对象的背景信息，可以由本地的系统管理员预置到数值评估系统的数据库中，给该评估对象分配一个唯一的评估对象识别码Y(例如：字符串或序号)。为了简化评估过程和提高效率，也可以由远程登录的用户直接输入评估对象的背景信息，通过用户的信息终端生成数据包，再传送给数值评估系统。网络接口程序通过信息网络接收这个数据包，再由数据输入预处理程序解开数据包，将评估对象的背景信息存入数据库中，并分配一个唯一的评估对象识别码Y。在数据库中，评估对象的背景信息应与相应的评估对象识别码关联起来。优选地，背景信息还可以包括一组静态或动态的计算机多媒体文件，而用户使用信息终端下载和播放多媒体文件，以更多地了解评估对象的相关属性，有利于提高评估结果的准确性。采用类似方法，远程登录的用户可以补充输入评估对象Y的更多背景信息，通过信息终端生成的数据包就会含有评估对象识别码Y，由数据输入预处理程序将补充的背景信息存入数据库并与评估对象识别码Y关联。

为了方便用户了解评估对象的背景信息、评估过程信息和评估结果，用户登录数值评估系统以后，可以通过信息终端来查询数据库中的相关信息，然后选择合适的评估对象，输入相应的评估信息。采用类似方法，通过用户的信息终端生成的数据包就含有待查询的评估对象识别码Y等信息，由数据输入预处理程序直接查询数据库，再由数据输出处理程序根据查询结果生成相应的输出数据包并发到信息网络上，通过网络接口程序指向该用户的信息终端。比如，用户根据数据库中的信息选择某个评估对象Y，并通过用户终端上的界面软件来实时显示关于评估对象Y的背景信息。

图2所示的第一个步骤S101是接收来自用户终端的访问请求，以上列举了常见的用户访问类型，包括：提交评估信息、查询数据、登录请求、注册请求和提交评估对象的背景信息。数值评估系统通过网络接口程序接收到用户访问请求的数据包以后，由数据输入预处理程序解开数据包并将数据输入数据库的缓冲区，再按照优先级顺序来分别处理。实际上可用多种不同的优先级策略，图2中采用了一种较好的优先级策略，从高到低为：评估信息、查询数据库、登录请求、注册申请、关于评估对象的背景信息。数据输入预处理程序相继执行五个逻辑判断步骤，其相对顺序取决于上述的优先级策略，分别为：判断“评估信息”的步骤S102，判断“查询数据库”的步骤S103，判断“登录请求”的步骤S104，判断“注册申请”的步骤S105，判断“评估对象背景信息”的步骤S106。如图2所示，根据上述五个逻辑判断步骤的结果，按照用户访问请求的类型分别处理信息：对应于步骤S102，主要由数据处理程序(在其它程序的配合下)执行步骤S120，以处理评估信息；对应于步骤S103，数据输出处理程序执行步骤S109，将数据输入预处理程序从数据库中查询到的信息反馈给用户终端；对应于步骤S104，用户信息管理程序执行步骤S107，根据数据库中的账户信息来验证用户的登录请求；对应于步骤S105，用户信息管理程序执行步骤S108，为符合条件的用户在数据库中创建帐户；对应于步骤S106，数据输入预处理程序执行步骤S110，分配评估对象识别码，并且将数据库中的背景信息与评估对象识别码关联起来；若用户的访问请求不属于上述五种类型，则直接返回步骤S101，以接收下一个用户访问请求。执行步骤S120、S109、S107、S108或S110之后，也要返回步骤S101，以接收下一个用户访问请求。

在本实施例中，与评估对象识别码Y关联的背景信息可以包括：该评估对象在未来的评估的起始时刻T₀，起始样本数S₀(一般在5至30之间选取)，以及评估的终止条件(例如：因评估不成功而提前结束的结束时刻T_s应晚于起始时刻T₀；估值样本数目的最大值S_max一般远大于S₀)。根据经验，对于近似正态分布的估值V，当样本数达到30时，估值V的统计学信息具有很高的可信度。基于信息网络的数值评估系统，利用了信息网络的多用户随机参与的便捷性，以求适应对于数值评估的一个基本要求：在尽可能短的时间内，获得尽可能多的估值V，产生可信的评估结果。为了避免数值评估的过程耗费太多时间却仍然得不到可信的结果，可在数值评估系统中预设非正常情况下的退出条件。预设的起始样本数S₀也不宜过大，以利于数值评估系统较快地判断出异常的估值。

数据库的缓冲区中还有动态的评估对象列表，按起始时刻T₀的顺序，评估对象识别码Y连同起始时刻T₀和状态值F＝00(意为“未启动”)被插入到评估对象列表中，此操作可由图2中的步骤S110来实现，也就是由数据输入预处理程序来完成。每隔一段时间(比如0.5秒左右)，数据处理程序就把数据库缓冲区中的评估对象列表扫描一遍，将评估对象列表中的起始时刻T₀依次与数值评估系统的内部时钟进行比较。当内部时钟达到评估对象Y的起始时刻T₀，数据处理程序就激活评估对象Y，也就是将评估对象Y在评估对象列表中的状态值改为F＝01(意为“已启动”)，再根据相关的背景信息在数据库中创建一组关于评估对象Y的中间数据(也称为样本数据)。数据处理程序可以随时从数据库读取某个评估对象的样本数据，对样本数据处理之后，该评估对象的样本数据就被刷新，因此数据处理程序可以随时在多个评估对象的评估进程之间跳转。除了数据处理程序扫描评估对象列表的方式，还可以由系统管理员直接激活评估对象Y，以实际的激活时刻代替上述的起始时刻T₀。显然，在数值评估系统激活评估对象Y之前，不会允许用户终端发送关于评估对象Y的评估信息(包含估值的数据包)。

用户通过信息终端查询数据库缓冲区中的评估对象列表，就知道哪些评估对象已被激活，再从数据库中查询评估对象的详细信息。这使得每个用户都可选择多个评估对象分别参与评估，而不受用户地理位置和不同作息时间的限制。用户查询评估对象的详细信息时，数据输出处理程序生成输出数据包，复制了评估对象Y的一部分必要的背景信息(如：评估对象识别码Y，起始时刻T₀，估值样本数目的最大值S_max，以及相关的多媒体文件)，参与评估的用户信息终端通过数值评估系统的网络接口程序来远程下载输出数据包，再转化成终端屏幕页面信息。

数值评估系统激活评估对象Y之后，用户就能针对评估对象Y发出评估信息了。用户U从信息终端登录后针对评估对象Y生成一个评估数据包，在该评估数据包内含有一组关联数据，其中包括用户识别码U、评估对象识别码Y和估值V(一般也是实数)，此时用户识别码U与该信息终端相关联。评估数据包通过信息网络发送给数值评估系统，被数值评估系统的网络接口程序在系统内部时钟对应的时刻T(称为评估时刻)接收，然后，数据输入预处理程序判断这是评估信息，就将这个评估数据包转化为评估对象Y的一组结构化数据(以下称之为“评估向量”)，存入数据库的缓冲区中，每一个评估向量包含一组关联数据。本实施例中，典型的评估向量的数学表达式为X＝{Y，U，V，T}，包括若干个分量，如：用户识别码U、评估对象识别码Y、估值V和评估时刻T。在本实施例中，接收评估数据包的操作，可在图2的步骤S101中实现；生成评估向量X的操作，可在图2的步骤S120中实现。

因为本实施例的数值评估系统允许同时对多个评估对象进行数值评估，信息网络上的各用户终端随机产生评估数据包，针对的评估对象通常也是随机的，而数值评估系统自动采集和处理这些随机的评估数据包。每个评估向量的评估时刻是基于一个共同的数值评估系统时钟来确定的，因此，以评估时刻为顺序，评估对象Y的评估向量就构成一个时间序列，即X₁，X₂，X₃，...，X_n，其中X_n＝{Y，U_n，V_n，T_n}，评估进程Y就按评估时刻T_n的顺序逐个处理这一个时间序列中的评估向量。

当数值评估系统生成评估对象Y的一个新的评估向量X时(包含估值V和评估时刻T)，根据一般的统计学理论，只要在评估时刻T之前已接收到的评估对象Y的估值的数目足够多，根据这种大样本所包含的统计信息，就能对估值V与理论值E之间的偏差做出合理预测。理论上，如果某个随机变量是连续分布的实数，其样本符合正态分布且具有平均

μ和标准差σ，则该随即变量有约68％的概率分布在距离平均值μ小于标准差σ的范围内，约95％的概率分布在距离平均值μ小于两倍标准差2σ的范围内，约99.7％的概率分布在距离平均值μ小于三倍标准差3σ的范围内。在实践中，由于个别因素的干扰，极少数估值可能明显脱离实际，需要数值评估系统来自动鉴别这一类“异常”的估值。例如，与理论值E的绝对差值大于三倍标准差的估值可被视为“异常”，与理论值E的绝对差值小于三倍标准差的估值则为“有效”。基于以上统计学常识，可用数值评估系统在当前评估向量之前的估值样本的平均值来拟合评估对象Y的理论值E，用此样本的实际标准差来拟合理论值E的理论上的标准差。对于实数序列x₁，x₂，…，x_N，可用以下公式计算平均值μ和标准差σ，

$\mathrm{\μ}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_i.$

$\mathrm{\σ}=\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(x_i-\mathrm{\μ})}^2}=\sqrt{\frac{1}{N}\left(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_i^2\right)-{\mathrm{\μ}}^2}$

数据处理程序激活评估对象Y时，同时在数据库中创建评估对象Y的一组样本数据，并且初始化：设置一个计数器变量C₁＝0，表示评估对象Y的评估向量集合中的样本数目，设置一个评估向量集合(初始为一个空集)。根据以上统计学公式，评估对象Y的样本数据的初始化还可包括：求和变量A₁＝0，平方求和变量A₂＝0。计数器数值C₁对应于上述统计学公式中的N值，随着计数器C₁的不断累进，上述公式就简化成μ＝A₁/C₁及

图2中的步骤S120可以进一步细分为多个次级步骤，组成了数值评估方法的后端部分流程，显示在图3的虚线框内。若数据输入预处理程序执行步骤S102并且判断用户的访问请求是评估信息，就接着执行步骤S120中的第一个次级步骤S1201。根据上文中的描述，步骤S1201为，根据用户的评估信息生成评估向量X。在步骤S1201之后，数据处理程序执行步骤S1202，根据该评估向量X的评估对象识别码Y从数据库中读取评估对象Y的样本数据。

在步骤S1202之后，数据处理程序执行步骤S1203，根据计数器数值C₁和预设参数，判断当前的评估向量集合是否包含足够多的估值样本。当计数器数值C₁≤S₀(预设的S₀应大于5)，也就是评估对象Y的估值样本数目还不够多的情况下，上述统计学方法不太适用，因此数据处理程序直接执行步骤S1213如下：根据该评估向量X的估值V来刷新评估对象Y的样本数据，包括计数器C₁＝C₁+1，求和变量A₁＝A₁+V，平方求和变量A₂＝A₂+V²，依据上述平均

的公式来计算理论值E的近似值Z＝A₁/C₁，标准差将该评估向量X添加到评估对象Y的评估向量集合中，然后执行步骤S1220。

当计数器数值C₁＞S₀，即评估对象Y的当前样本数目足够多时，数值评估系统可以利用当前样本数据所包含的统计信息来判断下一个估值的有效性。此时，数据处理程序调用有效估值鉴别程序，而有效估值鉴别程序返回到数据处理程序之前应完成多个关键步骤，以下分别详述可能的几种具体情况。

首先，有效估值鉴别程序执行步骤S1210，计算有效估值区间极限，包括下限变量L₁＝Z-3σ和上限变量L₂＝Z+3σ，以确定有效估值的适当范围。然后，有效估值鉴别程序执行步骤S1211，以判断当前估值的有效性，具体为：若当前估值在有效范围之内，即估值满足条件L₁≤V≤L₂，则判断该估值V和评估向量X为“有效”，接着执行步骤S1213；若当前估值在有效范围之外，即估值满足条件V＜L₁或V＞L₂，则判断该估值V和评估向量X为“异常”，接着执行步骤S1212，然后执行步骤S1213。在步骤S1212中，数据处理程序调用输出数据输出处理程序，由输出数据处理程序生成输出数据包，该输出数据包含有表示“本估值异常”的信息，通过网络接口程序将此信息反馈给该用户所在的信息终端以便及时提醒。

在步骤S1220中，数据处理程序从数据库读取评估对象Y的样本数据以及预设的终止条件，判断评估对象Y是否满足正常的终止条件。若满足正常的终止条件(即C₁≥S_max)，则说明数值评估系统实际收到的估值样本数目达到了预设的最大值S_max，评估对象Y的数值评估过程可以正常结束，数据处理程序执行步骤S1221如下：产生评估对象Y的评估结果并存入数据库中，以最后的近似值Z作为理论值E的数值评估最终值E_f。

优选地，步骤S1221在数据库中产生的评估结果还包括，将评估对象Y的评估向量集合转换成一个评估向量序列。该评估向量序列以每个评估向量的估值V的准确程度为顺序，其目的是及时向用户反馈更加客观全面的评估结果，以揭示评估结果与每个用户的估值准确性之间的相关性，也为评估结果的深入分析提供快捷而详细的数据。例如，可用绝对差D＝|V-E_f |来衡量估值V的准确程度，即估值V与数值评估最终值E_f之差的绝对值。具体地说，绝对差D最小的评估向量排在评估向量序列的首位，绝对差D越大则该评估向量的位次越靠后；如果两个评估向量具有相等的绝对差D，就把评估时刻较早的那一个评估向量排在前面；依此类推，若两个评估向量具有相同的绝对差D及评估时刻T，就根据数据库中的用户信息来排列。普通的计算机编程语言都提供了指针变量类型，能使以上的排序操作的效率大为提高。数据处理程序在数据库内设置一系列指针变量，在指针变量与评估向量之间建立一对一的映射，以评估向量的逻辑存储位置为该指针变量的值。只需要改变指针变量的排序，就实现了对评估向量的排序，而不需要在数据库中改变整个评估向量的实际存储方式或逻辑存储位置。

数据处理程序执行步骤S1221以后，接着执行下文所述的步骤S1224以输出最终报告。优选地，在步骤S1221与步骤S1224之间，还可以由数据处理程序调用用户信息管理程序执行步骤S1222如下：对数据库中的相应的帐户信息进行处理，可依据射击该评估向量Y的每一个评估向量X在评估向量序列中的位次，以及每一个评估向量X包含的用户识别码U，对每一个用户U的某些账户信息(如用户积分)实施操作，以使用户信息与其估值的相对准确性之间具有关联性。

在评估对象Y的评估过程正常结束之前，数据处理程序还可以在数据库缓冲区中查找评估对象列表，将评估对象Y的状态值改为F＝11(意为“成功”)；以此时的系统时钟指示的时间为评估对象Y的完成时刻T_f，将完成时刻T_f添加到评估对象列表中。

在步骤S1220中，若数据处理程序判断评估对象Y不满足正常的终止条件，就执行步骤S1223，以判断评估对象Y是否满足非正常的终止条件。若系统时钟超过预设的非正常的结束时刻T_s并且C₁＜S₀，也就是说，在预计的时间之内数值评估系统收到的估值样本数太少，应提前(非正常)结束评估对象Y的数值评估过程，然后数据处理程序执行步骤S1224以输出最终报告。在评估对象Y的非正常结束之前，数据处理程序还可以在数据库缓冲区中查找评估对象列表，将评估对象Y的状态值改为F＝10(意为“不正常”)。

在步骤S1224中，数据处理程序调用数据输出处理程序，生成评估对象Y的最终报告的数据包，并向信息网络发布，然后返回图2中的步骤S101，以接收下一个用户访问请求。例如，最终报告的数据包可以包括以下信息：已收到的评估对象Y的评估向量的数目(即最终的计数器数值C₁)；若评估对象Y非正常结束，则提供评估对象Y的评估向量集合；若评估对象Y正常结束，则提供评估对象Y的数值评估最终值E_f，最终的标准差σ，还可以包括按估值的准确度排序的评估向量序列。通过数值评估系统的网络接口程序，用户信息终端远程下载评估结果数据包，再转化成终端屏幕页面信息。这样，终端用户可以从数值评估系统得到实时反馈，不仅能查询评估对象Y的数值评估的简单结果，还能直观地综合比较每个用户的估值的相对准确性。

在步骤S1223中，若数据处理程序判断评估对象Y也不满足非正常的终止条件，就应当继续进行评估对象Y的数值评估过程，直接返回步骤S101，以接收下一个用户访问请求。优选地，从步骤S1223直接返回步骤S101之前，数据处理程序还可以调用数据输出处理程序，由数据输出处理程序生成相应的输出数据包，并向信息网络发布。例如，该输出数据包可以包括以下信息：评估对象Y的评估向量集合的元素数目(即刚被刷新的计数器数值C₁)，评估向量集合中的用户识别码和评估时刻。通过数值评估系统的网络接口程序，参与评估的用户依照各自获得的权限将其中一部分的输出数据包远程下载到用户信息终端上，再转化成终端屏幕页面信息。由于终端用户可以从数值评估系统得到实时反馈，了解其估值V是否“异常”，以及关于评估对象和评估过程的其它重要信息，数值评估系统使用户参与数值评估的整个过程都更加简便和高效。

第二实施例

在上述的第一实施例的基础上，本发明还提出第二实施例。不同于第一实施例，采用本实施例的数值评估方法，需同时执行两组相对独立的循环流程。其中，第一循环流程如图4所示，相当于图2中的前端部分流程，主要由网络接口程序和数据输入预处理程序来控制执行；第二循环流程如图5所示，相当于图3中的后端部分流程，主要由数据处理程序和数据输出处理程序来控制执行。一般来说，网络接口程序始终处于运行状态，以随时响应信息网络上的各种用户终端，一旦网络接口程序接收到用户发来的数据包，就会调用数据输入预处理程序；同时，数据处理程序循环扫描评估对象的状态，连续地处理数据库中待处理的评估信息。由于同时执行两组循环流程，数值评估系统面对大量用户访问请求时，也能保持较高的响应速度和数据处理效率。

本实施例的第一循环流程如图4所示，与图2中的第一实施例的前端部分流程的相同之处不再重述，主要不同之处在于：在步骤S220中，由数据输入预处理程序根据评估信息生成一个评估向量X，并按照评估时刻T的先后顺序添加到数据库缓冲区中的评估向量列表中，但是，此时不对评估信息做其它处理。

在本实施例中，数值评估系统的有效估值鉴别程序同样基于统计学原理，根据评估对象Y的已有的估值样本集所包含的信息，判断下一个估值的有效性。若理论值E具有平均值μ和标准差σ，近似地，估值V在μ-3σ与μ+3σ之间的概率约99.7％，而估值V与理论值E之间的绝对差值大于三倍标准差3σ的概率小于0.3％，完全忽略此类极少数的估值将基本不会在整体上影响评估结果。在实践中，由于个别因素的干扰，极少数估值可能明显脱离实际，有损于评估结果的准确性，数值评估系统把这样的“异常”估值排除之外，不仅是合理的，而且可以提高数值评估结果的可信度。

在本实施例中，评估对象Y的背景信息包括参考值R₁和R₂且R₁＜R₂，未来评估的起始时刻T₀，以及终止条件(未来的结束时刻T_max或有效样本数的最大值S_max)。对于近似正态分布的估值V，在理论值E的数值附近具有峰值概率，因此，选取R₁和R₂的差值应足够大，尽量使R₁和R₂都远离理论值E，使得估值V落入这个数值区间内的概率也较大，这将有利于数值评估系统较快地筛选出异常的估值。

与上述实施例类似，数据输入预处理程序执行步骤S210，在处理评估对象Y的背景信息时，还要将评估对象Y添加到数据库缓冲区中的评估对象列表中。该评估对象列表是动态的，按起始时刻T₀的顺序排列，包含评估对象识别码Y及其状态值F＝00(意为“未启动”)。数据处理程序在足够短的时间间隔内循环扫描评估对象列表，当系统内部时钟达到评估对象Y的起始时刻T₀，数据处理程序立即将评估对象Y的状态值改为F＝01(意为“已启动”)。

与上述实施例的不同在于，此时数据处理程序还激活一个专用于评估对象Y的程序进程(也称为评估进程Y)。数值评估系统激活评估进程Y之后，用户就能针对评估对象Y发出评估信息了。实际上，每一个评估进程Y都有独立的数据堆栈，可以随时被数据处理程序调用或中断，这样的数值评估系统可以进一步提高数据处理的效率。从评估进程Y返回数据处理程序时，还保持原有时序和数据完整性，直到评估进程Y完全结束时才会释放其堆栈的存储空间。因此，数值评估系统可以随时在多个评估进程之间跳转，或者将多个评估进程载入或移出操作系统的并发线程之中。

本实施例的第二循环流程如图5所示。在步骤S300中，数据处理程序要判断在扫描评估对象列表的一个周期内是否有刚达到起始条件的评估对象，若评估对象Y达到起始条件就接着执行步骤S301，若没有新的评估对象满足起始条件则执行步骤S302。在步骤S301中，数据处理程序激活评估进程Y，根据评估对象Y的背景信息在数据库中创建的样本数据包括：下限变量L₁＝2R₁-R₂和上限变量L₂＝2R₂-R₁，计数器C₂₁＝2和计数器C₂₂＝0，以及初始的有效评估向量序列和异常评估向量集合。其中，计数器C₂₁表示评估对象Y的有效评估向量序列中的元素数目，计数器C₂₂表示异常评估向量集合中的元素数目。如果用户U₀(系统管理员或远程终端的普通用户)输入了评估对象Y的背景信息，评估进程Y就在起始时刻T₀生成起始向量XR₁＝{Y，U₀，R₁，T₀}和XR₂＝{Y，U₀，R₂，T₀}，初始的有效评估向量序列由起始向量XR₁和XR₂组成，因R₁＜R₂故XR₁排在XR₂之前；而初始的异常评估向量集合是一个空集。数据处理程序可以循环扫描评估对象列表，完成步骤S301以后就返回步骤S300，继续判断是否还有评估向量达到了起始条件，直到完成一个扫描周期。因此，数据处理程序把评估对象列表扫描一遍以后，满足起始条件的评估对象的评估进程都被激活了。

在步骤S302中，数据处理程序通过一个指针变量按顺序读取评估向量列表中的评估向量，按照每个评估向量的评估时刻的顺序和评估对象识别码Y调用相应的评估进程Y，接着执行步骤S303。一般，数据处理程序激活的多个评估进程会并存一段时间，从各用户终端随机产生的评估信息也随机地针对不同的评估对象，该评估向量列表就成为多个评估对象随机混合的自然时间序列。例如，这些评估向量可能分别属于已被激活的m个评估进程Y₁，Y₂，Y₃，...Y_m，经过以上处理步骤就分解成了m个相互独立的时间序列，每个时间序列只属于单个特定评估对象，由这m个评估进程分别依次处理。实际效果是，属于评估对象Y的评估向量被归入同一时间序列X₁，X₂，X₃，...，X_n，......，其中评估向量X_n＝{Y，U_n，V_n，T_n}都由评估进程Y按照评估时刻T_n的顺序来处理。评估进程Y每次只处理一个评估向量，同时根据当前的样本数据和当前评估向量的估值来刷新评估对象Y的样本数据，并将该评估向量添加到评估对象Y的有效评估向量序列或者异常评估向量集合中。然后评估进程Y返回数据处理程序，直到再次被数据处理程序调用之前，该评估进程Y的数据堆栈保持不变。

在步骤S303中，该评估进程提供该评估对象的当前的样本数据。接着，评估进程调用有效估值鉴别程序来执行步骤S310，判断当前评估向量的估值的有效性，若该估值被判断为“有效”则转到步骤S311，若该估值被判断为“异常”则转到步骤S312。例如，评估进程Y处理一个评估向量X＝{Y，U，V，T}，调用有效估值鉴别程序来判断估值V的有效性，评估进程Y再根据有效估值鉴别程序的判断结果来刷新评估对象Y的样本数据。有效估值鉴别程序的原理是，若理论值E具有平均值μ和标准差σ，就以下限变量L₁作为μ-3σ的近似值，以上限变量L₂作为μ+3σ的近似值，那么，当估值V满足条件L₁≤V≤L₂时，该评估向量可被判断为“有效”，若估值满足条件V＜L₁或V＞L₂则被判断为“异常”。

在步骤S311中，评估进程Y处理“有效”评估向量X，具体操作包括：在数据库中刷新评估对象Y的样本数据，按一定的排序规则将评估向量X插入有效评估向量序列中，再确定有效评估向量序列中的所有估值的中值，预测下一个估值的正常范围。根据数学上的概念，对于由n个实数按大小顺序排列的数组，当n为奇数时，该数组的中值M是排在数组的正中间的位置上的那个数值；当n为偶数时，该数组的中值M是排在数组的正中间的两个数的平均值。对于本实施例，有效评估向量序列是按照评估向量所含估值由小到大排列的，若多个评估向量的估值恰好相等，就不需要改变这几个评估向量的相对顺序。每次只调整一个评估向量的顺序，这比针对全部评估向量的一次性排序方法更实用，避免了很多的重复排序操作，提高了数据处理的效率。同时，评估进程Y还要计算出C₂₁＝C₂₁+1，刷新之后的计数器C₂₁就表示有效评估向量序列所包含的估值的数目，有效评估向量序列中的估值排列成一个由小到大的数组，由此很容易找出当前所有估值中的最小值V_min、中值M和最大值V_max。根据统计学常识，有效估值的样本数目很多时，中值M将趋近于有效估值的平均值μ(即理论值E)，还可用有效估值的最大值V_max和最小值V_min来估算出标准差σ＝k(V_max-V_min)，而预设的常数k适宜在0.2至0.5之间选取，常数k越大则表示判断有效估值的标准更宽松。随着更多用户参与评估，数值评估系统接收到的估值也累积成更大规模的随机样本，根据大样本的信息做出的预测具有更高的可信度。因此，评估进程Y还进行以下计算：下限变量L₁＝M-3σ＝3kV_min+M-3kV_max和上限变量L₂＝M+3σ＝3kV_max+M-3kV_min，刷新之后的下限变量L₁和上限变量L₂用于确定下一个估值的正常范围。

终端用户可以向数据库实时查询信息，或了解其估值V是否被数值评估系统接收，但是在评估进程Y完全结束之前，其他用户的估值V、近似值Z、下限变量L₁和上限变量L₂应暂时保密，避免干扰后来用户的评估。此时数据处理程序调用数据输出处理程序，生成相应的输出数据包，通过网络接口程序向信息网络发布，参与评估的用户依照各自获得的权限将其中一部分的输出数据包远程下载到用户信息终端上，再转化成终端屏幕页面信息。例如，该输出数据包可以包括以下信息：评估对象Y的有效评估向量序列的元素数目(即刚被刷新的计数器数值C₂₁)，异常评估向量集合的元素数目(即刚被刷新的计数器数值C₂₂)。

在步骤S312中，评估进程Y处理“异常”评估向量X，具体操作包括：在数据库中刷新评估对象Y的样本数据，将该评估向量X添加到评估对象Y的异常评估向量集合中，计算C₂₂＝C₂₂+1。优选地，此时评估进程Y还可调用输出数据处理程序，由输出数据处理程序生成输出数据包，该输出数据包可以包含表示“评估向量无效”的信息，通过网络接口程序将此信息实时反馈给该用户所在的信息终端以便及时提醒。

评估进程Y执行步骤S311或S312之后，就接着执行步骤S320，判断评估对象Y是否满足终止条件，若满足终止条件就执行步骤S321、S325和S330，若不满足终止条件就直接执行步骤S330。在本实施例中，预设的终止条件是系统时钟超过结束时刻T_max或者计数器C₂₁≥S_max(有效样本数目的最大值)。在步骤S321中，评估进程Y生成评估结果，以评估对象Y的最终的有效评估向量序列中的估值的中值M作为理论值E的数值评估最终值E_f。为了保证评估结果的可信度，预设的有效样本数的最大值S_max最好大于30，或者，预设的结束时刻T_max与起始时刻T₀的间隔足够长，最好能够使数值评估系统接收到的有效估值的样本数(即最终的计数器数值C₂₁)超过30。优选地，上述步骤S321中的评估结果还可以包括：采用上述实施例的步骤S1221中详述的方法，以评估对象Y的每个评估向量与数值评估最终值E_f之间的绝对差D＝|V-E_f|由小到大为顺序，将有效评估向量序列重新排序并存入数据库中。

在步骤S325中，该评估进程Y应完全结束并返回数据处理程序，数据处理程序在数据库缓冲区中查找评估对象列表，将评估对象Y的状态值改为F＝11(意为“成功”)，将评估对象Y的完成时刻T_f添加到评估对象列表中。优选地，在步骤S321与S325之间，评估进程Y还可执行步骤S322，调用用户信息管理程序，根据评估向量X包含的用户识别码U以及评估向量X在有效评估向量序列中的位次，对数据库中的相应的帐户信息进行处理，以反映该用户U的估值V的相对准确性。优选地，在步骤S321与S325之间，评估进程Y还可执行步骤S324，调用数据输出处理程序，生成评估结果数据包(最终报告)，并向信息网络发布。

在步骤S330中，评估进程Y直接返回到数据处理程序，评估向量列表的指针向前进一位以指向下一个评估向量，然后执行步骤S331。在步骤S311中，数据处理程序判断评估向量列表的指针是否指向“空元”(也就是指针越过了评估向量列表的末尾)，若指针越过评估向量列表的末尾则回到步骤S300以重新循环扫描数据库缓冲区中的评估对象列表，若指针没有越过评估向量列表的末尾则回到步骤S302以继续处理下一个评估向量。因此，数据处理程序按照上文所述的时间序列来处理评估对象Y的评估向量，当评估向量列表的指针变量指向评估对象Y的下一个评估向量时，数据处理程序再一次调用评估进程Y。利用评估进程Y的数据堆栈来快速处理数据，可以减少对数据库资源的占用。

第三实施例

在上述实施例的基础上，本发明提出第三实施例，其与上述实施例的关键的不同之处在于数据处理程序和有效估值鉴别程序执行的步骤。本实施例的数值评估方法也同时执行两组相对独立的循环流程，即图4所示的第一循环流程和图6所示的第二循环流程。上述实施例已详述第一循环流程，在此不再重复。

本实施例的数值评估系统的有效估值鉴别程序同样基于统计学原理，根据评估对象Y的已有的估值样本集所包含的信息，判断下一个估值的有效性。当估值的样本数足够大时，这些估值的分布趋近于正态分布，相应地具有平均值μ和标准差σ。因此，分布在特定的连续数值区间内(如β₁≤V≤β₂)的估值也具有一定的平均值μ′，在上述理想假设条件下进行理论推导，得出

${\mathrm{\μ}}^{\′}=\mathrm{\μ}+\frac{\mathrm{\σ}}{\sqrt{2\mathrm{\π}}}[e^{-{({\mathrm{\β}}_1-\mathrm{\μ})}^2/2{\mathrm{\σ}}^2}-e^{-{({\mathrm{\β}}_2-\mathrm{\μ})}^2/2{\mathrm{\σ}}^2}]/[P\left(\frac{{\mathrm{\β}}_2-\mathrm{\μ}}{\mathrm{\σ}}\right)-P\left(\frac{{\mathrm{\β}}_1-\mathrm{\μ}}{\mathrm{\σ}}\right)]$

上式中P[(x-μ)/σ]表示样本数值小于x的概率，可直接查阅正态分布的概率积分表得到。

在本实施例中，选择一个参考值R将实数域分为两部分，估值被分配到两个数值区间里，即V≤R和V≥R；此时，分布在V≤R的数值区间里的估值有平均值μ₁，

${\mathrm{\μ}}_1=\mathrm{\μ}-\frac{\mathrm{\σ}}{\sqrt{2\mathrm{\π}}}{e}^{-{(R-\mathrm{\μ})}^2/2{\mathrm{\σ}}^2}/P\left(\frac{R-\mathrm{\μ}}{\mathrm{\σ}}\right)$

分布在V≥R的数值区间里的估值有平均值μ₂，

${\mathrm{\μ}}_2=\mathrm{\μ}+\frac{\mathrm{\σ}}{\sqrt{2\mathrm{\π}}}{e}^{-{(R-\mathrm{\μ})}^2/2{\mathrm{\σ}}^2}/[1-P\left(\frac{R-\mathrm{\μ}}{\mathrm{\σ}}\right)]$

因此，分布在以上两个数值区间内的样本的平均值之差为

${\mathrm{\μ}}_2-{\mathrm{\μ}}_1=\frac{\mathrm{\σ}}{\sqrt{2\mathrm{\π}}}{e}^{-{(R-\mathrm{\μ})}^2/2{\mathrm{\σ}}^2}/P\left(\frac{R-\mathrm{\μ}}{\mathrm{\σ}}\right)[1-P\left(\frac{R-\mathrm{\μ}}{\mathrm{\σ}}\right)]$

考虑第一种典型情况，即参考值R≈μ时，得到近似的结果

μ₁-R≈μ₁-μ≈-0.8σ；

μ₂-R≈μ₂-μ≈0.8σ；

μ₂-μ₁≈1.6σ；

此时，满足条件V≤R-3σ或V≥R+3σ的估值的概率小于0.3％，等价的条件为V≤R-1.9(μ₂-μ₁)或V≥R+1.9(μ₂-μ₁)。因此，可以将V≤R-3σ或V≥R+3σ的数值区间适当缩小，也就是将满足条件V≤R-2.5(μ₂-μ₁)或V≥R+2.5(μ₂-μ₁)的估值视为“异常”，将这类极少数的“异常”估值排除在评估对象的有效样本之外，不仅不会对评估结果有很大的影响，还能提高数值评估的准确性。

考虑第二种典型情况，即参考值R≈μ-σ时，得到近似的结果

μ₁-R≈μ₁-μ+σ≈-0.5σ；

μ₂-R≈μ₂-μ+σ≈1.3σ；

μ₂-μ₁＝1.8σ；

此时，满足条件V≤R-2σ或V≥R+4σ的估值的概率小于0.3％，等价的条件为V≤R-1.1(μ₂-μ₁)或V≥R+2.2(μ₂-μ₁)。因此，可以将V≤R-2σ或V≥R+4σ的数值区间适当缩小，也就是将满足条件V≤R-2.5(μ₂-μ₁)或V≥R+2.5(μ₂-μ₁)的估值视为“异常”，将这类极少数的“异常”估值排除在评估对象的有效样本之外，不仅不会对评估结果有很大的影响，还能提高数值评估的准确性。

再考虑第三种典型情况，即参考值R≈μ-3σ时，得到近似的结果

μ₁-R≈μ₁-μ+3σ≈-0.3σ；

μ₂-R≈μ₂-μ+3σ≈3σ；

μ₂-μ₁＝3.3σ；

此时，满足条件V≤R或V≥R+6σ的估值的概率小于0.3％，等价的条件为V≤R或V≥R+1.8(μ₂-μ₁)。因此，可以将V≤R或V≥R+6σ的数值区间适当缩小，也就是将满足条件V≤R-2.5(μ₂-μ₁)或V≥R+2.5(μ₂-μ₁)的估值视为“异常”。

根据正态分布关于平均值的对称性，当参考值R ≈μ+σ或R ≈μ+3σ时，同理可以推导出“异常”估值的判断条件为：V≤R-2.5(μ₂-μ₁)或V≥R+2.5(μ₂-μ₁)。综合以上列举的五种典型情况的分析结果可知，当选取的参考值R在μ-3σ≤R≤μ+3σ的范围内时，对概率很小的“异常”估值可以适用同样的判断标准，即V≤R-2.5(μ₂-μ₁)或V≥R+2.5(μ₂-μ₁)；将“异常”估值排除在评估对象的有效样本之外，不仅不会对评估结果有很大的影响，还能提高数值评估的准确性。

一般来说，针对特定的评估对象Y预设一个参考值R的过程，也基本符合正态分布规律。在数值评估的实践中，预设参考值R的过程应遵守更严格的要求，因此，参考值R与估值V有大致相等的平均值μ，而参考值R的标准差应等于或小于估值V的标准差σ，这就意味着：参考值R位于μ-3σ≤R≤μ+3σ区间内的概率超过99.7％，上述的“异常”估值的判断标准在绝大多数情况下都是有效的。

即使偶尔出现极端情况，使得参考值R＜μ-3σ或R＞μ+3σ时，上述的“异常”估值的判断标准也适用。例如，当R＜μ-3σ时，通过理论分析不难得出μ₁≈R，μ₂≈μ且μ₂-μ₁＞3σ，此时“异常”估值的范围可从一般理论上的R＜μ-3σ或R＞μ+3σ缩小为

$V\&le;R-2({\mathrm{\&mu;}}_2-{\mathrm{\&mu;}}_1)<\underset{.}{R}<\mathrm{\&mu;}-3\underset{.}{\mathrm{\&sigma;}}$

或 $V\&GreaterEqual;R+2({\mathrm{\&mu;}}_2-{\mathrm{\&mu;}}_1)\&ap;2{\mathrm{\&mu;}}_2-{\mathrm{\&mu;}}_{.1}>\mathrm{\&mu;}+3\underset{.}{\mathrm{\&sigma;}}$

因此随机的估值分布在V≤R-2(μ₂-μ₁)或V≥R+2(μ₂-μ₁)的数值区间内的概率小于0.3％。同理可得，当R＞μ+3σ时，估值分布在V≤R-2(μ₂-μ₁)或V≥R+2(μ₂-μ₁)的数值区间内的概率也小于0.3％。不失一般性，可以选择较小的数值区间V≤R-2.5(μ₂-μ₁)或V≥R+2.5(μ₂-μ₁)，作为当参考值R＜μ-3σ或R＞μ+3σ时的“异常”估值的判断标准，将这样的“异常”估值排除在评估对象的有效样本之外，能提高数值评估的准确性。

基于上述分析，在本实施例中，评估对象Y的背景信息包括参考值R和参考误差d，未来评估的起始时刻T₀，起始样本数S₀(一般大于5)，以及终止条件(例如：未来的结束时刻T_max)。对于近似正态分布的估值V，在平均值(理论值E)的数值附近具有峰值概率，因此，应尽量使参考值R近似于理论值E而且R-d与R+d都远离理论值E(例如：将标准差.的预测值作为参考误差d)，使得估值V落入这个数值区间内的概率也较大，这将有利于数值评估系统更有效地筛选出异常的估值。

图6中的步骤S400，用于扫描数据库缓冲区中的评估对象列表和判断评估对象的起始条件，与图5中的步骤S300相同。图6中步骤S401也用于激活评估进程Y，但是与图5中的步骤S301略有不同。在本实施例的步骤S401中，该评估进程Y被激活时，根据相关的背景信息在数据库中创建关于评估对象Y的样本数据包括：第一计数器C₃₁＝0，第二计数器C₃₂＝0，第三计数器C₃₃＝1，以及初始的有效评估向量集合和异常评估向量集合。其中，第一计数器数值C₃₁表示评估进程Y已经处理的估值V＜R的有效评估向量的数目，第二计数器C₃₂表示评估进程Y已经处理的估值V＞R的有效评估向量的数目，第三计数器C₃₃表示评估进程Y已经处理的估值V＝R的有效评估向量的数目，而C₃₁、C₃₂与C₃₃之和就是有效评估向量集合中的元素数目。如果用户U₀(系统管理员或远程终端的普通用户)输入了评估对象Y的背景信息，评估进程Y就在起始时刻T₀生成起始向量XR＝{Y，U₀，R，T₀}，初始的有效评估向量集合只包含起始向量XR，而初始的异常评估向量集合是空集。根据第一实施例中的正态分布计算公式，评估进程Y对样本数据的初始化还可包括第一求和变量A₃₁＝0和第二求和变量A₃₂＝0。

用户查询评估对象Y的详细信息时，数据输出处理程序生成的输出数据包就会复制评估对象Y的一部分必要的背景信息(如：评估对象识别码Y，起始时刻T₀，结束时刻T_max，相关的多媒体文件，但参考值R和参考误差d一般等到评估结束后再公布以防干扰评估的客观性)。

图6中的步骤S402和S403，分别与图5中的步骤S302和S303相同，不再重述。在步骤S404中，评估进程Y将评估向量X＝{Y，U，V，T}与参考值R进行比较，若估值V与参考值R不相等则执行步骤S405，若估值V与参考值R相等则执行步骤S411。

在步骤S405中，评估进程Y要判断估值V是否大于参考值R，若估值V＜R则执行步骤S406，若估值V＞R则执行步骤S407。在步骤S406中，评估进程Y要判断计数器数值C₃₁＜S₀是否成立。若经过步骤S405和S406判断的结果是V＜R且C₃₁＜S₀，则评估进程Y执行步骤S4081即有效极限L＝R-k×d，其中常数k适宜在2.5至5之间选取(优选k＝3)。计数器数值C₃₁＜S₀(起始样本数S₀一般大于5)，说明评估对象Y累积的小于R的估值还较少，上述的平均值近似方法关于较小规模的样本的可信度较低，采用有效极限L＝R-k×d来确定有效估值的范围会更合理。

在步骤S407中，评估进程Y要判断计数器数值C₃₂＜S₀是否成立。若经过步骤S405、S406和S407判断的结果是V＜R、C₃₁≥S₀且C₃₂＜S₀，则评估进程Y执行步骤S4082即有效极限L＝R-k(R-M₁+d)，其中常数k适宜在2.5至5之间选取(优选k＝3)。计数器数值C₃₂＜S₀(起始样本数S₀一般大于5)，说明评估对象Y累积的大于R的估值还较少，上述的平均值近似方法关于较小规模的样本的可信度较低；而计数器数值C₃₁≥S₀，说明评估对象Y累积的小于R的估值足够多了，相应的平均值M₁具有很大的统计学意义。因此，对于V＜R、C₃₁≥S₀且C₃₂＜S₀的情况，采用有效极限L＝R-k(R-M₁+d)能够更合理地确定有效估值的范围。若经过步骤S405、S406和S407判断的结果是V＜R、C₃₁≥S₀且C₃₂≥S₀，则评估进程Y执行步骤S4083即有效极限L＝R-k(M₂-M₁)，其中常数k适宜在2.5至5之间选取(优选k＝3)。C₃₁≥S₀且C₃₂≥S₀说明估值V＜R和V＞R这两个数值区间分别适用大样本的假设(符合正态分布)，直接使用上述的平均值μ₂和μ₁的计算方法来确定M₁和M₂，第二平均值M₂也是评估对象Y的样本数据(评估进程Y在此前应该已经按下述步骤生成M₂)。

如上文所述，若步骤S405中的判断结果是估值V＞R，则执行步骤S407，即判断计数器数值C₃₂＜S₀是否成立。若经过步骤S405和S407判断的结果是V＞R且C₃₂＜S₀，则评估进程Y执行步骤S4091即有效极限L＝R+k×d，其中常数k适宜在2.5至5之间选取(优选k＝3)。计数器数值C₃₂＜S₀(起始样本数S₀一般大于5)，说明评估对象Y累积的大于R的估值还较少，上述的平均值近似方法关于较小规模的样本的可信度较低，采用有效极限L＝R+k×d来确定有效估值的范围会更合理。

若经过步骤S405、S407和S406判断的结果是V＞R、C₃₁＜S₀且C₃₂≥S₀，则评估进程Y执行步骤S4092即有效极限L＝R+k(M₂-R+d)，其中常数k适宜在2.5至5之间选取(优选k＝3)。计数器数值C₃₁＜S₀(起始样本数S₀一般大于5)，说明评估对象Y累积的小于R的估值还较少，上述的平均值近似方法关于较小规模的样本的可信度较低；而计数器数值C₃₂≥S₀，说明评估对象Y累积的大于R的估值足够多了，相应的平均值M₂具有很大的统计学意义。因此，对于V＞R、C₃₁＜S₀且C₃₂≥S₀的情况，采用有效极限L＝R+k(M₂-R+d)能够更合理地确定有效估值的范围。若经过步骤S405、S407和S406判断的结果是V＞R、C₃₁≥S₀且C₃₂≥S₀，则评估进程Y执行步骤S4093即有效极限L＝R+k(M₂-M₁)，其中常数k适宜在2.5至5之间选取(优选k＝3)。C₃₁≥S₀且C₃₂≥S₀说明估值V＜R和V＞R这两个数值区间分别适用大样本的假设(符合正态分布)，直接使用上述的平均值μ₂和μ₁的计算方法来确定M₁和M₂，第一平均值M₁也是评估对象Y的样本数据(评估进程Y在此前应该已经按下述步骤生成M₁)。

上述六种情况综合如下：若V＜R且C₃₁＜S₀，则执行步骤S4081即有效极限L＝R-k×d；若V＜R、C₃₁≥S₀且C₃₂＜S₀，则执行步骤S4082即有效极限L＝R-k(R-M₁+d)；若V＜R、C₃₁≥S₀且C₃₂≥S₀，则执行步骤S4083即有效极限L＝R-k(M₂-M₁)；若V＞R且C₃₂＜S₀，则执行步骤S4091即有效极限L＝R+k×d；若V＞R、C₃₁＜S₀且C₃₂≥S₀，则执行步骤S4092即有效极限L＝R+k(M₂-R+d)；V＞R、C₃₁≥S₀且C₃₂≥S₀，则执行步骤S4093即有效极限L＝R+k(M₂-M₁)。其中，常数k适宜在2.5至5之间选取(优选k＝3)。

在步骤S4081、S4082、S4083、S4091、S4092和S4093之后，评估进程Y调用有效估值鉴别程序来执行步骤S410。在步骤S410中，有效估值鉴别程序根据有效极限L来判断估值V的有效性：当估值V满足条件L≤V＜R或R＜V≤L，则判断该评估向量X和估值V为“有效”，然后评估进程Y执行步骤S411；若V＜R且V＜L，或者V＞R且V＞L，则判断该评估向量X和估值V为“异常”，然后评估进程Y执行步骤S412。

以下进一步阐述本实施例的有效估值鉴别程序所依据的统计学原理。先以评估进程Y的计数器数值C₃₂≥S₀且C₃₁＜S₀的情况为例具体分析，此时估值V＞R适用大样本的假设(符合正态分布)，而估值V＜R只能看成小样本，估值V＞R的有效评估向量多于估值V＜R的有效评估向量，这说明估值样本分布在区间V＞R之内的概率大于在区间V＜R的概率，最可能的关键原因是预设的参考值R小于评估对象Y的理论值E(理想的平均值μ)。根据上述的统计学分析，在μ-3σ≤R＜μ的条件下，有R≈μ、R≈μ-σ和R≈μ-3σ这三种典型情况，满足条件V＞R的估值样本的平均值μ₂与参考值R的差值在0.8σ至3σ的范围内，而在评估实践中错误选取参考值R＜μ-3σ的可能性很小，因此，当计数器数值C₃₂≥S₀且C₃₁＜S₀时，第二平均值M₂(即平均值μ₂)与参考值R的差值通常都在0.8σ至3σ的范围内。此时，有效极限L＝R+k(M₂-R+d)，一般设置k≥2.5而d≈σ，进一步可知：当R≈μ时，L≈μ+1.8kσ＞μ+3σ；当R≈μ-σ时，L≈μ-σ+2.3kσ＞μ+3σ；当R≈μ-3σ时，L≈μ-3σ+4kσ＞μ+3σ。综上，不失一般性的推论是：当估值V＞R，计数器数值C₃₂≥S₀且C₃₁＜S₀时，被有效估值鉴别程序判断为“异常”的估值都满足条件V＞μ+3σ，也就是说该估值V与平均值μ(评估对象Y的理论值E)之差大于三倍标准差3σ，该估值V的概率小于0.13％，将该估值V排除在统计范围之外，有利于实现快速准确的数值评估。

同理，计数器数值C₃₁≥S₀且C₃₂＜S₀的情况，估值V＜R适用大样本的假设(符合正态分布)，而估值V＞R只能看成小样本。这说明预设的参考值R大于评估对象Y的理论值E(理想的平均值μ)，有效估值鉴别程序根据有效极限L＝R-k(R-M₁+d)判断出的“异常”估值都满足条件V＜μ-3σ，该估值V的概率小于0.13％，将该估值V排除在统计范围之外，有利于实现快速准确的数值评估。

对于计数器数值C₃₁≥S₀且C₃₂≥S₀的情况，估值V＜R和V＞R这两个数值区间分别适用大样本的假设(符合正态分布)，此时，对于V＜R评估进程Y采用有效极限L＝R-k(M₂-M₁)，对于V＞R评估进程Y采用有效极限L＝R+k(M₂-M₁)，其中k≥2.5。根据上述的统计学分析，在μ-3σ≤R＜μ的三种典型情况下，当R≈μ时，对于V＜R有L≈μ-1.6kσ＜μ-3σ，对于V＞R有L≈μ+1.6kσ＞μ+3σ；当R ≈μ-σ时，对于V＜R有L≈μ-1.8k＜μ-3σ，对于V＞R有L ≈μ+1.8kσ＞μ+3σ；当R ≈μ-3σ时，对于V＜R有L≈μ-3.3kσ＜μ-3σ，对于V＞R有L ≈μ+3.3kσ＞μ+3σ。同理可得，对于μ＜R≤μ+3σ的三种典型情况，即R ≈μ、R ≈μ+σ和R≈μ+3σ时，都有下列结果：对于V＜R有L＜μ-3σ，对于V＞R有L＞μ+3σ。参考值R一般在μ-3σ≤R≤μ+3σ的范围内，因此当计数器数值C₃₁≥S₀且C₃₂≥S₀时，被有效估值鉴别程序判断为“异常”的估值都满足条件V＜μ-3σ或V＞μ+3σ，也就是说该估值V与平均值μ(评估对象Y的理论值E)的距离大于三倍标准差3σ，该估值V的概率小于0.3％将该估值V排除在统计范围之外，有利于实现快速准确的数值评估。

在步骤S411中，评估进程Y处理“有效”评估向量X，将该评估向量X添加到有效评估向量集合中，并根据上述的比较估值V与参考值R所得的三种可能结果来刷新评估对象Y的其余样本数据，具体描述如下。若V＝R，则有第三计数器数值C₃₃＝C₃₃+1；若V＜R，则有第一计数器数值C₃₁＝C₃₁+1，第一求和变量A₃₁＝A₃₁+V，第一平均值M₁＝A₃₁/C₃₁；若V＞R，则有第二计数器数值C₃₂＝C₃₂+1，第二求和变量A₃₂＝A₃₂+V，第二平均值M₂＝A₃₂/C₃₂。

在步骤S412中，评估进程Y处理“异常”评估向量X，将该评估向量X添加到异常评估向量集合中。优选地，在步骤S412中，评估进程Y还可调用输出数据处理程序，由输出数据处理程序生成输出数据包，该输出数据包可以包含表示“评估向量无效”的信息，通过网络接口程序将此信息反馈给该用户所在的信息终端。这样，终端用户可以从数值评估系统得到实时反馈，以了解其估值V是否被数值评估系统接收，以及数值评估过程中的其它信息，而且知道该估值V是否超出了当前被允许的偏差范围。

在步骤S411或S412之后，评估进程Y接着执行步骤S420，判断评估对象Y的终止条件是否被满足，若满足终止条件则执行步骤S421、S425和S430，若不满足终止条件则执行步骤S430。在本实施例中，当系统时钟超过结束时刻T_max，评估对象Y就满足终止条件。在步骤S421中，评估进程Y生成关于评估对象Y的评估结果并存入数据库中，该评估结果包括：计算出理论值E的数值评估最终值E_f＝(A₃₁+A₃₂+C₃₃×R)/(C₃₁+C₃₂+C₃₃)。评估对象Y的起始时刻T₀和结束时刻T_max都是预设的，应该使这两个时刻之间的间隔足够长，最好要使得评估对象Y的三个计数器的最终数值之和C₃₁+C₃₂+C₃₃＞30，以保证数值评估系统接受到足够多的有效估值的样本，而符合正态分布的大样本能够提供可信度较高的评估结果。优选地，上述步骤S421中的评估结果还可以包括：采用上述实施例的步骤S1221中详述的方法，以评估对象Y的每个评估向量与数值评估最终值E_f之间的绝对差D＝|V-E_f|由小到大为顺序，对有效评估向量集合进行排序并存入数据库中。

步骤S425与上述实施例所述的步骤S325相同。优选地，在步骤S421与S425之间，评估进程Y还可执行与上述实施例所述的步骤S322相同的步骤S422。优选地，在步骤S321与S325之间，评估进程Y还可执行与上述实施例所述的步骤S324相同的步骤S424。

步骤S430与上述实施例所述的步骤S330相同。步骤S430之后，数据处程序就执行步骤S431，与上述实施例所述的步骤S331类似，若指针越过评估向量列表的末尾则回到步骤S400以重新循环扫描数据库缓冲区中的评估对象列表，若指针没有越过评估向量列表的末尾则回到步骤S402以继续处理下一个评估向量。

终端用户可以向数据库实时查询信息，或了解其估值V是否被数值评估系统接收，但是在评估进程Y完全结束之前，其他用户的估值V、第一平均值M₁、第二平均值M₂和有效极限L应暂时保密，避免干扰后来用户的评估。此时数据处理程序调用数据输出处理程序，生成相应的输出数据包，通过网络接口程序向信息网络发布，参与评估的用户依照各自获得的权限将其中一部分的输出数据包远程下载到用户信息终端上，再转化成终端屏幕页面信息。例如，该输出数据包可以包括以下信息：评估对象Y的有效评估向量集合中的元素数目(即计数器被刷新后的数值之和C₃₁+C₃₂+C₃₃)，异常评估向量集合的元素数目。

综上所述，本发明的数值评估系统和方法，可以快速地接收和处理大量用户输入的评估信息，评估对象的估值就容易累积成符合客观的统计学规律的大规模样本，因而有效估值鉴别模块根据当前样本来自动预测下一个估值的有效性，以甄别出误差偏大的估值。假设数值评估系统在T时刻接收到用户U针对评估对象Y的估值V，就在数据库中生成一个结构化数据，即评估向量X＝{Y，U，V，T}。如果有效估值鉴别程序判断该估值V和评估向量X是有效的，该估值V将被纳入评估对象Y的参考样本中，该样本的规模足够大时，就能比较可信地预测未来估值的有效性。相反的，如果有效估值鉴别程序判断该估值V是异常的，该估值V可以被排除在评估对象Y的参考样本之外，以避免这类具有明显异常偏差的估值V对评估结果的干扰。与现有技术相比，本发明的数值评估系统和方法具备明显的优点：高效率、低成本、充分地利用大量用户提供的评估信息，从整体上提高数值评估结果的可信度。

本发明的数值评估系统还可以配备数据输出处理模块，生成相应的输出数据包，并向信息网络发布。通过数值评估系统的网络接口模块，参与数值评估的用户依照各自获得的权限将其中一部分的输出数据包远程下载到用户信息终端上，再转化成终端屏幕页面信息。因此，终端用户可以从数值评估系统得到实时反馈，以了解其估值V是否为异常估值，是否被数值评估系统接收。关于评估对象Y的数值评估过程结束时，数值评估系统还能够确定关于评估对象Y的每一个有效估值的相对准确性，并以此对评估向量排序来直观地反这类更深层次的评估结果。与评估对象Y的数值评估最终值相差较小的有效估值，就具有较高的相对准确性，相应的评估向量X就排在比较靠前的位置上。本发明的数值评估系统还可以配备用户信息管理模块，可以根据评估向量X的排序结果再对用户的状态信息进行处理。与现有技术相比，本发明的数值评估系统和方法还具备其它优势，能直接对用户评估的准确性做出实时反馈，还能迅速地向用户提供内容更丰富更全面的评估结果。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种数值评估方法，用于处理用户终端通过信息网络发送的关于评估对象的数据包，其特征在于包括以下步骤：

步骤S11，从所述用户终端接收第一种数据包，所述第一种数据包含有第一组关联数据，所述第一组关联数据包括一个评估对象识别码、一个用户识别码和一个估值，所述用户终端与所述的一个用户识别码相关联；

步骤S12，对所述的第一种数据包进行预处理，所述预处理产生的数据中包括了结构化数据，所述的结构化数据被存入数据库中；

步骤S21，从数据库中提取第二组关联数据，包括一个评估对象识别码、一个用户识别码和一个估值，对所述的第二组关联数据进行第一数据处理；

步骤S22，利用所述第一数据处理的结果，鉴别所述第二组关联数据的一个估值的有效性，若所述一个估值为有效估值则转到步骤S23，若所述一个估值为异常估值则转到步骤S24；

步骤S23，对所述的有效估值进行第二数据处理，将所述的第二数据处理的结果存入数据库中并与所述第二组关联数据的一个评估对象识别码和一个用户识别码相关联，然后转到步骤S11；

步骤S24，对所述的异常估值进行第三数据处理，将所述的第三数据处理的结果存入数据库中并与所述第二组关联数据的一个评估对象识别码和一个用户识别码相关联，然后转到步骤S11。

2.如权利要求1所述的一种数值评估方法，其特征在于：

步骤S24的最后一项操作被替换为，转到步骤S25；

增加步骤S25为，输出异常估值的提示信息，用于与第二组关联数据的一个用户识别码相关联的用户终端，然后转到步骤S11。

3.如权利要求1所述的一种数值评估方法，其特征在于：

步骤S11还从所述用户终端接收第二种数据包，所述第二数据包含有用于描述所述评估对象的背景信息、用户注册申请、用户登录请求、用户查询请求中的至少一种；

步骤S12还对所述的第二种数据包进行预处理。

4.如权利要求1所述的一种数值评估方法，其特征在于：

在步骤S11之前，先执行步骤S10，设置与所述评估对象一一对应的评估对象识别码，以及与所述评估对象识别码相关联的终止条件；

步骤S23的最后一项操作被替换为，转到步骤S30；

步骤S24的最后一项操作被替换为，转到步骤S30；

增加步骤S30为，判断与所述第二组关联数据的一个评估对象识别码相关联的终止条件是否被满足，若所述终止条件被满足，则输出与所述的一个评估对象识别码相关联的评估报告，所述评估报告含有与所述的一个评估对象识别码相关联的数值评估最终值，与所述的一个评估对象识别码相关联的数值评估过程结束，然后转到步骤S10，若所述终止条件未被满足则返回到步骤S11。

5.如权利要求4所述的一种数值评估方法，其特征在于：步骤S22根据统计学规律来鉴别所述第二组关联数据的一个估值的有效性，利用了与所述第二组关联数据的一个评估对象识别码相关联的样本数据，所述样本数据通过对所述数据库进行数据处理而得到。

6.如权利要求5所述的一种数值评估方法，其特征在于：所述的统计学规律包括正态分布，所述的样本数据包括平均值、中值、标准差和有效估值区间极限之中的至少一种。

7.如权利要求5所述的一种数值评估方法，其特征在于：在步骤S30中，若所述终止条件被满足，则还要根据所述的一个评估对象识别码相关联的每一个有效估值与样本数据的相对关系来确定所述每一个有效估值的相对准确性，从而对与所述每一个有效估值相关联的用户识别码所对应的帐户信息进行处理。

8.如权利要求4所述的一种数值评估方法，其特征在于：

在步骤S12之后增加步骤S13，执行步骤S13则返回步骤S10，以使步骤S10、S11、S12和S13构成第一循环；

在步骤S30中，不论所述终止条件是否被满足，最后一个操作都被替换为转到步骤S21，以使步骤S21、S22、S23、S24和S30构成第二循环。

9.如权利要求4或8所述的一种数值评估方法，其特征在于：

步骤S10还设置与所述评估对象识别码相关联的起始条件；

与所述评估对象识别码相关联的起始条件被满足时，步骤S11才开始接收与所述评估对象识别码相关联的第一种数据包。

10.一种数值评估系统，用于处理用户终端通过信息网络发送的关于评估对象的数据包，其特征在于包括以下部分：

网络借口模块，用于从所述用户终端接收第一种数据包，所述第一种数据包含有第一组关联数据，所述第一组关联数据包括一个评估对象识别码、一个用户识别码和一个估值，所述用户终端与所述的一个用户识别码相关联；

数据输入预处理模块，用于对所述的数据包进行预处理，预处理产生的数据中包括了结构化数据；

数据库模块，用于保存所述的结构化数据；

数据处理单元的第一模块，用于从数据库中提取第二组关联数据，包括一个评估对象识别码、一个用户识别码和一个估值，对所述的第二组关联数据进行第一数据处理；

有效估值鉴别模块，利用所述第一数据处理的结果，用于判断所述第二组关联数据的一个估值的有效性，所述一个估值被判断为有效估值或者异常估值；

数据处理单元的第二模块，用于对所述的有效估值进行第二数据处理，将所述的第二数据处理的结果输入所述的数据库模块并与所述第二组关联数据的一个评估对象识别码和一个用户识别码相关联；

数据处理单元的第三模块，用于对所述的异常估值进行第三数据处理，将所述的第三数据处理的结果输入所述的数据库模块并与所述第二组关联数据的一个评估对象识别码和一个用户识别码相关联。

Images