二压力时间序列的K线图出现可疑反转信号；
[0079] 判断当前第二压力时间序列的K线图的末端是否出现反转曲线，若出现，则所述 当前第二压力时间序列的K线图出现可疑反转信号。
[0080] 举例来说，在预测目标对象下一第二压力时间序列的屯、理压力变化趋势时，如果 检测到目标对象在当前第二压力时间序列内发布的微博信息为一降压的信息，而当前的第 二压力时间序列内的屯、理压力变化趋势为上升，则两者相反，判断结果为当前第二压力时 间序列的K线图出现可疑反转信号。需要说明的是，本发明W上述两种情况为例，并不局限 于本发明中提到的判断压力反转信号的方法。
[0081] 需要说明的是，在预测股票走势时，反转信号是判断趋势发生变化的必要条件，但 不是充分条件。很多反转信号并不是趋势的转折点，仅仅是上升/下降趋势中一次小的反 复，运样的"反转信号"必然会对未来趋势的判断造成干扰。压力趋势的预测也是如此。若要 实现对未来趋势的更准确的预测，需要充分利用青少年的屯、理压力周期性的特点，从目标 对象的历史数据中找出与当前序列最相似的序列，参照数据的历史走势来预测未来趋势， 即为模式匹配。
[0082] 第二步、模式匹配：在当前第二压力时间序列之前的所有第二压力时间序列的K 线图中，确定与所述当前第二压力时间序列的K线图位于相同通道的K线图；
[0083] 在所有与所述当前第二压力时间序列的K线图位于相同通道的K线图中，选取与 当前第二压力时间序列的K线图的相似度大于预设第一阔值的K线图；
[0084] 在相似度大于预设第一阔值的K线图中，确定与所述当前第二压力时间序列的K 线图在所述可疑反转信号的压力变化趋势相同的第二压力时间序列的K线图的个数是否 大于预设第二阔值；
[0085] 若不大于预设第二阔值，则所述可疑反转信号为真，目标对象在下一第二压力时 间序列的K线图的压力变化趋势将会发生反转；若大于预设第二阔值，则所述可疑反转信 号为假。
[0086] 下面对模式匹配的原理进行详细说明：
[0087] 压力模式匹配的主要对象是压力的上升/下降通道。压力曲线中存在多个波峰和 波谷，波峰与前一个波谷之间的部分称为上升通道，波谷与前一个波峰之间的部分称为下 降通道。
[008引一个压力模式P可W看做一组属性向量组成的序列P= <SCFi，…，SCFk〉。它描述 的是在一个上升/下降通道中一组K线的集合，其中，k为通道的长度，SCFi为前文提到的用 于表示一个K线图的属性向量。f。，fiz，fi4,fu分别为模式P中第i根K线的五个属性的 取值：K线形状（化ape)，主体长度度odyLen)，上影线长度化卵erShadowLen)，下影线长度 (Xower化adowLen,)，K线斜率（StressQiange)。则其可W简写为SCFi=<f…fi2,…，fis〉，i =1，…，k.
[0089] 运样两个相同长度的压力模式P= <SCFi，…，SCFk〉和P' = <SCFi'，…，SCFk'〉 的匹配问题，就转化成两个压力序列在对应位置上的属性向量SCF的匹配问题。假定序列 匹配率的口限为P，如果在最新的k个属性向量中如果有P*k个向量相似，则该两个模 式相匹配。序列元素采用从后向前逆向比较的方式，运是因为与很久W前的K线相比，最 近的几条K线对未来的趋势更有实际意义。对于属性向量SCF的比较，我们采用加权的欧 几里得距离来衡量两个向量SCFi和SCFi'的相似性，该距离定义为：DCS'CF,'、SC77)
，如果该距离低于口限屯，则认为SCFi和SCF1'匹配。
[0090] 其中，Wi，W2……W历属性的权重，其和为1。本发明利用层次分析法（AHP算法） 来确定每个属性的权重。表示属性距离，在K线图设及到的五种属性中，化ape 是二值型变量，取值只能为0和1.其距离可表示为：
[0091]
[0092] 对于BodyLen,UpperShadowLen，Lower化adowLen，StressQiange运种数值型变 量，由于其单位和数量级不同，需要首先对其进行归一化处理，将所有属性均转化为[0, 1] 范围内的值。对于每一维属性，取欧式距离作为数据点在该属性分量上的距离，即：
[0093] j= 2,…5.
[0094] 可知的是，压力模式的匹配不是完全匹配，可能仅仅是部分匹配。如果能找到一 个历史的压力模式与当前压力模式匹配，则可W根据此历史模式之后的压力变化趋势来预 测当前的压力变化趋势。假定两个压力模式Pi和P2:P1=<SCFk，…，SCF。〉，P2= <SCF。，… ,SCFv〉，（1《iK'KKn,v-u>n-k)。其中，u,V,k,n均为时间编号，其中Pi是指由时刻tk到 当前时刻t。之间的K线所形成的压力模式，P2是此用户之前从时刻t。到时刻ty的一个历 史压力模式。由于P2的长度大于等于Pi，则Pi可能跟P2完全匹配，或者仅仅匹配P2的一 个子序列。但子序列的的定位是一个很费时的操作，需要很高的时间复杂度。为了加速匹 配的过程，本发明提出了一种新的匹配过程，步骤如下：
[0095] 第一步，本发明在与所述当前第二压力时间序列的K线图位于相同通道的K线图 中，选取多个与所述当前第二压力时间序列的K线图的曲线形状相匹配的第二压力时间序 列的K线图，
[0096] 第二步，从与所述可疑反转信号对应时间点的反转点开始，对每个与所述当前第 二压力时间序列的K线图的曲线形状相匹配的第二压力时间序列的K线图中的反转点分别 与所述当前第二压力时间序列的K线图的反转点进行逆向逐点匹配，获取多个与所述当前 第二压力时间序列的K线图匹配度不同的第二压力时间序列的K线图；
[0097] 第S步，在所有与所述当前第二压力时间序列的K线图的反转点匹配度不同的第 二压力时间序列的K线图中，按照匹配度的高低，依次选取预设数目的第二压力时间序列 的K线图。
[0098] 具体的做法是：对每个压力序列的反转点进行标记。在匹配的时候，首先序列Pi的 疑似反转点SCF。与各个序列的反转点进行比较，找出M个包含SCF。近似点的序列。然后将 运些序列从其反转点开始，与序列Pi进行逆向逐点匹配，根据相似度由高到低的顺序得到K 个Pi的近似序列。选取出的序列可作为下一时间点趋势预测的依据。
[0099] 图6为本发明一实施例提供的基于微博的青少年屯、理压力变化趋势预测系统的 结构示意图，参照图6,该系统包括：
[0100] 检测模块61，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；
[0101] 第一建立模块62,用于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；
[0102] 划分模块63,用于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；
[0103] 第二建立模块64,用于获取所述每个第二压力时间序列内微博信息的压力值，对 所述每个第二压力时间序列内微博信息的压力值建立K线图；
[0104] 确定模块65 :用于根据所述K线图确定目标对象在下一第二压力时间序列对应的 微博信息的压力值的变化趋势。
[0105] 图7示出了本发明一实施例提供的基于微博的青少年屯、理压力变化趋势预测系 统中确定模块的结构示意图，参考图7,确定模块65包括：
[0106] 第一确定单元651，用于根据所述当前第二压力时间序列的K线图的压力变化趋 势和/或所述目标对象在所述当前第二压力时间序列内发布的微博信息，确定所述当前第 二压力时间序列的K线图是否出现可疑反转信号；
[0107] 若所述当前第二压力时间序列的K线图没有出现可疑反转信号，则所述目标对象 在下一第二压力时间序列对应的微博信息的压力变化趋势将延续所述当前第二压力时间 序列的压力变化趋势；
[0108] 若所述当前第二压力时间序列的K线图出现可疑反转信号，则将所述当前第二压 力时间序列的K线图与所述当前第二压力时间序列之前的所有第二压力时间序列的K线图 进行模式匹配。
[0109] 第二确定单元652,用于在当前第二压力时间序列之前的所有第二压力时间序列 的K线图中，确定与所述当前第二压力时间序列的K线图位于相同通道的K线图；
[0110] 选取单元653,用于在所有与所述当前第二压力时间序列的K线图位于相同通道 的K线图中，选取与当前第二压力时间序列的K线图的相似度大于预设第一阔值的K线图；
[0111] 第=确定单元654,用于在相似度大于预设第一阔值的K线图中，确定与所述当前 第二压力时间序列的K线图在所述可疑反转信号的压力变化趋势相同的第二压力时间序 列的K线图的个数是否大于预设第二阔值；
[0112] 若不大于预设第二阔值，则所述可疑反转信号为真，目标对象在下一第二压力时 间序列的K线图的压力变化趋势将会发生反转；若大于预设第二阔值，则所述可疑反转信 号为假。
[0113] 其中，选取单元653用于：
[0114] 在与所述当前第二压力时间序列的K线图位于相同通道的K线图中，选取多个与 所述当前第二压力时间序列的K线图的曲线形状相匹配的第二压力时间序列的K线图；
[0115] 从与所述可疑反转信号对应时间点的反转点开始，对每个与所述当前第二压力时 间序列的K线图的曲线形状相匹配的第二压力时间序列的K线图中的反转点分别与所述当 前第二压力时间序列