预测装置及方法
【专利摘要】一种预测装置包括一收集模块、一关联度计算模块、一过滤模块及一分析模块。该收集模块用于接收不同数据类型的预期数据。该关联度计算模块用于根据用户的关联系数及预期数据的设定值计算出该预期数据的关联值。当关联值小于一预设值时，该过滤模块对该预期数据进行过滤操作；当关联值不小于该预设值时，该过滤模块将该预期数据存储为一关联数据。该分析模块用于对过滤后得到的关联数据进行分析，以得到对应一数据类型的预测数据。本发明还提供了一种预测的方法。本发明预测装置及方法通过判断预期数据的关联值是否低于该预设值；当该预期数据的关联值低于该预设值时，则将该预期数据过滤掉，减少后续分析中的噪音，如此可提高预测的准确度。
【专利说明】
预测装置及方法
技术领域
[0001 ]本发明涉及一种数据处理技术，特别涉及一种预测装置及方法。
【背景技术】
[0002]在日常生活中，人们会遇到需要预测未来发展趋势的情景，例如，需要预测商品价格。现有技术中，预测所涉及到的原始基本数据通常与预测结果的关联程度大小不一，不直接相关的数据会增加预测过程的噪声，不利于得到准确的预测结果。如何获得与预测结果直接相关的原始数据是目前的难点。
【发明内容】
[0003]鉴于以上内容，有必要提供一种可提高预测的准确度的预测装置及方法。
[0004]—种预测装置，包括:一数据收集模块，用于接收用户输入的对应于不同数据类型的预期数据；一数据关联度计算模块，用于设定该预期数据的设定值，该数据关联度计算模块还用于根据用户的关联系数及对应于输入的预期数据的设定值计算出该预期数据的关联值；一数据过滤模块，用于根据预期数据的关联值判断是否对该预期数据进行过滤操作；当该预期数据的关联值小于一预设值时，该数据过滤模块对该预期数据进行过滤操作；当该预期数据的关联不小于该预设值时，该数据过滤模块将该预期数据存储为一关联数据;及一数据分析模块，用于对过滤后得到的一个或多个关联数据进行分析，以输出对应该数据类型的预测数据。
[0005]—种预测方法，包括:
接收用户输入的对应于不同数据类型的预期数据；
设定该预期数据的设定值；
根据用户的关联系数及对应输入的预期数据的设定值计算出该预期数据的关联值； 根据预期数据的关联值判断是否对该预期数据进行过滤操作；
当该预期数据的关联值小于一预设值时，对该预期数据进行过滤操作；
当该预期数据的关联不小于该预设值时，将该预期数据存储为一关联数据;及用于对过滤后得到的一个或多个关联数据进行分析，以输出对应该数据类型的预测数据。
[0006]上述预测装置及方法通过对用户输入的对应于不同数据类型的预期数据的设定值进行计算，以判断预期数据的关联值是否低于该预设值；当该预期数据的关联值低于该预设值时，则将该预期数据过滤掉，减少后续分析中的噪音，如此可提高预测的准确度。
【附图说明】
[0007]图1为本发明预测装置的较佳实施方式的方框图。
[0008]图2是本发明预测方法的较佳实施方式的流程图。
[0009]图3是图2中步骤SlOO的较佳实施方式的流程图。
[0010]图4是图2中步骤S200的较佳实施方式的流程图。
[0011]图5是图4中步骤S202的第一较佳实施方式的流程图。
[0012]图6是图4中步骤S202的第二较佳实施方式的流程图。
[0013]图7是图4中步骤S202的第三较佳实施方式的流程图。
[0014]图8是图4中步骤S202的第四较佳实施方式的流程图。
[0015]图9是图4中步骤S204的第一较佳实施方式的流程图。
[0016]图10是图4中步骤S204的第二较佳实施方式的流程图。
[0017]图11是图2中步骤S300的较佳实施方式的流程图。
[0018]主要元件符号说明预测装置90 数据收集模块10 数据类别判定模块20 数据关联度计算模块30 数据过滤模块40 数据分析模块50
如下【具体实施方式】将结合上述附图进一步说明本发明。
【具体实施方式】
[0019]请参阅图1，本发明预测装置90的较佳实施方式包括一数据收集模块10、一数据类别判定模块20、一数据关联度计算模块30、一数据过滤模块40及一数据分析模块50。本实施方式中，该预测装置90可用于对食品价格、股票价格及/或房地产价格等在未来某一时间的价格进行预测。在其他实施方式中，该预测装置90亦可应用于其它行为趋势的预测。
[0020]本实施方式中，该数据收集模块10用于接收用户输入或提交的对应于不同数据类型的预期数据。该数据类型可包括但不限于用户对食品(如猪肉)、股票、房地产等类型，一个用户可对数据类型所对应的食品(如猪肉)、股票、房地产中的一种或多种进行预测。该预期数据包括用户对一数据类型进行预演操作、预想或预估中至少一种操作所产生或输入的数据。
[0021]当用户对猪肉价格进行预测时，用户需要输入预期数据所包含的预期标的、预期地点、预期时间及预期操作值等属性值的信息。如某猪肉商贩A预计将自己商铺明天的猪肉价格定在15元/斤，此数据只是他的一个预期操作值。此时，该预期时间的属性值(用户预期实际执行的时间)为明天，预期操作值的属性值为15元/斤。该预期标的的属性值为猪肉；该预期地点的属性值为自己的商铺。
[0022]当用户对股票价格进行预测时，用户需要输入预期数据所包含的预期标的、预期时间、预期操作值、操作类型(如买入或卖出)及操作数量等属性值的信息。如股民A准备明天以5元/股的价格购买A公司1000股的股票。此时，该预期时间的属性值为明天，预期操作值的属性值为5元/股，操作类型的属性值为买入，操作数量的属性值为1000股，预期标的的属性值为A公司的股票。
[0023]当用户对房地产价格进行预测时，用户需要输入预期数据所包含的预期时间、预期操作值、操作类型(如买入或卖出)及预期标的等属性值的信息。如用户A预计准备明天以10000元/平米的价格卖出B小区的C楼盘。此时，该预期时间的属性值为明天，预期操作值的属性值为10000元/平米，操作类型的属性值为卖出，预期标的的属性值为B小区的C楼盘。
[0024]该数据类型判定模块20用于根据用户输入的预期数据的属性值判定对应的数据类型。如当用户输入的属性值包括预期地点、预期时间、预期标的及预期操作值时，该数据类型判定模块20则判定用户欲对关于食品等实体物品的数据类型进行预测；当用户输入的预期数据的属性值包括预期标的、预期时间、预期操作值、操作类型(买入或卖出)及操作数量时，该数据类型判定模块20则判定用户欲对关于股票或期货等金融产品的数据类型进行预测；当用户输入的预期数据的属性值包括预期时间、预期操作值、操作类型(买入或卖出)及预期标的时，该数据类型判定模块20则判定用户欲对关于房地产的数据类型进行预测。在其他实施方式中，该数据类型判定模块20可根据预期数据中的预期标的来进行数据类型的判断，如当该预期标的属性值为猪肉，该数据类型判定模块20则判定用户欲对关于食品等实体物品的数据类型进行预测；当该预期标的属性值为A公司的股票，该数据类型判定模块20则判定用户用于欲对关于股票或期货等金融产品的数据类型进行预测；当该预期标的属性值为B小区的C楼盘，该数据类型判定模块20则判定用户欲对关于房地产的数据类型进行预测。在其他实施方式中，该数据类型判定模块20亦可省略。例如，当用户欲对某一数据类型进行预测时，装置可通过网页显示包含该数据类型的预期数据所对应的属性值的选项，如此当用户提交时，装置可自动识别数据类型。
[0025]本实施方式中，每一用户具有一关联系数，每一预期数据具有一设定值。该数据关联度计算模块30用于对用户的关联系数及预期数据的设定值进行设定。该数据关联度计算模块30可对用户的关联系数进行调整。本实施方式中，当用户为新注册时，该数据关联度计算模块30将该用户的关联系数设置为一预设关联系数。在其他实施方式中，用户提交预期数据时，该预期数据的设定值设置为一预设设定值的值。
[0026]该数据关联度计算模块30用于记录用户提交预期数据时的提交时间，还用于判断用户的提交时间与该预期数据中包含的预期时间之间的关系，如当用户的提交时间晚于该预期数据中包含的预期时间时，表示用户提交的预期数据不正确，如此，为避免影响后续数据分析的准确度，该数据关联度计算模块30将该预期数据的设定值设置为低于该预设设定值的值，如一第一设定值;当用户的提交时间不晚于该预期数据中包含的预期时间时，表示用户提交的预期数据有效，该数据关联并计算模块30将该预期数据的设定值设置为该预设设定值或高于该预设设定值的值。另外，为计算该用户的关联系数，当用户提交的提交时间晚于该预期数据中包含的预期时间时，用户输入的预期数据也会被保留，该数据关联度计算模块30则会降低该用户的关联系数。
[0027]该数据关联度计算模块30还用于比较用户提交的预期数据中的预期操作值与该用户提交该预期数据时该预期数据中包含的预期地点所对应的该预期标的的参考值之间的关系，其中该参考值可为提交预期数据时预期标的实际的价格，当该预期操作值与该参考值之间的差超过一预设范围时，该数据关联度计算模块30将该预期数据的设定值设置为低于该预设设定值的值；当该预期操作值与该参考值之间的差在该预设范围内时，该数据关联度计算模块30将该预期数据的设定值设置为该预设设定值或高于该预设设定值的值(即不小于该预设设定值)。例如，商贩A提供明日的猪肉价格为50元/斤(预期操作值)，而当地近期的猪肉价格为15元/斤(参考值)，该数据关联度计算模块30则判定该商贩提供的数据与实际相差过大，该数据关联度计算模块30将该预期数据的设定值设置为低于该预设设定值的值。
[0028]该数据关联度计算模块30还用于记录用户提交预期数据时登陆的IP地址。该数据关联度计算模块30还用于判断是否存在多个用户使用相同IP地址提交对应于相同数据类型的预期数据，当存在多个用户使用相同IP地址提交对应于相同数据类型的预期数据时，表明该用户输入的预期数据的可信度较差，该数据关联度计算模块30将通过该IP地址输入的预期数据所对应的设定值设置为低于该预设设定值的值;当不存在多个用户使用相同IP地址提交对应于相同的数据类型的预期数据时，该数据关联度计算模块30将该预期数据的设定值设置为或高于该预设设定值的值。在其他实施方式中，该数据关联度计算模块30亦可增加该用户的关联系数。
[0029]该数据关联度计算模块30还用于评估该用户的职业、个人征信、收入等个人信息与该用户输入的预设数据中预设标的之间的关系，当该用户的个人信息不符合该预设数据中预设标的时，该数据关联度计算模块30设置该预期数据的设定值低于该预设设定值的值；当该用户的个人信息符合该预设数据中预设标的时，该数据关联度计算模块30设置该预期数据的设定值为或高于该预设设定值的值。例如，商贩A提供预期数据为:预将明天的猪肉价格定为15元/斤，然而，该商贩实际上是一个珠宝商，并没有从事猪肉交易活动，该数据关联度计算模块30将该预期数据的设定值设定为低于该预设设定值。关于用户职业、收入等个人信息的采集方法，可以为人工实地调查等任何可获取或可执行的方法。
[0030]该数据关联度计算模块30还用于接收用户在预期时间到来时执行对应数据类型时实际操作的实际操作值。该数据关联度计算模块30还用于判断该预期时间对应的预期数据中的预期操作值是否与该用户实际操作时的实际操作值一致，当该预期时间对应的预期数据中的预期操作值预期数据与该用户实际操作时的实际操作值一致时，表明该用户的信用较高，该数据关联度计算模块30则提高该用户的关联系数，如增加该用户的关联系数的值，该关联系数作为计算下次该用户输入的预期数据的设定值及该预期数据的关联值的参数之一；当该预期时间对应的预期数据中的预期操作值预期操作值与该实际操作值不一致时，该数据关联度计算模块30则降低该用户的关联系数，该关联系数作为计算下次该用户输入的预期数据的设定值及该预期数据的关联值的参数之一。例如，商贩A昨日提供的预期数据显示欲将今日的猪肉价格定在15元/斤，而实际上今日该商贩将猪肉价格定在17元/斤，该关联度计算模块30则降低该商贩的关联系数，该关联系数作为计算下次该用户输入的预期数据的设定值及该预期数据的关联值的参数之一。关于实际操作值的采集方法，可以为人工实地调查等任何可获取的方法。
[0031]该数据关联度计算模块30还用于接收用户在该预期时间时执行对应数据类型中的操作类型。该数据关联度计算模块30还用于判断执行的操作类型是否与该预期时间对应数据类型中的操作类型一致；当执行的操作类型与该预期时间对应数据类型中的操作类型一致时，该数据关联度计算模块30则提高该用户的关联系数，该关联系数作为计算下次该用户输入的预期数据的设定值及该预期数据的关联值的参数之一；当该执行的操作类型与该预期时间对应数据类型中的操作类型不一致时，该数据关联度计算模块30则降低该用户的关联系数，该关联系数作为计算下次该用户输入的预期数据的设定值及该预期数据的关联值的参数之一。
[0032]该数据关联度计算模块30用于根据用户的关联系数及预期数据的设定值计算对应的预期数据的关联值。
[0033]该数据过滤模块40根据计算得到的关联值判断该预期数据的关联值是否低于一预设值；当该预期数据的关联值低于该预设值时，该数据过滤模块40过滤掉该预期数据;当该预期数据的关联值不低于该预设值时，该数据过滤模块40将该预期数据存储为一关联数据。
[0034]该数据分析模块50用于对该数据类型的所有关联数据或是结合已有的实际数据进行计算分析，以输出对应的该数据类型的预测数据(即预测价格)，并通过显示设备显示对应该数据类型的预测数据。本实施方式中，该数据分析模块50可通过神经网络算法、机器学习回归算法进行预测分析。如当收集多个类似数据后，筛选出关联数据并进行分析，最后计算出未来某个时期某个地区的CPI(consumer price index，消费物价指数)情况、计算出某股票在某个时刻的涨跌情况或/及算出某楼盘在某个时刻的涨跌情况。
[0035]请参阅图2，本发明预测方法的较佳实施方式包括如下步骤:
步骤S100，接收用户输入对应于不同数据类型的预期数据。本实施方式中，该数据类型可包括但不限于用户对食品(如猪肉)、股票、房地产等类型，一人用户可对食品(如猪肉)、股票、房地产等需输入的信息所对应的数据类型中的一种或多种进行预测。该预期数据包括用户对一数据类型进行预演操作、预想或预估所输入或提交的信息。
[0036]步骤S200，根据数据类型对输入的预期数据的关联值进行计算。
[0037]步骤S300，根据关联值计算的结果对预期数据进行过滤，以得到关联数据。
[0038]步骤S400，对过滤后得到的一个或多个关联数据进行分析，或是结合已有的实际数据进行计算分析，以输出对应的该数据类型的预测数据。
[0039]步骤S500，输出对应该数据类型的预测数据。
[0040]请参阅图3，步骤SlOO的较佳实施方式包括如下步骤:
步骤SlOl，接收用户输入的对应于一数据类型的预期时间。
[0041]步骤S103，接收用户输入的对应于该数据类型的预期操作值。
[0042]步骤S105，接收用户输入的对应于该数据类型的操作类型。
[0043]步骤S107，接收用户输入的对应于该数据类型的操作数量。
[0044]步骤S109，接收用户输入的对应于该数据类型的预期标的。
[0045]步骤Slll，接收用户输入的对应于该数据类型的预期地点。
[0046]步骤S113，根据数据类型将预期地点、预期时间、预期操作值预期数据、操作类型、操作数量、预期标的中的一个或多个属性值作为该数据类型的预期数据。本实施方式中，当用户输入的属性值包括预期时间、预期标的、预期地点及预期操作值预期数据时，判定用户欲对数据类型为食品的进行预测；当用户输入的属性值包括预期时间、预期操作值预期数据、预期标的、操作类型(买入或卖出)及操作数量时，判定用户欲对数据类型为股票的进行预测；当用户输入的属性值包括预期时间、预期操作值预期数据、操作类型(买入或卖出)及预期标的时，判定用户欲对数据类型为房地产的进行预测。本实施方式中，步骤S101-S113之间无时序限制关系。
[0047]请参阅图4，步骤S200的较佳实施方式包括如下步骤:
步骤S202，设定预期数据的设定值。
[0048]步骤S204，设定用户的关联系数。
[0049]请参阅图5，步骤S202的第一较佳实施方式包括如下步骤:
步骤S201，记录用户提交预期数据时的提交时间。
[0050]步骤S203，判断用户的提交时间是否早于该预期数据中的预期时间，当用户的提交时间不早于该预期数据的预期时间时，执行步骤S205;当用户的提交时间早于该预期数据的预期时间时，执行步骤S207。
[0051]步骤S205，设置该预期数据的设定值低于一预设设定值。
[0052]步骤S207，设置该预期数据的设定值为不低于该预设设定值。
[0053]请参阅图6，步骤S202的第二较佳实施方式包括如下步骤:
步骤S211，接收用户提交的预期数据时该预期数据中对应该预设标的参考值。
[0054]步骤S213，判断该预期操作值与该参考值之间的差是否在一预设范围内，当该预期操作值与该参考值之间的差不在该预设范围内时，执行步骤S215;当判断该预期操作值与该参考值之间的差在该预设范围内时，执行步骤S217。
[0055]步骤S215，设置该预期数据的设定值低于该预设设定值的值。
[0056]步骤S217，设置该预期数据的设定值为不低于该预设设定值的值。
[0057]请参阅图7，步骤S202的第三较佳实施方式的包括如下步骤:
步骤S221，记录用户提交预期数据时登陆的IP地址。
[0058]步骤S223，判断是否存在多个用户使用相同IP地址提交对应于相同数据类型的预期数据，当存在多个用户使用相同IP地址提交对应于相同数据类型的预期数据时，执行步骤S225;当不存在多个用户使用相同IP地址提交对应于相同数据类型的预期数据时，执行步骤S227。
[0059]步骤S225，设置该预期数据的设定值低于该预设设定值的值。
[0060]步骤S227，设置该预期数据的设定值为或者高于该预设设定值的值。
[0061 ]请参阅图8，步骤S202的第四较佳实施方式包括如下步骤:
步骤S231，记录用户职业、个人征信、收入等个人信息。
[0062]步骤S233，判断该预设数据中的预设标的是否符合该用户的个人信息，当该预设数据中的预设标的符合该用户的个人信息时，执行步骤S235;当该预设数据中的预设标的不符合该用户的个人信息时，执行步骤S237。
[0063]步骤S235，设置该预期数据的设定值为不低于该预设设定值的值。
[0064]步骤S237，设置该预期数据的设定值为低于该预设设定值的值。
[0065]请参阅图9，步骤S204的第一较佳实施方式包括如下步骤:
步骤S241，接收在预期时间时执行对应数据类型的实际操作值。
[0066]步骤S243，判断该预期时间对应的预期数据中的预期操作值是否与该用户实际操作的实际操作值一致，当该预期时间对应的预期数据中的预期操作值与该用户实际操作的实际操作值一致时，执行步骤S245;当该预期时间对应的预期数据中的预期操作值与该实际价格不一致时，执行步骤S247。
[0067]步骤S245，提高该用户的关联系数。
[0068]步骤S247，降低该用户的关联系数。
[0069]请参阅图10，步骤S204的第二较佳实施方式包括如下步骤: 步骤S251，接收用户在该预期时间时执行对应数据类型中的操作类型。
[0070]步骤S253，判断执行的操作类型是否与该预期时间对应数据类型中的操作类型一致;当执行的操作类型与该预期时间对应数据类型中的操作类型一致时，执行步骤S255;当该执行的操作类型与该预期时间对应数据类型中的操作类型不一致时，执行步骤S257。
[0071]步骤S255，提高该用户的关联系数。
[0072]步骤S257，降低该用户的关联系数。
[0073]请参阅图11，步骤S300的较佳实施方式包括:
步骤S301，根据用户的关联系数及预期数据的设定值计算对应的预期数据的关联值。
[0074]步骤S303，该预期数据的关联值是否低于一预设值，当该预期数据的关联值低于该预设值时，表示该预期数据可能为后续的分析加入噪音，执行步骤S305;当该预期数据的设定值不低于该预设值时，执行步骤S307。
[0075]步骤S305，过滤掉该预期数据。
[0076]步骤S307，将该预期数据存储为关联数据。
[0077]上述预测装置及方法通过对用户自己输入的对应于不同数据类型的预期数据的设定值进行计算，以判断预期数据的关联值是否低于该预设值；当该预期数据的关联值低于该预设值时，则将该预期数据过滤掉，减少后续分析中的噪音，如此可提高预测的准确度。
[0078]需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是指至少两个。
[0079]流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
[0080]应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行装置执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
[0081]本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
[0082]此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。[0083 ]上述提到的存储介质可以是只读存储器，磁盘或光盘等。
[0084] 尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
【主权项】
1.一种预测装置，包括:一数据收集模块，用于接收用户输入的对应于不同数据类型的预期数据；一数据关联度计算模块，用于设定该预期数据的设定值，该数据关联度计算模块还用于根据用户的关联系数及对应于输入的预期数据的设定值计算出该预期数据的关联值；一数据过滤模块，用于根据预期数据的关联值判断是否对该预期数据进行过滤操作；当该预期数据的关联值小于一预设值时，该数据过滤模块对该预期数据进行过滤操作；当该预期数据的关联不小于该预设值时，该数据过滤模块将该预期数据存储为一关联数据;及一数据分析模块，用于对过滤后得到的一个或多个关联数据进行分析，以输出对应该数据类型的预测数据。2.如权利要求1所述的预测装置，其特征在于:该数据过滤模块还用于将过滤后得到的一个或多个关联数据结合已有的实际数据进行计算分析，以得到对应的该数据类型的预测数据，该预期数据为用户对一数据类型未来某一时刻真实发生时的值进行预想、预估或预演中至少一种操作所产生的数据。3.如权利要求1所述的预测装置，其特征在于:该数据关联度计算模块还用于记录用户提交预期数据时的提交时间，该数据关联度计算模块判断用户的提交时间是否早于该预期数据所包含的预期时间；当用户的提交时间晚于该预期数据所包含的预期时间时，该数据关联度计算模块将该预期数据的设定值设置为低于一预设设定值的值;当用户的提交时间不晚于该预期数据的预期时间时，该数据关联度计算模块将该预期数据的设定值设置为不小于该预设设定值的值。4.如权利要求1所述的预测装置，其特征在于:该数据关联度计算模块还用于接收用户提交的预期数据所包含的预期操作值与该数据类型在提交时间时对应的参考值，该数据关联度计算模块还用于判断该预期操作值与该参考值之间的差是否在一预设范围内，当该预期操作值与该参考值之间的差不在该预设范围内时，该数据关联度计算模块将该预期数据的设定值设置为低于一预设设定值的值;当该预期操作值与该参考值之间的差在该预设范围内时，该数据关联度计算模块将该预期数据的设定值设置为不低于该预设设定值的值。5.如权利要求1所述的预测装置，其特征在于:该数据关联度计算模块还用于记录用户提交预期数据时登陆的IP地址，该数据关联度计算模块还用于判断是否存在多个用户使用相同IP地址提交对应于相同数据类型的预期数据，当存在多个用户使用相同IP地址提交对应于相同数据类型的预期数据时，该数据关联度计算模块将该预期数据的设定值设置为低于一预设设定值的值；当不存在多个用户使用相同IP地址提交对应于相同的数据类型的预期数据时，该数据关联度计算模块将该预期数据的设定值设置为不低于该预设设定值的值。6.如权利要求1所述的预测装置，其特征在于:该数据关联度计算模块还用于记录用户的个人信息，该数据关联度计算模块还用于判断该预设数据中的预设标的是否符合该用户的个人信息，当该预设数据中的预设标的不符合该用户的个人信息时，该数据关联度计算模块将该预期数据的设定值设置为低于一预设设定值的值；当该预设数据中的预设标的符合该用户的个人信息时，该数据关联度计算模块将该预期数据的设定值设置为不低于该预设设定值的值。7.如权利要求1所述的预测装置，其特征在于:该数据关联度计算模块还用于接收用户在预期时间时执行对应数据类型时的实际操作值，该数据关联度计算模块还用于判断该预期时间对应的预期数据所包含的预期操作值是否与该用户实际执行此操作时的实际操作值一致，当该预期时间对应的预期数据预期操作值与该用户实际操作值一致时，该数据关联度计算模块提高该用户的关联系数，该关联系数作为计算下次该用户输入的预期数据的设定值及该预期数据的关联值的参数之一；当该预期时间对应的预期数据预期操作值与该实际操作值不一致时，该数据关联度计算模块降低该用户的关联系数，该关联系数作为计算下次该用户输入的预期数据的设定值及该预期数据的关联值的参数之一。8.如权利要求1所述的预测装置，其特征在于:该数据关联度计算模块还用于接收用户在该预期时间执行对应数据类型时的操作类型，该数据关联度计算模块还用于判断执行的操作类型是否与该预期时间对应预期数据所包含的操作类型一致；当执行的操作类型与该预期时间对应预期数据所包含的操作类型一致时，该数据关联度计算模块提高该用户的关联系数，该关联系数作为计算下次该用户输入的预期数据的设定值及该预期数据的关联值的参数之一；当该执行的操作类型与该预期时间对应预期数据所包含的操作类型不一致时，该数据关联度计算模块降低该用户的关联系数，该关联系数作为计算下次该用户输入的预期数据的设定值及该预期数据的关联值的参数之一。9.如权利要求1至8中任意一项所述的预测装置，其特征在于:该预测装置还包括一数据类型判定模块，该数据类型判定模块根据用户输入预期数据的预期标的的属性值来判定对应的数据类型。10.如权利要求9所述的预测装置，其特征在于:该预期标的属性值为实体物品，该数据类型判定模块判定用户欲对关于实体物品的数据类型进行预测；当该预期标的属性值为金融产品时，该数据类型判定模块判定用户欲对关于金融产品的数据类型进行预测；当该预期标的属性值为房地产时，该数据类型判定模块判定用户欲对关于房地产的数据类型进行预测。11.如权利要求10所述的预测装置，其特征在于:该预期数据的操作类型包括买入或卖出。12.如权利要求1所述的预测装置，其特征在于:该数据收集模块、该数据关联度计算模块、该数据过滤模块及该分析模块所涉及到的实现方法包括计算机自动分析或人工分析或其它可执行的方法。13.—种预测方法，包括:接收用户输入的对应于不同数据类型的预期数据；设定该预期数据的设定值；根据用户的关联系数及对应输入的预期数据的设定值计算出该预期数据的关联值；根据预期数据的关联值判断是否对该预期数据进行过滤操作；当该预期数据的关联值小于一预设值时，对该预期数据进行过滤操作；当该预期数据的关联不小于该预设值时，将该预期数据存储为一关联数据;及用于对过滤后得到的一个或多个关联数据进行分析，以输出对应该数据类型的预测数据。14.如权利要求13所述的预测方法，该预期数据为用户对一数据类型未来某一时刻真实发生的值进行预想、预估或预演中至少一种操作所产生的数据，其特征在于:该方法还包括:将过滤后得到的一个或多个关联数据结合已有的实际数据进行计算分析，以得到对应的该数据类型的预测数据。15.如权利要求13所述的预测方法，其特征在于:该方法还包括:记录用户提交预期数据时的提交时间；判断用户的提交时间是否早于该预期数据所包含的预期时间；当用户的提交时间晚于该预期数据所包含的预期时间时，将该预期数据的设定值设置为低于一预设设定值的值；当用户的提交时间不晚于该预期数据的预期时间时，将该预期数据的设定值设置为不小于该预设设定值的值。16.如权利要求13所述的预测方法，其特征在于:该方法还包括:接收用户提交的预期数据中包含的预期操作值与该预期数据在提交时间时的参考值；判断该预期操作值与该参考值之间的差是否在一预设范围内；当该预期操作值与该参考值之间的差不在该预设范围内时，将该预期数据的设定值设置为低于一预设设定值的值；当该预期操作值与该参考值之间的差在该预设范围内时，将该预期数据的设定值设置为不低于该预设设定值的值。17.如权利要求13所述的预测方法，其特征在于:该方法还包括:记录用户提交预期数据时登陆的IP地址；判断是否存在多个用户使用相同IP地址提交对应于相同数据类型的预期数据；当存在多个用户使用相同IP地址提交对应于相同数据类型的预期数据时，将该预期数据的设定值设置为低于一预设设定值的值；当不存在多个用户使用相同IP地址提交对应于相同的数据类型的预期数据时，将该预期数据的设定值设置为不低于该预设设定值的值。18.如权利要求13所述的预测方法，其特征在于:该方法还包括；记录用户的个人信息；用于判断该预设数据中的预设标的是否符合该用户的个人信息；当该预设数据中的预设标的不符合该用户的个人信息时，将该预期数据的设定值设置为低于一预设设定值的值；当该预设数据中的预设标的符合该用户的个人信息时，该预期数据的设定值设置为不低于该预设设定值的值。19.如权利要求13所述的预测方法，其特征在于:该方法还包括:接收用户在预期时间时执行对应数据类型时的实际操作值；判断该预期时间对应的预期数据所包含的预期操作值是否与该用户实际执行此操作时的实际操作值一致；当该预期时间对应的预期数据中的预期操作值与该用户实际操作值一致时，提高该用户的关联系数，其中该关联系数作为计算下次该用户输入的预期数据的设定值及该预期数据的关联值的参数之一；当该预期时间对应的预期数据中的预期操作值与该实际操作值不一致时，降低该用户的关联系数，其中该关联系数作为计算下次该用户输入的预期数据的设定值及该预期数据的关联值的参数之一。20.如权利要求13所述的预测方法，其特征在于:该方法还包括:接收用户在该预期时间时执行对应数据类型中的操作类型；判断执行的操作类型是否与该预期时间对应数据类型所包含的操作类型一致；当执行的操作类型与该预期时间对应数据类型所包含的操作类型一致时，提高该用户的关联系数，其中该关联系数作为计算下次该用户输入的预期数据的设定值及该预期数据的关联值的参数之一；当该执行的操作类型与该预期时间对应数据类型所包含的操作类型不一致时，降低该用户的关联系数，其中该关联系数作为计算下次该用户输入的预期数据的设定值及该预期数据的关联值的参数之一。21.如权利要求13至20中任意一项所述的预测方法，其特征在于:该方法还包括:根据用户输入预期标的的属性值来判定对应的数据类型。
【文档编号】G06Q10/04GK105868376SQ201610199018
【公开日】2016年8月17日
【申请日】2016年4月1日
【发明人】杨文伍
【申请人】杨文伍