CN107291705A - 一种大数据发展趋势的预算方法和系统 - Google Patents

一种大数据发展趋势的预算方法和系统 Download PDF

Info

Publication number
CN107291705A
CN107291705A CN201610190473.1A CN201610190473A CN107291705A CN 107291705 A CN107291705 A CN 107291705A CN 201610190473 A CN201610190473 A CN 201610190473A CN 107291705 A CN107291705 A CN 107291705A
Authority
CN
China
Prior art keywords
subcycle
time point
strength
time
resonance
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201610190473.1A
Other languages
English (en)
Inventor
王斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201610190473.1A priority Critical patent/CN107291705A/zh
Publication of CN107291705A publication Critical patent/CN107291705A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Finance (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Accounting & Taxation (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Technology Law (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明公开了一种大数据发展趋势的预算方法和系统，提取预算数据对象推算时间点之前的历史数据的典型峰值，对提取的峰值两两之间构成的母周期进行基于和谐系数的计算得到对应的子周期曲线，将所有子周期将会在该推算时间点出现极值的叠加情况作为该推算时间点的波动强度；该方法可以对受很多不明因素的影响而显得没有规律的大数据对象，尤其对证券和期货市场的波动情况进行准确地预算，减少了证券和期货投资者的风险。

Description

一种大数据发展趋势的预算方法和系统
技术领域
本发明涉及数据处理技术领域，尤其涉及一种大数据发展趋势的预算方法和系统。
背景技术
证券和期货投资需要对投资对象的未来走势方向和可能性做出合理预算，在证券和期货市场中，能够影响证券和期货价格的因素很多，包括经济环境、国家政策、卖家心理等，使得其价格走势的特征难以准确把握。长期的证券和期货交易积累了大量历史数据，通行的方法是对历史数据进行分析和处理，挖掘数据之间的内部关联，对证券和期货价格的未来走势进行预算。
目前，比较权威的证券和期货价格走势预算方法有江恩理论和波浪理论，这两个理论均是基于市场积累的历史数据来预算数据未来的发展趋势，但都存在较大的误差，尤其对个股的预算更加不准确。
发明内容
本发明的目的在于提出一种大数据发展趋势的预算方法和系统，可以准确的预算数据对象，如证券和期货交易市场产生的大数据在推算时间点的波动强度，减少了投资者的风险。
为达此目的，本发明采用以下技术方案：
一方面，本发明提出一种大数据发展趋势的预算方法，包括：
获取待预算的数据对象在推算时间点之前已经发生的数据曲线；
在所述数据曲线上获取所述推算时间点之前预设时间跨度内的若干个典型极值，将所述典型极值作为起推点，获取所述起推点所处的时间；
根据所述时间得到每两个所述起推点之间的时间差，将所述时间差作为母周期，根据预设的若干个和谐系数得到所述母周期对应于每个所述和谐系数的子周期；
以所述母周期对应的两个起推点为振动极值点，以所述母周期对应的子周期为振动周期，得到所有所述母周期对应的子周期曲线，计算所有所述子周期曲线在所述推算时间点的共振强度；
将所述共振强度作为所述推算时间点的波动强度。
其中，所述和谐系数为：1、1/2、1/3、2/3、1/4、3/4、1/7、2/7、3/7、4/7、5/7、6/7、0.382和0.618。
其中，所述典型极值为在所述数据曲线上预设时间周期内和在预设幅度范围内的极值。
其中，所述计算所有所述子周期曲线在所述推算时间点的共振强度，具体为：
若所述子周期大于等于预设周期阀值，所述子周期曲线在所述推算时间点出现极值时的共振强度系数为1；
若所述子周期小于预设周期阀值，将所述预设周期阀值n等份，n>＝2，子周期落入第i等份的子周期曲线在所述推算时间点出现极值时的共振强度系数为i/n，1≤i≤n；
将所有所述子周期曲线在所述推算时间点的共振强度系数之和作为所有所述子周期曲线在所述推算时间点的共振强度。
其中，获取待预算的数据对象在推算时间点之前已经发生的数据曲线，具体为：根据待预算的数据对象的推算时间点的时间类别，获取在所述推算时间点之前已经发生的与所述时间类别一致的数据曲线，所述时间类别包括小时、日、周、月和年。
其中，所述预设周期阀值与所述时间类别对应，所述预设周期阀值为360小时，360日，360周或360月。
另一方面，本发明还提出一种大数据发展趋势的预算系统，包括：
数据获取单元，用于获取待预算的数据对象在推算时间点之前已经发生的数据曲线；
起推点获取单元，用于在所述数据曲线上获取所述推算时间点之前预设时间跨度内的若干个典型极值，将所述典型极值作为起推点，获取所述起推点所处的时间；
子周期获取单元，用于根据所述时间得到每两个所述起推点之间的时间差，将所述时间差作为母周期，根据预设的若干个和谐系数得到所述母周期对应于每个所述和谐系数的子周期；
共振强度计算单元，用于以所述母周期对应的两个起推点为振动极值点，以所述母周期对应的子周期为振动周期，得到所有所述母周期对应的子周期曲线，计算所有所述子周期曲线在所述推算时间点的共振强度；
波动强度获取单元，用于将所述共振强度作为所述推算时间点的波动强度。
其中，还包括：
和谐系数设置单元，用于设置所述和谐系数，所述和谐系数为：1、1/2、1/3、2/3、1/4、3/4、1/7、2/7、3/7、4/7、5/7、6/7、0.382和0.618；
时间周期设置单元，用于设置所述预设时间周期；
幅度范围设置单元，用于设置所述预设幅度范围，所述典型极值为在所述数据曲线上预设时间周期内和在预设幅度范围内的极值。
其中，还包括：
周期阀值设置单元，用于设置所述预设周期阀值，所述预设周期阀值为360小时，360日，360周或360月；
等份数设置单元，用于设置所述预设周期阀值的等份数n，n>＝2。
其中，所述共振强度计算单元包括：
强度系数获取单元，用于若所述子周期大于等于预设周期阀值，所述子周期曲线在所述推算时间点出现极值时的共振强度系数为1；
若所述子周期小于预设周期阀值，将所述预设周期阀值n等份，n>＝2，子周期落入第i等份的子周期曲线在所述推算时间点出现极值时的共振强度系数为i/n，1≤i≤n；
求和单元，用于将所有所述子周期曲线在所述推算时间点的共振强度系数之和作为所有所述子周期曲线在所述推算时间点的共振强度。
本发明提供的技术方案带来的有益效果为：
本发明大数据发展趋势的预算方法和系统，提取预算数据对象推算时间点之前的历史数据的典型峰值，对提取的峰值两两之间构成的母周期进行基于和谐系数的计算得到对应的子周期曲线，将所有子周期将会在该推算时间点出现极值的叠加情况作为该推算时间点的波动强度；该方法可以对受很多不明因素的影响而显得没有规律的大数据对象，尤其对证券和期货市场的波动情况进行准确地预算，减少了证券和期货投资者的风险。
附图说明
图1是本发明提供的大数据发展趋势的预算方法第一个实施例的方法流程图。
图2是本发明提供的大数据发展趋势的预算方法第二个实施例的方法流程图。
图3是本发明提供的大数据发展趋势的预算系统第一个实施例的结构方框图。
图4是本发明提供的大数据发展趋势的预算系统第二个实施例的结构方框图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
实施例一
参见图1，图1是本发明提供的大数据发展趋势的预算方法第一个实施例的方法流程图。
在第一实施例中，该大数据发展趋势的预算方法包括：
S101，获取待预算的数据对象在推算时间点之前已经发生的数据曲线；
S102，在所述数据曲线上获取所述推算时间点之前预设时间跨度内的若干个典型极值，将所述典型极值作为起推点，获取所述起推点所处的时间；
以证券交易中的股票为例，在股票交易市场会产生大量的数据，其数据发展趋势同样受多种不确定因素影响难以预测，若现在需要推算2010.6.25某支股票当天的交易情况，获取股票交易市场上2010.6.25日之前该支股票的日K线，上述预设时间跨度可以为在2010.6.25之前的1000个交易日，该预设时间跨度选取的越长推算点的波动强度预算的越准确；
在上述获取的日K线上2010.6.25之前的1000个交易日内选取典型极值，即典型的顶或底，该典型极值为该1000个交易日的数据曲线上在预设时间周期内和预设幅度范围内的极值，若该预设时间周期取为10天，在某个时间周期内若没有出现幅值超出预设幅度范围的极值，选取该时间周期内数据曲线的最大值和最小值作为典型极值，该方法应用于自动选取，上述典型极值也可以手动选取，在预设时间跨度内典型极值选取的数量越多，推算时间点处的股票价格波动情况的预算结果越准确。
S103，根据所述时间得到每两个所述起推点之间的时间差，将所述时间差作为母周期，根据预设和谐系数得到所述母周期对应于每个所述和谐系数的子周期；
获取典型极值之后，计算每两个典型极值之间的时间差，若上述K线为日K线，该时间差的单位为日；若上述K线为周K线，该时间差的单位为周，将任意两个典型极值的绝对时间差减去非交易日得到任意两个极值在K线上时间差，将该时间差作为一个母周期，若在上述日K线上选取了100个极值点，则该100个极值点将形成4950个母周期；
将得到的母周期乘以13个和谐系数得到每个母周期对应的子周期，这13个和谐系数为1、1/2、1/3、2/3、1/4、3/4、1/7、2/7、3/7、4/7、5/7、6/7、0.382和0.618；
上述13个和谐系数为根据股票交易市场的历史数据得出的股票交易市场价格波动的内在规律，同样适用于其他交易市场产生的大数据的波动规律，如期货，物价等。
延续上述例程，4950个母周期将形成4950*13个子周期。
S104，以所述母周期对应的两个起推点为振动极值点，以所述母周期对应的子周期为振动周期，得到所有所述母周期对应的子周期曲线，计算所有所述子周期曲线在所述推算时间点的共振强度；
S105，将所述共振强度作为所述推算时间点的波动强度。
每个母周期对应两个起推点，以该起推点所在的时间点为振动极值点，以子周期为振动周期得到每个母周期对应的子周期曲线，4950*13个子周期对应4950*13个子周期曲线，通过计算所有子周期曲线在上述推算时间点的共振强度，该共振强度为所有子周期在该推算时间点出现极值的叠加情况，将该叠加情况作为推算时间点的股票价格波动强度，根据该波动强度可以推测股票价格的涨幅或跌幅。
综上，本发明实施例大数据发展趋势的预算方法，提取预算数据对象推算时间点之前的历史数据的典型峰值，对提取的峰值两两之间构成的母周期进行基于和谐系数的计算得到对应的子周期曲线，将所有子周期将会在该推算时间点出现极值的叠加情况作为该推算时间点的波动强度；该方法可以对受很多不明因素的影响而显得没有规律的大数据对象，尤其对证券和期货市场的发展趋势进行准确地预算，减少了证券和期货投资者的风险。
实施例二
参见图2，图2是本发明提供的大数据发展趋势的预算方法第二个实施例的方法流程图。
在第二实施例中，该大数据发展趋势的预算方法包括：
S201，获取待预算的数据对象在推算时间点之前已经发生的数据曲线；
S202，在所述数据曲线上获取所述推算时间点之前预设时间跨度内的若干个典型极值，将所述典型极值作为起推点，获取所述起推点所处的时间；
S203，根据所述时间得到每两个所述起推点之间的时间差，将所述时间差作为母周期，根据预设的若干个和谐系数得到所述母周期对应于每个所述和谐系数的子周期；
S204，以所述母周期对应的两个起推点为振动极值点，以所述母周期对应的子周期为振动周期，得到所有所述母周期对应的子周期曲线；
S205，将预设周期阀值n等份，n>＝2；
预先设定一个周期阀值，根据子周期的时间类别，该预设周期阀值为360小时，360日或360周，延续上述例程，上述K线为日K线，子周期的时间类别也是日，则该预设周期阀值为360日，将360日划分为n等份，n>＝2，则可以将360日划分成n个区间，分别为[0-360/n]、(360/n-720/n]、…
(360i/n-360(i+1)/n]、…(360(n-1)/n-360]，1≤i≤n，优选的n为20。
S206，判断子周期是否大于等于所述预设周期阀值，若是进入步骤S207；若否，进入步骤S208；
S207，所述子周期曲线在所述推算时间点出现极值时的共振强度系数为1；
S208，子周期落入第i等份的子周期曲线在所述推算时间点出现极值时的共振强度系数为i/n；
上述4950*13个子周期中，若子周期大于等于360日，且对应的子周期曲线在推算时间点出现了极值，则该子周期曲线在该极值点出现极值时的共振强度系数为1；
若子周期小于360日，其周期落入第i等份的周期范围，且对应的子周期曲线在推算时间点出现了极值，则对的子周期曲线在所述推算时间点出现极值时的共振强度系数为i/n；
周期较长的子周期曲线对推算时间点的影响更大，当其在推算时间点出现极值，即发生共振时对推算时间点的股票价格波动影响更大。
S209，将所有所述子周期曲线在所述推算时间点的共振强度系数之和作为所有所述子周期曲线在所述推算时间点的共振强度；若子周期曲线没有在推算时间点出现极值，则其共振强度系数计为0。
S210，将所述共振强度作为所述推算时间点的波动强度。
将该共振强度作为推算时间点的股票价格波动强度，根据该波动强度和该推算时间点之前的股票价格变化趋势可以预测股票价格的振幅或跌幅，从而决定如何处理自己手中的股票，减小了投资者的风险。
综上，本发明实施例大数据发展趋势的预算方法，提取预算数据对象推算时间点之前的历史数据的典型峰值，对提取的峰值两两之间构成的母周期进行基于和谐系数的计算得到对应的子周期曲线，根据预设周期阀值得到所有子周期曲线在推算时间点出现峰值时的共振强度系数，将所有子周期曲线在该推算时间点的共振强度系数之和作为该推算时间点的波动强度；该方法可以对受很多不明因素的影响而显得没有规律的大数据对象，尤其对证券和期货市场的发展趋势进行准确地预算，减少了证券和期货投资者的风险。
实施例三
参见图3，图3是本发明提供的大数据发展趋势的预算系统第一个实施例的结构方框图。
在该实施例中，该大数据发展趋势的预算系统包括：
数据获取单元01，用于获取待预算的数据对象在推算时间点之前已经发生的数据曲线；
起推点获取单元02，用于在所述数据曲线上获取所述推算时间点之前预设时间跨度内的若干个典型极值，将所述典型极值作为起推点，获取所述起推点所处的时间；
若需要推算2010.6.25(星期五)代表的那一周的交易情况，获取股票交易市场上2010.6.25日之前该支股票的周K线，该预设时间跨度可以为在2010.6.25之前的500个交易周，根据上述典型极值选取原则，在该500个交易周内选取了58个极值点作为起推点。
子周期获取单元03，用于根据所述时间得到每两个所述起推点之间的时间差，将所述时间差作为母周期，根据预设的若干个和谐系数得到所述母周期对应于每个所述和谐系数的子周期；
在上述周K线上获取上述58个起推点之间的绝对时间差，将任意两个典型极值的绝对时间差减去非交易日得到任意两个极值在K线上时间差，将该时间差作为一个母周期，得到1653个母周期，将母周期乘以13个和谐系数可以得到1653*13个子周期。
共振强度计算单元04，用于以所述母周期对应的两个起推点为振动极值点，以所述母周期对应的子周期为振动周期，得到所有所述母周期对应的子周期曲线，计算所有所述子周期曲线在所述推算时间点的共振强度；
波动强度获取单元05，用于将所述共振强度作为所述推算时间点的波动强度。
将上述1653*13个子周期对应的子周期曲线在推算时间点的共振强度作为推算时间点的股票价格波动强度，该共振强度为所有子周期在该推算时间点出现极值的叠加情况，根据该波动强度和预算时间点之前股票价格的波动情况可以对预算时间点的股票价格进行预算，减少了投资者的风险。
综上，本发明实施例大数据发展趋势的预算系统，提取预算数据对象推算时间点之前的历史数据的典型峰值，对提取的峰值两两之间构成的母周期进行基于和谐系数的计算得到对应的子周期曲线，将所有子周期将会在该推算时间点出现极值的叠加情况作为该推算时间点的波动强度；该方法可以对受很多不明因素的影响而显得没有规律的大数据对象，尤其对证券和期货市场的波动强度进行准确地预算，根据该波动情况投资者可以预算其发展趋势，减少了投资的风险。
实施例四
参见图4，图4是本发明提供的大数据发展趋势的预算系统第二个实施例的结构方框图。
在实施例三的基础上，该大数据发展趋势的预算系统还包括：
时间周期设置单元06，用于设置所述预设时间周期；
幅度范围设置单元07，用于设置所述预设幅度范围，所述典型极值为在所述数据曲线上预设时间周期内和在预设幅度范围内的极值。
历史数据曲线上的典型极值的选取可以设定上述条件自动选取，也可以手动选取。
和谐系数设置单元08，用于设置所述和谐系数，所述和谐系数为：1、1/2、1/3、2/3、1/4、3/4、1/7、2/7、3/7、4/7、5/7、6/7、0.382和0.618；
周期阀值设置单元09，用于设置所述预设周期阀值，所述预设周期阀值为360小时，360日，360周或360月；
等份数设置单元10，用于设置所述预设周期阀值的等份数n，n>＝2。
本系统将所有子周期在推算时间点出现极值的叠加情况作为推算时间点的波动强度，周期较长的子周期曲线在推算时间点出现极值时对推算时间点的波动影响更大，周期较短的次之，将自然界诸多事物的变化周期360，如地球公转周期为360日，作为周期预设阀值，其单位与推算时间点的时间单位一致。
其中，所述共振强度计算单元04包括：
强度系数获取单元041，用于若所述子周期大于等于预设周期阀值，所述子周期曲线在所述推算时间点出现极值时的共振强度系数为1；
若所述子周期小于预设周期阀值，将所述预设周期阀值n等份，n>＝2，周期落入第i等份的子周期曲线在所述推算时间点出现极值时的共振强度系数为i/n，1≤i≤n；
延续上述例程，根据58个起推点得到的1653*13个子周期对应的子周期曲线中，若子周期曲线的周期大于等于360周，且该子周期曲线在推算时间点出现了极值，则该子周期曲线在该推算时间点的共振强度系数为1；若子周期曲线的周期小于360周，其周期落入第i等份的周期范围，且对应的子周期曲线在推算时间点出现了极值，则对的子周期曲线在所述推算时间点出现极值时的共振强度系数为i/n。
求和单元042，用于将所有子周期曲线在所述推算时间点的共振强度系数之和作为所有所述子周期曲线在所述推算时间点的共振强度。
将上述共振强度作为推算时间点的股票价波动强度。
综上，本发明实施例大数据发展趋势的预算系统，提取预算数据对象推算时间点之前的历史数据的典型峰值，对提取的峰值两两之间构成的母周期进行基于和谐系数的计算得到对应的子周期曲线，根据预设周期阀值得到所有子周期曲线在推算时间点出现峰值时的共振强度系数，将所有子周期曲线在该推算时间点的共振强度系数之和作为该推算时间点的波动强度；该方法可以对受很多不明因素的影响而显得没有规律的大数据对象，尤其对证券和期货市场的价格波动情况进行准确的预算，投资者可以根据该波动情况预测其发展趋势，减少了投资的风险。
以上结合具体实施例描述了本发明的技术原理。这些描述只是为了解释本发明的原理，而不能以任何方式解释为对本发明保护范围的限制。基于此处的解释，本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式，这些方式都将落入本发明的保护范围之内。

Claims (10)

1.一种大数据发展趋势的预算方法，其特征在于，包括：
获取待预算的数据对象在推算时间点之前已经发生的数据曲线；
在所述数据曲线上获取所述推算时间点之前预设时间跨度内的若干个典型极值，将所述典型极值作为起推点，获取所述起推点所处的时间；
根据所述时间得到每两个所述起推点之间的时间差，将所述时间差作为母周期，根据预设的若干个和谐系数得到所述母周期对应于每个所述和谐系数的子周期；
以所述母周期对应的两个起推点为振动极值点，以所述母周期对应的子周期为振动周期，得到所有所述母周期对应的子周期曲线，计算所有所述子周期曲线在所述推算时间点的共振强度；
将所述共振强度作为所述推算时间点的波动强度。
2.根据权利要求1所述的方法，其特征在于，所述和谐系数为：1、1/2、1/3、2/3、1/4、3/4、1/7、2/7、3/7、4/7、5/7、6/7、0.382和0.618。
3.根据权利要求1所述的方法，其特征在于，所述典型极值为在所述数据曲线上预设时间周期内和在预设幅度范围内的极值。
4.根据权利要求1所述的方法，其特征在于，所述计算所有所述子周期曲线在所述推算时间点的共振强度，具体为：
若所述子周期大于等于预设周期阀值，所述子周期曲线在所述推算时间点出现极值时的共振强度系数为1；
若所述子周期小于预设周期阀值，将所述预设周期阀值n等份，n>＝2，子周期落入第i等份的子周期曲线在所述推算时间点出现极值时的共振强度系数为i/n，1≤i≤n；
将所有所述子周期曲线在所述推算时间点的共振强度系数之和作为所有所述子周期曲线在所述推算时间点的共振强度。
5.根据权利要求4所述的方法，其特征在于，获取待预算的数据对象在推算时间点之前已经发生的数据曲线，具体为：根据待预算的数据对象的推算时间点的时间类别，获取在所述推算时间点之前已经发生的与所述时间类别一致的数据曲线，所述时间类别包括小时、日、周、月和年。
6.根据权利要求5所述的方法，其特征在于，所述预设周期阀值与所述时间类别对应，所述预设周期阀值为360小时，360日，360周或360月。
7.一种大数据发展趋势的预算系统，其特征在于，包括：
数据获取单元，用于获取待预算的数据对象在推算时间点之前已经发生的数据曲线；
起推点获取单元，用于在所述数据曲线上获取所述推算时间点之前预设时间跨度内的若干个典型极值，将所述典型极值作为起推点，获取所述起推点所处的时间；
子周期获取单元，用于根据所述时间得到每两个所述起推点之间的时间差，将所述时间差作为母周期，根据预设的若干个和谐系数得到所述母周期对应于每个所述和谐系数的子周期；
共振强度计算单元，用于以所述母周期对应的两个起推点为振动极值点，以所述母周期对应的子周期为振动周期，得到所有所述母周期对应的子周期曲线，计算所有所述子周期曲线在所述推算时间点的共振强度；
波动强度获取单元，用于将所述共振强度作为所述推算时间点的波动强度。
8.根据权利要求7所述的系统，其特征在于，还包括：
和谐系数设置单元，用于设置所述和谐系数，所述和谐系数为：1、1/2、1/3、2/3、1/4、3/4、1/7、2/7、3/7、4/7、5/7、6/7、0.382和0.618；
时间周期设置单元，用于设置所述预设时间周期；
幅度范围设置单元，用于设置所述预设幅度范围，所述典型极值为在所述数据曲线上预设时间周期内和在预设幅度范围内的极值。
9.根据权利要求7所述的系统，其特征在于，还包括：
周期阀值设置单元，用于设置所述预设周期阀值，所述预设周期阀值为360小时，360日，360周或360月；
等份数设置单元，用于设置所述预设周期阀值的等份数n，n>＝2。
10.根据权利要求9所述的系统，其特征在于，所述共振强度计算单元包括：
强度系数获取单元，用于若所述子周期大于等于预设周期阀值，所述子周期曲线在所述推算时间点出现极值时的共振强度系数为1；
若所述子周期小于预设周期阀值，将所述预设周期阀值n等份，n>＝2，子周期落入第i等份的子周期曲线在所述推算时间点出现极值时的共振强度系数为i/n，1≤i≤n；
求和单元，用于将所有所述子周期曲线在所述推算时间点的共振强度系数之和作为所有所述子周期曲线在所述推算时间点的共振强度。
CN201610190473.1A 2016-03-30 2016-03-30 一种大数据发展趋势的预算方法和系统 Pending CN107291705A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610190473.1A CN107291705A (zh) 2016-03-30 2016-03-30 一种大数据发展趋势的预算方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610190473.1A CN107291705A (zh) 2016-03-30 2016-03-30 一种大数据发展趋势的预算方法和系统

Publications (1)

Publication Number Publication Date
CN107291705A true CN107291705A (zh) 2017-10-24

Family

ID=60086612

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610190473.1A Pending CN107291705A (zh) 2016-03-30 2016-03-30 一种大数据发展趋势的预算方法和系统

Country Status (1)

Country Link
CN (1) CN107291705A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110766232A (zh) * 2019-10-30 2020-02-07 支付宝(杭州)信息技术有限公司 动态预测方法及其系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110766232A (zh) * 2019-10-30 2020-02-07 支付宝(杭州)信息技术有限公司 动态预测方法及其系统
CN110766232B (zh) * 2019-10-30 2022-04-29 支付宝(杭州)信息技术有限公司 动态预测方法及其系统

Similar Documents

Publication Publication Date Title
Moh’d AL-Tamimi et al. Impact of external debt on economic growth in Jordan for the period (2010–2017)
Mitra Is Hurst exponent value useful in forecasting financial time series
Yurdakul et al. The relationship between current deficit and economic growth: An empirical study on Turkey
CN103854068A (zh) 一种居民小区短期负荷预测方法
CN104537433A (zh) 基于存量容量与业扩报装特征的售电量预测方法
CN104881718B (zh) 基于多尺度经济先行指标的区域电力景气指数构建方法
Amra et al. Forecasting groundwater production and rain amounts using ARIMA-Hybrid ARIMA: Case study of Deir El-Balah City in GAZA
CN107291705A (zh) 一种大数据发展趋势的预算方法和系统
Chen et al. Efficiency of Chinese real estate market based on complexity-entropy binary causal plane method
Li et al. Uncertain and multi-objective programming models for crop planting structure optimization
Ionita The evolution of the macroeconomic stabilisation pentagon in Romania, Czech republic and Hungary
Trinh et al. Some findings of Vietnam’s economic situation in the relationship with China
CN104636318A (zh) 一种大数据方差标准差的分布式或增量计算方法
Thiele Multiscaling and stock market efficiency in China
Shi Optimal control for stochastic differential delay equations with Poisson jumps and applications
Prodinger Approximate counting with m counters: a detailed analysis
Wang et al. A new dynamic hedging model with futures: The Kalman filter error-correction model
Manuhutu Export and Investment In Fisheries Sector In Maluku Province
Guang-Chen et al. Stochastic maximum principle for a kind of risk-sensitive optimal control problem and application to portfolio choice
Friedman et al. Estimating future transition probabilities when the value of side information decays, with applications to credit modeling
Az-zakiyah Impact of Gravity Model and Domestic Market Obligation (DMO) on Coal Indonesian Export
Pawłowski et al. Modelling spot prices on the Polish energy market
Nakagawa Modeling of contagious downgrades and its application to multi-downgrade protection
Lin et al. Empirical study on credit risk of our listed company based on KMV model
Hanias et al. DemoscopoPhysics: A new and interdisciplinary research field

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20171024