获取用户产生的与待预测商品相关的行为数据；
[0066]例如，基于位置的服务挖掘部件负责挖掘用户通过基于位置的服务对待预测房产所在小区进行的相关行为，包括但不仅限于:查询、定位及以该小区为起止点的路线规划；
[0067]S223:网络社区数据挖掘部件通过网络社区获取用户产生的与待预测商品相关的行为数据；
[0068]例如，网络社区数据挖掘部件，负责挖掘用户在网络社区(包括但不仅限于:百度贝占吧、天涯、各大房产交易论坛等)中进行与待预测房产所在小区相关帖子的行为，包括但不仅限于:发布、回复及点击。
[0069]S224:社交数据挖掘部件通过社交网络获取用户产生的与待预测商品相关的行为数据；
[0070]例如，社交数据挖掘部件具体是指微博数据挖掘部件，负责挖掘用户在微博中进行与待预测房产所在小区相关微博的行为，包括但不仅限于:发布、回复、点赞及转发。
[0071]S225:输入法数据挖掘部件通过输入法获取用户产生的与待预测商品相关的行为数据；
[0072]例如，输入法数据挖掘部件，负责挖掘用户通过输入法键入待预测房产所在小区的次数及频率，包括但不仅限于来自移动端及pc端的输入。
[0073]S226:浏览器数据挖掘部件通过浏览器获取用户产生的与待预测商品相关的行为数据。
[0074]例如，浏览器数据挖掘部件负责挖掘用户通过浏览器浏览的包含与待预测房产所在小区相关网页的次数及频率，包括但不仅限于来自移动端及pc端的浏览。
[0075]S23:宏观调控挖掘模块获取与待预测房产相关的宏观数据。
[0076]通过从宏观的角度切入，可以捕捉整体或突发的趋势变化，从而提高预测精度。
[0077]例如，搜索热词表及搜索量获取模块，用于获取与待预测房产相关的关键词的检索量。
[0078]待预测房产相关的关键词包括但不限于:
[0079]对“房子”、“房价”、“出售房”、“二手房”等与房屋相关的关键词；
[0080]对“上海房价”、“浦东房价”等涉及某块地域的与房屋相关的关键词；
[0081]对“上海公积金贷款额度调整”等涉及房屋价格的国家或地方政策的检索量会对相应城市的房价造成促进或抑制的作用。
[0082]S21-S23无时序限制关系。
[0083]S24:历史信息垂直预测模块对所述历史价格数据进行垂直预测，得到垂直预测数据。
[0084]垂直预测是指根据历史价格数据预测未来相应时间段的价格，例如，根据2014年10-12月的价格数据预测2015年10-12月的价格数据。
[0085]垂直预测所使用的算法及公式包括但不限于以下方法:Elman局部反馈神经网络、传统机器学习回归类算法及百度大数据垂直预测平台。
[0086]S25:大数据兴趣分析模块根据所述垂直预测数据、所述用户兴趣数据和所述宏观数据进行分析，得到待预测房产的预测价格。
[0087]大数据兴趣分析模块，本模块主要负责分析由挖掘模块所整理出的待预测小区的兴趣数据，包括六个维度下的数据:搜索量、LBS搜索数、LBS定位次数、LBS路线规划次数、网络社区发帖数、网络社区回复数、网络社区点击数、微博发布数、微博转发数、微博回复数、微博点赞数、输入法键入次数及浏览器浏览相关网页次数，以上的数据均包含来自PC端及移动端的数据，并由分析模块统计总量、变化量及变化率。
[0088]随后将之前所得数据的所有数据作为输入，包括兴趣数据、宏观数据及垂直预测数据，都作为能引起房价变化的因素并将之予以分析，所使用的分析算法包括但不限于:传统机器学习回归类算法、径向基神经网络、自竞争神经网络及其余神经网络类算法。
[0089]经过上述处理，参见图3，给出了一些小区的房产的真实值与预测值的比较示意图。从图3可以看出，预测准确度比较高。
[0090]在具体使用时，该方法可以应用到待预测商品相关的产品中，例如，参见图4，应用到房产信息频道，当用户查询房产信息时，会给出相关的房产价格数据41，该房产价格数据不仅包括历史价格还包括预测价格。或者，
[0091]该方法可以应用到专门用于预测信息的预测平台，例如，参见图5，预测开放平台可以用于不同信息的预测，其中，可以新增房产预测模块51。
[0092]本实施例中，通过获取待预测商品的相关的数据，该相关的数据不局限在一种维度上，从而可以在预测时考虑更多的因素，提高预测准确度。在获取各种维度的数据时，可以通过多种途径，可以进一步提高预测准确度。
[0093]图6是本发明另一实施例提出的预测商品价格的装置的结构示意图，该装置60包括:获取模块61、预测模块62和展示模块63。
[0094]获取模块61，用于获取与待预测商品相关的数据，所述数据包括如下项中的一项或多项:待预测商品的相关商品的历史价格数据、与待预测商品相关的用户兴趣数据、与待预测商品相关的宏观数据；
[0095]本发明实施例中，以房产预测为例，可以理解的是，本发明的预测方法也可以应用到其他商品的预测。
[0096]本发明实施例中，以与待预测房产相关的数据包括如下三项为例，可以理解的是，也可以根据实际需要调整选择如下项中的一项或多项:
[0097]待预测房产的相关房产的历史价格数据，与待预测房产相关的用户兴趣数据，与待预测房产相关的宏观数据。
[0098]其中，上述各项数据可以通过多种途径获取，例如:
[0099]参见图7，所述获取模块61包括:用于获取历史价格数据的第一单元611，所述第一单元具体用于执行如下项中的一项或多项:
[0100]从所述待预测商品的售卖网站获取所述相关商品的历史出售价格；
[0101]从所述待预测商品的交易平台网站获取所述相关商品的历史成交价格；
[0102]从线下获取所述相关商品的历史价格。
[0103]第一单元对应方法实施例中的房产数据采集模块，具体内容可以参见相关描述。
[0104]参见图7，所述获取模块61包括:用于获取用户兴趣数据的第二单元612，所述第二单元具体用于执行如下项中的一项或多项:
[0105]通过搜索引擎获取用户产生的与待预测商品相关的行为数据；
[0106]通过基于位置的服务获取用户产生的与待预测商品相关的行为数据；
[0107]通过网络社区获取用户产生的与待预测商品相关的行为数据；
[0108]通过社交网络获取用户产生的与待预测商品相关的行为数据；
[0109]通过输入法获取用户产生的与待预测商品相关的行为数据；
[0110]通过浏览器获取用户产生的与待预测商品相关的行为数据。
[0111]第二单元对应方法实施例中的大数据兴趣挖掘模块，具体内容可以参见相关描述。
[0112]参见图7，所述获取模块61包括:用于获取宏观数据的第三单元613，所述第三单元具体用于:
[0113]获取与待预测商品相关的关键词的检索量。
[0114]所述与待预测商品相关的关键词包括如下项中的一项或多项:
[0115]与待预测商品所属类别相关的关键词；
[0116]与特定区域的待预测商品所属类别相关的关键词；
[0117]与待预测商品相关的国家政策或地区政策的关键词。
[0118]第三单元对应方法实施例中的宏观调控挖掘模块，具体内容可以参见相关描述。
[0119]预测模块62，用于根据所述数据进行分析，得到待预测商品的预测价格；
[0120]当所述数据包括:所述历史价格数据、所述用户兴趣数据和所述宏观数据时，所述预测模块具体用于:
[0121]对所述历史价格数据进行垂直预测，得到垂直预测数据；
[0122]根据所述垂直预测数据、所述用户兴趣数据和所述宏观数据进行分析，得到待预测商品的预测价格。
[0123]垂直预测是指根据历史价格数据预测未来相应时间段的价格，例如，根据2014年10-12月的价格数据预测2015年10-12月的价格数据。
[0124]垂直预测所使用的算法及公式包括但不限于以下方法:Elman局部反馈神经网络、传统机器学习回归类算法及百度大数据垂直预测平台。
[0125]随后将之前所得数据的所有数据作为输入，包括兴趣数据、宏观数据及垂直预测数据，都作为能引起房价变化的因素并将之予以分析，所使用的分析算