CN111190887A - 一种基于社会认知决策的数据分析方法和装置 - Google Patents

Abstract

本发明实施例公开了一种基于社会认知决策的数据分析方法和装置。方法包括：根据具体问题的核心决策需求，建立决策模型，该决策模型包括特征向量参数和数据价值时间权重参数；围绕核心决策需求采集相关数据，并对采集的数据进行清洗和整理，获取到多个特征向量；对多个特征向量进行相应处理，得到由处理后的多个特征向量构成的特征向量空间；按照鲜活数据比历史数据更有价值的认知决策原理，建立数据价值分析模型，计算特征向量空间对应的数据价值时间权重矩阵；将上述得到的特征向量空间和数据价值时间权重矩阵，代入决策模型，得到对应决策时间的决策模型，进而解决具体问题。本发明通过突出鲜活数据的价值，提高了数据分析结果的合理性。

Description

一种基于社会认知决策的数据分析方法和装置

技术领域

本发明涉及大数据分析领域，具体涉及一种基于社会认知决策的数据分析方法和装置。

背景技术

随着大数据分析技术的发展，大数据应用领域渗透到了社会生活的各个方面。然而，目前的大数据分析方法仅仅利用数据进行单一分析，对社会认知决策属性、价值时间属性等方面考虑不足。现有的分析方法仅仅从数学领域进行分析，没能把对数据分析与社会认知决策之间的关联性、价值的有效性、以及数据价值随着时间的递减性等因素作为重要的因子纳入分析模型中，使得分析效果远远低于预期。

发明内容

鉴于上述问题，本发明提出了一种基于社会认知决策的数据分析方法和装置，以便克服现有大数据分析方法中对数据的价值时间关系考虑不足。

依据本发明的一个方面，提供了一种基于社会认知决策的数据分析方法，所述方法包括：

根据具体问题的核心决策需求，建立决策模型，所述决策模型包括两个参数：特征向量参数和数据价值时间权重参数，其中所述数据价值时间权重用于表示数据对决策影响的大小；

围绕所述核心决策需求采集相关数据，并对采集的数据进行清洗和整理，获取到多个特征向量；

依据决策时间与数据生产时间的差值，对所述多个特征向量进行相应处理，得到由处理后的多个特征向量构成的特征向量空间；

按照鲜活数据比历史数据更有价值的认知决策原理，建立数据价值分析模型，并利用所述数据价值分析模型计算所述特征向量空间对应的数据价值时间权重矩阵；

将所述特征向量空间和所述特征向量空间对应的数据价值时间权重矩阵，代入所述决策模型，得到对应所述决策时间的决策模型，进而根据得到的决策模型解决所述具体问题。

依据本发明的又一方面，提供了一种基于社会认知决策的数据分析装置，所述装置包括：

决策模型建立模块，用于根据具体问题的核心决策需求，建立决策模型，所述决策模型包括两个参数：特征向量参数和数据价值时间权重参数，其中所述数据价值时间权重的大小表示数据对决策影响的大小；

数据采集和整理模块，用于围绕所述核心决策需求采集相关数据，并对采集的数据进行清洗和整理，获取到多个特征向量；

特征向量空间获取模块，用于依据决策时间与数据生产时间的差值，对所述多个特征向量进行相应处理，得到由处理后的多个特征向量构成的特征向量空间；

时间权重矩阵计算模块，用于按照鲜活数据比历史数据更有价值的认知决策原理，建立数据价值分析模型，并利用所述数据价值分析模型计算所述特征向量空间对应的数据价值时间权重矩阵；

问题解决模块，用于将所述特征向量空间和所述特征向量空间对应的数据价值时间权重矩阵，代入所述决策模型，求解得到对应所述决策时间的决策模型，进而根据得到的决策模型解决所述具体问题。

由上述可知，本发明实施例的数据分析方法和装置，首先根据具体问题的核心决策需求，建立包括有数据价值时间权重参数的决策模型，所述数据价值时间权重用于表示数据对决策影响的大小；然后围绕该核心决策需求采集相关数据，并对采集的数据进行清洗和整理，获取到多个特征向量；接着依据决策时间与数据生产时间的差值，对多个特征向量进行相应处理，得到由处理后的多个特征向量构成的特征向量空间，并利用数据价值分析模型计算该特征向量空间对应的数据价值时间权重矩阵，其中数据价值分析模型是按照鲜活数据比历史数据更有价值的认知决策原理建立；最后将得到的特征向量空间和特征向量空间对应的数据价值时间权重矩阵，代入上述的决策模型，得到对应决策时间的决策模型，进而根据得到的决策模型解决具体问题。

本发明的技术方案，通过突出鲜活数据的价值，解决了数据分析方法中数据价值随时间变化的问题，降低了数据分析的时间和空间复杂度，使得数据分析过程更符合人类社会认知决策分析特征，得到的决策模型更加具有说服力，提高了数据分析结果的合理性。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了根据本发明一个实施例的一种基于社会认知决策的数据分析方法的流程示意图；

图2示出了根据本发明一个实施例的一种基于社会认知决策的数据分析装置的结构示意图。

具体实施方式

下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

图1示出了根据本发明一个实施例的一种基于社会认知决策的数据分析方法的流程示意图。如图1所示，该实施例的数据分析方法包括：

步骤110，根据具体问题的核心决策需求，建立决策模型，该决策模型包括两个参数：特征向量参数和数据价值时间权重参数，其中数据价值时间权重用于表示数据对决策影响的大小。

步骤120，围绕核心决策需求采集相关数据，并对采集的数据进行清洗和整理，获取到多个特征向量。

步骤130，依据决策时间与数据生产时间的差值，对多个特征向量进行相应处理，得到由处理后的多个特征向量构成的特征向量空间。

步骤140，按照鲜活数据比历史数据更有价值的认知决策原理，建立数据价值分析模型，并利用数据价值分析模型计算特征向量空间对应的数据价值时间权重矩阵。

步骤150，将上述特征向量空间和上述特征向量空间对应的数据价值时间权重矩阵，代入决策模型，得到对应决策时间的决策模型，进而根据得到的决策模型解决具体问题。

由上述可知，本发明上述实施例的数据分析方法，通过突出鲜活数据的价值，解决了数据分析方法中数据价值随时间变化的问题，降低了数据分析的时间和空间复杂度，使得数据分析过程更符合人类社会认知决策分析特征，得到的决策模型更加具有说服力，提高了数据分析结果的合理性。

下面对上述各步骤做具体说明：

在本发明一个实施例中，上述步骤110包括：

根据实际情况，从需要解决的问题中，选择一个非常具体的，具有数据资源的最小痛点，也即当前最需要解决的一个具体问题。

分析该具体问题需要解决的核心决策需求，将核心决策需求转换为决策模型，决策模型如公式(1)所示。

F(DV,W)………………(1)

其中，F(DV,W)函数表示决策模型，DV,W是两个参数。DV表示特征向量，DV∈Ω,Ω表示由特征向量构成的特征向量空间；W表示利用社会认知决策原理，根据特征向量时间空间T的值计算出来的数据价值时间权重。数据价值时间权重用于表示数据对决策影响的大小，例如历史数据的决策价值没有当前数据的决策价值大。

需要说明的是，每个特征向量即为实际获得的数据。特征向量空间是由特征向量构成的空间。通过分析决策模型，根据实际能够得到数据情况，确定出决策模型需要的特征向量空间。特征向量空间用字母Ω来表示，如公式(2)所示：

Ω＝(DV₀,DV₁,…,DV_m)…………….(2)

其中DV_m表示第m特征向量，m∈N，N为获得的特征向量的总数。

同时，根据特征向量的数据生产时间，确定与特征向量空间对应的特征向量时间空间。特征向量时间空间用字母T来表示，如公式(3)所示：

T＝(t₀,t₁,…,t_m)………………(3)

其中t_m表示第m特征向量所对应的数据生产时间，m∈N，N为获得的特征向量的总数。

在本发明一个实施例中，上述步骤120中的“围绕所述核心决策需求采集相关数据”，包括：

围绕着核心决策需求，采集与步骤110确定出的决策模型需要的特征向量空间的参数相关的结构化数据、半结构化数据、非结构化数据、静态数据、动态数据、历史数据和实时数据；其中：

数据源格式包括：txt、csv、xls、文本数据、图像数据、语音数据等；

结构化的数据是指可以使用关系型数据库表示和存储，表现为二维形式的数据，其一般特点是：数据以行为单位，一行数据表示一个实体的信息，每一行数据的属性是相同的。例如，EXCEL、数据库的数据等。

非结构化数据是指没有固定结构、需要通过识别分析后才能使用的数据。例如各种文档、图片、视频、音频等都属于非结构化数据。

半结构化数据是指介于结构化的数据和非结构化数据两者之间的数据，它并不符合关系型数据库或其他数据表的形式关联起来的数据模型结构，但包含相关标记，用来分隔语义元素以及对记录和字段进行分层。例，XML、HTML数据。

静态数据是指与此问题相关的注册信息、属性数据等相对不变的数据；

动态数据是指与此问题相关的根据时间在改变数据。例如，行为轨迹、浏览痕迹等。

历史数据是指在历史时间内形成积累的与此问题相关的数据。例如，历史交易数据。

实时数据是指此刻此时与此问题相关的活数据。例如，正在浏览网站、正在关注的视频等数据。

在本发明一个实施例中，上述步骤120中的“对采集的数据进行清洗和整理”，包括：

读取数据：将规范的结构化数据写入相应的特征向量空间的参数中，同时将非结构化数据通过人工或自动化技术进行结构化处理，并同样写入相应的特征向量的参数中；

清除重复数据：读取上述生成的数据，通过设计函数或使用内置的函数清除重复数据；

清除空缺数据：根据事前设定的规则，对空缺的数据进行填充；

清除噪声数据：通过判断条件或滤波的方法，减少或清除噪声数据，并避免有效信息丢失。

在本发明一个实施例中，上述步骤130：“依据决策时间与数据生产时间的差值，对多个特征向量进行相应处理，得到由处理后的多个特征向量构成的特征向量空间”，包括：

对数据生产时间位于决策时间t_p与第一时间点t_m之间的第一时间段内的各个特征向量，作为重要数据不进行处理，其中(m＜p)，(t_m＜t_p)；

对数据生产时间位于所述第一时间点t_m与第二时间点t_n之间的第二时间段内的各个特征向量，计算各个维度值的平均值，使用所述平均值更新数据生产时间为t_m的特征向量的各维度数据，其中(t_n＜t_m)，(n＜m)；

对数据生产时间位于所述第一时间点t_m以前的各个特征向量，将其各个维度数值置为零或者无穷小；

由处理后的所述第一时间段内的各个特征向量、处理后的数据生产时间为t_m的特征向量、处理后的所述第一时间点t_m以前的各个特征向量共同构成特征向量空间。

对上述各时间段的数据处理说明如下：

根据实际的决策时间t_p，对最近一段时间内(t_m,t_p)鲜活数据，作为重要数据进行保留不进行处理。

对时间段的历史数据，通过公式(4)计算各个维度值的平均值，更新时间t_m的各维度数据，建立“养数据”的机制。

其中

表示时间指标维度值为t_m时，第i指标维度的数据值。

表示在选择的(t_n,t_m)时间段内，(n,m)范围内所有指标对应的第i指标维度数据值求和。

对时间t_m以前的历史数据，将其各个维度数值置为非常小的值(可以设置为零或者无穷小)，形成“弃数据”的机制。

本实施例通过利用社会认知决策机理，构建“养数据”和“弃数据”的机制，并提出对应的具体实现方法，使得数据分析更符合人类社会认知决策分析特征。

在本发明一个实施例中，上述步骤140中，按照鲜活数据比历史数据更有价值的认知决策原理，按照公式(5)建立的数据价值分析模型为：

其中，t_p为决策时间，t_x为数据生产时间，t_x<t_p，W(i,tx)表示数据生产时间t_x第i个特征向量相对于决策时间t_p的价值大小，价值大表示其对决策影响就大，否则就小。

可以理解的是，上述公式(5)建立的数据价值分析模型是以决策时间t_p与数据生产时间t_x的差值为依据。实际中，仅对决策时间t_p之前的最近一段时间内(t_m,t_p)鲜活数据采用公式(5)计算数据价值时间权重。

在本发明一个实施例中，上述步骤140中的“依据决策时间与数据生产时间的差值，计算所述特征向量空间对应的数据价值时间权重矩阵”，包括：

对数据生产时间位于决策时间t_p与第一时间点t_m之间的第一时间段内的各个特征向量，将其的数据生产时间代入所述数据价值分析模型，计算各个特征向量的数据价值时间权重，其中(m＜p)，(t_m＜t_p)；

对数据生产时间位于所述第一时间点t_m与第二时间点t_n之间的第二时间段内的各个特征向量，按照上述方式计算各个特征向量的数据价值时间权重，对计算得到的数据价值时间权重求和后取平均值，作为数据生产时间为t_m的特征向量的数据价值时间权重，其中(t_n＜t_m)，(n＜m)；

对数据生产时间位于所述第一时间点t_m以前的各个特征向量，将其数据价值时间权重赋值为λ，其中λ＝0.001或者非常小的值；

由所述第一时间段内的各个特征向量的数据价值时间权重、数据生产时间为t_m的特征向量的数据价值时间权重、所述第一时间点t_m以前的各个特征向量的数据价值时间权重共同组成所述特征向量空间对应的数据价值时间权重矩阵。

对上述各时间段的数据价值时间权重的获取说明如下：

根据实际的决策时间t_p，对最近一段时间内(t_m,t_p)鲜活数据，按照上述公式(5)进行计算数据价值的时间权重。

对时间段(t_n,t_m)的历史数据，通过公式(6)计算权重求和后取平均值，作为t_m数据的数据价值时间权重。

其中，

表示时间为t_m时，第i个特征向量相对于t_p决策时间的价值大小。

表示在选择的(t_n,t_m)时间段内，所有特征向量的数据价值时间权重求和。

对时间t_m以前的历史数据，按照公式(7)将各特征向量的数据价值时间权重赋值为λ，其中λ＝0.001或者非常小的值。

其中，

表示时间为t_x时，第i个特征向量相对于t_p决策时间的价值大小。

容易理解的是，该步骤140与上述步骤130，在数据处理的时间段划分上是一致的。上述各时间段的计算结果共同组成了特征向量空间对应的数据价值时间权重矩阵。

该数据价值时间矩阵随着决策时间t_p变化，每次都不相同，当决策时间t_p改变时，需要对数据价值时间权重矩阵进行重新计算。

本实施例通过分析数据价值随着时间的推移进行衰减的关系，提出了数据价值时间权重的计算方法，突出了鲜活数据的价值，使得数据分析结果更加合理，由此计算得到的数据价值时间权重矩阵，使得决策模型结论更加具有说服力。

下面给出一个具体问题的分析处理过程，以阐明本发明上述实施例的各步骤。

步骤1：根据具体问题的核心决策需求，建立决策模型。

本实例中，明确要让一个污水处理池水质达标的具体问题，通过分析确定需要解决主要原因就是根据PH值偏大，要精准加入酸性药剂，控制好PH值。对生化池中PH值偏大的最小痛点，分析原因，得到需要解决的核心决策需求，并根据该具体问题的核心决策需求，建立决策模型。

在分析过程中，需要根据历史的PH值对应的加酸量等数据，训练该决策模型，根据模型计算出此时PH值对应的加酸多少的决策需求，将核心决策需求转换为决策模型。

在本实例中采用历史数据拟合出1阶函数作为决策模型，根据该决策模型算出此时PH值对应的要加入的酸性药剂量。

步骤2：围绕核心决策需求采集相关数据，确定决策模型的特征向量空间。

本步骤2中，分析核心决策需求，根据实际能得到数据情况，确定决策模型所需要输入的特征向量空间。

对上述公式(2)表示的特征向量空间：Ω＝(DV₀,DV₁,…,DV_m)，其中DV_m表示第m特征向量，m∈N。在本实例中，选择N＝12，即该实例共获取到12个数据，对应的DV_m＝(X_m,Y_m)其中(X_m,Y_m)表示PH值为X_m值时，加入酸性药剂量为Y_m。具体数据如下：

Ω＝((9.8,2.5),(9.9,2.7),(10,2.8),(10.4,3),(10.8,3.3),(11,3.5),(11.2,3.7),(11.5,4),(11.8,4.6),(12,5),(12.5,5.5),(13,6))

同时，根据特征向量的数据生产时间，确定与特征向量空间对应的特征向量时间空间，用字母T来表示。本实例中，T＝(2,4,6,7,9,10,12,13,14,15,16,18)。

步骤3：依据决策时间与数据生产时间的差值，对采集的数据进行处理。

根据实际的决策时间t_p，在此实例中t₁₂＝20，对最近一段时间内(t_m,t_p)的鲜活数据，作为重要数据予以保留不做处理，其中(m＜p)，(t_m＜t_p)。在此实例中为(t₇,t₁₁)。

对时间段(t_n,t_m)其中(t_n＜t_m)，(n＜m)历史数据，通过上述公式(4)计算各个维度值的平均值，更新时间t_m的各维度数据，建立“养数据”的机制；在此实例中选(t₄,t₇)，经计算DV₇＝(11.125,3.625)。

对时间t_m以前的历史数据，将其各个维度数值置为非常小的值(可以设置为零或者无穷小)，形成“弃数据”的机制。在此实例中，取值为零。

为此，本实例经修改完善后的特征向量空间如下：

Ω＝((0,0),(0,0),(0,0),(0,0),(0,0),(0,0),(0,0),(11.125,3.625),(11.8,4.6),(12,5),(12.5,5.5),(13,6))

步骤4：建立数据价值分析模型，计算特征向量空间对应的数据价值时间权重矩阵。权重的大小表示数据对决策影响的大小。具体过程如下：

根据决策时间t_p，以决策时间t_p与数据生产时间t_x的差值为依据，对x∈(m,p)范围之内的鲜活数据，按照鲜活数据比历史数据更有价值的认知决策原理，按照上述公式(5)计算数据价值时间权重。在此例中，t₁₂＝20，x∈(7,12)。

数据生产时间距离决策时间t_p越远，其数据价值时间权重越小。在此实例中，若对获取到的12个数据若均采用上述公式(5)进行计算，则得到的数据价值时间权重矩阵如下可见：

W＝(1.0571,1.0645,1.074,1.08,1.0952,1.1052,1.1331,1.1536,1.1814，1.2214,1.284,1.6487)

对(t_n,t_m)的时间段内的数据，按照公式(5)计算权重，然后采用公式(6)求和取平均值，作为t_m的数据价值时间权重。在此例中，在此例中选(t₄,t₇)，经计算对应特征值的W₇＝1.2174。

对时间t_m以前的历史数据，按照公式(7)将数据价值时间权重赋值为λ，其中λ＝0.001或者非常小的值。

在此实例中，权重经上述处理后，得到特征向量空间对应的数据价值时间权重矩阵：

W＝(0.001,0.001,0.001,0.001,0.001,0.001,0.001,1.2174,1.1814，1.2214,1.284,1.6487)

步骤5：确定对应决策时间的决策模型，进而解决具体问题。

将上述步骤3修改完善后的特征向量空间和上述步骤4所计算得到的数据价值时间权重矩阵带入公式(1)中进行计算，根据结果进行决策，最终解决问题。

在此实例中，通过计算在t₁₂时刻，决策模型1阶函数为y＝0.6335x-3.5072，PH值为11.2时，所对应的加入酸性药剂量Y₁₂＝3.588，对应的DV₁₂＝(11.2,3.588)。

至此，采用本发明提供的数据分析方法解决了让一个污水处理池水质达标的具体问题。

图2示出了根据本发明一个实施例的一种基于社会认知决策的数据分析装置的结构示意图，如图2所示，本实施例的数据分析装置200包括：

决策模型建立模块210，用于根据具体问题的核心决策需求，建立决策模型，所述决策模型包括两个参数：特征向量参数和数据价值时间权重参数，其中所述数据价值时间权重的大小表示数据对决策影响的大小；

数据采集和整理模块220，用于围绕所述核心决策需求采集相关数据，并对采集的数据进行清洗和整理，获取到多个特征向量；

特征向量空间获取模块230，用于依据决策时间与数据生产时间的差值，对所述多个特征向量进行相应处理，得到由处理后的多个特征向量构成的特征向量空间；

时间权重矩阵计算模块240，用于按照鲜活数据比历史数据更有价值的认知决策原理，建立数据价值分析模型，并利用所述数据价值分析模型计算所述特征向量空间对应的数据价值时间权重矩阵；

问题解决模块250，用于将所述特征向量空间和所述特征向量空间对应的数据价值时间权重矩阵，代入所述决策模型，求解得到对应所述决策时间的决策模型，进而根据得到的决策模型解决所述具体问题。

本发明的一个实施例，特征向量空间获取模块230具体用于，

对数据生产时间位于决策时间t_p与第一时间点t_m之间的第一时间段内的各个特征向量，作为重要数据不进行处理，其中(m＜p)，(t_m＜t_p)；

对数据生产时间位于所述第一时间点t_m与第二时间点t_n之间的第二时间段内的各个特征向量，计算各个维度值的平均值，使用所述平均值更新数据生产时间为t_m的特征向量的各维度数据，其中(t_n＜t_m)，(n＜m)；

对数据生产时间位于所述第一时间点t_m以前的各个特征向量，将其各个维度数值置为零或者无穷小；

由处理后的所述第一时间段内的各个特征向量、处理后的数据生产时间为t_m的特征向量、处理后的所述第一时间点t_m以前的各个特征向量共同构成特征向量空间。

本发明的一个实施例，时间权重矩阵计算模块240具体用于，

按照鲜活数据比历史数据更有价值的认知决策原理，建立数据价值分析模型：

其中，t_p为决策时间，t_x为数据生产时间，t_x<t_p，

表示数据生产时间t_x第i个特征向量相对于决策时间t_p的价值大小，价值大表示其对决策影响就大，否则就小；

对数据生产时间位于决策时间t_p与第一时间点t_m之间的第一时间段内的各个特征向量，将其的数据生产时间代入所述数据价值分析模型，计算各个特征向量的数据价值时间权重，其中(m＜p)，(t_m＜t_p)；

对数据生产时间位于所述第一时间点t_m与第二时间点t_n之间的第二时间段内的各个特征向量，按照上述方式计算各个特征向量的数据价值时间权重，对计算得到的数据价值时间权重求和后取平均值，作为数据生产时间为t_m的特征向量的数据价值时间权重，其中(t_n＜t_m)，(n＜m)；

对数据生产时间位于所述第一时间点t_m以前的各个特征向量，将其数据价值时间权重赋值为λ，其中λ为一个非常小的值；

由所述第一时间段内的各个特征向量的数据价值时间权重、数据生产时间为t_m的特征向量的数据价值时间权重、所述第一时间点t_m以前的各个特征向量的数据价值时间权重共同组成所述特征向量空间对应的数据价值时间权重矩阵。

以上所描述的装置实施例仅仅是示意性的，具体实施方式可以参照前述方法实施例的具体实施方式进行，在此不再赘述。

需要说明的是，装置实施例中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

综上所述，本发明给出的基于社会认知决策的数据分析方法和装置，通过突出鲜活数据的价值，解决了数据分析方法中数据价值随时间变化的问题，降低了数据分析的时间和空间复杂度，使得数据分析过程更符合人类社会认知决策分析特征，得到的决策模型更加具有说服力，提高了数据分析结果的合理性。

以上所述，仅为本发明的具体实施方式，在本发明的上述教导下，本领域技术人员可以在上述实施例的基础上进行其他的改进或变形。本领域技术人员应该明白，上述的具体描述只是更好的解释本发明的目的，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于社会认知决策的数据分析方法，其特征在于，所述方法包括：

根据具体问题的核心决策需求，建立决策模型，所述决策模型包括两个参数：特征向量参数和数据价值时间权重参数，其中所述数据价值时间权重用于表示数据对决策影响的大小；

围绕所述核心决策需求采集相关数据，并对采集的数据进行清洗和整理，获取到多个特征向量；

依据决策时间与数据生产时间的差值，对所述多个特征向量进行相应处理，得到由处理后的多个特征向量构成的特征向量空间；

按照鲜活数据比历史数据更有价值的认知决策原理，建立数据价值分析模型，并利用所述数据价值分析模型计算所述特征向量空间对应的数据价值时间权重矩阵；

将所述特征向量空间和所述特征向量空间对应的数据价值时间权重矩阵，代入所述决策模型，得到对应所述决策时间的决策模型，进而根据得到的决策模型解决所述具体问题。

2.如权利要求1所述的方法，其特征在于，所述围绕所述核心决策需求采集相关数据包括：

围绕所述核心决策需求，采集与特征向量空间的参数相关的结构化数据、半结构化数据、非结构化数据、静态数据、动态数据、历史数据和实时数据；其中：

结构化的数据是指可以使用关系型数据库表示和存储，表现为二维形式的数据，其一般特点是：数据以行为单位，一行数据表示一个实体的信息，每一行数据的属性是相同的；

非结构化数据是指没有固定结构、需要通过识别分析后才能使用的数据；

半结构化数据是指介于结构化的数据和非结构化数据两者之间的数据，它并不符合关系型数据库或其他数据表的形式关联起来的数据模型结构，但包含相关标记，用来分隔语义元素以及对记录和字段进行分层；

静态数据是指与此问题相关的注册信息、属性数据等相对不变的数据；

动态数据是指与此问题相关的根据时间在改变数据；

历史数据是指在历史时间内形成积累的与此问题相关的数据；

实时数据是指此刻此时与此问题相关的活数据。

3.如权利要求2所述的方法，其特征在于，所述对采集的数据进行清洗和整理包括：

读取数据：将规范的结构化数据写入相应的特征向量空间的参数中，同时将非结构化数据通过人工或自动化技术进行结构化处理，并同样写入相应的特征向量的参数中；

清除重复数据：读取上述生成的数据，通过设计函数或使用内置的函数清除重复数据；

清除空缺数据：根据事前设定的规则，对空缺的数据进行填充；

清除噪声数据：通过判断条件或滤波的方法，减少或清除噪声数据，并避免有效信息丢失。

4.如权利要求1所述的方法，其特征在于，所述依据决策时间与数据生产时间的差值，对所述多个特征向量进行相应处理，得到由处理后的多个特征向量构成的特征向量空间包括：

对数据生产时间位于决策时间t_p与第一时间点t_m之间的第一时间段内的各个特征向量，作为重要数据不进行处理，其中(m＜p)，(t_m＜t_p)；

对数据生产时间位于所述第一时间点t_m与第二时间点t_n之间的第二时间段内的各个特征向量，计算各个维度值的平均值，使用所述平均值更新数据生产时间为t_m的特征向量的各维度数据，其中(t_n＜t_m)，(n＜m)；

对数据生产时间位于所述第一时间点t_m以前的各个特征向量，将其各个维度数值置为零或者无穷小；

由处理后的所述第一时间段内的各个特征向量、处理后的数据生产时间为t_m的特征向量、处理后的所述第一时间点t_m以前的各个特征向量共同构成特征向量空间。

5.如权利要求1所述的方法，其特征在于，按照鲜活数据比历史数据更有价值的认知决策原理，建立的数据价值分析模型为：

其中，t_p为决策时间，t_x为数据生产时间，t_x<t_p，

表示数据生产时间t_x第i个特征向量相对于决策时间t_p的价值大小，价值大表示其对决策影响就大，否则就小。

6.如权利要求5所述的方法，其特征在于，所述依据决策时间与数据生产时间的差值，计算所述特征向量空间对应的数据价值时间权重矩阵，包括：

对数据生产时间位于决策时间t_p与第一时间点t_m之间的第一时间段内的各个特征向量，将其的数据生产时间代入所述数据价值分析模型，计算各个特征向量的数据价值时间权重，其中(m＜p)，(t_m＜t_p)；

对数据生产时间位于所述第一时间点t_m与第二时间点t_n之间的第二时间段内的各个特征向量，按照上述方式计算各个特征向量的数据价值时间权重，对计算得到的数据价值时间权重求和后取平均值，作为数据生产时间为t_m的特征向量的数据价值时间权重，其中(t_n＜t_m)，(n＜m)；

对数据生产时间位于所述第一时间点t_m以前的各个特征向量，将其数据价值时间权重赋值为λ，λ为一个非常小的值；

由所述第一时间段内的各个特征向量的数据价值时间权重、数据生产时间为t_m的特征向量的数据价值时间权重、所述第一时间点t_m以前的各个特征向量的数据价值时间权重共同组成所述特征向量空间对应的数据价值时间权重矩阵。

7.如权利要求1所述的方法，其特征在于，当所述决策时间t_p改变时，重新计算所述数据价值时间权重矩阵。

8.一种基于社会认知决策的数据分析装置，其特征在于，所述装置包括：

决策模型建立模块，用于根据具体问题的核心决策需求，建立决策模型，所述决策模型包括两个参数：特征向量参数和数据价值时间权重参数，其中所述数据价值时间权重的大小表示数据对决策影响的大小；

数据采集和整理模块，用于围绕所述核心决策需求采集相关数据，并对采集的数据进行清洗和整理，获取到多个特征向量；

特征向量空间获取模块，用于依据决策时间与数据生产时间的差值，对所述多个特征向量进行相应处理，得到由处理后的多个特征向量构成的特征向量空间；

时间权重矩阵计算模块，用于按照鲜活数据比历史数据更有价值的认知决策原理，建立数据价值分析模型，并利用所述数据价值分析模型计算所述特征向量空间对应的数据价值时间权重矩阵；

问题解决模块，用于将所述特征向量空间和所述特征向量空间对应的数据价值时间权重矩阵，代入所述决策模型，求解得到对应所述决策时间的决策模型，进而根据得到的决策模型解决所述具体问题。

9.如权利要求8所述的装置，其特征在于，所述特征向量空间获取模块具体用于，

对数据生产时间位于决策时间t_p与第一时间点t_m之间的第一时间段内的各个特征向量，作为重要数据不进行处理，其中(m＜p)，(t_m＜t_p)；

对数据生产时间位于所述第一时间点t_m与第二时间点t_n之间的第二时间段内的各个特征向量，计算各个维度值的平均值，使用所述平均值更新数据生产时间为t_m的特征向量的各维度数据，其中(t_n＜t_m)，(n＜m)；

对数据生产时间位于所述第一时间点t_m以前的各个特征向量，将其各个维度数值置为零或者无穷小；

由处理后的所述第一时间段内的各个特征向量、处理后的数据生产时间为t_m的特征向量、处理后的所述第一时间点t_m以前的各个特征向量共同构成特征向量空间。

10.如权利要求8所述的装置，其特征在于，所述时间权重矩阵计算模块具体用于，

按照鲜活数据比历史数据更有价值的认知决策原理，建立数据价值分析模型：

其中，t_p为决策时间，t_x为数据生产时间，t_x<t_p，

表示数据生产时间t_x第i个特征向量相对于决策时间t_p的价值大小，价值大表示其对决策影响就大，否则就小；

对数据生产时间位于决策时间t_p与第一时间点t_m之间的第一时间段内的各个特征向量，将其的数据生产时间代入所述数据价值分析模型，计算各个特征向量的数据价值时间权重，其中(m＜p)，(t_m＜t_p)；

对数据生产时间位于所述第一时间点t_m与第二时间点t_n之间的第二时间段内的各个特征向量，按照上述方式计算各个特征向量的数据价值时间权重，对计算得到的数据价值时间权重求和后取平均值，作为数据生产时间为t_m的特征向量的数据价值时间权重，其中(t_n＜t_m)，(n＜m)；

对数据生产时间位于所述第一时间点t_m以前的各个特征向量，将其数据价值时间权重赋值为λ，其中λ为一个非常小的值；

由所述第一时间段内的各个特征向量的数据价值时间权重、数据生产时间为t_m的特征向量的数据价值时间权重、所述第一时间点t_m以前的各个特征向量的数据价值时间权重共同组成所述特征向量空间对应的数据价值时间权重矩阵。

Images