，...1。为前1^个第二压力时间序列内微博信息的压力值，41，81和0 1为预设 参数，k为模型的阶次，El为使E(e1)=0的白噪声误差项；、^，、^2，...、为前1^个第 二压力时间序列内微博信息的压力值的累计和，或者，为前k个第二压力时间序列内微博 信息的压力值的累计和W及压力微博比例；或者，为前k个第二压力时间序列内微博信息 的压力值的压力微博比例和微博信息的数目。
[0048] 可选的，该系统还包括： W例修正模块，用于根据所述每个第二压力时间序列内微博信息的压力值和对应的压 力事件，建立压力变化模式集模型；
[0050] 根据所述目标对象发布的微博信息W及微博信息的压力值，获取微博信息对应的 目标压力事件W及所述目标压力事件的起始时间；
[0051] 根据所述目标压力事件的类型，对所述目标压力事件与所述压力变化模式集模型 进行匹配，获取所述目标压力事件对应的压力变化模式；
[0052] 根据所述目标压力事件的起始时间，通过所述目标压力事件的压力变化模式，获 取所述目标压力事件对所述目标对象在下一第二压力时间序列内微博信息的压力值的修 正值；
[0053] 根据所述目标压力事件对所述目标对象在下一第二压力时间序列内微博信息的 压力值的修正值，对所述时间序列模型确定的目标对象在下一第二压力时间序列内微博信 息的压力值进行修正，获取所述目标对象在下一第二压力时间序列内微博信息的预测压力 值。
[0054] 可选的，所述修正模块用于：
[0055] 对所述目标压力事件对应的压力变化模式按照事件的发展时期进行划分，获取所 述压力变化模式在不同时期的修正值；
[0056] 根据所述目标压力事件对应的微博信息，获取所述目标压力事件的发展阶段；
[0057] 对所述压力变化模式的不同时期与所述目标压力事件的发展阶段进行匹配，获取 与所述目标压力事件的发展阶段相匹配的修正值；
[0058] 根据所述与所述目标压力事件的发展阶段相匹配的修正值，对所述时间序列模型 确定的目标对象在下一第二压力时间序列内微博信息的压力值进行叠加修正。
[0059] 本发明提出的基于微博的屯、理压力值预测方法，通过目标对象发布的每条微博信 息的压力值和发文时间，建立关于目标对象的第一压力时间序列，并根据预设的时间粒度， 将第一压力时间序列划分为多个第二压力时间序列，并通过每个第二压力时间序列内微博 信息的压力值建立时间序列模型，W根据时间序列模型确定目标对象在下一第二压力时间 序列对应的微博信息的压力值；本发明能预测目标对象下一第二压力时间序列的压力值， 进而获取目标对象未来的压力程度，W便目标对象采取健康积极的方法，帮助自己释放压 力，进而避免屯、理压力带来的潜在伤害。
【附图说明】
[0060] 通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理 解为对本发明进行任何限制，在附图中：
[0061] 图1示出了本发明一实施例提供的基于微博的屯、理压力值预测方法的流程示意 图；
[0062] 图2示出了本发明一实施例提供的基于微博的屯、理压力值预测方法的基于周粒 度的目标对象压力平均值序列；
[0063] 图3示出了本发明一实施例提供的基于微博的屯、理压力值预测方法的基于月粒 度的目标对象压力平均值序列；
[0064] 图4示出了本发明一实施例提供的基于微博的屯、理压力值预测方法的学业类型 事件的代表模式。 阳0化]图5示出了本发明一实施例提供的基于微博的屯、理压力值预测系统的结构示意 图；
[0066] 图6示出了本发明另一实施例提供的基于微博的屯、理压力值预测系统的结构示 意图。
【具体实施方式】
[0067] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例 中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是 本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人 员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0068] 图1为本发明一实施例提供的基于微博的屯、理压力值预测方法的流程示意图，参 考图1，该方法包括W下步骤：
[0069] 步骤101:对目标对象发布的微博信息进行检测，获取每条微博信息的压力值和 发文时间，并根据每条微博信息的压力值和发文时间，建立目标对象的第一压力时间序 列；
[0070] 步骤102:对第一压力时间序列按照预设时间粒度进行划分，获取多个与预设时 间粒度对应的第二压力时间序列；
[0071] 步骤103 :获取每个第二压力时间序列内微博信息的压力值，根据每个第二压力 时间序列内微博信息的压力值建立时间序列模型，并根据时间序列模型确定目标对象在下 一第二压力时间序列对应的微博信息的压力值。
[0072] 本发明提出的基于微博屯、理压力值预测方法，通过目标对象发布的每条微博信息 的压力值和发文时间，建立关于目标对象的第一压力时间序列，并根据预设的时间粒度，将 第一压力时间序列划分为多个第二压力时间序列，并通过每个第二压力时间序列内微博信 息的压力值建立时间序列模型，W根据时间序列模型确定目标对象在下一第二压力时间序 列对应的微博信息的压力值；本发明能预测目标对象下一第二压力时间序列的压力值，进 而获取目标对象未来的压力程度，W便目标对象采取健康积极的方法，帮助自己释放压力， 进而避免屯、理压力带来的潜在伤害。
[0073] 为了实现对目标对象下一第二压力时间序列内对应的微博信息的压力值中的最 大值、最小值和平均值的预测，本发明建立了时间序列模型。具体步骤如下：
[0074] 步骤131:本发明采集了每个第二压力时间序列内微博信息的压力值的最大值、 最小值、平均值。
[0075] 步骤132:根据所有第二压力时间序列内微博信息的压力值对应的微博信息的最 大值和压力值的累计和，建立用于预测目标对象下一第二压力时间序列内压力值对应的微 博信息的最大值的时间序列模型。
[0076] 步骤133:根据所有第二压力时间序列内微博信息的压力值的最小值、压力微博 比例和微博的总数目，建立用于预测目标对象下一第二压力时间序列内压力值对应的微博 信息的最小值的时间序列模型。
[0077] 步骤134 :根据所有第二压力时间序列内微博信息的压力值的平均值、压力微博 比例和压力值的累计和，建立用于预测目标对象下一第二压力时间序列内压力值对应的微 博信息的平均值的时间序列模型。
[0078] 需要说明的是，压力值的累积和为所有第二压力时间序列内微博信息的压力值的 和的累计和，微博的总数目为所有第二时间序列内发布的微博信息的数量的累积和，压力 微博比例为每个第二时间序列内压力微博比例的和的累积和，每个第二时间序列内压力微 博比例为每个第二时间序列内微博信息的压力值大于零的微博信息的数量与每个第二时 间序列内微博信息的数量。
[0079] 本发明的时间序列模型，通过在预测过程中引入多个因素，能精确的预测目标对 象的下一第二时间序列的压力值，与现有的只考虑单个因素的时间序列模型相比，本发明 的多因素的时间序列模型的预测误差在多个预测误差指标上均小于单因素的时间序列模 型，实验数据表明，本发明的时间序列模型预测误差比后者降低了 34%。
[0080] 下面W目标群体中的青少年为例，对时间序列模型的建立过程进行详细说明：
[0081]第一步，令I= [I.S，I.e]为一个第二压力时间序列，其中I.S表示开始时间，I.e 表示结束时间。第二压力时间序列的长度为III=I.e-I.s，它可W是一天，一周，一月等。 令wa) =< (ti，Wi)，也，心...，>为第I个第二压力时间序列中的微博信息序列， 其中Wi,听，…为目标对象在时间点t1，*2,…tn发布的微博信息（I.S《t1《tI. e)o
[00間对于wa)中每一条微博信息，通过分析了它的一系列特征，例如：微博的文本内 容包括负面情绪词汇的数目、正面和负面的表情符号、感叹号和问号的数目，分享的图片或 音乐W及发布微博的频率和时间，并通过机器学习的方法来感知每一条微博信息的压力程 度。采用Stress(ti，Wi) = 来表示探测的压力结果，其中ti表示微博发布的时间， li表示该条