微博信息体现的压力值，1 1可W取值0~6,分别对应于没有压力、微小压力、较 小压力，中等压力，较重压力W及严重压力6种不同的压力程度。基于此，对于一个微博序 列W(I)，获取一个基于单条微博的压力值序列：
[0083] S(W(I)) = <Stree(ti,Wi),Stree也，讯2)，. . .Stree(tn,W。）>
[0084] 第二步，根据预设的时间粒度（一个月，一周或一天等）和预测指标（平均值、最 小值和最大压力值等），本发明把目标对象每个第二压力时间序列用S个聚集函数（Avg、 Min及Max)聚集起来。 阳0化]S个聚集函数如下：
[0086]
阳087] Min(S(W(I))) =minQi)1引《m
[00 蝴 Max(S(W(I))) =
[0089] 其中，m为一个第二压力时间序列内目标对象发布的微博的数量;Avg(S(W(I)))， Min(S(W(I)))和Max(S(W(I)))分别表示在一个第二压力时间序列内检测到的压力值的平 均值、最小值和最大值。
[0090] 第=步，为了提高预测的精确度，本申请还对与预测的压力值有统计相关性的用 户压力的累计和，所发的微博总数，压力微博的数目W及压力微博占总微博数的比例进行 了聚集。
[0091] 本发明在第I个第二压力时间序列上用函数Sum,ScountW及Ratio分别聚集了 W上四个指标，运四个聚集函数分别为：
[0092]
[0093] Count(S(W(I))) =m
[0094] Scount(S(W(I))) =I{siI(1《i《m) ~ (li声 0)} 阳0巧]Ratio(S(W(I))) =Scount(S(W(I)))/Count(S(W(I)))
[0096] 上述7个聚集函数在第I个第二压力时间序列上的聚集结果分别表示为Li,wg， Li,min，Li,max，Li,sum，Li,scount，Li,count孝口L i,ratio;
[0097] 第四步，通过在n个连续的第二压力时间序列上聚集，获得了 7个聚集序列，分别 疋Lavg，Ljiin，Ljiax，Lsyjj，Lscount，Lcount和Lratio。
[0098] 本发明根据在第二压力时间序列Ii，I2,I3…I。内的压力聚集函数的结果（i.e.， Law,Lmm，Lmax，Lw。。。"L。。。。,和LratJ，W预测青年人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，进而获取青少年未来时间的压力程度。
[0099] 图2和图3分别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周粒 度和月粒度的目标对象压力平均值序列，参考图2和图3,青年人的压力时间序列呈现出季 节性的模式。运种模式的特点是在假期的时候压力比较小，在考试期间压力比较大，本发明 采用季节性的自回归模型结合移动平均时节序列分析的方法来解决数据的结节性特性和 不稳定性。
[0100] 青少年用户下一刻的压力的平均，最小，最大值不仅与过去压力的平均，最小，最 大值有关，而且也与发布微博的总数，压力微博数目W及压力微博的比例有关。本发明使用 的格兰杰因果关系分析法（Grangercausalityanalysis)来确定各个因素之间的相关关 系。 阳101] 其基本原理是：若使用因素Y的序列值得到的预测结果比使用所有的因素但不包 括因素Y序列值得到预测结果好，则认为因素Y是格兰杰原因，是有用的。 阳1〇引基于95%的置信度，测试结果显示压力的平均值Law与压力累积和值Lsum和压力 微博比例Lrati。相关；压力最大值Lmax与压力累计和值Lsum相关；压力最小值Lmin与压力微 博比例L,。。。和发布微博总数目L。。。。,相关。因此，使用上述S个相关因素集作为特征集预 测的下一个平均，最小，最大压力值。 阳10引具体来说，对于下一时刻n+1的预测结果Lw(LwiE{Lw,wg，Lw,mwLw,wg})，本 发明考虑过去k个时间单位上与预测目标值相关因素的时间序列值狂。W，X。k+2,X。k+3… X。）其中向量Xi为相关因素的特征集。例如，本发明将化gum,ktgtJ作为特征集来预测 ^,。^山,^。作为特征集来预测11,。。、，化1,。。。。,山,,。,1。）作为特征集来预测1^1,。1。。其公式如下： 阳104]
[01化]其中，Lw为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，C为常 数，1。^，1。^2，...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。
[0106]为了获得更好的预测结果，本发明利用AIC模型（Aka化e'SIn化rmation 化iterion)来确定时间序列模型中k的值。AIC规则提供了一种权衡拟合效果和模型复杂 度的方法，它基于最大似然估计并通过AIC= 2*N-2*ln(L)来选择合适的参数值，其中N为 需要估计参数的数目，L为似然函数的最大值。当AIC值较小时，表示模型与数据拟合的较 好。根据最小的AIC值，获取最合适的k值，并使用获得的k值来作为预测模型训练中的固 定参数。 阳107] 图4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学业类型事件 的代表模式，参考图4,为了提高预测结果的精确度，本发明在前一步预测的结果之上，进一 步结合压力事件的影响来调整前一步预测的结果W获得更为准确的预测结果。
[0108] 本发明在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内微博信息 的压力值后，还包括：
[0109] 401、根据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；
[0110] 402、根据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及目标压力事件的起始时间； 阳111] 403、根据目标压力事件的类型，对目标压力事件与压力变化模式集模型进行匹 配，获取目标压力事件对应的压力变化模式；
[0112] 404、根据目标压力事件的起始时间，通过目标压力事件的压力变化模式，获取目 标压力事件对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；
[0113] 405、根据目标压力事件对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。
[0114] 其中，根据修正值对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，具体包括：
[0115] 对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，获取压力变 化模式在不同时期的修正值；
[0116] 根据目标压力事件对应的微博信息，获取目标压力事件的发展阶段；
[0117] 对压力变化模式的不同时期与目标压力事件的发展阶段进行匹配，获取与目标压 力事件的发展阶段相匹配的修正值；
[0118] 根据与目标压力事件的发展阶段相匹配的修正值，对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。
[0119] 下面对结合压力事件的影响来调整前一步预测的结果的过程进行举例说明，具体 的：
[0120] 假定Ii，12, 13,…I。为一个事件周期内的n个连续的第二压力时间序列，其中n表 示该目标压力事件周期的长度。采用Tr(Ix)表示一个单位时间的压力变化趋势，并采用Tr =[Tr(Ii)，Tr(l2)…Tr(I。)]来表示整个压力事件对目标对象压力的影响，其中，Tr(Ix)用 指数平滑异同平均线MACD(Moving Average Convergence/Divergence)来表示，即用压力 的MACD值表示该事件影响下目标对象压力的变化趋势。MACD是一个广泛应用于股票价格 分析中的趋势指标，如果X>y，其公