式为：
[0121]
阳122] 其中，X表示第X个时刻，y表示时间窗口的大小，Lj表示时刻j的压力值。 阳123] 如果x<y，则公式为： 阳124]
阳12引基于MCD指标，本发明用Tr= [Tr(Ii)，Tr(l2)…Tr(I。)]来刻画事件对目标对象 的压力影响，其中： 阳126]Tr(Ij=MACD(X,Yi)-MACD(X,Y2)Yi<y2,X= 1, 2, 3.-n阳127] 在本发明的预测模型中，只是预测下一个时刻的压力值，因此将时间窗口yi设置 为1，y2为2。目标对象的压力程度值最大为5,最小为0,则相应的MACD值取值区间为0~ 5因此，THU值为范围为-5~巧的连续值。为了进行下一步的频繁模式挖掘，将Tr(L) 取值范围划分为40个子区间：[0~0.25]，化25~0.5]，…，[4. 75~5]W及[-0.25~ 0]，[-0. 5~-0. 2引，[-5~-4. 7引并将其映射到相应的整数标签1，2, ???20,W及-1,-2,… -20D
[0128] 通过对青少年微博数据的观测与统计，将上述事件分为学业压力事件和情感压力 事件两大类型。基于用户的微博，定位了一系列目标压力事件的时间段，但是仅仅根据微博 内容难W精确的定位时间的开始与结束日期，因此，本发明假设事件的发展顺序为一个接 着一个，可知的是，一个事件的影响周期开始于压力从0升高的时间点，结束于压力值降为 0的时间点。基于W上假设，本发明可W定位一系列的压力事件周期，并计算得到表示该压 力事件影响的MCD序列。根据压力事件的类型，本发明将得到的MCD序列分成学业压力变 化模式集和情感压力变化模式集。对于每一个模式集，采用GSP(GeneralizedSequential 化ttern)算法去挖掘置信度为50%的最长的频繁序列模式来代表该类型事件对用户的压 力变化的影响。
[0129] 在最后的预测中，本发明将目标压力事件看成是一种叠加影响，即将挖掘出来的 代表模式叠加到时间序列模型预测的结果之上作为最后的预测结果。如图4所示，本发明 将挖掘出来的代表模式化'根据时间平均划分为前期
：，中期化'（1。/3^^2。/3)和 后期化'（12。/3~。）^个阶段。并用化。4^，6。14416,61。,^)来刻画压力事件^个阶段所产生的 的附加影响，其中EeWy，Emiddle和Ebter分别为
前Tt心/3~。） 序列的平均值。
[0130] 本发明首先由时间序列模型获得一个预测值，再根据额外的关于目标压力事件的 信息，例如下一刻无压力事件，下一刻即将发生一个压力事件，压力事件正在发生中W及压 力事件即将结束，分别将0,EpWy，Emiddi。和Ebtw叠加到初始预测结果上作为最终的预测结 果。为了测量事件修正的效果，本发明进一步比较了有事件修正的预测结果与无事件修正 的预测结果。得出结论：通过对事件压力影响的修正，预测未来压力程度值的误差降低了 18%。 阳131] 图5为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，参 照图5,该系统包括：
[0132] 检测模块51，用于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；
[0133] 第一建立模块52,用于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；
[0134] 划分模块53,用于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；
[0135] 第二建立模块54,用于获取每个第二压力时间序列内微博信息的压力值，并根据 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.
[0136] 确定模块55,用于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。
[0137] 本发明提出的基于微博屯、理压力值预测系统，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。
[013引其中，第二建立模块54用于：采集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；
[0139] 根据所有第二压力时间序列内微博信息的压力值的最大值和压力值的累计和，建 立时间序列模型；
[0140] 或者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，建立时间序列模型； 阳141] 或者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，建立时间序列模型； 阳142] 其中，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。 阳143] 时间序列模型为：
[0144]
[0145] 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，e1为使E(e1) = 0的白噪声误差项；X。W，X。k+2, . . .X。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，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。 阳146]图6为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， 参考图6,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，进一步结合目标 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。 阳147] 本发明设置有修正模块，用于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；
[0148] 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；
[0149] 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；
[0150] 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； 阳151] 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。 阳152] 由于该系统与上述方法相互对应，故，此处不再寶述。
[0153] 虽然结合附图描述了本发明的实施方式，但是本领域技术人员可W在不脱离本发 明的精神和范围的情况下做出各种修改和变型，运样的修改和变型均落入由所附权利要求 所限定的范围之内。
【主权项】
1. 一种基于微博的心理压力值预测方法，其特征在于，包括： 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 据所述每条微博信息的压力值和发文时间，建立所述目标对象的第一压力时间序列； 对所述第一压力时间序列按照预设时间粒度进行划分，获取多个与所述预设时间粒度 对应的第二压力时间序列； 获取所述每个第二压力时间序列内微博信息的压力值，根据所述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，并根据所述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。2. 根据权利要求1所述的方法，其特征在于，所述获取所述每个第二压力时间序列内 微博信息的压力值，根据所述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，包括