CN109408531A - 缓慢下跌型数据的检测方法及装置、电子设备、存储介质 - Google Patents

Abstract

本公开提供了一种缓慢下跌型数据的检测方法，属于人工智能技术领域。该方法包括：获取样本数据及其分类标签，分类标签包括上涨型样本数据、下跌型样本数据、缓慢下跌型样本数据及其他型样本数据；计算样本数据的趋势数据；根据上涨型样本数据、下跌型样本数据、缓慢下跌型样本数据及其他型样本数据的趋势数据分别确定上涨型分类条件与下跌型分类条件；通过缓慢下跌型样本数据及其他型样本数据的趋势数据训练并得到一分类学习模型；利用上涨型分类条件、下跌型分类条件以及分类学习模型对目标数据的趋势数据进行处理，以检测目标数据是否为缓慢下跌型数据。本公开可以实现检测缓慢下跌型数据，对后续的数据分析提供有效指导。

Description

缓慢下跌型数据的检测方法及装置、电子设备、存储介质

技术领域

本公开涉及人工智能技术领域，尤其涉及一种缓慢下跌型数据的检测方法及装置、电子设备、计算机可读存储介质。

背景技术

在数据分析中，经常需要分析数据的变化趋势，例如App(应用程序)前端分析日活跃用户数，通过分析日活跃用户数的上涨、下跌等变化趋势，可以得到变化规律、影响因素等信息。

现有的数据趋势分析方法多数是通过一定的条件筛选出显著上涨及显著下跌的数据，使分析人员能够更多的关注这两类数据。然而对于另一类特殊的数据群体——缓慢下跌型数据，则容易忽略。缓慢下跌型数据对于整体趋势的影响虽然不如上涨型数据或下跌型数据的影响那么显著，但是从长期、累积的效应来看，缓慢下跌型数据是不可忽视的。

因此需要提出一种缓慢下跌型数据的检测方法。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种缓慢下跌型数据的检测方法及装置、电子设备、计算机可读存储介质，进而至少在一定程度上克服现有的数据趋势分析方法容易忽略缓慢下跌型数据的问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一个方面，提供一种缓慢下跌型数据的检测方法，包括：获取样本数据以及所述样本数据的分类标签，所述分类标签包括上涨型样本数据、下跌型样本数据、缓慢下跌型样本数据及其他型样本数据；计算所述样本数据的趋势数据；根据所述上涨型样本数据、下跌型样本数据、缓慢下跌型样本数据及其他型样本数据的趋势数据分别确定上涨型分类条件与下跌型分类条件；通过所述缓慢下跌型样本数据及其他型样本数据的趋势数据训练并得到一分类学习模型；利用所述上涨型分类条件与下跌型分类条件对目标数据进行检测，如果所述目标数据的趋势数据同时不满足所述上涨型分类条件与下跌型分类条件，则利用所述分类学习模型分析所述目标数据的趋势数据，以检测所述目标数据是否为缓慢下跌型数据。

在本公开的一种示例性实施例中，根据所述上涨型样本数据、下跌型样本数据、缓慢下跌型样本数据及其他型样本数据的趋势数据分别确定上涨型分类条件与下跌型分类条件包括：将所述下跌型样本数据、缓慢下跌型样本数据及其他型样本数据合并为非上涨型样本数据，通过所述上涨型样本数据与非上涨型样本数据的趋势数据训练得到第一决策树；根据所述第一决策树中所述上涨型样本数据对应的分类路径确定所述上涨型分类条件；将所述上涨型样本数据、缓慢下跌型样本数据及其他型样本数据合并为非下跌型样本数据，通过所述下跌型样本数据与非下跌型样本数据的趋势数据训练得到第二决策树；根据所述第二决策树中所述下跌型样本数据对应的分类路径确定所述下跌型分类条件。

在本公开的一种示例性实施例中，所述分类学习模型包括逻辑回归模型。

在本公开的一种示例性实施例中，通过所述缓慢下跌型样本数据及其他型样本数据的趋势数据训练并得到一分类学习模型包括：将所述缓慢下跌型样本数据的分类值设定为1，将所述其他型样本数据的分类值设定为0；将所述缓慢下跌型样本数据及其他型样本数据的趋势数据共同划分训练集与验证集；通过所述训练集训练并得到所述逻辑回归模型；在0～1之间设置固定间隔的多个候选分类阈值，通过所述验证集验证所述逻辑回归模型在每个所述候选分类阈值下的真正例率(True Positive Rate，TPR)与假正例率(FalsePositive Rate，FPR)，以绘制所述逻辑回归模型的ROC曲线(Receiver OperatingCharacteristic，受试者工作特征曲线)；将所述ROC曲线中所述真正例率为1且所述假正例率最小的点对应的所述候选分类阈值确定为所述逻辑回归模型的分类阈值。

在本公开的一种示例性实施例中，所述分类学习模型包括随机森林模型。

在本公开的一种示例性实施例中，所述趋势数据包括涨幅、移动平均值、移动平均值涨幅、移动平均斜率中的至少一种。

根据本公开的一个方面，提供一种缓慢下跌型数据的检测装置，包括：样本获取模块，用于获取样本数据以及所述样本数据的分类标签，所述分类标签包括上涨型样本数据、下跌型样本数据、缓慢下跌型样本数据及其他型样本数据；趋势计算模块，用于计算所述样本数据的趋势数据；条件确定模块，用于根据所述上涨型样本数据、下跌型样本数据、缓慢下跌型样本数据及其他型样本数据的趋势数据分别确定上涨型分类条件与下跌型分类条件；模型训练模块，用于通过所述缓慢下跌型样本数据及其他型样本数据的趋势数据训练并得到一分类学习模型；目标检测模块，用于利用所述上涨型分类条件与下跌型分类条件对目标数据进行检测，如果所述目标数据的趋势数据同时不满足所述上涨型分类条件与下跌型分类条件，则利用所述分类学习模型分析所述目标数据的趋势数据，以检测所述目标数据是否为缓慢下跌型数据。

在本公开的一种示例性实施例中，所述条件确定模块包括：上涨型条件确定单元，用于将所述下跌型样本数据、缓慢下跌型样本数据及其他型样本数据合并为非上涨型样本数据，通过所述上涨型样本数据与非上涨型样本数据的趋势数据训练得到第一决策树，以及根据所述第一决策树中所述上涨型样本数据对应的分类路径确定所述上涨型分类条件；下跌型条件确定单元，用于将所述上涨型样本数据、缓慢下跌型样本数据及其他型样本数据合并为非下跌型样本数据，通过所述下跌型样本数据与非下跌型样本数据的趋势数据训练得到第二决策树，以及根据所述第二决策树中所述下跌型样本数据对应的分类路径确定所述下跌型分类条件。

根据本公开的一个方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的方法。

根据本公开的一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的方法。

本公开的示例性实施例具有以下有益效果：

一方面，本示例性实施例提供了一种缓慢下跌型数据的检测方法，基于目标数据的趋势数据，可以判断目标数据是否为缓慢下跌型数据，从而能够检测出连续数据或曲线中的缓慢下跌型数据点，为后续的数据分析提供有效指导。另一方面，本示例性实施例对于目标数据的趋势分类可以细化到每个目标数据，有利于检测出一段趋势曲线中趋势不同或反转的数据，使得分类结果更加精准。再一方面，本示例性实施例对目标数据的趋势数据进行分析，目标数据的预处理过程即趋势数据的计算过程，基于目标数据所属的连续数据或曲线即可完成计算，过程较为简单，整个检测过程的效率较高。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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的附图。

图1示出本公开示例性实施例中一种缓慢下跌型数据的检测方法的流程图；

图2示出本公开示例性实施例中另一种缓慢下跌型数据的检测方法的流程图；

图3示出本公开示例性实施例中一种缓慢下跌型数据的检测方法的子流程图；

图4示出本公开示例性实施例中另一种缓慢下跌型数据的检测方法的子流程图；

图5示出本公开示例性实施例中一种逻辑回归模型的ROC曲线的示意图；

图6示出本公开示例性实施例中一种缓慢下跌型数据的检测装置的结构框图；

图7示出本公开示例性实施例中一种用于实现上述方法的电子设备；

图8示出本公开示例性实施例中一种用于实现方法的计算机可读存储介质。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的属性、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。

本公开的示例性实施例首先提供了一种缓慢下跌型数据的检测方法。参考图1所示，该方法可以包括以下步骤S11～S15：

步骤S11，获取一定时间段的样本数据及其分类标签，分类标签包括上涨型样本数据、下跌型样本数据、缓慢下跌型样本数据及其他型样本数据。

本实施例中，样本数据可以是一段或多段连续的历史数据，上涨型是指显著上涨的数据，下跌型是指显著下跌的数据。在获取样本数据后，可以绘制样本数据的曲线，在曲线上通过人工标记划分上涨型样本数据、下跌型样本数据、缓慢下跌型样本数据及其他型样本数据，确定样本数据的分类标签。

步骤S12，计算样本数据的趋势数据。

其中，趋势数据是指反映样本数据变化趋势的数据，一般包括多类指标。在一示例性实施例中，趋势数据可以包括涨幅、移动平均值、移动平均值涨幅、移动平均斜率中的至少一种，例如常用的相对前日涨幅、相对7日均值涨幅、7日移动平均值、14日移动平均值、7日移动平均值涨幅、7日移动平均斜率、最近7日涨跌比等，根据应用场景的特点，可以确定趋势数据的指标集。

步骤S13，根据上涨型样本数据、下跌型样本数据、缓慢下跌型样本数据及其他型样本数据的趋势数据分别确定上涨型分类条件与下跌型分类条件。

上涨型分类条件是指判断一个数据是否为上涨型数据的条件，下跌型分类条件同理。通常情况下，上涨型分类条件与下跌型分类条件相较于缓慢下跌型数据的判断条件更为简单、直接，易于确定。可以按照每个指标的趋势数据递增或递减的顺序分别排列样本数据，如果排列后的上涨型样本数据与下跌型样本数据分别全部排在所有样本数据的两端，则可以通过该趋势数据确定上涨型分类条件与下跌型分类条件。在一些情况下，上涨型分类条件与下跌型分类条件可能需要通过两类趋势数据或多类趋势数据的组合以确定，可以利用机器学习模型进行分析，在后面的实施例中将进一步说明。

步骤S14，通过缓慢下跌型样本数据及其他型样本数据的趋势数据训练并得到一分类学习模型。

在确定上涨型分类条件与下跌型分类条件后，可以将这两类数据从样本数据中滤除，留下缓慢下跌型样本数据及其他型样本数据，通过分类学习模型进行分类，例如可以是逻辑回归模型、随机森林模型、梯度提升决策树模型、神经网络模型、支持向量机模型等。将缓慢下跌型样本数据及其他型样本数据的趋势数据输入分类学习模型中，通过调整参数使输出的分类结果越来越接近于真实的分类，可以完成分类学习模型的训练。

步骤S15，利用上涨型分类条件与下跌型分类条件对目标数据进行检测，如果目标数据的趋势数据同时不满足上涨型分类条件与下跌型分类条件，则利用分类学习模型分析目标数据的趋势数据，以检测目标数据是否为缓慢下跌型数据。

其中，目标数据是一段连续数据或曲线中的某个数据点，目标数据的趋势数据可以采用与样本数据的趋势数据相同的计算方法，目标数据的分析流程可以如图2所示，将目标数据计算趋势数据后，首先判断是否符合上涨型分类条件，若符合则判断目标数据为上涨型数据，若不符合则继续判断是否符合下跌型分类条件，若符合则判断目标数据为下跌型数据，若不符合则继续输入分类学习模型，最后通过分类学习模型输出目标数据属于缓慢下跌型数据还是其他型数据。当然，判断是否符合上涨型分类条件的步骤与判断是否符合下跌型分类条件的步骤可以交换顺序。

基于上述说明，本示例性实施例一方面提供了一种缓慢下跌型数据的检测方法，基于目标数据的趋势数据，可以判断目标数据是否为缓慢下跌型数据，从而能够检测出连续数据或曲线中的缓慢下跌型数据点，为后续的数据分析提供有效指导。另一方面，本示例性实施例对于目标数据的趋势分类可以细化到每个目标数据，有利于检测出一段趋势曲线中趋势不同或反转的数据，使得分类结果更加精准。再一方面，本示例性实施例对目标数据的趋势数据进行分析，目标数据的预处理过程即趋势数据的计算过程，基于目标数据所属的连续数据或曲线即可完成计算，过程较为简单，整个检测过程的效率较高。

在一示例性实施例中，参考图3所示，步骤S13可以通过以下步骤S31～S34实现：

步骤S31，将下跌型样本数据、缓慢下跌型样本数据及其他型样本数据合并为非上涨型样本数据，通过上涨型样本数据与非上涨型样本数据的趋势数据训练得到第一决策树。

步骤S32，根据第一决策树中上涨型样本数据对应的分类路径确定上涨型分类条件。

合并下跌型、缓慢下跌型、其他型样本数据后，将样本数据二分为上涨型样本数据与非上涨型样本数据，适于通过决策树模型进行分类。需要说明的是，第一决策树为一棵决策树，其训练集为全部上涨型样本数据与非上涨型样本数据的趋势数据，输出的分类结果即每个样本数据为上涨型或非上涨型。在第一决策树中，可以通过计算最大信息增益函数或最小基尼系数等决策树分类算法来确定分类路径的决策条件，最终通过多个节点的分类，可以将上涨型样本数据与非上涨型样本数据完全分开，将上涨型样本数据对应的分类路径的所有决策条件进行组合(各决策条件以“且”的关系组合)，即得到上涨型分类条件，如果上涨型样本数据对应了多条分类路径，则各分类路径的决策条件组合之间为“或”的关系。

步骤S33，将上涨型样本数据、缓慢下跌型样本数据及其他型样本数据合并为非下跌型样本数据，通过下跌型样本数据与非下跌型样本数据的趋势数据训练得到第二决策树。

步骤S34，根据第二决策树中下跌型样本数据对应的分类路径确定下跌型分类条件。

类似的，将样本数据再次二分为下跌型样本数据与非下跌型样本数据，可以通过第二决策树中的分类路径确定下跌型分类条件。

在一示例性实施例中，步骤S14中的分类学习模型可以是逻辑回归模型，逻辑回归模型的自变量一般为多个变量，因变量为二分类结果，因此适于处理缓慢下跌型样本数据与其他型样本数据的二分类问题。

进一步的，参考图4所示，步骤S14中通过缓慢下跌型样本数据及其他型样本数据的趋势数据训练一分类学习模型可以通过以下步骤S41～S45实现：

步骤S41，将缓慢下跌型样本数据的分类值设定为1，将其他型样本数据的分类值设定为0。

通过1/0的设定，将分类标签进行了数值化转换，以便于逻辑回归模型的处理，确定了逻辑回归模型的输出在0～1之间。

步骤S42，将缓慢下跌型样本数据及其他型样本数据的趋势数据共同划分训练集与验证集。

训练集中应当包含一部分缓慢下跌型样本数据的趋势数据与一部分其他型样本数据的趋势数据，验证集应当包含另一部分缓慢下跌型样本数据的趋势数据与另一部分其他型样本数据的趋势数据，训练集与验证集中两类样本数据的趋势数据的比例可以相同或相近，例如可以将缓慢下跌型样本数据进行8:2划分，将其他型样本数据也进行8:2划分，两类样本数据中8的部分的趋势数据组合为训练集，2的部分的趋势数据组合为验证集。此外，也可以采用其他比例的划分，两类样本数据的划分比例也可以不同，本实施例对此不做特别限定。

步骤S43，通过训练集训练并得到逻辑回归模型。

训练的过程主要为确定自变量(即各类趋势数据)与因变量(即分类值)之间的权重系数。

步骤S44，在0～1之间设置固定间隔的多个候选分类阈值，通过验证集验证逻辑回归模型在每个候选分类阈值下的真正例率与假正例率，以绘制逻辑回归模型的ROC曲线。

在输出的0～1分类值中设定的阈值T，使得分类值大于或等于T时，分类结果为缓慢下跌型，分类值小于T时，分类结果为其他型，T即为分类阈值。为了确定T，可以设置固定间隔的多个候选分类阈值，例如0.1、0.2、0.3…0.9，或者0.25、0.50、0.75等，计算各候选分类阈值下的TPR与FPR，可以绘制ROC曲线，ROC曲线的横坐标为FPR，纵坐标为TPR。

步骤S45，将ROC曲线中真正例率为1且假正例率最小的点对应的候选分类阈值确定为逻辑回归模型的分类阈值。

通常候选分类阈值的设置间隔越小，ROC曲线越趋于平滑，越有利于精确定位TPR为1的点。参考图5所示，由于候选分类阈值的数量有限，ROC曲线一般呈现“阶梯”形，在图5中，TPR为1且FPR最小的点为P点，则P点对应的候选分类阈值即为最终确定的分类阈值。在确定分类阈值后，得到了完整的逻辑回归模型。

在一示例性实施例中，分类学习模型也可以是随机森林模型，通过在缓慢下跌型样本数据与其他型样本数据中随机放回取样，得到多个样本子集，利用各样本子集的趋势数据可以训练出多颗决策树，各决策树可以通过投票集成的方式形成随机森林模型。随机森林模型也适于处理二分类问题，一般具有较优的泛化能力，而上述实施例中的逻辑回归模型具有较少的数据处理量，两种模型各有优点，都可以实现缓慢下跌型数据与其他型数据的二分类，具体采用哪一个模型，本公开不做特别限定。

本公开的示例性实施例还提供了一种缓慢下跌型数据的检测装置，参考图6所示，该装置60可以包括：样本获取模块61，用于获取样本数据及其分类标签，分类标签包括上涨型样本数据、下跌型样本数据、缓慢下跌型样本数据及其他型样本数据；趋势计算模块62，用于计算样本数据的趋势数据；条件确定模块63，用于根据上涨型样本数据、下跌型样本数据、缓慢下跌型样本数据及其他型样本数据的趋势数据分别确定上涨型分类条件与下跌型分类条件；模型训练模块64，用于通过缓慢下跌型样本数据及其他型样本数据的趋势数据训练并得到一分类学习模型；目标检测模块65，用于利用上涨型分类条件与下跌型分类条件对目标数据进行检测，如果目标数据的趋势数据同时不满足上涨型分类条件与下跌型分类条件，则利用分类学习模型分析目标数据的趋势数据，以检测目标数据是否为缓慢下跌型数据。

在一示例性实施例中，条件确定模块还可以包括：上涨型条件确定单元，用于将下跌型样本数据、缓慢下跌型样本数据及其他型样本数据合并为非上涨型样本数据，通过上涨型样本数据与非上涨型样本数据的趋势数据训练得到第一决策树，以及根据第一决策树中上涨型样本数据对应的分类路径确定上涨型分类条件；下跌型条件确定单元，用于将上涨型样本数据、缓慢下跌型样本数据及其他型样本数据合并为非下跌型样本数据，通过下跌型样本数据与非下跌型样本数据的趋势数据训练得到第二决策树，以及根据第二决策树中下跌型样本数据对应的分类路径确定下跌型分类条件。

在一示例性实施例中，分类学习模型可以包括逻辑回归模型。

在一示例性实施例中，模型训练模块可以包括：分类转换单元，用于将缓慢下跌型样本数据的分类值设定为1，将其他型样本数据的分类值设定为0；数据集划分单元，用于将缓慢下跌型样本数据及其他型样本数据的趋势数据共同划分训练集与验证集；回归训练单元，用于通过训练集训练并得到逻辑回归模型；ROC获取单元，用于在0～1之间设置固定间隔的多个候选分类阈值，通过验证集验证逻辑回归模型在每个候选分类阈值下的真正例率与假正例率，以绘制逻辑回归模型的ROC曲线；阈值确定单元，用于将ROC曲线中真正例率为1且假正例率最小的点对应的候选分类阈值确定为逻辑回归模型的分类阈值。

在一示例性实施例中，分类学习模型可以包括随机森林模型。

在一示例性实施例中，趋势数据可以包括涨幅、移动平均值、移动平均值涨幅、移动平均斜率中的至少一种。

上述各模块/单元的具体细节在方法部分的实施例中已经详细说明，因此不再赘述。

本公开的示例性实施例还提供了一种能够实现上述方法的电子设备。

所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图7来描述根据本公开的这种示例性实施例的电子设备700。图7显示的电子设备700仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图7所示，电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于：上述至少一个处理单元710、上述至少一个存储单元720、连接不同系统组件(包括存储单元720和处理单元710)的总线730、显示单元740。

其中，存储单元存储有程序代码，程序代码可以被处理单元710执行，使得处理单元710执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如，处理单元710可以执行图1所示的步骤S11～S15，也可以执行图3所示的步骤S31～S34等。

存储单元720可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)721和/或高速缓存存储单元722，还可以进一步包括只读存储单元(ROM)723。

存储单元720还可以包括具有一组(至少一个)程序模块725的程序/实用工具724，这样的程序模块725包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线730可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备700也可以与一个或多个外部设备900(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备700交互的设备通信，和/或与使得该电子设备700能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口750进行。并且，电子设备700还可以通过网络适配器760与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器760通过总线730与电子设备700的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备700使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开示例性实施例的方法。

本公开的示例性实施例还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。

参考图8所示，描述了根据本公开的示例性实施例的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的示例性实施例，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。

Claims (10)

1.一种缓慢下跌型数据的检测方法，其特征在于，包括：

获取样本数据以及所述样本数据的分类标签，所述分类标签包括上涨型样本数据、下跌型样本数据、缓慢下跌型样本数据及其他型样本数据；

计算所述样本数据的趋势数据；

根据所述上涨型样本数据、下跌型样本数据、缓慢下跌型样本数据及其他型样本数据的趋势数据分别确定上涨型分类条件与下跌型分类条件；

通过所述缓慢下跌型样本数据及其他型样本数据的趋势数据训练并得到一分类学习模型；

利用所述上涨型分类条件与下跌型分类条件对目标数据进行检测，如果所述目标数据的趋势数据同时不满足所述上涨型分类条件与下跌型分类条件，则利用所述分类学习模型分析所述目标数据的趋势数据，以检测所述目标数据是否为缓慢下跌型数据。

2.根据权利要求1所述的方法，其特征在于，根据所述上涨型样本数据、下跌型样本数据、缓慢下跌型样本数据及其他型样本数据的趋势数据分别确定上涨型分类条件与下跌型分类条件包括：

将所述下跌型样本数据、缓慢下跌型样本数据及其他型样本数据合并为非上涨型样本数据，通过所述上涨型样本数据与非上涨型样本数据的趋势数据训练得到第一决策树；

根据所述第一决策树中所述上涨型样本数据对应的分类路径确定所述上涨型分类条件；

将所述上涨型样本数据、缓慢下跌型样本数据及其他型样本数据合并为非下跌型样本数据，通过所述下跌型样本数据与非下跌型样本数据的趋势数据训练得到第二决策树；

根据所述第二决策树中所述下跌型样本数据对应的分类路径确定所述下跌型分类条件。

3.根据权利要求1所述的方法，其特征在于，所述分类学习模型包括逻辑回归模型。

4.根据权利要求3所述的方法，其特征在于，通过所述缓慢下跌型样本数据及其他型样本数据的趋势数据训练并得到一分类学习模型包括：

将所述缓慢下跌型样本数据的分类值设定为1，将所述其他型样本数据的分类值设定为0；

将所述缓慢下跌型样本数据及其他型样本数据的趋势数据共同划分训练集与验证集；

通过所述训练集训练并得到所述逻辑回归模型；

在0～1之间设置固定间隔的多个候选分类阈值，通过所述验证集验证所述逻辑回归模型在每个所述候选分类阈值下的真正例率与假正例率，以绘制所述逻辑回归模型的ROC曲线；

将所述ROC曲线中所述真正例率为1且所述假正例率最小的点对应的所述候选分类阈值确定为所述逻辑回归模型的分类阈值。

5.根据权利要求1所述的方法，其特征在于，所述分类学习模型包括随机森林模型。

6.根据权利要求1所述的方法，其特征在于，所述趋势数据包括涨幅、移动平均值、移动平均值涨幅、移动平均斜率中的至少一种。

7.一种缓慢下跌型数据的检测装置，其特征在于，包括：

样本获取模块，用于获取样本数据以及所述样本数据的分类标签，所述分类标签包括上涨型样本数据、下跌型样本数据、缓慢下跌型样本数据及其他型样本数据；

趋势计算模块，用于计算所述样本数据的趋势数据；

条件确定模块，用于根据所述上涨型样本数据、下跌型样本数据、缓慢下跌型样本数据及其他型样本数据的趋势数据分别确定上涨型分类条件与下跌型分类条件；

模型训练模块，用于通过所述缓慢下跌型样本数据及其他型样本数据的趋势数据训练并得到一分类学习模型；

目标检测模块，用于利用所述上涨型分类条件与下跌型分类条件对目标数据进行检测，如果所述目标数据的趋势数据同时不满足所述上涨型分类条件与下跌型分类条件，则利用所述分类学习模型分析所述目标数据的趋势数据，以检测所述目标数据是否为缓慢下跌型数据。

8.根据权利要求7所述的装置，其特征在于，所述条件确定模块包括：

上涨型条件确定单元，用于将所述下跌型样本数据、缓慢下跌型样本数据及其他型样本数据合并为非上涨型样本数据，通过所述上涨型样本数据与非上涨型样本数据的趋势数据训练得到第一决策树，以及根据所述第一决策树中所述上涨型样本数据对应的分类路径确定所述上涨型分类条件；

下跌型条件确定单元，用于将所述上涨型样本数据、缓慢下跌型样本数据及其他型样本数据合并为非下跌型样本数据，通过所述下跌型样本数据与非下跌型样本数据的趋势数据训练得到第二决策树，以及根据所述第二决策树中所述下跌型样本数据对应的分类路径确定所述下跌型分类条件。

9.一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-6任一项所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-6任一项所述的方法。