CN111949852A - 一种基于互联网大数据的宏观经济分析方法及系统 - Google Patents
一种基于互联网大数据的宏观经济分析方法及系统 Download PDFInfo
- Publication number
- CN111949852A CN111949852A CN202010896524.9A CN202010896524A CN111949852A CN 111949852 A CN111949852 A CN 111949852A CN 202010896524 A CN202010896524 A CN 202010896524A CN 111949852 A CN111949852 A CN 111949852A
- Authority
- CN
- China
- Prior art keywords
- economic
- macro
- analysis
- target
- parameter
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- 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
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2282—Tablespace storage structures; Management thereof
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于互联网大数据的宏观经济分析方法,该方法采用网络爬虫模块在各网络基站上爬取目标宏观经济参数;基于类间区分度的属性约简算法实现目标宏观经济参数的预处理;基于Hadoop运行预设的宏观经济参数分类器和/宏观经济参数分类算法实现宏观经济参数的分类,得到目标宏观经济参数集;根据宏观经济参数的分类结果,基于Hadoop运行预设的特征参数提取模型和/特征参数提取算法实现目标宏观经济参数集的特征参数的提取;基于Hadoop运行预设的宏观经济分析模型和/宏观经济分析算法根据所述特征参数实现目标宏观经济参数集的评估,输出对应的评估结果。本发明能够对复杂的宏观经济进行更加准确和可信度更高的分析。
Description
技术领域
本发明涉及大数据分析领域,具体涉及一种基于互联网大数据的宏观经济分析方法及系统。
背景技术
在互联网时代,大数据已经应用到社会经济与生活中的多领域。随着电子商务、互联网金融、社交网络等的飞速发展,人们在互联网上购物、交流、搜索、浏览的各种行为所产生的数据量越来越大。在大数据时代的背景下,借助大数据进行宏观经济分析就成为了促进经济社会发展的重要工具和手段之一。
目前,传统的宏观经济分析方式普遍存在以下缺陷:
(1)传統的经济分析方式主要是以抽样统计为基础,通过把样本看作整体来进行分析,然而这样假设的分析会有一定的误差存在。
(2)传统的经济分析方式是以分析事物的因果关系为中心,然而由于经济变量的因果关系往往难以检验或者受到较多的其他变量的影响,经济分析往往会耗费大量的时间、精力,且结论并不一定准确。
(3)传统的经济分析方式过于依赖各种部门发布的统计数据,因此无法及时的获得宏观经济发展数据,在宏观经济分析上存在滞后性,对于宏观经济形势的预测是不利的。
发明内容
为解决上述问题,本发明提供了一种基于互联网大数据的宏观经济分析方法及系统,能够对复杂的宏观经济进行更加准确和可信度更高的分析,将纷繁多样的海量数据转换成具有信息和商业价值的可用数据。
为实现上述目的,本发明采取的技术方案为:
一种基于互联网大数据的宏观经济分析方法,包括如下步骤:
S1、采用网络爬虫模块基于预设的数据爬取模型在各网络基站上爬取目标宏观经济参数;
S2、基于类间区分度的属性约简算法实现目标宏观经济参数的预处理;
S3、基于Hadoop运行预设的宏观经济参数分类器和/宏观经济参数分类算法实现宏观经济参数的分类,得到目标宏观经济参数集;
S4、根据宏观经济参数的分类结果,基于Hadoop运行预设的特征参数提取模型和/特征参数提取算法实现目标宏观经济参数集的特征参数的提取;
S5、基于Hadoop运行预设的宏观经济分析模型和/宏观经济分析算法根据所述特征参数实现目标宏观经济参数集的评估,输出对应的评估结果。
进一步地,所述步骤S1中,每一个网络爬虫模块配置一个数据爬取模型,每一个数据爬取模型均配置不同的数据爬取规则,且每一个数据爬取模型内均配置一身份标记模块,用于实现宏观经济参数来源地址的标记,每一个宏观经济参数来源地址配置唯一的标记符号。
进一步地,所述宏观经济参数分类器采用LSTM-Attention分类器,宏观经济参数分类算法采用LSTM-Attention分类算法。
进一步地,还包括基于Hadoop运行预设的宏观经济预测分析模型和/宏观经济预测分析算法根据所述目标宏观经济参数集的评估结果实现目标宏观经济参数集的预测分析,输出对应的预测分析结果的步骤。
进一步地,还包括以EXCEL表格的形式实现目标宏观经济参数集的评估结果和预测分析结果统计的步骤,每一条汇总结果记录均包括源目标宏观经济参数集的访问超链接、对应的宏观经济分析模型/宏观经济分析算法及对应的评估结果、对应的宏观经济预测分析模型和/宏观经济预测分析算法及对应的预测分析的结果。
本发明还提供了一种基于互联网大数据的宏观经济分析系统,包括:
网络爬虫模块,用于基于预设的数据爬取模型在各网络基站上爬取目标宏观经济参数;
数据约简模块,用于基于类间区分度的属性约简算法实现目标宏观经济参数的预处理;
参数集构建模块,用于基于Hadoop运行预设的宏观经济参数分类器和/宏观经济参数分类算法实现宏观经济参数的分类,获取目标宏观经济参数集;
特征提取模块,用于根据宏观经济参数的分类结果,基于Hadoop运行预设的特征参数提取模型和/特征参数提取算法实现目标宏观经济参数集的特征参数的提取;
综合评估模块,用于基于Hadoop运行预设的宏观经济分析模型和/宏观经济分析算法根据所述特征参数实现目标宏观经济参数集的评估,输出对应的评估结果。
进一步地,还包括:
预测分析模块,用于基于Hadoop运行预设的宏观经济预测分析模型和/宏观经济预测分析算法根据所述目标宏观经济参数集的评估结果实现目标宏观经济参数集的预测分析,输出对应的预测分析结果。
进一步地,还包括:
统计模块,用于以EXCEL表格的形式实现目标宏观经济参数集的评估结果、预测分析结果的统计,每一条汇总记录均包括源目标宏观经济参数集的访问超链接、对应的宏观经济分析模型/宏观经济分析算法及对应的评估结果、对应的宏观经济预测分析模型和/宏观经济预测分析算法及对应的预测分析的结果。
本发明具有以下有益效果:
1)通过互联网技术,追踪并快速收集和分析主要的宏观经济数据以及即时传播的非结构化数据,从而使宏观经济分析的时效性得到提高,为经济活动参与者争取到更多的决策时间。
2)可以将样本统计转化为总体普查,大幅度增加变量数,挖掘分析数据的相关性,提高分析的及时性,从而正确预测和预警宏观经济发展趋势,帮助决策者制定正确的经济政策。
3)能够对复杂的宏观经济进行更加准确和可信度更高的分析,将纷繁多样的海量数据转换成具有信息和商业价值的可用数据。
附图说明
图1为本发明实施例1一种基于互联网大数据的宏观经济分析方法的流程图。
图2为本发明实施例2一种基于互联网大数据的宏观经济分析方法的流程图。
图3为本发明实施例3一种基于互联网大数据的宏观经济分析方法的流程图。
图4为本发明实施例4一种基于互联网大数据的宏观经济分析系统的系统框图。
具体实施方式
为了使本发明的目的及优点更加清楚明白,以下结合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。
实施例1
如图1所示,一种基于互联网大数据的宏观经济分析方法,包括如下步骤:
S1、采用网络爬虫模块基于预设的数据爬取模型在各网络基站上爬取目标宏观经济参数;
S2、基于类间区分度的属性约简算法实现目标宏观经济参数的预处理;
S3、基于Hadoop运行预设的宏观经济参数分类器和/宏观经济参数分类算法实现宏观经济参数的分类,得到目标宏观经济参数集;
S4、根据宏观经济参数的分类结果,基于Hadoop运行预设的特征参数提取模型和/特征参数提取算法实现目标宏观经济参数集的特征参数的提取;
S5、基于Hadoop运行预设的宏观经济分析模型和/宏观经济分析算法根据所述特征参数实现目标宏观经济参数集的评估,输出对应的评估结果。
本实施例中,每一个网络爬虫模块配置一个数据爬取模型,每一个数据爬取模型均配置不同的数据爬取规则,且每一个数据爬取模型内均配置一身份标记模块,用于实现宏观经济参数来源地址的标记,每一个宏观经济参数来源地址配置唯一的标记符号。
本实施例中,所述宏观经济参数分类器采用LSTM-Attention分类器,宏观经济参数分类算法采用LSTM-Attention分类算法;特征参数提取模型采用BP神经网络模型,特征参数提取算法采用模糊神经网络算法。
实施例2
如图2所示,一种基于互联网大数据的宏观经济分析方法,包括如下步骤:
S1、采用网络爬虫模块基于预设的数据爬取模型在各网络基站上爬取目标宏观经济参数;
S2、基于类间区分度的属性约简算法实现目标宏观经济参数的预处理;
S3、基于Hadoop运行预设的宏观经济参数分类器和/宏观经济参数分类算法实现宏观经济参数的分类,得到目标宏观经济参数集;
S4、根据宏观经济参数的分类结果,基于Hadoop运行预设的特征参数提取模型和/特征参数提取算法实现目标宏观经济参数集的特征参数的提取;
S5、基于Hadoop运行预设的宏观经济分析模型和/宏观经济分析算法根据所述特征参数实现目标宏观经济参数集的评估,输出对应的评估结果;
S6、基于Hadoop运行预设的宏观经济预测分析模型和/宏观经济预测分析算法根据所述目标宏观经济参数集的评估结果实现目标宏观经济参数集的预测分析,输出对应的预测分析结果。
本实施例中,每一个网络爬虫模块配置一个数据爬取模型,每一个数据爬取模型均配置不同的数据爬取规则,且每一个数据爬取模型内均配置一身份标记模块,用于实现宏观经济参数来源地址的标记,每一个宏观经济参数来源地址配置唯一的标记符号。
本实施例中,所述宏观经济参数分类器采用LSTM-Attention分类器,宏观经济参数分类算法采用LSTM-Attention分类算法;特征参数提取模型采用BP神经网络模型,特征参数提取算法采用模糊神经网络算法;宏观经济预测分析模型采用贝叶斯预测模型,宏观经济预测分析算法采用模糊神经网络算法。
实施例3
如图3所示,一种基于互联网大数据的宏观经济分析方法,包括如下步骤:
S1、采用网络爬虫模块基于预设的数据爬取模型在各网络基站上爬取目标宏观经济参数;
S2、基于类间区分度的属性约简算法实现目标宏观经济参数的预处理;
S3、基于Hadoop运行预设的宏观经济参数分类器和/宏观经济参数分类算法实现宏观经济参数的分类,得到目标宏观经济参数集;
S4、根据宏观经济参数的分类结果,基于Hadoop运行预设的特征参数提取模型和/特征参数提取算法实现目标宏观经济参数集的特征参数的提取;
S5、基于Hadoop运行预设的宏观经济分析模型和/宏观经济分析算法根据所述特征参数实现目标宏观经济参数集的评估,输出对应的评估结果;
S6、基于Hadoop运行预设的宏观经济预测分析模型和/宏观经济预测分析算法根据所述目标宏观经济参数集的评估结果实现目标宏观经济参数集的预测分析,输出对应的预测分析结果;
S7、以EXCEL表格的形式实现目标宏观经济参数集的评估结果和预测分析结果统计,每一条汇总结果记录均包括源目标宏观经济参数集的访问超链接、对应的宏观经济分析模型/宏观经济分析算法及对应的评估结果、对应的宏观经济预测分析模型和/宏观经济预测分析算法及对应的预测分析的结果。
本实施例中,每一个网络爬虫模块配置一个数据爬取模型,每一个数据爬取模型均配置不同的数据爬取规则,且每一个数据爬取模型内均配置一身份标记模块,用于实现宏观经济参数来源地址的标记,每一个宏观经济参数来源地址配置唯一的标记符号。
本实施例中,所述宏观经济参数分类器采用LSTM-Attention分类器,宏观经济参数分类算法采用LSTM-Attention分类算法;特征参数提取模型采用BP神经网络模型,特征参数提取算法采用模糊神经网络算法;宏观经济预测分析模型采用贝叶斯预测模型,宏观经济预测分析算法采用模糊神经网络算法。
实施例4
如图4所示,一种基于互联网大数据的宏观经济分析系统,包括:
网络爬虫模块,用于基于预设的数据爬取模型在各网络基站上爬取目标宏观经济参数;每一个网络爬虫模块配置一个数据爬取模型,每一个数据爬取模型均配置不同的数据爬取规则,且每一个数据爬取模型内均配置一身份标记模块,用于实现宏观经济参数来源地址的标记,每一个宏观经济参数来源地址配置唯一的标记符号;每一个网络爬虫模块配置一独立的数据储存模块,从而实现数据的分类储存;
数据约简模块,用于基于类间区分度的属性约简算法实现目标宏观经济参数的预处理;
参数集构建模块,用于基于Hadoop运行预设的宏观经济参数分类器和/宏观经济参数分类算法实现宏观经济参数的分类,获取目标宏观经济参数集;所述宏观经济参数分类器采用LSTM-Attention分类器,宏观经济参数分类算法采用LSTM-Attention分类算法;
特征提取模块,用于根据宏观经济参数的分类结果,基于Hadoop运行预设的特征参数提取模型和/特征参数提取算法实现目标宏观经济参数集的特征参数的提取;
综合评估模块,用于基于Hadoop运行预设的宏观经济分析模型和/宏观经济分析算法根据所述特征参数实现目标宏观经济参数集的评估,输出对应的评估结果;
预测分析模块,用于基于Hadoop运行预设的宏观经济预测分析模型和/宏观经济预测分析算法根据所述目标宏观经济参数集的评估结果实现目标宏观经济参数集的预测分析,输出对应的预测分析结果;
统计模块,用于以EXCEL表格的形式实现目标宏观经济参数集的评估结果、预测分析结果的统计,每一条汇总记录均包括源目标宏观经济参数集的访问超链接(客户点击访问超链接,内在的数据挖掘模块在各数据储存模块中基于预配置的数据挖掘规则实现目标宏观经济参数的主动挖掘反馈)、对应的宏观经济分析模型/宏观经济分析算法及对应的评估结果、对应的宏观经济预测分析模型和/宏观经济预测分析算法及对应的预测分析的结果;
中央处理模块,用于协调上述模块工作。
本实施例中,所述宏观经济参数分类器采用LSTM-Attention分类器,宏观经济参数分类算法采用LSTM-Attention分类算法;特征参数提取模型采用BP神经网络模型,特征参数提取算法采用模糊神经网络算法;宏观经济预测分析模型采用贝叶斯预测模型,宏观经济预测分析算法采用模糊神经网络算法。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种基于互联网大数据的宏观经济分析方法,其特征在于,包括如下步骤:
S1、采用网络爬虫模块基于预设的数据爬取模型在各网络基站上爬取目标宏观经济参数;
S2、基于类间区分度的属性约简算法实现目标宏观经济参数的预处理;
S3、基于Hadoop运行预设的宏观经济参数分类器和/宏观经济参数分类算法实现宏观经济参数的分类,得到目标宏观经济参数集;
S4、根据宏观经济参数的分类结果,基于Hadoop运行预设的特征参数提取模型和/特征参数提取算法实现目标宏观经济参数集的特征参数的提取;
S5、基于Hadoop运行预设的宏观经济分析模型和/宏观经济分析算法根据所述特征参数实现目标宏观经济参数集的评估,输出对应的评估结果。
2.如权利要求1所述的一种基于互联网大数据的宏观经济分析方法,其特征在于,所述步骤S1中,每一个网络爬虫模块配置一个数据爬取模型,每一个数据爬取模型均配置不同的数据爬取规则,且每一个数据爬取模型内均配置一身份标记模块,用于实现宏观经济参数来源地址的标记,每一个宏观经济参数来源地址配置唯一的标记符号。
3.如权利要求1所述的一种基于互联网大数据的宏观经济分析方法,其特征在于,所述宏观经济参数分类器采用LSTM-Attention分类器,宏观经济参数分类算法采用LSTM-Attention分类算法。
4.如权利要求1所述的一种基于互联网大数据的宏观经济分析方法,其特征在于,还包括基于Hadoop运行预设的宏观经济预测分析模型和/宏观经济预测分析算法根据所述目标宏观经济参数集的评估结果实现目标宏观经济参数集的预测分析,输出对应的预测分析结果的步骤。
5.如权利要求1所述的一种基于互联网大数据的宏观经济分析方法,其特征在于,还包括以EXCEL表格的形式实现目标宏观经济参数集的评估结果和预测分析结果统计的步骤,每一条汇总结果记录均包括源目标宏观经济参数集的访问超链接、对应的宏观经济分析模型/宏观经济分析算法及对应的评估结果、对应的宏观经济预测分析模型和/宏观经济预测分析算法及对应的预测分析的结果。
6.一种基于互联网大数据的宏观经济分析系统,其特征在于,包括:
网络爬虫模块,用于基于预设的数据爬取模型在各网络基站上爬取目标宏观经济参数;
数据约简模块,用于基于类间区分度的属性约简算法实现目标宏观经济参数的预处理;
参数集构建模块,用于基于Hadoop运行预设的宏观经济参数分类器和/宏观经济参数分类算法实现宏观经济参数的分类,获取目标宏观经济参数集;
特征提取模块,用于根据宏观经济参数的分类结果,基于Hadoop运行预设的特征参数提取模型和/特征参数提取算法实现目标宏观经济参数集的特征参数的提取;
综合评估模块,用于基于Hadoop运行预设的宏观经济分析模型和/宏观经济分析算法根据所述特征参数实现目标宏观经济参数集的评估,输出对应的评估结果。
7.如权利要求6所述的一种基于互联网大数据的宏观经济分析系统,其特征在于,还包括:
预测分析模块,用于基于Hadoop运行预设的宏观经济预测分析模型和/宏观经济预测分析算法根据所述目标宏观经济参数集的评估结果实现目标宏观经济参数集的预测分析,输出对应的预测分析结果。
8.如权利要求6所述的一种基于互联网大数据的宏观经济分析系统,其特征在于,还包括:
统计模块,用于以EXCEL表格的形式实现目标宏观经济参数集的评估结果、预测分析结果的统计,每一条汇总记录均包括源目标宏观经济参数集的访问超链接、对应的宏观经济分析模型/宏观经济分析算法及对应的评估结果、对应的宏观经济预测分析模型和/宏观经济预测分析算法及对应的预测分析的结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010896524.9A CN111949852A (zh) | 2020-08-31 | 2020-08-31 | 一种基于互联网大数据的宏观经济分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010896524.9A CN111949852A (zh) | 2020-08-31 | 2020-08-31 | 一种基于互联网大数据的宏观经济分析方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111949852A true CN111949852A (zh) | 2020-11-17 |
Family
ID=73366903
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010896524.9A Pending CN111949852A (zh) | 2020-08-31 | 2020-08-31 | 一种基于互联网大数据的宏观经济分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111949852A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112256937A (zh) * | 2020-11-28 | 2021-01-22 | 河南工业职业技术学院 | 一种基于计算机的信息分析系统 |
CN112765439A (zh) * | 2021-02-25 | 2021-05-07 | 重庆三峡学院 | 一种基于大数据平台的数据处理方法及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105630673A (zh) * | 2015-12-17 | 2016-06-01 | 北京锐安科技有限公司 | 一种网络爬虫率的自动化测试方法及装置 |
CN106682394A (zh) * | 2016-11-30 | 2017-05-17 | 北京拓明科技有限公司 | 一种生存风险的大数据分析方法及系统 |
CN107885883A (zh) * | 2017-12-01 | 2018-04-06 | 北京国信宏数科技有限公司 | 一种基于社会媒体的宏观经济领域情感分析方法及系统 |
CN107895009A (zh) * | 2017-11-10 | 2018-04-10 | 北京国信宏数科技有限责任公司 | 一种基于分布式的互联网数据采集方法及系统 |
CN108170826A (zh) * | 2018-01-08 | 2018-06-15 | 北京国信宏数科技有限责任公司 | 一种基于互联网大数据的宏观经济分析方法及系统 |
AU2018101131A4 (en) * | 2018-08-11 | 2018-09-13 | Yitao Liu | A Real-time Accurate Stock Price Prediction System Based on KNN Algorithm |
CN108829823A (zh) * | 2018-06-13 | 2018-11-16 | 北京信息科技大学 | 一种文本分类方法 |
CN109213912A (zh) * | 2018-08-16 | 2019-01-15 | 北京神州泰岳软件股份有限公司 | 一种抓取网络数据的方法及网络数据抓取调度装置 |
CN110110156A (zh) * | 2019-04-04 | 2019-08-09 | 平安科技(深圳)有限公司 | 行业舆情监控方法、装置、计算机设备及存储介质 |
CN111061779A (zh) * | 2019-12-16 | 2020-04-24 | 延安大学 | 一种基于大数据平台的数据处理方法及装置 |
-
2020
- 2020-08-31 CN CN202010896524.9A patent/CN111949852A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105630673A (zh) * | 2015-12-17 | 2016-06-01 | 北京锐安科技有限公司 | 一种网络爬虫率的自动化测试方法及装置 |
CN106682394A (zh) * | 2016-11-30 | 2017-05-17 | 北京拓明科技有限公司 | 一种生存风险的大数据分析方法及系统 |
CN107895009A (zh) * | 2017-11-10 | 2018-04-10 | 北京国信宏数科技有限责任公司 | 一种基于分布式的互联网数据采集方法及系统 |
CN107885883A (zh) * | 2017-12-01 | 2018-04-06 | 北京国信宏数科技有限公司 | 一种基于社会媒体的宏观经济领域情感分析方法及系统 |
CN108170826A (zh) * | 2018-01-08 | 2018-06-15 | 北京国信宏数科技有限责任公司 | 一种基于互联网大数据的宏观经济分析方法及系统 |
CN108829823A (zh) * | 2018-06-13 | 2018-11-16 | 北京信息科技大学 | 一种文本分类方法 |
AU2018101131A4 (en) * | 2018-08-11 | 2018-09-13 | Yitao Liu | A Real-time Accurate Stock Price Prediction System Based on KNN Algorithm |
CN109213912A (zh) * | 2018-08-16 | 2019-01-15 | 北京神州泰岳软件股份有限公司 | 一种抓取网络数据的方法及网络数据抓取调度装置 |
CN110110156A (zh) * | 2019-04-04 | 2019-08-09 | 平安科技(深圳)有限公司 | 行业舆情监控方法、装置、计算机设备及存储介质 |
CN111061779A (zh) * | 2019-12-16 | 2020-04-24 | 延安大学 | 一种基于大数据平台的数据处理方法及装置 |
Non-Patent Citations (1)
Title |
---|
董艳等: "基于BP神经网络的西安市宏观经济预测", 《价值工程》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112256937A (zh) * | 2020-11-28 | 2021-01-22 | 河南工业职业技术学院 | 一种基于计算机的信息分析系统 |
CN112765439A (zh) * | 2021-02-25 | 2021-05-07 | 重庆三峡学院 | 一种基于大数据平台的数据处理方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hayes et al. | Contextual anomaly detection in big sensor data | |
CN111538741B (zh) | 一种面向警情大数据的深度学习分析方法及系统 | |
Zhou et al. | Corporate communication network and stock price movements: insights from data mining | |
CN111949852A (zh) | 一种基于互联网大数据的宏观经济分析方法及系统 | |
Rani et al. | Design of an intrusion detection model for IoT-enabled smart home | |
Ghodratnama et al. | Am i rare? an intelligent summarization approach for identifying hidden anomalies | |
CN117608889A (zh) | 基于日志语义的异常检测方法以及相关设备 | |
CN114329453A (zh) | 一种基于系统日志的异常检测方法 | |
Gopala Krishnan et al. | Predictive algorithm and criteria to perform big data analytics | |
Domingo-Ferrer et al. | Fuzzy microaggregation for microdata protection | |
Tsai et al. | Object architected design and efficient dynamic adjustment mechanism of distributed web crawlers | |
Zhao et al. | Detecting fake reviews via dynamic multimode network | |
Azad et al. | Machine Learning for Blockchain Data Analysis: Progress and Opportunities | |
Singh et al. | A Hybrid Method for Intrusion Detection Using SVM and k-NN | |
Elmahalwy et al. | New hybrid ensemble method for anomaly detection in data science | |
Dubey et al. | Significance of Dimensionality Reduction in Intrusion Detection Dataset | |
Wahid et al. | RDOF: An outlier detection algorithm based on relative density | |
Yao et al. | Intelligent Network Awareness | |
Lin | A hotspot discovery method based on improved FIHC clustering algorithm | |
Huang et al. | A Spatio-Temporal Attention-Based GCN for Anti-money Laundering Transaction Detection | |
US20240104072A1 (en) | Method, Apparatus And Electronic Device For Detecting Data Anomalies, And Readable Storage Medium | |
Anand et al. | Anomaly Detection in Disaster Recovery: A Review, Current Trends and New Perspectives | |
More et al. | AI federated learning based improvised random Forest classifier with error reduction mechanism for skewed data sets | |
Xiao et al. | Application Research of Computer Artificial Intelligence Technology in Enterprise Financial Accounting Risk Warning System | |
Yang et al. | An Interpretability Evaluation Framework for Decision Tree Surrogate Model-Based XAIs |
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: 20201117 |