基于时间序列的相关性分析方法、装置、设备及介质与流程

1.本发明涉及大数据处理技术领域，属于智慧城市中对基于时间序列的数据进行相关性分析的应用场景，尤其涉及一种基于时间序列的相关性分析方法、装置、设备及介质。


背景技术：

2.金融数据随市场环境变化而对应变化，通常一项金融数据变化时，其它一项或多项金融数据也会随之产生关联变化，现有技术方法中通常是从一个方面对两项金融数据之间的关联性进行分析，得到相应分析结果，然而现有技术方法仅能够从单一方面进行关联性分析，无法准确、全方位地获取金融数据之间的关联性，导致对金融数据之间进行关联性分析的质量不高，影响了分析的准确性。因此，现有技术方法中对金融数据之间进行关联性分析时存在分析质量不高的问题。


技术实现要素：

3.本发明实施例提供了一种基于时间序列的相关性分析方法、装置、设备及介质，旨在解决现有技术方法中对金融数据之间进行关联性分析时所存在的分析质量不高的问题。
4.第一方面，本发明实施例提供了一种基于时间序列的相关性分析方法，方法包括：
5.若接收到用户输入的评估参数，从预置的基础数据库获取与所述评估参数对应的基于时间的序列化数据；
6.判断所述序列化数据是否符合预置的初始条件；
7.若所述序列化数据符合所述初始条件，根据预置的相关系数计算公式计算所述序列化数据中各项目之间的综合相关系数；
8.若所述序列化数据不符合所述初始条件，根据预置的拟合模型获取与所述序列化数据中各项目对应的拟合特征；
9.将所述拟合指数输入预置的滞后评估模型，以获取各项目之间的滞后系数；
10.根据所述滞后系数对所述序列化数据进行滞后关联分析，以得到所述序列化数据中各项目之间的滞后相关系数。
11.第二方面，本发明实施例提供了一种基于时间序列的相关性分析装置，其包括：
12.序列化数据获取单元，用于若接收到用户输入的评估参数，从预置的基础数据库获取与所述评估参数对应的基于时间的序列化数据；
13.初始条件判断单元，用于判断所述序列化数据是否符合预置的初始条件；
14.综合相关系数计算单元，用于若所述序列化数据符合所述初始条件，根据预置的相关系数计算公式计算所述序列化数据中各项目之间的综合相关系数；
15.拟合特征获取单元，用于若所述序列化数据不符合所述初始条件，根据预置的拟合模型获取与所述序列化数据中各项目对应的拟合特征；
16.滞后系数获取单元，用于将所述拟合指数输入预置的滞后评估模型，以获取各项目之间的滞后系数；
17.滞后相关系数计算单元，用于根据所述滞后系数对所述序列化数据进行滞后关联分析，以得到所述序列化数据中各项目之间的滞后相关系数。
18.第三方面，本发明实施例又提供了一种计算机设备，其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的基于时间序列的相关性分析方法。
19.第四方面，本发明实施例还提供了一种计算机可读存储介质，其中所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的基于时间序列的相关性分析方法。
20.本发明实施例提供了一种基于时间序列的相关性分析方法、装置、设备及介质。从基础数据库中获取与所输入的评估参数对应的基于时间的序列化数据，判断序列化数据是否符合初始条件，若符合则直接计算序列化数据中各项目之间的综合相关系数；若不符合则根据拟合模型获取对应的拟合特征，通过滞后评估模型对拟合特征进行分析以获取各项目之间的滞后系数，通过滞后系数对序列化数据进行滞后关联分析以获取滞后相关系数。通过上述方法，可对序列化数据进行判断，并根据判断结果进行分类分析，以采用相匹配的分析方法对不同类型的序列化数据进行分析并获取相应的相关系数，能够提高对金融数据之间进行关联性分析的准确性。
附图说明
21.为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
22.图1为本发明实施例提供的基于时间序列的相关性分析方法的流程示意图；
23.图2为本发明实施例提供的基于时间序列的相关性分析方法的子流程示意图；
24.图3为本发明实施例提供的基于时间序列的相关性分析方法的另一子流程示意图；
25.图4为本发明实施例提供的基于时间序列的相关性分析方法的又一子流程示意图；
26.图5为本发明实施例提供的基于时间序列的相关性分析方法的再一子流程示意图；
27.图6为本发明实施例提供的基于时间序列的相关性分析方法的后一子流程示意图；
28.图7为本发明实施例提供的基于时间序列的相关性分析方法的其后一子流程示意图；
29.图8为本发明实施例提供的基于时间序列的相关性分析装置的示意性框图；
30.图9为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
31.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。
32.应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
33.还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
34.还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
35.请参阅图1，图1为本发明实施例提供的基于时间序列的相关性分析方法的流程示意图；该基于时间序列的相关性分析方法应用于管理服务器或用户终端中，该基于时间序列的相关性分析方法通过安装于管理服务器或用户终端中的应用软件进行执行，管理服务器即是用于执行基于时间序列的相关性分析方法以对基于时间序列的数据进行相关性分析的服务器端，如企业或政府机构内配置的服务器端，用户终端即是用于执行基于时间序列的相关性分析方法以对基于时间序列的数据进行相关性分析的终端设备，如台式电脑、笔记本电脑、平板电脑或手机等。如图1所示，该方法包括步骤s110～s160。
36.s110、若接收到用户输入的评估参数，从预置的基础数据库获取与所述评估参数对应的基于时间的序列化数据。
37.若接收到用户输入的评估参数，从预置的基础数据库获取与所述评估参数对应的基于时间的序列化数据。管理服务器或用户终端可接收用户所输入的评估参数，具体的，评估参数即是用于对基础数据库中数据进行筛选的参数，基础数据库中存储有海量金融数据，则可通过评估参数从基础数据库中存储的海量金融数据中筛选出所需进行分析的数据，基础数据库中的海量金融数据以时间线为基准进行存储。
38.在一实施例中，如图2所示，步骤s110包括子步骤s111和s112。
39.s111、获取与所述评估参数的项目及时间段对应的基础数据。
40.评估参数中包括项目及时间段，项目也即是所需进行分析的具体金融项目，，时间段也即所需进行分析的数据的起始时间及终止时间，可根据评估参数所包含的项目从基础数据库中筛选出项目对应的数据值，并从相应项目对应的数据值中截取位于评估参数的时间段内的数据值作为对应的基础数据。评估参数中所包含的项目数量大于一个。
41.例如，评估参数中的项目为人民币-美元中间价、原油期货指数，时间段为2020年1月-2020年12月，则可从基础数据库中筛选出与人民币-美元中间价、原油期货指数两个项目对应且位于2020年1月-2020年12月内的数据值作为基础数据。
42.s112、根据所述评估参数的周期视角对所述基础数据进行周期性统计，得到对应的序列化数据。
43.评估参数中还包括周期视角，周期视角也即是对基础数据进行分析的最小时间单元，可根据周期视角对基础数据进行周期性统计，从而形成基于时间的序列化数据。具体的，从基础数据库获取的基础数据中，相邻数据值的时间间隔通常较短，如人民币-美元中间价这一项目中两个相邻数据值的时间间隔为10秒。为提高对基础数据进行相关性分析的
全面性，可通过周期视角对基础数据中各项目的数据值进行周期性统计，周期视角可以是天、周、月、季度等。
44.如周期视角为天，则可获取每一天中各项目的数据值并进行统计，从而得到各项目与每一天分别对应的统计值作为最终得到的序列化数据，则序列化数据中每一项目在周期视角中仅对应包含一个统计值，统计值可以是项目多个数据值在周期视角内的平均值或中位数。
45.s120、判断所述序列化数据是否符合预置的初始条件。
46.判断所述序列化数据是否符合预置的初始条件。可对获取的序列化数据是否符合初始条件进行判断，初始条件即是用于对序列化数据是否能够直接进行相关系数计算进行判断的条件，具体的，初始条件包括线性条件及单调性条件。
47.在一实施例中，如图3所示，步骤s120包括子步骤s121、s122、s123和s124。
48.s121、判断所述序列化数据中各项目的数据值是否均满足初始条件中的线性条件。
49.可对序列化数据中各项目的数据值是否满足线性条件进行判断，线性条件也即数据值在时间上为线性连续，若项目的数据值在某些时间点缺失，则表明该项目的数据值在时间上不连续，也即不满足线性条件；若项目的数据值在所有时间点均未缺失，则表明该项目的数据值在时间上是连续的，满足线性条件。通过上述方法可依次判断各项目的数据值是否均满足线性条件。
50.s122、若各所述项目的数据值均满足所述线性条件，判断各所述项目的数据值是否均满足单调性条件。
51.若序列化数据中各项目的数据值均满足线性条件，还可继续判断项目的数据值是否满足单调性条件，单调性条件也即数据值在时间上的变化趋势一致。
52.例如，具体判断方法可以是，获取某一数据值下游的多个数据值，并计算下游多个数据值的平均值，判断该数据值是否大于或小于平均值，得到第一判断结果；获取后续其它数据值与下游多个数据的平均值的对比结果，并判断对比结果是否与第一判断结果相同，若均与第一判断结果相同，则表明数据值在时间上的变化趋势一致，如变化趋势为单调递增或单调递减，得到项目的数据值满足单调性条件的判断结果；若不均与第一判断结相同，则得到项目的数据值不满足单调性条件的判断结果。
53.s123、若任一所述项目的数据值不满足所述线性条件或所述单调性条件，判定所述序列化数据不符合所述初始条件；s124、若各所述项目的数据值均满足所述单调性条件，判定所述序列化数据符合所述初始条件。
54.若任一项目的数据值不满足线性条件或单调性条件，则判定序列化数据不符合初始条件；若各项目的数据值均满足单调性条件，则判定初始化序列符合初始条件。
55.s130、若所述序列化数据符合所述初始条件，根据预置的相关系数计算公式计算所述序列化数据中各项目之间的综合相关系数。
56.若所述序列化数据符合所述初始条件，根据预置的相关系数计算公式计算所述序列化数据中各项目之间的综合相关系数。若序列化数据符合初始条件，则可直接通过相关系数计算公式对各项目之间的相关系数直接进行计算。
57.在一实施例中，如图4所示，步骤s130包括子步骤s131、s132、s133和s134。
58.s131、计算所述序列化数据中任意两个项目之间的线性相关系数；s132、计算所述序列化数据中任意两个项目之间的斯皮尔曼相关系数；s133、计算所述序列化数据中任意两个项目之间的肯德尔相关系数。
59.具体的，可首先计算任意两个项目之间的线性相关系数，线性相关系数也即是皮尔逊积矩相关系数(pearson product-moment correlation coefficient)，是用于度量两个变量x和y之间的相关(线性相关)。计算线性相关系数的具体过程可采用公式(1)进行表示：
[0060][0061]
其中，xi为第一个项目中的第i个数据值，yi为第二个项目中的第i个数据值，r
xy
为两个项目之间的线性相关系数。系数为1，表明项目之间正相关，系数为-1表明项目之间负相关，系数为0表明两个项目之间完全独立。
[0062]
之后可计算任意两个项目之间的斯皮尔曼相关系数，也称为斯皮尔曼等级相关系数(spearman's rank correlation coefficien)，适用于两列变量，而且具有等级变量性质具有线性关系的数据。计算斯皮尔曼相关系数的具体过程可采用公式(2)进行表示：
[0063][0064]
其中，n为等级个数，d为两个项目数据值之间的等级差数。
[0065]
还可计算任意两个项目之间的肯德尔相关系数，也称为肯德尔(kendall)秩相关系数，具体计算过程为，对于包含n个数据值的两个项目，每个项目对应一个属性，每一数据值作为一个统计对象，则对应包含n个统计对象，将所有统计对象按属性1取值排列，不失一般性，设此时属性2取值的排列是乱序的，设p为两个属性值排列大小关系一致的统计对象对数，则肯德尔相关系数的计算公式可采用公式(3)进行表示：
[0066][0067]
系数r为1，表明项目之间正相关，系数为-1表明项目之间负相关，系数为0表明两个项目之间完全独立。
[0068]
s134、根据相关系数计算公式对任意两个项目的线性相关系数、斯皮尔曼相关系数及肯德尔相关系数进行加权计算，得到各项目之间的综合相关系数。
[0069]
可根据相关系数计算公式对任意两个项目对应的线性相关系数、斯皮尔曼相关系数及肯德尔相关系数进行加权计算，具体的，相关系数计算公式中包含与各相关系数对应的加权值，可将加权值与对应相关系数相乘后累加，作为两个项目之间的综合相关系数。通过上述方法，即可计算得到各项目之间的综合相关系数。
[0070]
s140、若所述序列化数据不符合所述初始条件，根据预置的拟合模型获取与所述序列化数据中各项目对应的拟合特征。
[0071]
若所述序列化数据不符合所述初始条件，根据预置的拟合模型获取与所述序列化数据中各项目对应的拟合特征。若序列化数据不符合初始条件，则可根据拟合模型获取与系列化数据中各项目对应的拟合特征，拟合特征可通过多个拟合指数对项目的特性进行量
化表征。
[0072]
在一实施例中，如图5所示，步骤s140包括子步骤s141和s142。
[0073]
s141、计算所述序列化数据中每一项目所包含数据值与拟合模型中各拟合函数之间的拟合指数。
[0074]
具体的，拟合模型中包含多个拟合函数，可计算拟合函数与各项目所包含数据值之间的相似性作为对应的拟合指数，其中，拟合函数可以包括三角函数、简单多项式、圆锥曲线方程等。
[0075]
例如，定义的某一拟合模型为{sinx,cosx,tanx,x,x^2,x^3,x^4,sqrt(x),power(x,1/3),exp(x)}，则可分别计算该拟合模型中各拟合函数与一个项目中数据值之间的拟合指数。
[0076]
s142、获取各项目的拟合指数进行组合以作为各项目对应的拟合特征。
[0077]
获取各项目的多个拟合指数进行组合，从而得到各项目对应的拟合特征，拟合指数的取值范围为[-1,1]，则可获取每一项目对应的多个拟合指数，将拟合指数作为相应项目的特征值进行组合，从而得到相应项目的拟合特征，则拟合特征中所包含的多个特征值共同体现项目的曲线特性。
[0078]
s150、将所述拟合指数输入预置的滞后评估模型，以获取各项目之间的滞后系数。
[0079]
将所述拟合指数输入预置的滞后评估模型，以获取各项目之间的滞后系数。可将获取到的各项目的拟合指数进行组合并输入预先配置的滞后评估模型，滞后评估模型可以是基于人工智能构建的智能分析模型，例如，将两个项目的拟合特征进行组合后输入滞后评估模型，即可获取两个项目之间的滞后系数。其中，滞后系数包括滞后期数及权重衰减参数；滞后期数也即第一项目相对应第二项目滞后的周期数，例如周期为天，滞后期数为2，则第一项目相对于第二项目滞后2天。权重衰减系数也即是进行滞后分析处理所需的系数值。
[0080]
在一实施例中，如图6所示，步骤s150包括子步骤s151和s152。
[0081]
s151、获取任意两个项目对应的拟合特征以组合为一组输入信息。
[0082]
获取任意两个项目对应的拟合特征进行组合，作为一组输入信息，则输入信息的数量与项目数正相关，例如，项目数量为m，则对应的输入信息的数量为m
×
(m-1)/2。
[0083]
s152、将组各所述输入信息分别输入所述滞后评估模型，以获取对应的输出信息作为与各所述输入信息对应的滞后系数。
[0084]
将所得到的各输入信息分别输入滞后评估模型，通过滞后评估模型中的神经网络对输入信息进行关联性分析，从滞后评估模型的输出节点获取对应的输出信息，输出信息即可作为与输入信息对应的滞后系数，具体的，滞后评估模型可包含两个输出节点，一个输出节点对应的输出节点值即为滞后期数(若该输出节点值不为整数则可采用四舍五入取整)，另一输出节点对应的输出节点值即为权重衰减系数。通过上述方法，能够从滞后评估模型准确获取对应的滞后期数及权重衰减系数，提高了基于滞后期数及权重衰减系数进行后续滞后分析处理的效率及准确性。
[0085]
具体的，在对滞后评估模型进行使用之前，还可通过历史数据对滞后评估模型进行训练，例如，可选择历史数据中具有相应滞后期及权重衰减系数的两个项目对应的历史数据，或通过一个项目的历史数据构造另一具有相应滞后期及权重衰减系数的虚拟数据；获取具有滞后期的两组数据分别对应的拟合特征，并将两组拟合特征输入至滞后评估模
型，以已知的滞后期及权重衰减系数作为训练目标对滞后评估模型进行训练，也即是对滞后评估模型中的参数值进行调整，从而训练得到能够准确进行滞后评估的滞后评估模型。
[0086]
s160、根据所述滞后系数对所述序列化数据进行滞后关联分析，以得到所述序列化数据中各项目之间的滞后相关系数。
[0087]
根据所述滞后系数对所述序列化数据进行滞后关联分析，以得到所述序列化数据中各项目之间的滞后相关系数。可基于之后系数对序列化数据中相应项目对应的数据值进行滞后关联分析，从而得到序列化数据中各项目之间的滞后相关系数。
[0088]
在一实施例中，如图7所示，步骤s160包括子步骤s161和s162。
[0089]
s161、根据所述相关系数计算公式计算所述序列化数据中各项目之间的综合相关系数。
[0090]
具体的，可通过相关系数计算公式计算序列化数据中各项目之间的综合相关系数，若序列化数据中某项目的数据值不连续，则可通过插值法补齐其中缺失的数据值，例如，可通过拉格朗日中值定理计算插值并补充至缺失位置处，并基于补齐后的数据值进行相关系数的计算。对补齐数据值的两个项目进行综合相关系数计算的具体方法与上述步骤中计算综合相关系数的方法相同，在此不作赘述。
[0091]
s162、根据所述滞后系数及预置的衰减计算公式对所述综合相关系数进行计算，得到滞后相关系数。
[0092]
可通过衰减计算公式对综合相关系数进行计算，滞后系数作为相应参数值结合至计算过程中，从而得到与综合相关系数对应的滞后相关系数。具体的计算过程如公式(4)所示：
[0093]rt
＝corr
×
lam
lag
a
ꢀꢀꢀꢀ
(4)；
[0094]
其中，r
t
为计算得到的滞后相关系数，corr为综合相关系数，lam为滞后系数中的权重衰减系数，lag为滞后系数中的滞后期数，a为公式中固定的参数值。
[0095]
在具体技术方法中，步骤s162之后还包括步骤：计算所述序列化数据中各项目之间的相似度值。
[0096]
为进一步提高进行相关系数计算的全面性，本技术技术方法还可计算序列化数据中各项目之间的相似度值，将相似度值与计算得到的相关系数进行组合，以对序列化数据中各项目之间的相关性进行综合评估。
[0097]
具体的，可分别从几何距离、模式距离、形状距离等角度进行相应计算，从而得到对应的相似度值。
[0098]
其中，可首先计算两个项目的数据值之间的几何距离，几何距离可以是欧式距离，欧式距离作为常见范数是默认项，我们也分别提供了l1范数和lp范数作为补充，例如，可通过以下公式计算得到项目a与项目b的欧式距离：
[0099]
distance＝|a
–
b|//l1范数
[0100]
distance＝sqrt(a-b)//l2范数
[0101]
distancep＝power((a-b),1/p)//lp范数
[0102]
几何距离中还可以包含模式距离，模式距离主要是对模式进行分类，如简单的根据振幅分为涨、跌、平三类，则可以计算整个模式距离的绝对值来进行加总，从而得出其模式相似度。当然，模式距离也可以自定义扩展，如规范化绝对值、区间映射等。具体的，可采
用以下公式计算得到模式距离distance＝sigmal(kernel(a
–
b)),其中kernel可以取绝对值、thresholdmapping等方式。
[0103]
几何距离中还可以包括形状距离，包括对振幅做调整和限制之后的形状距离，如dtw(dynamic time wrapping)距离，能够对不同序列的形状做一些匹配，然后根据结果评估其相似度。默认dtw即计算peak和bottom，然后根据对应的形状，去计算差值的积分值，作为形状距离的体现形式。即dtw＝integration(seriesa-seriesb)。
[0104]
综合上述计算得到的距离值并进行加权计算从而得到组合后的数值作为相似度值。
[0105]
对于某些有震荡特性的序列，本技术技术方法补充了滤波分析中的相位同步方法。首先可以过滤出关注的波长信号，提取出其信号的相位，这可以通过希尔伯特变换来完成。得到相位后，可以对信号的相位进行比较分析，得出其相位同步的比率，公式如下：phi(t)＝a*hilbert(sin(w*x phi)) lambda。
[0106]
最后，在综合相关系数、相似度值等维度的信息后，综合得出一个时间序列相关性的综合评估值。根据该数值，能够准确判断不同项目的数据序列之间是否存在关联性。
[0107]
本技术中的技术方法可应用于智慧金融等对对基于时间序列的数据进行相关性分析的应用场景中，从而推动智慧城市的建设。
[0108]
在本发明实施例所提供的基于时间序列的相关性分析方法中，从基础数据库中获取与所输入的评估参数对应的基于时间的序列化数据，判断序列化数据是否符合初始条件，若符合则直接计算序列化数据中各项目之间的综合相关系数；若不符合则根据拟合模型获取对应的拟合特征，通过滞后评估模型对拟合特征进行分析以获取各项目之间的滞后系数，通过滞后系数对序列化数据进行滞后关联分析以获取滞后相关系数。通过上述方法，可对序列化数据进行判断，并根据判断结果进行分类分析，以采用相匹配的分析方法对不同类型的序列化数据进行分析并获取相应的相关系数，能够提高对金融数据之间进行关联性分析的准确性。
[0109]
本发明实施例还提供一种基于时间序列的相关性分析装置，该基于时间序列的相关性分析装置可配置于用户终端或管理服务器中，该基于时间序列的相关性分析装置用于执行前述的基于时间序列的相关性分析方法的任一实施例。具体地，请参阅图8，图8为本发明实施例提供的基于时间序列的相关性分析装置的示意性框图。
[0110]
如图8所示，基于时间序列的相关性分析装置100包括序列化数据获取单元110、初始条件判断单元120、综合相关系数计算单元130、拟合特征获取单元140、滞后系数获取单元150和滞后相关系数计算单元160。
[0111]
序列化数据获取单元110，用于若接收到用户输入的评估参数，从预置的基础数据库获取与所述评估参数对应的基于时间的序列化数据。
[0112]
在一具体实施例中，所述序列化数据获取单元110包括子单元：基础数据获取单元，用于获取与所述评估参数的项目及时间段对应的基础数据；统计单元，用于根据所述评估参数的周期视角对所述基础数据进行周期性统计，得到对应的序列化数据。
[0113]
初始条件判断单元120，用于判断所述序列化数据是否符合预置的初始条件。
[0114]
在一具体实施例中，所述初始条件判断单元120包括子单元：第一判断单元，用于判断所述序列化数据中各项目的数据值是否均满足初始条件中的线性条件；第二判断单
元，用于若各所述项目的数据值均满足所述线性条件，判断各所述项目的数据值是否均满足单调性条件；第一判定单元，用于若任一所述项目的数据值不满足所述线性条件或所述单调性条件，判定所述序列化数据不符合所述初始条件；第二判定单元，用于若各所述项目的数据值均满足所述单调性条件，判定所述序列化数据符合所述初始条件。
[0115]
综合相关系数计算单元130，用于若所述序列化数据符合所述初始条件，根据预置的相关系数计算公式计算所述序列化数据中各项目之间的综合相关系数。
[0116]
在一具体实施例中，所述综合相关系数计算单元130包括子单元：第一计算单元，用于计算所述序列化数据中任意两个项目之间的线性相关系数；第二计算单元，用于计算所述序列化数据中任意两个项目之间的斯皮尔曼相关系数；第三计算单元，用于计算所述序列化数据中任意两个项目之间的肯德尔相关系数；加权计算单元，用于根据相关系数计算公式对任意两个项目的线性相关系数、斯皮尔曼相关系数及肯德尔相关系数进行加权计算，得到各项目之间的综合相关系数。
[0117]
拟合特征获取单元140，用于若所述序列化数据不符合所述初始条件，根据预置的拟合模型获取与所述序列化数据中各项目对应的拟合特征。
[0118]
在一具体实施例中，所述拟合特征获取单元140包括子单元：拟合指数获取单元，用于计算所述序列化数据中每一项目所包含数据值与拟合模型中各拟合函数之间的拟合指数；拟合指数组合单元，用于获取各项目的拟合指数进行组合以作为各项目对应的拟合特征。
[0119]
滞后系数获取单元150，用于将所述拟合指数输入预置的滞后评估模型，以获取各项目之间的滞后系数。
[0120]
在一具体实施例中，所述滞后系数获取单元150包括子单元：拟合特征组合单元，用于获取任意两个项目对应的拟合特征以组合为一组输入信息；输出信息获取单元，用于将组各所述输入信息分别输入所述滞后评估模型，以获取对应的输出信息作为与各所述输入信息对应的滞后系数。
[0121]
滞后相关系数计算单元160，用于根据所述滞后系数对所述序列化数据进行滞后关联分析，以得到所述序列化数据中各项目之间的滞后相关系数。
[0122]
在一具体实施例中，所述滞后相关系数计算单元160包括子单元：相关系数计算单元，用于根据所述相关系数计算公式计算所述序列化数据中各项目之间的综合相关系数；滞后相关系数计算单元，用于根据所述滞后系数及预置的衰减计算公式对所述综合相关系数进行计算，得到滞后相关系数。
[0123]
在本发明实施例所提供的基于时间序列的相关性分析装置应用上述基于时间序列的相关性分析方法，从基础数据库中获取与所输入的评估参数对应的基于时间的序列化数据，判断序列化数据是否符合初始条件，若符合则直接计算序列化数据中各项目之间的综合相关系数；若不符合则根据拟合模型获取对应的拟合特征，通过滞后评估模型对拟合特征进行分析以获取各项目之间的滞后系数，通过滞后系数对序列化数据进行滞后关联分析以获取滞后相关系数。通过上述方法，可对序列化数据进行判断，并根据判断结果进行分类分析，以采用相匹配的分析方法对不同类型的序列化数据进行分析并获取相应的相关系数，能够提高对金融数据之间进行关联性分析的准确性。
[0124]
上述基于时间序列的相关性分析装置可以实现为计算机程序的形式，该计算机程
序可以在如图9所示的计算机设备上运行。
[0125]
请参阅图9，图9是本发明实施例提供的计算机设备的示意性框图。该计算机设备可以是用于执行基于时间序列的相关性分析方法以对基于时间序列的数据进行相关性分析的用户终端或管理服务器。
[0126]
参阅图9，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括存储介质503和内存储器504。
[0127]
该存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时，可使得处理器502执行基于时间序列的相关性分析方法，其中，存储介质503可以为易失性的存储介质或非易失性的存储介质。
[0128]
该处理器502用于提供计算和控制能力，支撑整个计算机设备500的运行。
[0129]
该内存储器504为存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行基于时间序列的相关性分析方法。
[0130]
该网络接口505用于进行网络通信，如提供数据信息的传输等。本领域技术人员可以理解，图9中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0131]
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现上述的基于时间序列的相关性分析方法中对应的功能。
[0132]
本领域技术人员可以理解，图9中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定，在其他实施例中，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。例如，在一些实施例中，计算机设备可以仅包括存储器及处理器，在这样的实施例中，存储器及处理器的结构及功能与图9所示实施例一致，在此不再赘述。
[0133]
应当理解，在本发明实施例中，处理器502可以是中央处理单元(central processing unit，cpu)，该处理器502还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0134]
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为易失性或非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序，其中计算机程序被处理器执行时实现上述的基于时间序列的相关性分析方法中所包含的步骤。
[0135]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员
可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0136]
在本发明所提供的几个实施例中，应该理解到，所揭露的设备、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为逻辑功能划分，实际实现时可以有另外的划分方式，也可以将具有相同功能的单元集合成一个单元，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
[0137]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为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单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
[0138]
另外，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单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0139]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个计算机可读存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的计算机可读存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0140]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。