CN112116480A - 虚拟资源确定方法、装置、计算机设备及存储介质 - Google Patents

虚拟资源确定方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN112116480A
CN112116480A CN201910538139.4A CN201910538139A CN112116480A CN 112116480 A CN112116480 A CN 112116480A CN 201910538139 A CN201910538139 A CN 201910538139A CN 112116480 A CN112116480 A CN 112116480A
Authority
CN
China
Prior art keywords
resource
virtual resources
value information
virtual
similarity
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
CN201910538139.4A
Other languages
English (en)
Inventor
傅桔选
尹方亮
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.)
Tenpay Payment Technology Co Ltd
Original Assignee
Tenpay Payment Technology Co Ltd
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 Tenpay Payment Technology Co Ltd filed Critical Tenpay Payment Technology Co Ltd
Priority to CN201910538139.4A priority Critical patent/CN112116480A/zh
Publication of CN112116480A publication Critical patent/CN112116480A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06Q40/06—Asset management; Financial planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种虚拟资源确定方法、装置、计算机设备及存储介质，属于网络技术领域。包括：获取多个虚拟资源在目标时长内的多组资源价值信息，一组资源价值信息包括一个虚拟资源在目标时长内的一个时间点上多个不同价值类型的资源价值信息；确定任意两个虚拟资源的资源价值信息之间的相似度和相关度；将相似度和相关度符合目标规则的虚拟资源确定为价值变化趋势相似的虚拟资源。本发明通过对虚拟资源中不同价值类型资源价值信息进行相似性和相关性分析，准确地刻画出了虚拟资源之间的相似度和相关度，在实现精准识别出价值变化趋势相似的虚拟资源的同时，减少了识别过程的计算量，提升了运算效率，能够为相关服务提供及时和高效地支撑。

Description

虚拟资源确定方法、装置、计算机设备及存储介质
技术领域
本发明涉及网络技术领域，特别涉及一种虚拟资源确定方法、装置、计算机设备及存储介质。
背景技术
股票作为一种理财产品受到了众多用户的喜爱。其中，股票是一种有价证券，每支股票背后均有一家上市公司。同时，每家上市公司都会发行股票。在进行股票投资时，股民通常会参考历史的股市波动规律来确定股票买卖决策，而挖掘K线图成为了一种判断股市波动规律的方法，其中，K线图包含四个数据，分别是开盘价、最高价、最低价以及收盘价，所有的K线图中的K线都是围绕这四个数据展开，其反映了某只股票在当日的涨跌趋势和对应的价格信息，当把每日的K线图进行整合后，即可得到日K线图，同理，可以得到周K线图、月K线图以及年K线图，通过挖掘与目标股票相似的一支或多支股票的历史K线图，判断目标股票的后续走势。
然而，股票的历史K线图的数据是海量的，需要非常大的计算量来确定出相似的K线图。因此，如何从海量的K线图数据中快速并准确地识别出与相似的K线图成为了关键。
现有技术中确定相似K线图通常采用基于聚类的方法，具体的，通过使用K-means、层次聚类模型或者高斯混合模型等聚类算法对时间长度相同的多支股票的K线进行聚类，一个聚类结果中的K线相比于不在同一个聚类结果中的K线具有更多的相似性，基于此进行相似K线的识别。
在实现本发明的过程中，发明人发现上述现有技术至少存在以下问题：
通过聚类算法确定相似K线图的过程中，最优聚类结果个数的确定需要多次的实验，一个聚类结果中通常都包含了比较多的走势模式相似的K线，为了找出每个K线各自的最相似K线，还需要通过相似度指标再次进行筛选，这增加了计算量，造成了计算效率低的问题；同时，聚类效果存在不确定性，同一样本在不同次的聚类结果中可能会属于不同的类别，且可能每次都只是局部最优解，而不是全局最优解，造成了所确定出的相似K线的准确度不高；另外，聚类算法的复杂度普遍较高，造成了运算需要耗费较长的时间、计算效率低等问题。基于这些问题，上述的现有技术在实际的相似K线识别中并不实用。
发明内容
本发明实施例提供了一种虚拟资源确定方法、装置、计算机设备及存储介质，可以解决现有技术中相似K线识别过程计算量大、准确度不高、运算耗时长以及效率低的问题。该技术方案如下：
一方面，提供了一种虚拟资源确定方法，方法包括：
获取多个虚拟资源在目标时长内的多组资源价值信息，一组资源价值信息包括一个虚拟资源在目标时长内的一个时间点上多个不同价值类型的资源价值信息；
确定任意两个虚拟资源的资源价值信息之间的相似度和相关度；
将相似度和相关度符合目标规则的虚拟资源确定为价值变化趋势相似的虚拟资源。
一方面，提供了一种虚拟资源确定装置，装置包括：
获取模块，用于获取多个虚拟资源在目标时长内的多组资源价值信息，一组资源价值信息包括一个虚拟资源在目标时长内的一个时间点上多个不同价值类型的资源价值信息；
确定模块，用于确定任意两个虚拟资源的资源价值信息之间的相似度和相关度；
资源确定模块，用于将相似度和相关度符合目标规则的虚拟资源确定为价值变化趋势相似的虚拟资源。
在本发明的一个实施例中，上述确定模块用于：
对于每个价值类型，从任意两个虚拟资源的资源价值信息中分别获取价值类型对应的资源价值信息序列；
确定任意两个虚拟资源的价值类型的资源价值信息序列之间的相似度，将多个不同价值类型的相似度进行算术平均后作为任意两个虚拟资源之间的相似度；
确定任意两个虚拟资源的价值类型的资源价值信息序列之间的相关度，将多个不同价值类型的相关度进行算术平均后作为任意两个虚拟资源之间的相关度。
在本发明的一个实施例中，上述确定模块用于：
计算资源价值信息序列中的每个资源价值信息与预设数值的比值；
将资源价值信息序列中每个资源价值信息替换为对应的比值，得到处理后的资源价值信息序列。
在本发明的一个实施例中，上述确定模块用于：
计算任意两个虚拟资源的价值类型的资源价值信息序列之间的欧式距离；
将欧式距离确定为价值类型的相似度。
在本发明的一个实施例中，上述确定模块用于：
获取任意两个虚拟资源在相同的时间点价值类型对应的资源价值信息以及与时间点相邻的资源价值信息；
确定任意两个虚拟资源的资源价值信息以及与时间点相邻的资源价值信息之间的价值信息变化趋势相关值；
将价值信息变化趋势相关值确定为价值类型的相关度。
在本发明的一个实施例中，上述资源确定模块用于：
获取多个虚拟资源中待匹配虚拟资源与其它每个虚拟资源之间的相似度和相关度；
按照相似度的大小，对其它每个虚拟资源进行升序排序，获得第一排序结果；
按照相关度的大小，对其它每个虚拟资源进行降序排序，获得第二排序结果；
结合第一排序结果和第二排序结果，获得符合目标规则的虚拟资源；
将符合目标规则的虚拟资源确定为与待匹配虚拟资源的价值变化趋势相似的虚拟资源。
在本发明的一个实施例中，上述资源确定模块还用于：
获取多个虚拟资源中待匹配虚拟资源与其它每个虚拟资源之间的相似度和相关度；
从目标规则中获取相似度阈值和相关度阈值；
将其它每个虚拟资源中同时满足相似度小于等于相似度阈值且相关度大于等于预设相关度阈值的虚拟资源确定为与待匹配虚拟资源的价值变化趋势相似的虚拟资源。
一方面，提供了一种计算机设备，计算机设备包括：处理器；用于存放计算机程序的存储器；其中，处理器用于执行存储器上所存放的计算机程序，实现虚拟资源确定方法中任一项的方法步骤。
一方面，提供了一种计算机可读存储介质，计算机可读存储介质内存储有计算机程序，计算机程序被处理器执行时实现虚拟资源确定方法中任一项的方法步骤。
本发明实施例提供的技术方案带来的有益效果是：
通过对虚拟资源中不同价值类型资源价值信息进行相似性和相关性分析，准确地刻画出了虚拟资源之间的相似度和相关度，在实现精准识别出价值变化趋势相似的虚拟资源的同时减少了识别过程的计算量，提升了运算效率，能够为相关服务提供及时和高效地支撑。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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是本发明实施例提供的一种虚拟资源展示系统的示意图；
图2是本发明实施例提供的一种股票走势的示意图；
图3是本发明实施例提供的一种虚拟资源确定方法的流程图；
图4是本发明实施例提供的一种确定任意两个虚拟资源的资源价值信息之间的相似度和相关度的方法流程图；
图5是本发明实施例提供的一种确定价值变化趋势相似的虚拟资源的方法流程图；
图6是本发明实施例提供的一种确定价值变化趋势相似的虚拟资源的方法流程图；
图7是本发明实施例提供的一种虚拟资源确定装置的结构示意图；
图8是本发明实施例提供的终端的结构框图；
图9是本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
图1示出了本申请一个示例性实施例提供的虚拟资源展示系统100的结构框图。该虚拟资源展示系统100包括：终端110和虚拟资源展示平台140。
终端110通过无线网络或有线网络与虚拟资源展示平台140相连。终端110可以是智能手机、游戏主机、台式计算机、平板电脑、电子书阅读器、MP3播放器、MP4播放器和膝上型便携计算机中的至少一种。终端110安装和运行有支持虚拟资源展示的应用程序。该应用程序可以是虚拟资源展示应用程序、虚拟资源交易应用程序、支付应用中的任意一种。示意性的，终端110是第一用户使用的终端，终端110中运行的应用程序内登录有用户账号。
终端110通过无线网络或有线网络与虚拟资源展示平台140相连。
虚拟资源展示平台140包括一台服务器、多台服务器、云计算平台和虚拟化中心中的至少一种。虚拟资源展示平台140用于为支持虚拟资源展示的应用程序提供后台服务。可选地，虚拟资源展示平台140承担主要的数据处理工作，终端110承担次要的数据处理工作；或者，虚拟资源展示平台140承担次要的数据处理工作，终端110承担主要的数据处理工作；或者，虚拟资源展示平台140或终端110分别可以单独承担数据处理工作。
可选地，虚拟资源展示平台140包括：接入服务器、虚拟资源展示服务器和数据库。接入服务器用于提供终端110提供接入服务。虚拟资源展示服务器用于提供虚拟资源展示有关的后台服务。虚拟资源展示服务器可以是一台或多台。当虚拟资源展示服务器是多台时，存在至少两台虚拟资源展示服务器用于提供不同的服务，和/或，存在至少两台虚拟资源展示服务器用于提供相同的服务，比如以负载均衡方式提供同一种服务，本申请实施例对此不加以限定。
终端110可以泛指多个终端中的一个，本实施例仅以终端110来举例说明。终端110的类型包括：智能手机、游戏主机、台式计算机、平板电脑、电子书阅读器、MP3播放器、MP4播放器和膝上型便携计算机中的至少一种。
本领域技术人员可以知晓，上述终端的数量可以更多或更少。比如上述终端可以仅为一个，或者上述终端为几十个或几百个，或者更多数量，此时上述虚拟资源展示系统还包括其他终端。本申请实施例对终端的数量和设备类型不加以限定。
本发明实施例主要涉及虚拟资源，该虚拟资源可以是具有一定实际价值或虚拟价值的资源，例如，期货、股票、虚拟货币等等，以股票展示场景为例，终端可以下载股票的相关信息，并在终端上显示。
用户还可以在终端进行选择操作，该终端检测到选择操作后，确定出用户选择操作所对应的股票，将该股票的相关信息在终端上显示。
本发明涉及到的虚拟资源可以包括不同价值类型的资源价值信息，对于虚拟资源是对应的股票而言，其包括的不同价值类型的资源价值信息可以是该股票在一定时期内开盘价、最高价、最低价和收盘价等，参照图2所示，在某一日或某一周期内，将一支股票的最高价和最低价垂直连成一条直线，再将开盘价和收盘价连接一条狭长的长方主体，最终，结合该直线和长方主体绘制出该股票在某一日或某一周期内的K线。
在选定一个虚拟资源时，根据该虚拟资源的价值变化趋势对历史的所有虚拟资源及进行匹配，确定历史上与该选定虚拟资源的价值变化趋势相匹配的虚拟资源，并根据匹配出的虚拟资源的价值变化趋势作为选定虚拟资源在未来价值变化趋势的参考。图3是本发明实施例提供的一种虚拟资源确定方法的流程图。该方法可以应用于任一计算机设备，该计算机设备可以是终端或者服务器，参见图3，本发明实施例提供的方法流程包括：
301、获取多个虚拟资源在目标时长内的多组资源价值信息，一组资源价值信息包括一个虚拟资源在目标时长内的一个时间点上多个不同价值类型的资源价值信息。
在本发明的一个实施例中，为了保证确定出的相似虚拟资源的准确性，将获取资源价值信息的条件限制为获取目标时长内的多组资源价值信息，即选取等时长的多个虚拟资源的多组资源价值信息，具体的，对于一个虚拟资源，在该时长内采集每一个时间点上的各价值类型对应的资源价值信息，最后，将所采集到的所有资源价值信息进行整合，获得与各价值类型对应的多组资源价值信息。其中，上述目标时长可以是获取多个虚拟资源在相同时间段内的多组资源价值信息，比如获取多个虚拟资源在2000年1月至2000年3月之间的多组资源价值信息；当然目标时长还以是过去多个虚拟资源在不同时间段内的多组资源价值信息，该不同时间段的时长相同，比如获取虚拟资源A和虚拟资源B在任意3个月的资源价值信息，对于虚拟资源A获取2000年1月至2000年3月之间的资源价值信息，对于虚拟资源B获取2000年3月至2000年6月之间的资源价值信息，本发明对此不作限定。
在本发明的一个实施例中，通常是从数据库中获取所有虚拟资源在目标时长内的多组资源价值信息，以实现后续的全局虚拟资源相似匹配，当然，如果接收到虚拟资源选择范围后，也可以从该虚拟资源选择范围获取对应的目标时长内的多组资源价值信息，本发明对此不作限定。
其中，虚拟资源可以是某一支股票，而资源价值信息可以是股票的价值信息，具体的，一支股票可以包括在某一交易日的开盘价、最高价、最低价以及收盘价等价值类型，而这些开盘价、最高价、最低价以及收盘价在某一交易日的具体数值构成了股票的资源价值信息。其中，将一段时间该股票的资源价值信息进行整理后即可获得该股票的K线，因此，对于识别两支股票的价值变化趋势相似性，可以通过对两支股票中对应的价值类型的资源价值信息进行相似性和相关性对比，将对比结果表征上述两支股票的价值变化趋势的相似性。
302、确定任意两个虚拟资源的资源价值信息之间的相似度和相关度。
在本发明的一个实施例中，任意两个虚拟资源的相似度的确定过程可以包括：计算任意两个虚拟资源的资源价值信息之间的欧式距离，其中，欧式距离的大小用于表征两个虚拟资源的相似度。
在本发明的一个实施例中，任意两个虚拟资源的相关度的确定过程可以包括：计算任意两个虚拟资源的资源价值信息之间价值变化趋势，其中，将价值变化趋势的一致性用于表征两个虚拟资源的相关度。
303、将相似度和相关度符合目标规则的虚拟资源确定为价值变化趋势相似的虚拟资源。
其中，基于上述步骤302中计算得到的任意两个虚拟资源的资源价值信息之间的相似度和相关度后，可以针对于每个虚拟资源识别出与其最相似的虚拟资源，具体的，对于一个虚拟资源，可以基于该虚拟资源与其它每个虚拟资源的相似度和相关度的大小，对其它每个虚拟资源进行排名，将排名前N个虚拟资源确定为价值变化趋势相似的虚拟资源，其中，N为大于或等于1的整数；还可以基于实际需求设置相似度阈值和相关度阈值，将大于相似度阈值和相关度阈值的虚拟资源确定为价值变化趋势相似的虚拟资源。
本发明通过对虚拟资源中不同价值类型资源价值信息进行相似性和相关性分析，准确地刻画出了虚拟资源之间的相似度和相关度，在实现精准识别出价值变化趋势相似的虚拟资源的同时，减少了识别过程的计算量，提升了运算效率，能够为相关服务提供及时和高效地支撑。
在本发明的一个实施例中，获取多个虚拟资源在目标时长内的多组资源价值信息后，可以确定出多个虚拟资源中任意两个虚拟资源的资源价值信息之间的相似度和相关度。
图4是本发明实施例提供的一种确定任意两个虚拟资源的资源价值信息之间的相似度和相关度的方法流程图，参照图4，该方法包括以下步骤：
401、对于每个价值类型，从任意两个虚拟资源的资源价值信息中分别获取价值类型对应的资源价值信息序列。
在本发明的一个实施例中，为了确定出价值变化趋势相似的虚拟资源，对两个虚拟资源中每个价值类型对应的资源价值信息进行单独分析，具体的，获得虚拟资源的每个价值类型对应的资源价值信息序列，其中，该资源价值信息序列包括了对应价值类型在目标时长中每个时间点所对应的资源价值信息。
在一种可能的实现方式中，对于任意两个虚拟资源，相同价值类型的资源价值信息的差异可能会很大，当基于所获得的资源价值信息序列进行后续计算相似度和相关度时，可能会造成虚拟资源计算结果失真等问题，因此，本发明所提供的虚拟资源的确定方法还可以对虚拟资源的资源价值信息序列进行净值化处理，具体的，计算资源价值信息序列中的每个资源价值信息与预设数值的比值；将资源价值信息序列中每个资源价值信息替换为对应的比值，得到处理后的资源价值信息序列。
例如，当虚拟资源为某一支股票时，其价值类型包括：开盘价、最高价、最低价以及收盘价，相应的，可以针对上述四种价值类型从该K线中基于相等时长n采集获得对应的资源价值信息序列：开盘价序列(open_list)、最高价序列(high_list)、最低价序列(low_list)以及收盘价(close_list)序列，其中，上述资源价值信息序列可以通过集合的方式进行表示：
open_list＝{open1，open2，open3，…，openn}；
high_list＝{high1，high2，high3，…，highn}；
low_list＝{low1，low2，low3，…，lown}；
close_list＝{close1，close2，close3，…，closen}；
其中，在每个资源价值信息序列中，openn、highn、lown、closen表示在时间点n处对应价值类型所对应资源价值信息，进一步的，对上述四个资源价值信息序列进行净值化处理，可以将资源价值信息序列中每个资源价值信息除以第一个资源价值信息，以此得到净值化处理后的资源价值信息序列：
open_list＝{open1/open1，open2/open1，open3/open1，…，openn/open1}；
high_list＝{high1/high1，high2/high1，high3/high1，…，highn/high1}；
low_list＝{low1/low1，low2/low1，low3/low1，…，lown/low1}；
close_list＝{close1/close1，close2/close1，close3/close1，…，closen/close1}。
402、确定任意两个虚拟资源的价值类型的资源价值信息序列之间的相似度，将多个不同价值类型的相似度进行算术平均后作为任意两个虚拟资源之间的相似度。
在本发明的一个实施例中，当获取到任意两个虚拟资源的资源价值信息中分别获取价值类型对应的资源价值信息序列后，可以将资源价值信息序列中的资源价值信息视为多维的特征数据，并基于资源价值信息对任意两个虚拟资源的资源价值信息序列进行相似性分析。其中，相似性分析可以通过计算资源价值信息序列之间的欧氏距离(EucledianDistance)，通过计算各个资源价值信息的绝对数值来衡量资源价值信息序列的相似度，当所计算得到的欧氏距离越小，则说明对应的资源价值信息序列之间越相似。当然，在相似度分析中还可以采用计算资源价值信息序列之间的曼哈顿距离，即计算资源价值信息序列在标准坐标系上的绝对轴距综合，与欧氏距离判断相似度的原理相似，资源价值信息序列之间的曼哈顿距离越短，则说明对应的资源价值信息序列之间越相似。另外，还可以计算资源价值信息序列之间的明可夫斯基距离、切比雪夫距离来衡量资源价值信息序列的相似度，这里不再赘述。
当计算得到任意两个虚拟资源之间的不同价值类型的资源价值信息序列之间的相似度后，可以将各个值类型的资源价值信息序列之间的相似度进行平均，将平均后的相似度作为两个虚拟资源之间的相似度。
下面以计算资源价值信息序列之间欧氏距离为例，对上述步骤402进行详细阐述：
对于长度相同且为n的两个数据序列x和y：x＝{x1，x2，…，xi，xi+1，…，xn}和y＝{y1，y2，…，yi，yi+1，…，yn}，则其欧氏距离的计算公式为：
Figure BDA0002101831060000101
其中，xi表示x数据序列中第i个数据，yi表示y数据序列中第i个数据，n表示数据序列的长度，d(x，y)表示两个数据序列x和y的欧氏距离。
通过上述公式(1)计算任意两个虚拟资源的价值类型的资源价值信息序列之间欧氏距离，将上述步骤401中获得的开盘价序列(open_list)、最高价序列(high_list)、最低价序列(low_list)以及收盘价(close_list)序列代入至公式(1)中，分别得到开盘价序列(open_distance)、最高价序列(high_distance)、最低价序列(low_distance)以及收盘价序列(close_distance)之间的欧氏距离：
Figure BDA0002101831060000102
Figure BDA0002101831060000103
Figure BDA0002101831060000104
Figure BDA0002101831060000105
在本发明的一个实施例中，对上述开盘价序列(open_distance)、最高价序列(high_distance)、最低价序列(low_distance)以及收盘价序列(close_distance)之间的欧氏距离进行算术平均，将平均后的欧氏距离作为两个虚拟资源的相似度：
Figure BDA0002101831060000111
在本发明的一个实施例中，通过上述方式可以计算得到所有虚拟资源之间的欧氏距离，并基于欧氏距离的大小确定任意两个虚拟资源之间的相似度，当该两个虚拟资源之间的欧氏距离的取值越大，表明这两个虚拟资源相似度越低。
403、确定任意两个虚拟资源的价值类型的资源价值信息序列之间的相关度，将多个不同价值类型的相关度进行算术平均后作为任意两个虚拟资源之间的相关度。
在本发明的一个实施例中，根据上述步骤402中计算资源价值信息序列之间的相似度相同的思路，当获取到任意两个虚拟资源的资源价值信息中分别获取价值类型对应的资源价值信息序列后，可以将资源价值信息序列中的资源价值信息视为多维的特征数据，并基于资源价值信息对任意两个虚拟资源的资源价值信息序列进行相关性分析。其中，相关性分析可以通过计算资源价值信息序列之间的皮尔森相关系数，来衡量资源价值信息序列的相关度，当所计算得到的皮尔森相关系数越趋近于1，则说明对应的资源价值信息序列之间相关度越高；当然，在相似度分析中还可以采用计算资源价值信息序列之间的夹角余弦值，即将资源价值信息序列转换为对应的向量并计算向量之间夹角的余弦值，通过余弦值判断资源价值信息序列之间的相关性；另外，还可以计算资源价值信息序列之间的修正余弦，该方法与夹角余弦值的相关性判断原理相似，这里不再赘述。
当计算得到任意两个虚拟资源之间的不同价值类型的资源价值信息序列之间的相关度后，可以将各个值类型的资源价值信息序列之间的相关度进行平均，将平均后的相关度作为两个虚拟资源之间的相关度。
下面以计算资源价值信息序列之间皮尔森相关系数为例，对上述步骤403进行详细阐述：
对于长度相同且为n的两个数据序列x和y：x＝{x1，x2，…，xi，xi+1，…，xn}和y＝{y1，y2，…，yi，yi+1，…，yn}，则其皮尔森相关系数的计算公式为：
Figure BDA0002101831060000112
其中，xi表示x数据序列中第i个数据，yi表示y数据序列中第i个数据，n表示数据序列的长度，
Figure BDA0002101831060000113
表示x数据序列的数据平均值，
Figure BDA0002101831060000114
表示y数据序列的数据平均值，r表示两个数据序列x和y的皮尔森相关系数。
通过上述公式(2)计算任意两个虚拟资源的价值类型的资源价值信息序列之间皮尔森相关系数，将上述步骤401中获得的开盘价序列(open_list)、最高价序列(high_list)、最低价序列(low_list)以及收盘价(close_list)序列代入至公式(1)中，分别得到开盘价序列(open_distance)、最高价序列(high_distance)、最低价序列(low_distance)以及收盘价序列(close_distance)之间的皮尔森相关系数：
Figure BDA0002101831060000121
Figure BDA0002101831060000122
Figure BDA0002101831060000123
Figure BDA0002101831060000124
在本发明的一个实施例中，对上述开盘价序列(open_distance)、最高价序列(high_distance)、最低价序列(low_distance)以及收盘价序列(close_distance)之间的皮尔森相关系数进行算术平均，将平均后的皮尔森相关系数作为两个虚拟资源的相关度：
Figure BDA0002101831060000125
在本发明的一个实施例中，通过上述方式可以计算得到所有虚拟资源之间的皮尔森相关系数，并基于皮尔森相关系数的取值确定任意两个虚拟资源之间的相似度，当该两个虚拟资源之间的皮尔森相关系数的越趋近于1，表明这两个虚拟资源相关度越强。
本发明通过对虚拟资源中不同价值类型资源价值信息进行相似性和相关性分析，准确地刻画出了虚拟资源之间的相似度和相关度，在实现精准识别出价值变化趋势相似的虚拟资源的同时，减少了识别过程的计算量，提升了运算效率，能够为相关服务提供及时和高效地支撑。
在获取到任意两个虚拟资源的资源价值信息之间的相似度和相关度，基于相似度和相关度并结合于预设的筛选条件确定出与任一虚拟资源价值变化趋势相似的其他虚拟资源。
在一种可能的实现方式中，对于一个价值虚拟资源，可以基于该虚拟资源与其他虚拟资源的相似度和相关度，对其他虚拟资源进行排名，将排名靠前的虚拟资源确定为与该虚拟价值变化趋势相似的虚拟资源，图5是本发明实施例提供的一种确定价值变化趋势相似的虚拟资源的方法流程图，参照图5，该方法包括以下步骤：
501、获取多个虚拟资源中待匹配虚拟资源与其它每个虚拟资源之间的相似度和相关度。
502、按照相似度的大小，对其它每个虚拟资源进行升序排序，获得第一排序结果。
503、按照相关度的大小，对其它每个虚拟资源进行降序排序，获得第二排序结果。
在本发明的一个实施例中，上述步骤502和步骤503可以是同时执行，或者先执行步骤502再执行步骤503，或者先执行步骤503再执行步骤502，本发明对此不作限定。
504、结合第一排序结果和第二排序结果，获得符合目标规则的虚拟资源。
505、将符合目标规则的虚拟资源确定为与待匹配虚拟资源的价值变化趋势相似的虚拟资源。
在本发明的一个实施例中，在识别一个虚拟资源的最相似虚拟资源时，是将其他虚拟资源与该段虚拟资源同时按欧式距离的大小进行升序排序，同时按皮尔森相关系数的大小进行降序排序，基于此，所获得的两个排序结果中排名最靠前的是相似度最大、相关性最强的虚拟资源，这些排名靠前的虚拟资源即为该虚拟资源的最相似虚拟资源，在实际应用中，可以取排序结果中靠前的N个虚拟资源作为该段虚拟资源的相似虚拟资源。
在一种可能的实现方式中，对于一个虚拟资源，分别设置相似度阈值和相关度阈值，将该虚拟资源与其他虚拟资源的相似度和相关度与预设的相似度阈值和相关度阈值进行匹配，将匹配的虚拟资源确定为与该虚拟价值变化趋势相似的虚拟资源，图6是本发明实施例提供的一种确定价值变化趋势相似的虚拟资源的方法流程图，参照图6，该方法包括以下步骤：
601、获取多个虚拟资源中待匹配虚拟资源与其它每个虚拟资源之间的相似度和相关度。
602、从目标规则中获取相似度阈值和相关度阈值。
603、将其它每个虚拟资源中同时满足相似度小于等于相似度阈值且相关度大于等于预设相关度阈值的虚拟资源确定为与待匹配虚拟资源的价值变化趋势相似的虚拟资源。
在本发明的一个实施例中，在识别一段虚拟资源的最相似虚拟资源时，首先需要先分别设置一个相似度阈值和一个相关度阈值，然后将其他虚拟资源与该虚拟资源的相似度和相关度分别与对应的相似度阈值和相关度阈值进行比较，将相似度小于或等于相似度阈值且相关度大于或等于相关度阈值的虚拟资源筛选出来，作为该段虚拟资源的价值变化趋势最相似虚拟资源，
在一种可能的实现方式中，如果需要筛选出价值变化趋势最相似的一个虚拟资源时，则对符合上述阈值条件的虚拟资源同时按相似度的大小进行升序排序、按相关度的大小进行降序排序，在排序结果排名第一的虚拟资源即为价值变化趋势最相似的虚拟资源。
在本发明的一个实施例中，上述预设的相似度阈值和相关度阈值可以根据实际情况的需求，并结合于虚拟资源的分布情况等进行确定，本发明对此不作限定。
在本发明的一个实施例中，将相似度和相关度符合目标规则的虚拟资源确定为价值变化趋势相似的虚拟资源后，将价值变化趋势相似的虚拟资源分为一组，获得多个相似虚拟资源组。
在一种可能的实现方式中，对上述多个相似虚拟资源组中任意一个虚拟资源的价值变化趋势进行预测，具体的，
响应于价值变化趋势预测指令，确定待预测虚拟资源和预测时间段；
确定待预测虚拟资源对应的相似虚拟资源组，从对应的相似虚拟资源组中获得与待预测虚拟资源的价值变化趋势相似的多个目标虚拟资源；
将多个目标虚拟资源在预测时间段的价值变化趋势进行处理，将处理后的价值变化趋势确定为待预测虚拟资源在预测时间段的价值变化趋势。
在一种可能的实现方式中，从多个目标虚拟资源确定出与待预测虚拟资源的价值变化趋势最相似的一个目标虚拟资源，将上述一个目标虚拟资源在预测时间段的价值变化趋势确定为待预测虚拟资源在预测时间段的价值变化趋势。其中，上述从多个目标虚拟资源确定出与待预测虚拟资源的价值变化趋势最相似的一个目标虚拟资源的具体步骤可以参照图5和图6所示，这里不再赘述。
在一种可能的实现方式中，将多个目标虚拟资源在预测时间段的价值变化趋势合并，将合并后的价值变化趋势确定为待预测虚拟资源在预测时间段的价值变化趋势。
本发明通过对虚拟资源中不同价值类型资源价值信息进行相似性和相关性分析，准确地刻画出了虚拟资源之间的相似度和相关度，在实现精准识别出价值变化趋势相似的虚拟资源的同时，减少了识别过程的计算量，提升了运算效率，能够及时并且高效地为相关服务提供支持，其中，在海量数据分析方面，可以通过挖掘股票的相似K线，并基于相似K线之后一段时间内的K线的走势来判断目标股票的后续走势、涨跌概率分布等，为投资决策提供支持；另外，在证券信息展示功能方面，可以将识别出来的相似结果应用于产品的相关功能的设计与展示纸上，丰富了证券信息的展示功能，增强了相关业务的用户体验。
上述所有可选技术方案，可以采用任意结合形成本发明的可选实施例，在此不再一一赘述。
图7是本发明实施例提供的一种虚拟资源确定装置的结构示意图，参见图7，该装置包括：
获取模块701，用于获取多个虚拟资源在目标时长内的多组资源价值信息，一组资源价值信息包括一个虚拟资源在目标时长内的一个时间点上多个不同价值类型的资源价值信息；
确定模块702，用于确定任意两个虚拟资源的资源价值信息之间的相似度和相关度；
资源确定模块703，用于将相似度和相关度符合目标规则的虚拟资源确定为价值变化趋势相似的虚拟资源。
在本发明的一个实施例中，上述确定模块702用于：
对于每个价值类型，从任意两个虚拟资源的资源价值信息中分别获取价值类型对应的资源价值信息序列；
确定任意两个虚拟资源的价值类型的资源价值信息序列之间的相似度，将多个不同价值类型的相似度进行算术平均后作为任意两个虚拟资源之间的相似度；
确定任意两个虚拟资源的价值类型的资源价值信息序列之间的相关度，将多个不同价值类型的相关度进行算术平均后作为任意两个虚拟资源之间的相关度。
在本发明的一个实施例中，上述确定模块702用于：
计算资源价值信息序列中的每个资源价值信息与预设数值的比值；
将资源价值信息序列中每个资源价值信息替换为对应的比值，得到处理后的资源价值信息序列。
在本发明的一个实施例中，上述确定模块702用于：
计算任意两个虚拟资源的价值类型的资源价值信息序列之间的欧式距离；
将欧式距离确定为价值类型的相似度。
在本发明的一个实施例中，上述确定模块702用于：
获取任意两个虚拟资源在相同的时间点价值类型对应的资源价值信息以及与时间点相邻的资源价值信息；
确定任意两个虚拟资源的资源价值信息以及与时间点相邻的资源价值信息之间的价值信息变化趋势相关值；
将价值信息变化趋势相关值确定为价值类型的相关度。
在本发明的一个实施例中，上述资源确定模块703用于：
获取多个虚拟资源中待匹配虚拟资源与其它每个虚拟资源之间的相似度和相关度；
按照相似度的大小，对其它每个虚拟资源进行升序排序，获得第一排序结果；
按照相关度的大小，对其它每个虚拟资源进行降序排序，获得第二排序结果；
结合第一排序结果和第二排序结果，获得符合目标规则的虚拟资源；
将符合目标规则的虚拟资源确定为与待匹配虚拟资源的价值变化趋势相似的虚拟资源。
在本发明的一个实施例中，上述资源确定模块703还用于：
获取多个虚拟资源中待匹配虚拟资源与其它每个虚拟资源之间的相似度和相关度；
从目标规则中获取相似度阈值和相关度阈值；
将其它每个虚拟资源中同时满足相似度小于等于相似度阈值且相关度大于等于预设相关度阈值的虚拟资源确定为与待匹配虚拟资源的价值变化趋势相似的虚拟资源。
本发明实施例提供的装置通过对虚拟资源中不同价值类型资源价值信息进行相似性和相关性分析，准确地刻画出了虚拟资源之间的相似度和相关度，在实现精准识别出价值变化趋势相似的虚拟资源的同时减少了识别过程的计算量，提升了运算效率，能够及时并且高效地为相关服务提供支持，其中，在海量数据分许方面，可以通过挖掘股票的相似K线，并基于相似K线之后一段时间内的K线的走势来判断目标股票的后续走势、涨跌概率分布等，为投资决策提供支持；另外，在证券信息展示功能方面，可以将识别出来的相似K线结果应用于产品的相关功能的设计与展示纸上，丰富了证券信息的展示功能，增强了相关业务的用户体验。
需要说明的是：上述实施例提供的虚拟资源确定装置在确定虚拟资源时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的虚拟资源确定装置与虚拟资源确定方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
图8是本发明实施例提供的终端800的结构框图。该终端800可以是：智能手机、平板电脑、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。终端800还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。
通常，终端800包括有：处理器801和存储器802。
处理器801可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器801可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器801也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器801可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器801还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器802可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器802还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器802中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器801所执行以实现本申请中方法实施例提供的虚拟资源确定方法。
在一些实施例中，终端800还可选包括有：外围设备接口803和至少一个外围设备。处理器801、存储器802和外围设备接口803之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口803相连。具体地，外围设备包括：射频电路804、触摸显示屏805、摄像头806、音频电路807、定位组件808和电源809中的至少一种。
外围设备接口803可被用于将I/O(Input/Output，输入/输出)相关的至少一个外围设备连接到处理器801和存储器802。在一些实施例中，处理器801、存储器802和外围设备接口803被集成在同一芯片或电路板上；在一些其他实施例中，处理器801、存储器802和外围设备接口803中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。
射频电路804用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路804通过电磁信号与通信网络以及其他通信设备进行通信。射频电路804将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路804包括：天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路804可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：城域网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity，无线保真)网络。在一些实施例中，射频电路804还可以包括NFC(Near Field Communication，近距离无线通信)有关的电路，本申请对此不加以限定。
显示屏805用于显示UI(User Interface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏805是触摸显示屏时，显示屏805还具有采集在显示屏805的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器801进行处理。此时，显示屏805还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏805可以为一个，设置终端800的前面板；在另一些实施例中，显示屏805可以为至少两个，分别设置在终端800的不同表面或呈折叠设计；在再一些实施例中，显示屏805可以是柔性显示屏，设置在终端800的弯曲表面上或折叠面上。甚至，显示屏805还可以设置成非矩形的不规则图形，也即异形屏。显示屏805可以采用LCD(LiquidCrystal Display，液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
摄像头组件806用于采集图像或视频。可选地，摄像头组件806包括前置摄像头和后置摄像头。通常，前置摄像头设置在终端的前面板，后置摄像头设置在终端的背面。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality，虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中，摄像头组件806还可以包括闪光灯。闪光灯可以是单色温闪光灯，也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，可以用于不同色温下的光线补偿。
音频电路807可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器801进行处理，或者输入至射频电路804以实现语音通信。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在终端800的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器801或射频电路804的电信号转换为声波。扬声器可以是传统的薄膜扬声器，也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时，不仅可以将电信号转换为人类可听见的声波，也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中，音频电路807还可以包括耳机插孔。
定位组件808用于定位终端800的当前地理位置，以实现导航或LBS(LocationBased Service，基于位置的服务)。定位组件808可以是基于美国的GPS(GlobalPositioning System，全球定位系统)、中国的北斗系统、俄罗斯的格雷纳斯系统或欧盟的伽利略系统的定位组件。
电源809用于为终端800中的各个组件进行供电。电源809可以是交流电、直流电、一次性电池或可充电电池。当电源809包括可充电电池时，该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。
在一些实施例中，终端800还包括有一个或多个传感器810。该一个或多个传感器810包括但不限于：加速度传感器811、陀螺仪传感器812、压力传感器813、指纹传感器814、光学传感器815以及接近传感器816。
加速度传感器811可以检测以终端800建立的坐标系的三个坐标轴上的加速度大小。比如，加速度传感器811可以用于检测重力加速度在三个坐标轴上的分量。处理器801可以根据加速度传感器811采集的重力加速度信号，控制触摸显示屏805以横向视图或纵向视图进行用户界面的显示。加速度传感器811还可以用于游戏或者用户的运动数据的采集。
陀螺仪传感器812可以检测终端800的机体方向及转动角度，陀螺仪传感器811可以与加速度传感器811协同采集用户对终端800的3D动作。处理器801根据陀螺仪传感器812采集的数据，可以实现如下功能：动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。
压力传感器813可以设置在终端800的侧边框和/或触摸显示屏805的下层。当压力传感器813设置在终端800的侧边框时，可以检测用户对终端800的握持信号，由处理器801根据压力传感器813采集的握持信号进行左右手识别或快捷操作。当压力传感器813设置在触摸显示屏805的下层时，由处理器801根据用户对触摸显示屏805的压力操作，实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
指纹传感器814用于采集用户的指纹，由处理器801根据指纹传感器814采集到的指纹识别用户的身份，或者，由指纹传感器814根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时，由处理器801授权该用户执行相关的敏感操作，该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器814可以被设置终端800的正面、背面或侧面。当终端800上设置有物理按键或厂商Logo时，指纹传感器814可以与物理按键或厂商Logo集成在一起。
光学传感器815用于采集环境光强度。在一个实施例中，处理器801可以根据光学传感器815采集的环境光强度，控制触摸显示屏805的显示亮度。具体地，当环境光强度较高时，调高触摸显示屏805的显示亮度；当环境光强度较低时，调低触摸显示屏805的显示亮度。在另一个实施例中，处理器801还可以根据光学传感器815采集的环境光强度，动态调整摄像头组件806的拍摄参数。
接近传感器816，也称距离传感器，通常设置在终端800的前面板。接近传感器816用于采集用户与终端800的正面之间的距离。在一个实施例中，当接近传感器816检测到用户与终端800的正面之间的距离逐渐变小时，由处理器801控制触摸显示屏805从亮屏状态切换为息屏状态；当接近传感器816检测到用户与终端800的正面之间的距离逐渐变大时，由处理器801控制触摸显示屏805从息屏状态切换为亮屏状态。
本领域技术人员可以理解，图8中示出的结构并不构成对终端800的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。
图9是本发明实施例提供的一种计算机设备的结构示意图，该计算机设备900可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(centralprocessing units，CPU)901和一个或一个以上的存储器902，其中，该存储器802中存储有至少一条指令，该至少一条指令由该处理器901加载并执行以实现上述各个方法实施例提供的虚拟资源确定方法。当然，该计算机设备还可以具有有线或无线网络接口、键盘以及输入输出接口等部件，以便进行输入输出，该计算机设备还可以包括其他用于实现设备功能的部件，在此不做赘述。
在示例性实施例中，还提供了一种计算机可读存储介质，例如包括指令的存储器，上述指令可由终端中的处理器执行以完成上述各个实施例中的虚拟资源确定方法。例如，该计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，该程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
上述仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种虚拟资源确定方法，其特征在于，包括：
获取多个虚拟资源在目标时长内的多组资源价值信息，一组资源价值信息包括一个虚拟资源在所述目标时长内的一个时间点上多个不同价值类型的资源价值信息；
确定任意两个所述虚拟资源的资源价值信息之间的相似度和相关度；
将所述相似度和所述相关度符合目标规则的虚拟资源确定为价值变化趋势相似的虚拟资源。
2.根据权利要求1所述的方法，其特征在于，所述确定任意两个所述虚拟资源的资源价值信息之间的相似度和相关度，包括：
对于每个价值类型，从任意两个所述虚拟资源的资源价值信息中分别获取所述价值类型对应的资源价值信息序列；
确定所述任意两个所述虚拟资源的所述价值类型的资源价值信息序列之间的相似度，将多个不同价值类型的所述相似度进行算术平均后作为所述任意两个所述虚拟资源之间的相似度；
确定所述任意两个所述虚拟资源的所述价值类型的资源价值信息序列之间的相关度，将多个不同价值类型的所述相关度进行算术平均后作为所述任意两个所述虚拟资源之间的相关度。
3.根据权利要求2所述的方法，其特征在于，所述从任意两个所述虚拟资源的资源价值信息中分别获取所述价值类型对应的资源价值信息序列，包括：
计算所述资源价值信息序列中的每个资源价值信息与预设数值的比值；
将所述资源价值信息序列中每个资源价值信息替换为对应的所述比值，得到处理后的资源价值信息序列。
4.根据权利要求2所述的方法，其特征在于，所述确定所述任意两个所述虚拟资源的所述价值类型的资源价值信息序列之间的相似度，包括：
计算所述任意两个所述虚拟资源的所述价值类型的资源价值信息序列之间的欧式距离；
将所述欧式距离确定为所述价值类型的相似度。
5.根据权利要求2所述的方法，其特征在于，所述确定所述任意两个所述虚拟资源的所述价值类型的资源价值信息序列之间的相关度，包括：
获取所述任意两个虚拟资源在相同的时间点所述价值类型对应的资源价值信息以及与所述时间点相邻的资源价值信息；
确定所述任意两个虚拟资源的资源价值信息以及与所述时间点相邻的资源价值信息之间的价值信息变化趋势相关值；
将所述价值信息变化趋势相关值确定为所述价值类型的相关度。
6.根据权利要求1所述的方法，其特征在于，所述将所述相似度和所述相关度符合目标规则的虚拟资源确定为价值变化趋势相似的虚拟资源，包括：
获取所述多个虚拟资源中待匹配虚拟资源与其它每个虚拟资源之间的相似度和相关度；
按照相似度的大小，对所述其它每个虚拟资源进行升序排序，获得第一排序结果；
按照相关度的大小，对所述其它每个虚拟资源进行降序排序，获得第二排序结果；
结合所述第一排序结果和所述第二排序结果，获得符合所述目标规则的虚拟资源；
将所述符合所述目标规则的虚拟资源确定为与所述待匹配虚拟资源的价值变化趋势相似的虚拟资源。
7.根据权利要求1所述的方法，其特征在于，所述将所述相似度和所述相关度符合目标规则的虚拟资源确定为价值变化趋势相似的虚拟资源，包括：
获取所述多个虚拟资源中待匹配虚拟资源与其它每个虚拟资源之间的相似度和相关度；
从所述目标规则中获取相似度阈值和相关度阈值；
将所述其它每个虚拟资源中同时满足所述相似度小于等于所述相似度阈值且所述相关度大于等于预设相关度阈值的虚拟资源确定为与所述待匹配虚拟资源的价值变化趋势相似的虚拟资源。
8.一种虚拟资源确定装置，其特征在于，包括：
获取模块，用于获取多个虚拟资源在目标时长内的多组资源价值信息，一组资源价值信息包括一个虚拟资源在所述目标时长内的一个时间点上多个不同价值类型的资源价值信息；
确定模块，用于确定任意两个所述虚拟资源的资源价值信息之间的相似度和相关度；
资源确定模块，用于将所述相似度和所述相关度符合目标规则的虚拟资源确定为价值变化趋势相似的虚拟资源。
9.一种计算机设备，其特征在于，包括：
处理器；
用于存放计算机程序的存储器；
其中，所述处理器用于执行存储器上所存放的计算机程序，实现权利要求1-7任一项所述的方法步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7任一项所述的方法步骤。
CN201910538139.4A 2019-06-20 2019-06-20 虚拟资源确定方法、装置、计算机设备及存储介质 Pending CN112116480A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910538139.4A CN112116480A (zh) 2019-06-20 2019-06-20 虚拟资源确定方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910538139.4A CN112116480A (zh) 2019-06-20 2019-06-20 虚拟资源确定方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN112116480A true CN112116480A (zh) 2020-12-22

Family

ID=73795488

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910538139.4A Pending CN112116480A (zh) 2019-06-20 2019-06-20 虚拟资源确定方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN112116480A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116385591A (zh) * 2023-06-06 2023-07-04 杭州芯翼科技有限公司 变化趋势图的显示方法、装置和设备

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130129533A (ko) * 2012-05-21 2013-11-29 (주) 소프트브리지 모멘텀 분석 시스템 및 그 방법
CN107808337A (zh) * 2017-11-03 2018-03-16 上海宽全智能科技有限公司 因子聚类方法与装置、设备与存储介质
CN108038164A (zh) * 2017-12-06 2018-05-15 上海宽全智能科技有限公司 数据关联方法、设备及存储介质
CN108074133A (zh) * 2017-12-15 2018-05-25 成都初联创智软件有限公司 数据驱动的复杂模糊型商品品牌线索分派方法
CN108230146A (zh) * 2016-12-22 2018-06-29 张鋆 一种基于k线相似度比较的股价预测方法
CN108241864A (zh) * 2016-12-26 2018-07-03 摩根士丹利服务集团有限公司 基于多变量分组的服务器性能预测方法
CN108446790A (zh) * 2018-02-10 2018-08-24 灯塔财经信息有限公司 一种相似k线预测方法和装置
CN109346168A (zh) * 2018-08-31 2019-02-15 东软集团股份有限公司 一种确定数据相关性的方法及装置
CN109584076A (zh) * 2018-12-06 2019-04-05 平安科技（深圳）有限公司 股票因子收益分析方法、装置、计算机设备以及存储介质
CN109615519A (zh) * 2018-12-11 2019-04-12 广州市万隆证券咨询顾问有限公司 基于股票图形趋势的量化选股方法、终端设备及存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130129533A (ko) * 2012-05-21 2013-11-29 (주) 소프트브리지 모멘텀 분석 시스템 및 그 방법
CN108230146A (zh) * 2016-12-22 2018-06-29 张鋆 一种基于k线相似度比较的股价预测方法
CN108241864A (zh) * 2016-12-26 2018-07-03 摩根士丹利服务集团有限公司 基于多变量分组的服务器性能预测方法
CN107808337A (zh) * 2017-11-03 2018-03-16 上海宽全智能科技有限公司 因子聚类方法与装置、设备与存储介质
CN108038164A (zh) * 2017-12-06 2018-05-15 上海宽全智能科技有限公司 数据关联方法、设备及存储介质
CN108074133A (zh) * 2017-12-15 2018-05-25 成都初联创智软件有限公司 数据驱动的复杂模糊型商品品牌线索分派方法
CN108446790A (zh) * 2018-02-10 2018-08-24 灯塔财经信息有限公司 一种相似k线预测方法和装置
CN109346168A (zh) * 2018-08-31 2019-02-15 东软集团股份有限公司 一种确定数据相关性的方法及装置
CN109584076A (zh) * 2018-12-06 2019-04-05 平安科技（深圳）有限公司 股票因子收益分析方法、装置、计算机设备以及存储介质
CN109615519A (zh) * 2018-12-11 2019-04-12 广州市万隆证券咨询顾问有限公司 基于股票图形趋势的量化选股方法、终端设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116385591A (zh) * 2023-06-06 2023-07-04 杭州芯翼科技有限公司 变化趋势图的显示方法、装置和设备
CN116385591B (zh) * 2023-06-06 2023-08-15 杭州芯翼科技有限公司 变化趋势图的显示方法、装置和设备

Similar Documents

Publication Publication Date Title
CN110083791B (zh) 目标群组检测方法、装置、计算机设备及存储介质
CN110471858B (zh) 应用程序测试方法、装置及存储介质
CN109815150B (zh) 应用测试方法、装置、电子设备及存储介质
CN109784351B (zh) 行为数据分类方法、分类模型训练方法及装置
CN111931877B (zh) 目标检测方法、装置、设备及存储介质
CN111897996A (zh) 话题标签推荐方法、装置、设备及存储介质
CN111104980B (zh) 确定分类结果的方法、装置、设备及存储介质
CN111078521A (zh) 异常事件的分析方法、装置、设备、系统及存储介质
CN111368116B (zh) 图像分类方法、装置、计算机设备及存储介质
CN111506758A (zh) 物品名称确定方法、装置、计算机设备及存储介质
CN111738365B (zh) 图像分类模型训练方法、装置、计算机设备及存储介质
CN110647881A (zh) 确定图像对应的卡片类型的方法、装置、设备及存储介质
CN112989198B (zh) 推送内容的确定方法、装置、设备及计算机可读存储介质
CN112000264B (zh) 菜品信息展示方法、装置、计算机设备及存储介质
CN112819103A (zh) 基于图神经网络的特征识别方法、装置、存储介质及终端
CN112053360A (zh) 图像分割方法、装置、计算机设备及存储介质
CN113343709B (zh) 意图识别模型的训练方法、意图识别方法、装置及设备
CN112116480A (zh) 虚拟资源确定方法、装置、计算机设备及存储介质
CN111063372B (zh) 确定音高特征的方法、装置、设备及存储介质
CN111429106A (zh) 资源转移凭证的处理方法、服务器、电子设备及存储介质
CN112560903A (zh) 图像美学信息的确定方法、装置、设备及存储介质
CN112990424A (zh) 神经网络模型训练的方法和装置
CN111984738A (zh) 数据关联方法、装置、设备及存储介质
CN110134303B (zh) 操作控件显示方法、装置、终端及存储介质
CN111753154B (zh) 用户数据处理方法、装置、服务器及计算机可读存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40035330

Country of ref document: HK

SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination