[發明專利]一種高維數據協同變化幅度識別方法及裝置

有效

• 申請號: 202011592277.X
• 申請日: 2020-12-29
• 公開（公告）號: CN112685509B
• 公開（公告）日: 2022-08-02
• 發明（設計）人: 不公告發明人
• 申請（專利權）人: 通聯數據股份公司
• 主分類號: G06F16/28
• 分類號: G06F16/28;G06F16/26;G06F16/2458
• 代理公司: 北京三友知識產權代理有限公司 11127
• 代理人: 許曼;賈磊

1.一種高維數據協同變化幅度識別方法，其特征在于，包括：

對高維數據樣本進行預處理，得到數據矩陣X，其中，預處理包括：對齊高維數據的頻率及填補高維數據的缺失值；對齊高維數據的頻率包括：按照高維數據中各變量數據的發布時間在日歷時間上作對齊處理；

利用抽樣周期T₀對數據矩陣X進行抽樣處理，得到多個子數據矩陣X_i；

根據所有子數據矩陣X_i，計算所述數據矩陣X的協方差矩陣估計V；

對所述協方差矩陣估計V進行特征分解，將最大特征值對應的特征向量作為特征向量V_x；

將數據矩陣X在特征向量V_x方向進行投影，得到高維數據協同變化幅度；

其中，根據所有子數據矩陣X_i，計算所述數據矩陣X的協方差矩陣估計V，包括：利用Newey-West協方差矩陣調整方法，估計各子數據矩陣X_i的協方差矩陣V_i；對各子數據矩陣X_i的協方差矩陣V_i進行加權平均處理，將計算得到的平均值作為所述數據矩陣X的協方差矩陣估計V。

2.如權利要求1所述的方法，其特征在于，填補所述高維數據的缺失值，包括：利用如下公式填補所述高維數據的缺失值：

E[D_t,j]= D_t-k,j，

其中，D_t-k,j為高維數據中j變量在采樣時間t之前最近的數據記錄，E[D_t,j]為高維數據中j變量在采樣時間t的填充值，t-k為最近的數據記錄的采樣時間。

3.如權利要求1所述的方法，其特征在于，還包括：

對所述高維數據協同變化幅度按抽樣周期T₀進行抽樣，得到高維數據協同變化幅度序列；

對所述高維數據協同變化幅度序列做累加處理，得到所述高維數據協同變化幅度的累計變化指數。

4.如權利要求3所述的方法，其特征在于，對所述高維數據協同變化幅度按抽樣周期T₀進行抽樣，得到高維數據協同變化幅度序列，包括利用如下公式計算高維數據協同變化幅度序列中每一協同變化幅度：

；

其中，為高維數據每個抽樣周期T₀抽樣的協同變化幅度，為高維數據中第j個協同變化幅度，為預定時間段，為對向下取整，i為重新抽樣后序列的日期索引。

5.如權利要求3所述的方法，其特征在于，還包括：根據所述高維數據協同變化幅度的累計變化指數及上一年同期的累計變化指數，計算得到所述高維數據周期波動的同比變化量。

6.一種高維數據協同變化幅度識別裝置，其特征在于，包括：

預處理模塊，用于對高維數據樣本進行預處理，得到數據矩陣X，其中，預處理包括：對齊高維數據的頻率及填補高維數據的缺失值；對齊高維數據的頻率包括：按照高維數據中各變量數據的發布時間在日歷時間上作對齊處理；

抽樣模塊，用于利用抽樣周期T₀對數據矩陣X進行抽樣處理，得到多個子數據矩陣X_i；

計算模塊，用于根據所有子數據矩陣X_i，計算所述數據矩陣X的協方差矩陣估計V；

分解模塊，用于對所述協方差矩陣估計V進行特征分解，將最大特征值對應的特征向量作為特征向量V_x；

投影模塊，用于將數據矩陣X在特征向量V_x方向進行投影，得到高維數據協同變化幅度；

其中，根據所有子數據矩陣X_i，計算所述數據矩陣X的協方差矩陣估計V，包括：利用Newey-West協方差矩陣調整方法，估計各子數據矩陣X_i的協方差矩陣V_i；對各子數據矩陣X_i的協方差矩陣V_i進行加權平均處理，將計算得到的平均值作為所述數據矩陣X的協方差矩陣估計V。