[发明专利]基于无监督学习的实时运行数据处理方法、装置、设备

说明书

本申请涉及人工智能领域，尤其是一种基于无监督学习的实时运行数据处理方法、装置、设备。该方法包括：获取实时运行数据，根据实时运行数据计算对应时刻的每个预设指标类型对应的当前指标值；根据当前周期获取对应每个预设指标类型的历史数据；将当前指标值和历史数据按照时间进行排序，得到当前周期对应的初始指标值；通过预先训练得到的滤波模型，对每一预设指标对应的初始指标值进行滤波处理得到待处理数据；滤波模型是通过无监督学习训练得到的；将各预设指标对应的待处理数据进行合成得到综合数据；对综合数据进行平滑处理得到目标数据。采用本方法能够提高准确性且节省人力。此外，本申请还涉及区块链技术，目标数据可存储于区块链节点中。

技术领域

本申请涉及人工智能技术领域，特别是涉及一种基于无监督学习的实时运行数据处理方法、装置、设备。

背景技术

市场情绪的正确判断是投资交易的重要步骤。目前市场情绪的判断一方面可以通过直接调查参与市场的投资者，来统计投资者对市场长势的态度，从而获取市场悲观或者乐观情绪指标。但是通过调查问卷的方式时间成本较高，且周期偏长，无法做到实时跟踪短期的市场情绪。

另一方面还可以采用基于深度学习的情感分析算法，例如对特定的网页上的文本进行爬取，然后将文本表示为向量矩阵的形式，输入到深度神经网络中根据训练数据对网络进行训练。但是深度神经网络的准确率依赖于大规模、高质量的标注数据，随着舆情数据的不断增加需要大量的人力来标注训练集，费时费力。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高准确性且节省人力的基于无监督学习的实时运行数据处理方法、装置、设备。

一种基于无监督学习的实时运行数据处理方法，所述方法包括：

获取实时运行数据，并根据实时运行数据计算对应时刻的每个预设指标类型对应的当前指标值；

根据所述当前周期获取对应每个预设指标类型的历史数据；

将对应的所述预设指标类型的所述当前指标值和所述历史数据按照时间进行排序，得到所述当前周期对应的初始指标值；

通过预先训练得到的滤波模型，对每一所述预设指标对应的初始指标值进行滤波处理以得到待处理数据；所述滤波模型是通过无监督学习训练得到的；

将各所述预设指标对应的所述待处理数据进行合成得到综合数据；

对所述综合数据进行平滑处理得到目标数据。

在其中一个实施例中，所述综合数据包括时间序列以及对应时间序列上的时刻的观测指标值；所述对所述综合数据进行平滑处理得到目标数据，包括：

获取初始观测指标值作为前一时刻对应的前一估计值，并指定所述前一估计值对应的前一估计精度；

根据所述前一估计值计算得到当前时刻对应的当前预测值，并根据所述前一估计精度计算得到当前预测精度；

根据所述当前预测精度计算得到增益系数，获取当前时刻对应的观测指标值，根据所述增益系数、所述当前时刻对应的观测指标值、所述前一估计值以及所述当前预测值计算得到当前估计值；

根据所述增益系数以及所述当前预测精度得到当前估计精度；

将所述当前估计值作为前一估计值，所述当前估计精度作为前一估计精度，并继续根据所述前一估计值计算得到当前时刻对应的当前预测值，并根据所述前一估计精度计算得到当前预测精度，直至所述综合数据处理完成时，输出所得到的每个时刻上的估计值作为目标数据。

在其中一个实施例中，所述通过预先训练得到的滤波模型，对每一所述预设指标对应的初始指标值进行滤波处理以得到待处理数据包括：

获取各个所述预设指标类型对应的滤波模型；