本发明涉及行为预测方法领域，特别是涉及一种基于群体情绪的预测方法、装置、系统、服务器及终端。
背景技术
情绪，是对一系列主观认知经验的通称，是多种感觉、思想和行为综合产生的心理和生理状态。
目前，人们生活中充满了各种各样的预测，例如：预测股价的涨跌、预测哪位影星获得大奖、预测哪位候选人当选总统等。其中，对于股价预测这类事物，特殊的地方在于：参与预测的人往往也是直接买卖股票的人，即这些人对于未来股价的预测，会直接影响他们自己买卖的决定，以及所愿意出的价钱。这些人对未来股价的情绪，影响了预测值，最终影响了实际值。考虑到群体情绪，群体内的个体之间互相感染，往往群体情绪会影响个体的预测值。例如在股票交易大厅，当一个人看到其他人的高昂情绪，往往就对未来估计持乐观的看法。
当前的股票交易软件，无法体现群体情绪的影响，操作股票交易软件的人完全是根据自己的判断进行交易，无法获得群体情绪导致的预测值进行参考。互联网话题热度分析，例如社交网络帖子有对某个话题的分析，帖子内容会体现出正面评价、负面评价。但是互联网上的内容往往充满了刻意引导的舆论，可信度不高。
随着技术的发展，人们往往使用手机、电脑，利用互联网完成股票交易。人们不在同一个物理空间，群体情绪不易被感知到，那么如何利用技术手段，检测和利用群体情绪，从而提升预测准确率，是本发明要解决的问题。
技术实现要素：
本发明实施例旨在提供一种基于群体情绪的预测方法，其解决了目前无法根据群体情绪确定群体的预测值，实现通过基于群体情绪，提高对预测事件的预测准确率。
本发明实施例提供以下技术方案：
第一方面，本发明实施例提供一种基于群体情绪的预测方法，包括：
获取个体的情绪类型及情绪强度；
根据所述情绪类型及情绪强度，确定所述个体所属的群体模型；
获取所述群体模型的全部个体对预测事件的预测值；
根据所述全部个体对预测事件的预测值、情绪类型以及情绪强度，确定所述群体模型对预测事件的预测值。
在一些实施例中，所述方法还包括：
根据所述群体模型的全部个体的情绪类型以及情绪强度，确定所述群体模型的群体情绪。
在一些实施例中，所述方法还包括：
获取个体的历史预测准确率；
根据所述个体的历史预测准确率、情绪类型及情绪强度，确定所述个体所属的群体模型或创建所述个体对应的新的群体模型。
在一些实施例中，所述方法还包括：
根据所述群体模型的全部个体的历史预测准确率、情绪类型及情绪强度，结合所述全部个体对预测事件的预测值，确定所述群体模型对预测事件的预测值。
在一些实施例中，所述获取个体的历史预测准确率，包括：
获取所述个体全部的历史预测事件的预测值以及所述历史预测事件的实际值；
对比所述实际值与所述预测值，确定预测正确的预测值的数量；
根据所述预测正确的预测值的数量与所述全部的历史预测事件的数量的比例，确定所述个体的历史预测准确率。
在一些实施例中，所述获取个体的情绪类型及情绪强度，包括：
检测个体的生理指标状态和/或面部表情，获取个体的情绪类型以及情绪强度。
在一些实施例中，所述获取个体的情绪类型及情绪强度，还包括：
检测个体的输入内容和/或输入速度，获取个体的情绪类型以及情绪强度。
第二方面，本发明实施例提供一种基于群体情绪的预测装置，所述装置包括：
情绪获取单元，用于获取个体的情绪类型及情绪强度；
群体模型确定单元，用于根据所述情绪类型及情绪强度，确定所述个体所属的群体模型；
预测值获取单元，用于获取所述群体模型的全部个体对预测事件的预测值；
群体预测值单元，用于根据所述全部个体对预测事件的预测值、情绪类型以及情绪强度，确定所述群体模型对预测事件的预测值。
第三方面，本发明实施例提供一种服务器，包括：
至少一个第一处理器；以及，
与所述至少一个第一处理器通信连接的第一存储器；其中，
所述第一存储器存储有可被所述至少一个第一处理器执行的指令，所述指令被所述至少一个第一处理器执行，以使所述至少一个第一处理器能够执行上述的方法；
服务器通信模块，用于与第一终端进行通信；
第一实际值获取模块，用于获取预测事件的实际值。
在一些实施例中，所述第一存储器包括：群体模型库，用于保存全部的群体模型。
第四方面，本发明实施例提供一种基于群体情绪的预测系统，其特征在于，包括：至少一个第一终端以及上述的服务器；
所述第一终端包括：
第一个体情绪检测模块，用于检测个体的情绪类型以及情绪强度；
第一预测值输入模块，用于接收个体输入的预测事件的预测值；
终端通信模块，连接所述第一个体情绪检测模块、第一预测值输入模块以及所述第一展示模块，通信连接服务器通信模块，用于将所述个体的情绪类型、情绪强度以及个体对预测事件的预测值发送到所述服务器。
第五方面，本发明实施例提供一种终端，其特征在于，包括：
至少一个第二处理器；以及，
与所述至少一个第二处理器通信连接的第二存储器；其中，
所述第二存储器存储有可被所述至少一个第二处理器执行的指令，所述指令被所述至少一个第二处理器执行，以使所述至少一个第二处理器能够执行上述的方法；
第二个体情绪检测模块，用于检测个体的情绪类型以及情绪强度；
第二预测值输入模块，用于接收个体输入的预测事件的预测值；
通信模块，用于不同的终端之间的通信；
第二实际值获取模块，用于获取所述预测事件的实际值。
本发明实施例的有益效果是：区别于现有技术的情况下，本发明实施例公开了一种基于群体情绪的预测方法、装置、系统、服务器及终端。其中所述的基于群体情绪的预测方法包括：获取个体的情绪类型及情绪强度；根据所述情绪类型及情绪强度，确定所述个体所属的群体模型；获取所述群体模型的全部个体对预测事件的预测值；根据所述全部个体对预测事件的预测值、情绪类型以及情绪强度，确定所述群体模型对预测事件的预测值。通过上述方式，本发明实施例能够基于群体情绪，提高对预测事件的预测准确率。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。
图1是本发明实施例提供的一种基于群体情绪的预测方法的流程示意图；
图2是本发明实施例提供的一种计算群体情绪和群体预测值的处理流程示意图；
图3是本发明实施例提供的一种基于群体情绪的预测装置的结构示意图；
图4是本发明实施例提供的第一种应用环境的示意图；
图5是本发明实施例提供的一种服务器的结构示意图；
图6是本发明实施例提供的一种基于群体情绪的预测系统的结构示意图；
图7是本发明实施例提供的第二种应用环境的示意图；
图8是本发明实施例提供的一种终端的结构示意图；
图9是本发明实施例提供的一种第二展示模块的结构示意图。
参见图1至图9，100、基于群体情绪的预测装置；10、情绪获取单元；20、群体模型确定单元；30、预测值获取单元；40、群体预测值单元；200、基于群体情绪的预测系统；50、服务器；51、第一处理器；52、第一存储器；53、服务器通信模块；54、第一实际值获取模块；60、第一终端；61、终端通信模块；62、第一展示模块；63、第一个体情绪检测模块；64、第一预测值输入模块；80、终端；81、第二处理器；82、第二存储器；83、第二展示模块；831、群体情绪展示单元；832、群体预测值展示单元；84、通信模块；85、第二个体情绪检测模块；86、第二预测值输入模块；87、第二实际值获取模块。
具体实施方式
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。
此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明主要应用于有价的、可交易的虚拟或者实际物品的相关场合，例如：证券、衍生品、数字货币等的交易，或者，有奖竞猜、结果预测等场合。
实施例1
请参阅图1，图1是本发明实施例提供的一种基于群体情绪的预测方法的流程示意图；
如图1所示，所述方法应用于服务器、移动终端、个人计算机，以及其他电子设备，所述方法包括：
步骤s10：获取个体的情绪类型及情绪强度；
其中，所述情绪类型包括：喜悦、愤怒、悲哀、快乐、吃惊、恐恐、嫉妒、惭愧、羞耻、自豪，以及等等。而每一情绪类型都会随着个体的心理、生理状态的差异造成不同的强度。比如有轻微愤怒、有比较愤怒、有非常愤怒，为了区别不同的情绪类型的程度，将所述情绪类型进行强度分级，可以将所述情绪类型的强度分为十级，分别为一级、二级、三级、四级、五级、六级、七级、八级、九级和十级。通过将所述个体的情绪类型的强度进行分级，可以确定所述情绪类型的程度，更为精确地确定所述个体的情绪状态。
具体的，所述获取个体的情绪类型以及情绪强度，可以通过检测个体的生理指标状态和/或面部表情。
其中，可以通过所述个体的生理指标状态确定所述个体的情绪类型以及情绪强度。所述生理指标状态，包括：体温、心率、血压，以及等等，通过获取所述个体的体温、心率、血压，可以确定所述个体的生理指标状态，根据所述用户的生理指标状态，可以确定所述用户的情绪类型以及情绪强度。例如：若所述个体的心率比正常心率快，血压比正常血压较高，并且体温比正常体温较高，则确定所述个体的情绪类型为愤怒，根据心率加快的程度、血压升高的程度、体温升高的程度，可以确定所述情绪类型的情绪强度，即愤怒程度，比如：四级愤怒。
其中，还可以通过个体的面部表情确定所述个体的情绪类型以及情绪强度。所述面部表情包括：愤怒表情、兴奋表情、高兴表情、惊讶表情、伤心表情、痛苦表情、厌恶表情，以及等等。可以通过人脸识别，通过捕捉面部的细微动作和表情，识别所述个体的面部表情，根据所述个体的面部表情，确定所述个体的情绪类型，再通过眼部肌肉、颜面肌肉和口部肌肉的变化，确定所述情绪类型对应的情绪强度，例如：可以通过眼部肌肉的收缩判断所述个体处于紧张的情绪状态，结合眼部肌肉、颜面肌肉和口部肌肉的收缩或扩张程度，确定所述情绪类型对应的情绪强度，即紧张程度，比如三级紧张。
其中，还可以通过检测个体的生理指标状态，结合所述个体的面部表情，获取个体的情绪类型以及情绪强度。例如：通过检测个体的心率升高，并且面部表情为愤怒表情，可以确定所述个体的情绪类型为愤怒，并且根据所述心率的升高程度、面部表情的扭曲程度，确定愤怒强度。通过检测个体的生理指标状态，结合所述个体的面部表情，可以更为精确地确定所述个体的情绪类型以及情绪强度。
其中，还可以通过检测个体的输入内容和/或输入速度，获取个体的情绪类型以及情绪强度。其中，可以通过预测类专有应用程序或者社交网络、新闻等渠道获取个体的输入内容，例如：可以通过微信小程序获取个体的投票结果，将所述投票结果作为所述个体的输入内容，或者，通过腾讯新闻手机客户端获取个体的评论内容，将所述评论内容作为所述个体的输入内容，或者，可以通过炒股软件获取个体的预测内容，将所述预测内容作为所述个体的输入内容，所述炒股软件包括同花顺、大智慧，以及等等。具体的，当个体通过手机屏幕或电脑键盘等输入设备输入内容时，可以根据所述个体的输入内容，确定所述个体的情绪类型以及情绪强度。若所述个体输入的内容包括文字，则通过识别所述文字的情感倾向以及所述文字所代表的含义，判断所述个体的情绪类型。具体的，可以通过对词汇进行分类，确定所述词汇对应的情感倾向，比如：脏话对应的情感倾向为愤怒，赞美的词汇对应的情感倾向为高兴，以及等等。通过对词汇进行分类，建立所述词汇对应的情感倾向，可以通过所述词汇对应的情感倾向，确定个体对应的情绪类型。并且，可以通过计算所述相同情感倾向的词汇的输入频率，确定所述个体对应的情绪类型对应的情绪强度。例如：当个体不断地输入一些脏话，则确定所述个体的愤怒程度为十级愤怒。可以理解的是，当个体在急需表达自己的观点时，个体会自然而然地提高自己的输入速度，因此，可以通过检测个体的输入速度，确定所述个体的情绪类型对应的情绪强度。通过检测个体的输入内容，结合所述个体的输入速度，可以有效获取所述个体的情绪类型以及情绪强度。其中，还可以通过检测个体的生理指标状态以及面部表情，结合所述个体的输入内容以及输入速度，更为精确有效地获取个体的情绪类型以及情绪强度。
可以理解的是，可以通过定期或实时获取所述个体的情绪类型以及情绪强度，获取所述个体的情绪变化。根据所述个体的情绪变化，有利于正确确定所述个体所属的群体模型，提高群体的预测准确率。
步骤s20：根据所述情绪类型及情绪强度，确定所述个体所属的群体模型；
其中，所述群体模型是用于度量群体的数据结构，所述群体模型包括两个维度：情绪类型以及情绪类型对应的情绪强度，通过所述群体模型，可以根据所述情绪类型以及情绪类型对应的情绪强度，对所述个体进行分类，确定所述个体对应的群体模型。当所述情绪类型和所述情绪类型对应的情绪强度的群体模型不存在时，可以新建一群体模型，所述群体模型用于对所述情绪类型和所述情绪类型对应的情绪强度相同的个体进行归类；当所述情绪类型和所述情绪类型对应的情绪强度的群体模型已经存在时，则可以直接将个体纳入所述群体模型。例如：某群体模型为(情绪类型，情绪强度)＝(兴奋，9)，(情绪类型，情绪强度)＝(愤怒，4)，以及等等。可以理解的是，由于个体的情绪强度的区别较小，因此所述情绪强度可以为情绪强度范围，通过所述情绪类型以及所述情绪类型对应的情绪强度范围，确定所述个体对应的群体模型。若所述个体的情绪类型对应的情绪强度位于所述情绪强度范围内，则确定所述个体所属的群体模型。例如：某群体模型为(情绪类型，情绪强度)＝(兴奋，7-9)，(情绪类型，情绪强度)＝(愤怒，4-8)，以及等等。可以理解的是，相同的个体在相同时刻可能具有多种情绪类型以及情绪类型对应的情绪强度，因此可以根据情绪类型以及情绪类型对应的情绪强度，将相同的个体划分进不同的群体模型。
或者，所述群体模型包括三个维度：情绪类型、情绪类型对应的情绪强度以及个体的历史预测准确率，将情绪类型、情绪类型对应的情绪强度以及个体的历史预测准确率相近的个体划分为一个群体模型。获取个体的历史预测准确率；根据所述个体的历史预测准确率、情绪类型及情绪强度，确定所述个体所属的群体模型或创建所述个体对应的新的群体模型。当所述情绪类型、所述情绪类型对应的情绪强度以及所述个体的历史预测准确率相近的群体模型不存在时，可以新建一群体模型，所述群体模型用于对所述情绪类型、所述情绪类型对应的情绪强度以及历史预测准确率相近的个体进行归类；当所述情绪类型、所述情绪类型对应的情绪强度以及个体的历史预测准确率相近的群体模型已经存在时，则可以直接将个体纳入所述群体模型。例如：某群体模型为(情绪类型，情绪强度，历史预测准确率)＝(兴奋，9，80％)，(情绪类型，情绪强度，历史预测准确率)＝(愤怒，4，60％)，以及等等。可以理解的是，所述个体的历史预测准确率一般不会完全一致，因此可以将历史预测准确率相近的个体划分为一个群体模型，例如：某群体模型为(情绪类型，情绪强度，历史预测准确率)＝(兴奋，9，>80％)，(情绪类型，情绪强度，历史预测准确率)＝(愤怒，4，40-60％)，以及等等。或者，将所述情绪类型、所述情绪类型对应的情绪强度相近以及历史预测准确率相近的个体划分为一个群体模型，例如：某群体模型为(情绪类型，情绪强度，历史预测准确率)＝(兴奋，7-9，>80％)，(情绪类型，情绪强度，历史预测准确率)＝(愤怒，4-6，40-60％)，以及等等。通过划分并保存不同的群体模型，有利于快速确定某一个体所属的群体模型，并且有利于确定某一特定的群体模型对预测事件的预测值。
请再参阅图2，图2是本发明实施例提供的一种计算群体情绪和群体预测值的处理流程示意图；
如图2所示，根据所述情绪类型及情绪强度，确定所述个体所属的群体模型，包括：
步骤s201：获取个体情绪值及预测值；
其中，所述个体情绪值包括：所述个体的情绪类型以及情绪类型对应的情绪强度，所述预测值为所述个体对预测事件的预测结果。
步骤s202：与其他个体比较个体情绪值和历史预测准确率；
其中，当所述个体的个体情绪值与其他个体的个体情绪值相近时，可以将所述个体划分为同一个群体模型，或者，当所述个体与其他个体的历史预测准确率相近时，可以将所述个体与其他个体划分为同一个群体模型。例如：专家的历史预测准确率相近，可以将专家划分为同一个群体模型。
步骤s203：判断在一定阈值范围内是否有其他个体；若是，则进入步骤s204，若否，则进入步骤s205；
其中，所述阈值范围包括：情绪类型对应的情绪强度的范围，例如：某个体的情绪类型为兴奋，兴奋强度为7，则所述阈值范围可以人为设定为兴奋强度为5-8，以及等等。或者，所述阈值范围可以为历史预测准确率的范围，例如：某个体的历史预测准确率为70％，则所述阈值范围可以为历史预测准确率的范围为60％-80％，以及等等。
步骤s204：与其他个体加入相同的群体模型；
其中，当所述个体位于阈值范围内时，可以将所述个体与位于阈值范围内的其他个体加入相同的群体模型，例如：某群体模型为(情绪类型，情绪强度，历史预测准确率)＝(兴奋，7-9，>80％)，则所有符合阈值范围内的个体归入该群体模型。
步骤s205：创建新的群体模型；
当某个体的情绪类型、情绪类型对应的情绪强度以及历史预测准确率不位于已存在的群体模型时，此时可以通过创建新的群体模型，将所述个体划入新的群体模型。
步骤s206：计算群体情绪和群体预测值；
其中，通过所述群体模型的全部个体的情绪类型以及情绪强度，可以计算群体情绪，根据所述群体模型的全部个体的历史预测准确率、情绪类型及情绪强度，结合所述全部个体对预测事件的预测值，确定所述群体模型对预测事件的预测值。
步骤s30：获取所述群体模型的全部个体对预测事件的预测值；
其中，建立群体模型之后，并且确定所述个体所属的群体模型后，将确定所述群体模型的全部个体。此时可以获取所述群体模型的全部个体对预测事件的预测值，例如：所述预测事件为某一股票的股价的涨跌，此时所述预测值为上涨或下跌，或者，所述预测值为上涨或下跌的百分比；所述预测事件为哪位影星获得影帝，此时所述预测值为梁家辉、张家辉或刘德华；所述预测事件为哪位候选人当选总统，此时所述预测值为a或b，以及等等。
具体的，所述获取所述群体模型的全部个体对预测事件的预测值，可以通过问卷调查的形式，接收所述全部个体对预测事件的预测值。或者，可以通过手机屏幕、电脑网页、口头调查的方式，获取所述群体模型的全部个体对预测事件的预测值。或者，还可以通过连接外部网站、手机app、微信小程序等渠道，获取所述群体模型的全部个体对预测事件的预测值。例如：在预测事件为电影节的评奖时，可以通过问卷调查的形式，以单选、多选或者输入的方式，获取所述群体模型的全部个体对预测事件的预测值。
为了方便地保存所述群体模型的全部个体的相关参数，可以通过四维数据结构的形式，保存所述群体模型的全部个体的相关参数。例如：将某群体模型的某一个体的相关参数保存为(情绪类型，情绪强度，历史预测准确率，总统的预测值)＝(愤怒，6，60％，总统当选人为b)，(情绪类型，情绪强度，历史预测准确率，影帝的预测值)＝(兴奋，7-9，85％，梁家辉)，以及等等。通过保存所述群体模型的全部个体的相关参数，有利于快速计算所述群体模型的群体情绪以及对预测事件的预测值。
步骤s40：根据所述全部个体对预测事件的预测值、情绪类型以及情绪强度，确定所述群体模型对预测事件的预测值。
其中，通过所述群体模型的全部个体的情绪类型以及情绪强度，可以计算所述群体模型的群体情绪。具体的，可以对所述全部个体的情绪类型对应的情绪强度进行求平均，将情绪类型以及所述情绪类型对应的情绪强度的平均值作为所述群体模型的群体情绪，例如：某一群体模型包括个体一和个体二，个体一的情绪值为(情绪类型，情绪强度)＝(兴奋，9)，个体二的情绪值为(情绪类型，情绪强度)＝(兴奋，8)，则通过对该群体模型的情绪类型对应的情绪强度进行求平均，得到该群体模型的群体情绪为(情绪类型，情绪强度)＝(兴奋，8.5)。或者，可以对所述群体模型的全部个体增加权重因素，不同的个体可以有不同的权重。通过对所述群体模型的全部个体的情绪类型对应的情绪强度进行加权平均，将加权平均值作为所述群体模型的群体情绪。例如：某一群体模型包括个体一和个体二，所述个体一的情绪值为(情绪类型，情绪强度，权重)＝(兴奋，9，1)，所述个体二的情绪值为(情绪类型，情绪强度，权重)＝(兴奋，8.5，2)，则对所述群体模型的情绪类型对应的情绪强度进行加权平均后，得到所述群体模型的群体情绪为(情绪类型，情绪强度)＝(兴奋，8.7)。
其中，通过计算所述群体模型的群体情绪，结合所述群体模型的全部个体对预测事件的预测值，可以确定所述群体模型对预测事件的预测值。通过统计所述群体模型的全部个体对预测事件的预测值，计算所述群体模型的群体情绪，确定所述群体模型的全部个体对预测事件的预测值的均值，将所述预测值的均值作为所述群体模型对预测事件的预测值。例如：所述预测事件为某一股票的涨跌幅度，所述群体模型的全部个体的预测值均为所述股票的涨跌幅度，通过将所述群体模型的全部个体的预测值进行相加求平均，将计算得到的平均值作为所述群体模型的预测值。或者，当所述预测事件为某一股票的涨势或跌势，所述群体模型的全部个体的预测值为所述股票的涨势或跌势，通过统计所述群体模型的全部个体的预测值，将所述群体模型中的人数较多的预测值作为所述群体模型的预测值，或者，判断所述群体模型的群体情绪为积极情绪或消极情绪，通过判断所述群体模型的群体情绪的积极性，结合所述群体模型的全部个体的预测值，确定所述群体模型的预测值。若所述群体情绪为积极情绪并且所述群体模型中预测值为涨势的个体数量较多，则确定所述群体模型的预测值为涨势，若所述群体情绪为消极情绪并且所述群体模型中预测值为跌势的个体数量较多，则确定所述群体模型的预测值为跌势。
在本发明实施例中，所述基于群体情绪的预测方法，还包括：获取个体的历史预测准确率，具体的，获取所述个体全部的历史预测事件的预测值以及所述历史预测事件的实际值；对比所述实际值与所述预测值，确定预测正确的预测值的数量；根据所述预测正确的预测值的数量与所述全部的历史预测事件的数量的比例，确定所述个体的历史预测准确率。例如：某个体参与的预测事件有十件，其中预测值与实际值相同的有八件，则所述个体的历史预测准确率为80％。
在本发明实施例中，公开了一种基于群体情绪的预测方法。其中所述的基于群体情绪的预测方法包括：获取个体的情绪类型及情绪强度；根据所述情绪类型及情绪强度，确定所述个体所属的群体模型；获取所述群体模型的全部个体对预测事件的预测值；根据所述全部个体对预测事件的预测值、情绪类型以及情绪强度，确定所述群体模型对预测事件的预测值。通过上述方式，本发明实施例能够基于群体情绪，提高对预测事件的预测准确率。
实施例2
请参阅图3，图3是本发明实施例提供的一种基于群体情绪的预测装置的结构示意图；该基于群体情绪的预测装置100可以应用于服务器、移动终端、个人计算机等设备；
如图3所示，该基于群体情绪的预测装置100包括：
情绪获取单元10，所述情绪获取单元10用于获取个体的情绪类型及情绪强度；
在本发明实施例中，所述情绪获取单元10具体用于：检测个体的生理指标状态和/或面部表情，获取个体的情绪类型以及情绪强度。或者，检测个体的输入内容和/或输入速度，获取个体的情绪类型以及情绪强度。
群体模型确定单元20，所述群体模型确定单元20用于根据所述情绪类型及情绪强度，确定所述个体所属的群体模型；
在本发明实施例中，所述群体模型确定单元20具体用于：根据所述个体的历史预测准确率、情绪类型及情绪强度，确定所述个体所属的群体模型。
预测值获取单元30，所述预测值获取单元30用于获取所述群体模型的全部个体对预测事件的预测值；
群体预测值单元40，所述群体预测值单元40用于根据所述全部个体对预测事件的预测值、情绪类型以及情绪强度，确定所述群体模型对预测事件的预测值。
在本发明实施例中，所述群体预测值单元40具体用于：根据所述群体模型的全部个体的历史预测准确率、情绪类型及情绪强度，结合所述全部个体对预测事件的预测值，确定所述群体模型对预测事件的预测值。
在本发明实施例中，所述基于群体情绪的预测装置100还包括：
群体情绪确定单元，所述群体情绪确定单元用于根据所述群体模型的全部个体的情绪类型以及情绪强度，确定所述群体模型的群体情绪。
历史预测准确率获取单元，用于获取个体的历史预测准确率；
在本发明实施例中，所述历史预测准确率获取单元，具体用于：
获取所述个体全部的历史预测事件的预测值以及所述历史预测事件的实际值；对比所述实际值与所述预测值，确定预测正确的预测值的数量；根据所述预测正确的预测值的数量与所述全部的历史预测事件的数量的比例，确定所述个体的历史预测准确率。
由于装置实施例和方法实施例是基于同一构思，在内容不互相冲突的前提下，装置实施例的内容可以引用方法实施例的，在此不赘述。
在本发明实施例中，通过提供一种基于群体情绪的预测装置，所述基于群体情绪的预测装置包括：情绪获取单元、群体模型确定单元、预测值获取单元以及群体预测值单元，通过获取个体的情绪类型及情绪强度；根据所述情绪类型及情绪强度，确定所述个体所属的群体模型；获取所述群体模型的全部个体对预测事件的预测值；根据所述全部个体对预测事件的预测值、情绪类型以及情绪强度，确定所述群体模型对预测事件的预测值。通过上述方式，本发明实施例能够根据群体情绪确定群体的预测值，实现通过基于群体情绪，提高对预测事件的预测准确率。
实施例3
请参阅图4，图4是本发明实施例提供的第一种应用环境的示意图；该应用环境基于服务器，所述服务器对应多个终端，分别为终端一、终端二、终端三，…，终端n。其中，每一终端均与所述服务器通信连接。
请再参阅图5，图5是本发明实施例提供的一种服务器的结构示意图；
本发明实施例的服务器端50以多种形式存在，所述服务器可以是文件服务器、数据库服务器、应用程序服务器、web服务器、云服务器、企业级服务器等能实现基于群体情绪预测的电子设备。
如图5所示，该服务器50包括：第一处理器51、第一存储器52、服务器通信模块53以及第一实际值获取模块54。其中，图5中以一个第一处理器51为例。
第一处理器51、第一存储器52、服务器通信模块53以及第一实际值获取模块54可以通过总线或者其他方式连接，图5中以通过总线连接为例。
其中，所述服务器通信模块53，用于与第一终端进行通信；所述第一实际值获取模块54，用于获取预测事件的实际值。
第一存储器52作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本发明实施例中的一种基于群体情绪的预测方法对应的单元(例如，图3所述的各个单元)。第一处理器51通过运行存储在第一存储器52中的非易失性软件程序、指令以及模块，从而执行基于群体情绪的预测方法的各种功能应用以及数据处理，即实现上述方法实施例基于群体情绪的预测方法以及上述装置实施例的各个模块和单元的功能。
第一存储器52可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，第一存储器52可选包括相对于处理器51远程设置的存储器，这些远程存储器可以通过网络连接至第一处理器51。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述模块存储在所述第一存储器52中，当被所述一个或者多个第一处理器51执行时，执行上述任意方法实施例中的基于群体情绪的预测方法，例如，执行以上描述的图1或图2所示的各个步骤；也可实现图3所述的各个模块或单元的功能。
其中，所述第一存储器52包括：群体模型库，用于保存全部的群体模型。
其中，所述服务器通信模块53，用于服务器与多个第一终端之间的通信。所述服务器通信模块53保存有所有第一终端的地址，例如：所有第一终端的mac地址、ip地址，以及其他地址。所述服务器通过所述服务器通信模块53与所有第一终端进行通信，以tcp/ip通信为例，所述地址可以为ip地址和端口号，所述服务器与所述第一终端之间通过tcp/ip协议进行通信。
其中，所述第一实际值获取模块54，用于计算或获取预测事件成为事实后的结果。以股票交易为例，实际值就是交易的结果，是否赚到钱了。以电影节为例，颁奖晚会上公开了张三获得最佳男主角的信息，实际值就是张三。所述第一实际值获取模块54可以为外部系统的接口，通过外部系统获取实际值，例如：通过某网站获取股票交易的结果，以及等等。
在本发明实施例中，通过提供一种服务器，所述服务器包括：第一处理器、第一存储器、服务器通信模块以及第一实际值获取模块，通过上述方式，本发明实施例能够获取群体模型的全部个体的预测值，并计算群体模型的群体预测值。
实施例4
请参阅图6，图6是本发明实施例提供的一种基于群体情绪的预测系统的结构示意图；
如图6所示，该基于群体情绪的预测系统200包括：服务器50以及第一终端60。其中，所述服务器50通信连接所述第一终端60，可以理解的是，所述第一终端60可以为多个，多个所述第一终端60以服务器50为中心，分别连接所述服务器50。可以理解的是，为了提高容量以及处理速度，所述服务器50也可以为多个，多个服务器50用于与多个第一终端60进行连接，提高系统的处理速度。
其中，所述服务器50包括：第一处理器51、第一存储器52、服务器通信模块53以及第一实际值获取模块54。其中，所述第一处理器51、第一存储器52、服务器通信模块53以及第一实际值获取模块54通过总线方式连接。
其中，所述第一终端60包括：终端通信模块61、第一展示模块62第一个体情绪检测模块63以及第一预测值输入模块64；
所述终端通信模块61，连接所述第一个体情绪检测模块63、第一预测值输入模块64以及所述第一展示模块62，通信连接服务器通信模块，用于将所述个体的情绪类型、情绪强度以及个体对预测事件的预测值发送到所述服务器。具体的，所述终端通信模块61与所述服务器通信模块53通信连接，以固定的通信协议进行通信，所述通信协议包括：局域网通信协议，包括：tcp/ip、netbeui和ipx/spx协议，以及等等。所述终端通信模块61与所述服务器通信模块53均可以为蓝牙模块、wifi模块，以及等等。
所述第一展示模块62，用于展示所述群体模型的群体情绪以及群体模型对预测事件的预测值。具体的，所述第一展示模块62可以为手机屏幕、电脑显示屏，以及其他显示设备。
其中，所述第一展示模块62可以包括：群体情绪展示单元以及群体预测值展示单元；所述群体情绪展示单元用于展示所述群体模型的群体情绪，例如：群体情绪的情绪类型以及情绪类型对应的情绪强度，比如：(情绪类型，情绪强度)＝(兴奋，8.3)，(情绪类型，情绪强度)＝(喜悦，5.5)，(情绪类型，情绪强度)＝(平静，0)，所述群体情绪展示单元还可以用于展示所述群体模型的群体预测准确率，所述群体预测准确率为所述群体模型的所有个体的历史预测准确率的平均值，例如：预测准确率为88％，所述群体情绪展示单元还可以用于展示所述群体模型的人数比例，即所述群体模型占总人数的比例，例如：占总人数比例为30％，以及等等。所述群体预测值展示单元用于展示群体模型对预测事件的预测值，例如：张三是最佳男主角，以及其他预测值。
其中，所述第一展示模块62还可以包括奖励展示单元，所述奖励展示单元用于对预测值与实际值相同的个体进行展示。还可以展示奖励的奖品，例如：积分奖品、数字货币奖品，以及等等。
具体的，所述第一展示模块62用于展示群体情绪，将第一处理器所获得的群体情绪进行变换，采用人的感官能感受到的方式展示群体情绪。所述展示方式包括有多种方式，例如：视觉、听觉都可以用于展示群体情绪。以视觉为例，现有技术有这方面的研究，在终端上显示的视觉对象(文字、图标、图形等控件)，可以用冷色调代表平静的情绪、用暖色调代表喜悦的情绪、用红色调代表焦虑的情绪等；还可以用视觉对象的运动来表达情绪，运动慢的表示平静，运动快的表示兴奋等等。以听觉为例，舒缓的音乐可代表平静的情绪、节奏较快的音乐可代表兴奋的情绪、节奏激烈的音乐可代表焦虑的情绪。另一种可能的实现方式，终端从服务器不仅获取了群体情绪，还获得了群体预测值，于是可以在终端上显示群体预测值。其中，群体情绪的变化可以驱动感官信息和预测值的变化，在终端上，可以展示感官信息和/或预测值。通过结合视觉、听觉、色调、运动对象等多种方式，可以更好地展示群体情绪的变化。
所述第一个体情绪检测模块63，用于检测个体的情绪类型以及情绪强度；其中，所述第一个体情绪检测模块63包括摄像头、人脸识别器、压力传感器，以及其他传感器，所述第一个体情绪检测模块63可以检测个体的生理指标状态和/或面部表情。其中，所述第一个体情绪检测模块63还可以包括文本识别器、计算器，以及其他设备。所述第一个体情绪检测模块63可以通过检测个体的输入内容和/或输入速度，获取个体的情绪类型以及情绪强度。
所述第一预测值输入模块64，用于接收个体输入的预测事件的预测值；其中，所述第一预测值输入模块64可以为手机屏幕、电脑键盘、鼠标，以及其他输入设备，所述第一预测值输入模块64用于接收个体输入的预测事件的预测值，所述预测值可以通过文本输入、图片输入、语音输入等方式进行输入。
在本发明实施中，提供了一种基于群体情绪的预测系统，所述预测系统包括服务器以及与所述服务器连接的至少一个第一终端，通过获取个体的情绪类型及情绪强度；根据所述情绪类型及情绪强度，确定所述个体所属的群体模型；获取所述群体模型的全部个体对预测事件的预测值；根据所述全部个体对预测事件的预测值、情绪类型以及情绪强度，确定所述群体模型对预测事件的预测值。通过上述方式，本发明实施例能够基于群体情绪，提高对预测事件的预测准确率。
实施例5
请参阅图7，图7是本发明实施例提供的第二种应用环境的示意图；
如图7所示，多个终端通过网络进行连接。在本发明实施例中，不设置独立的服务器，而是把服务器与终端设置在一起，终端之间通过网络(例如：局域网、互联网、广域网)进行通信连接，终端之间可以互相收发数据。
请参阅图8，图8是本发明实施例提供的一种终端的结构示意图；
如图8所示，该终端80包括：第二处理器81、第二存储器82、第二展示模块83、通信模块84、第二个体情绪检测模块85、第二预测值输入模块86以及第二实际值获取模块87。所述第二处理器81、第二存储器82、第二展示模块83、通信模块84、第二个体情绪检测模块85、第二预测值输入模块86以及第二实际值获取模块87通过总线连接或者其他方式连接，图8中以通过总线连接为例。
第二存储器82作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本发明实施例中的一种基于群体情绪的预测方法对应的单元(例如，图3所述的各个单元)。第二处理器81通过运行存储在第二存储器82中的非易失性软件程序、指令以及模块，从而执行基于群体情绪的预测方法的各种功能应用以及数据处理，即实现上述方法实施例基于群体情绪的预测方法以及上述装置实施例的各个模块和单元的功能。
第二存储器82可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，第二存储器82可选包括相对于处理器51远程设置的存储器，这些远程存储器可以通过网络连接至第二处理器81。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述模块存储在所述第二存储器82中，当被所述一个或者多个第二处理器81执行时，执行上述任意方法实施例中的基于群体情绪的预测方法，例如，执行以上描述的图1或图2所示的各个步骤；也可实现图3所述的各个模块或单元的功能。
其中，所述第二展示模块83包括：群体情绪展示单元831以及群体预测值展示单元832；所述群体情绪展示单元831用于展示所述群体模型的群体情绪，所述群体预测值展示单元832用于展示群体模型对预测事件的预测值。
其中，所述通信模块84，用于不同的终端80之间的通信。每一终端80均设置有通信模块84，每一通信模块84均包括一地址库，所述地址库保存有网络中所有的终端80的地址，例如：所有终端80的mac地址、ip地址，或者其他地址。通过所述地址库，本终端80可以与其他终端80进行数据通信，以tcp/ip通信为例，所述地址可以为ip地址和端口号。
其中，所述第二个体情绪检测模块85，用于检测个体的情绪类型以及情绪强度；其中，所述第二个体情绪检测模块85包括摄像头、人脸识别器、压力传感器，以及其他传感器，所述第二个体情绪检测模块85可以检测个体的生理指标状态和/或面部表情。其中，所述第二个体情绪检测模块85还可以包括文本识别器、计算器，以及其他设备。所述第二个体情绪检测模块85可以通过检测个体的输入内容和/或输入速度，获取个体的情绪类型以及情绪强度。
其中，所述第二预测值输入模块86，用于接收个体输入的预测事件的预测值。其中，所述第二预测值输入模块86可以为手机屏幕、电脑键盘、鼠标，以及其他输入设备，所述第二预测值输入模块86用于接收个体输入的预测事件的预测值，所述预测值可以通过文本输入、图片输入、语音输入等方式进行输入。
其中，所述第二实际值获取模块87，用于计算或获取预测事件成为事实后的结果。以股票交易为例，实际值就是交易的结果，是否赚到钱了。以电影节为例，颁奖晚会上公开了张三获得最佳男主角的信息，实际值就是张三。所述第二实际值获取模块87可以为外部系统的接口，通过外部系统获取实际值，例如：通过某网站获取股票交易的结果，以及等等。
请参阅图9，图9是本发明实施例提供的一种第二展示模块的结构示意图；
如图9所示，该第二展示模块83包括：群体情绪展示单元831以及群体预测值展示单元832；所述群体情绪展示单元831用于展示所述群体模型的群体情绪，例如：群体情绪的情绪类型以及情绪类型对应的情绪强度，比如：(情绪类型，情绪强度)＝(兴奋，8.3)，(情绪类型，情绪强度)＝(喜悦，5.5)，(情绪类型，情绪强度)＝(平静，0)，所述群体情绪展示单元831还可以用于展示所述群体模型的群体预测准确率，所述群体预测准确率为所述群体模型的所有个体的历史预测准确率的平均值，例如：预测准确率为88％，所述群体情绪展示单元831还可以用于展示所述群体模型的人数比例，即所述群体模型占总人数的比例，例如：占总人数比例为30％，以及等等。所述群体预测值展示单元832用于展示群体模型对预测事件的预测值，例如：张三是最佳男主角，以及其他预测值。
其中，所述第二展示模块83还可以包括奖励展示单元，所述奖励展示单元用于对预测值与实际值相同的个体进行展示。还可以展示奖励的奖品，例如：积分奖品、数字货币奖品，以及等等。
其中，所述第二展示模块83还可以通过采用人的感官能感受到的方式展示群体情绪。所述展示方式包括有多种方式，例如：视觉、听觉都可以用于展示群体情绪。以视觉为例，现有技术有这方面的研究，在终端上显示的视觉对象(文字、图标、图形等控件)，可以用冷色调代表平静的情绪、用暖色调代表喜悦的情绪、用红色调代表焦虑的情绪等；还可以用视觉对象的运动来表达情绪，运动慢的表示平静，运动快的表示兴奋等等。以听觉为例，舒缓的音乐可代表平静的情绪、节奏较快的音乐可代表兴奋的情绪、节奏激烈的音乐可代表焦虑的情绪。另一种可能的实现方式，终端从服务器不仅获取了群体情绪，还获得了群体预测值，于是可以在终端上显示群体预测值。其中，群体情绪的变化可以驱动感官信息和预测值的变化，在终端上，可以展示感官信息和/或预测值。通过结合视觉、听觉、色调、运动对象等多种方式，可以更好地展示群体情绪的变化。
本发明实施例的终端80以多种形式存在，在执行以上描述的图1或图2所示的各个步骤；也可实现图3所述的各个单元的功能时，上述终端80包括但不限于：
(1)移动通信设备：这类设备的特点是具备移动通信功能，并且以提供话音、数据通信为主要目标。这类电子设备包括:智能手机(例如iphone)、多媒体手机、功能性手机，以及低端手机等。
(2)移动个人计算机设备:这类设备属于个人计算机的范畴，有计算和处理功能，一般也具备移动上网特性。这类电子设备包括：pda、mid和umpc设备等，例如ipad。
(3)便携式娱乐设备：这类设备可以显示和播放视频内容，一般也具备移动上网特性。该类设备包括：视频播放器，掌上游戏机，以及智能玩具和便携式车载导航设备。
(4)其他具有视频播放功能和上网功能的电子设备。
本发明实施例还提供了一种非易失性计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行，例如图5中的一个第一处理器51，可使得上述一个或多个第一处理器可执行上述任意方法实施例中的基于群体情绪的预测方法，例如，执行上述任意方法实施例中的基于群体情绪的预测方法，例如，执行以上描述的图1或图2所示的各个步骤；也可实现图3所述的各个单元的功能。
在本发明实施例中，通过提供一种终端，所述终端包括：第二处理器、第二存储器、第二个体情绪检测模块、第二预测值输入模块、通信模块、第二实际值获取模块以及展示模块，通过终端之间的通信，本发明实施例能够提供一种去中心化的预测系统，通过终端之间获取个体的情绪类型及情绪强度；根据所述情绪类型及情绪强度，确定所述个体所属的群体模型；获取所述群体模型的全部个体对预测事件的预测值；根据所述全部个体对预测事件的预测值、情绪类型以及情绪强度，确定所述群体模型对预测事件的预测值。通过上述方式，本发明实施例能够基于群体情绪，提高对预测事件的预测准确率。
以上所描述的装置或设备实施例仅仅是示意性的，其中所述作为分离部件说明的单元模块可以是或者也可以不是物理上分开的，作为模块单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络模块单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用直至得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明，它们没有在细节中提供；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。