基于智能决策的成分分析方法、装置、设备及存储介质与流程

1.本发明涉及人工智能的智能决策技术领域，尤其涉及一种基于智能决策的成分分析方法、装置、设备及存储介质。


背景技术：

2.一般外部人员或机构所提供的目标对象(例如：基金、企业对外公开信息等)，通常为整体式服务信息，即：其只公开部分特征信息(如：维度构成数据、维度价值数据、整体观测数据)，以便于使用者使用，而该目标对象的内部通常是以“黑箱”的形式存在，使得使用者无法获知该模块中各成分的构成。
3.然而，发明人意识到，如果目标对象中的成分无法获知，将无法根据管理者的需要对目标对象中的成分进行调整和管控，导致目标对象可塑性低，适用范围狭窄。


技术实现要素：

4.本发明的目的是提供一种基于智能决策的成分分析方法、装置、设备及存储介质，用于解决现有技术存在的因目标对象中的成分无法获知，导致无法根据管理者的需要对目标对象中的成分进行调整和管控，造成目标对象可塑性低，适用范围狭窄的问题。
5.为实现上述目的，本发明提供一种基于智能决策的成分分析方法，包括：
6.获取目标对象的维度构成数据、维度价值数据以及整体观测数据；其中，所述维度构成数据反映了所述目标对象在各维度上的成分构成，所述维度价值数据反映了所述目标对象在各维度上的展示效果，所述整体观测数据反映了所述目标对象的整体展示效果；
7.获取所述目标对象的历史成分数据；以所述历史成分数据为限制条件，根据所述维度构成数据和所述整体观测数据构建至少一个理论成分数据；其中，所述历史组合成分是指所述目标对象在历史上的成分构成，所述理论成分数据是以矩阵形式展示各成分构成的数据阵列，所述数据阵列的行反映了各成分所在的维度；
8.根据所述理论成分数据和所述维度价值数据得到理论分析数据，识别与所述整体观测数据之间距离最近的理论分析数据，并将所述理论分析数据设为分析结果，及将与所述分析结果对应的理论成分数据设为成分分析数据，其中，所述理论分析数据是基于所述理论成分数据推测所述目标对象的展示效果。
9.上述方案中，所述获取目标对象的维度构成数据、维度价值数据以及整体观测数据，包括：
10.接收控制端发送的对象编号；
11.从预置的数据库中识别与所述对象编号对应的目标对象；
12.从所述数据库中获取与所述目标对象关联的维度构成数据、维度价值数据以及整体观测数据。
13.上述方案中，所述获取目标对象的维度构成数据、维度价值数据以及整体观测数据之后，所述方法还包括：
14.对所述维度构成数据、所述维度价值数据以及所述整体观测数据进行数据清洗，用以消除所述维度构成数据、所述维度价值数据和所述整体观测数据中的无效数据和缺失数据。
15.上述方案中，所述获取目标对象的维度构成数据、维度价值数据以及整体观测数据之后，所述方法还包括：
16.获取目标对象的成分公开数据和成分维度价值数据，获取所述成分公开数据所在的维度并将其设为维度公开数据，及根据所述成分公开数据和所述成分维度价值数据得到观测公开数据；删除所述维度构成数据中的维度公开数据，及删除所述整体观测数据中的观测公开数据。
17.上述方案中，所述获取所述目标对象的历史成分数据，包括：
18.接收控制端发送的对象编号和时间信息；
19.从预置的数据库中获取与所述对象编号对应的目标对象，获取与所述目标对象关联的历史成分集合，所述历史成分集合中至少具有一个历史成分数据；
20.从所述历史成分集合中获取与所述时间信息对应的历史成分数据。
21.上述方案中，所述以所述历史成分数据为限制条件，根据所述维度构成数据和所述整体观测数据构建至少一个理论成分数据，包括：
22.创建理论成分矩阵并获取预置的成分变换限制阈值，构建以所述理论成分矩阵和所述历史成分数据之差为变量，并以所述成分变换限制阈值为所述变量的上限值的限制条件；
23.通过预置的维度指示矩阵转换所述理论成分矩阵，使其与所述维度构成数据对应并形成理论预算式，其中，所述维度指示矩阵用于标注所述理论成分矩阵中各行的所属维度；
24.根据所述理论预算式和所述限制条件，对所述理论成分矩阵中的元素值进行赋值，使所述理论成分矩阵转为理论成分数据。
25.上述方案中，所述根据所述理论成分数据和所述维度价值数据得到理论分析数据，识别与所述整体观测数据之间距离最近的理论分析数据，并将所述理论分析数据设为分析结果，包括：
26.将所述理论成分数据和所述维度价值数据录入预置的效果公式中，并运算所述效果公式得到理论分析数据；
27.通过预置的支持向量机计算所述整体观测数据与各所述理论分析数据之间的欧式距离，并将与所述整体观测数据之间所述欧式距离最近的理论分析数据设为分析结果。
28.为实现上述目的，本发明还提供一种基于智能决策的成分分析装置，其特征在于，包括：
29.数据输入模块，用于获取目标对象的维度构成数据、维度价值数据以及整体观测数据；其中，所述维度构成数据反映了所述目标对象在各维度上的成分构成，所述维度价值数据反映了所述目标对象在各维度上的展示效果，所述整体观测数据反映了所述目标对象的整体展示效果；
30.理论成分模块，用于获取所述目标对象的历史成分数据；以所述历史成分数据为限制条件，根据所述维度构成数据和所述整体观测数据构建至少一个理论成分数据；其中，
所述历史组合成分是指所述目标对象在历史上的成分构成，所述理论成分数据是以矩阵形式展示各成分构成的数据阵列，所述数据阵列的行反映了各成分所在的维度；
31.理论分析模块，用于根据所述理论成分数据和所述维度价值数据得到理论分析数据，识别与所述整体观测数据之间距离最近的理论分析数据，并将所述理论分析数据设为分析结果，及将与所述分析结果对应的理论成分数据设为成分分析数据，其中，所述理论分析数据是基于所述理论成分数据推测所述目标对象的展示效果。
32.为实现上述目的，本发明还提供一种计算机设备，其包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述计算机设备的处理器执行所述计算机程序时实现上述基于智能决策的成分分析方法的步骤。
33.为实现上述目的，本发明还提供一种计算机可读存储介质，所述可读存储介质上存储有计算机程序，所述可读存储介质存储的所述计算机程序被处理器执行时实现上述基于智能决策的成分分析方法的步骤。
34.本发明提供的基于智能决策的成分分析方法、装置、设备及存储介质，通过获取所述目标对象的历史成分数据，并以所述历史成分数据为限制条件，根据所述维度构成数据和所述整体观测数据构建至少一个理论成分数据，实现了基于历史成分数据并基于目标对象当前在各维度上的成分构成，以及在整体上所展示的效果，分析目标对象中各成分构成的可能性，并得到具有多种可能性的至少一个的理论成分数据。
35.通过根据所述理论成分数据和所述维度构成数据得到理论分析数据，再识别与所述整体观测数据之间距离最近的理论分析数据，并将所述理论分析数据设为分析结果，将与所述分析信息对应的理论成分数据设为成分分析数据，实现了分析目标对象的成分构成的技术效果，以便于管理者根据需要对目标对象进行调整或管控，进而提高了目标对象的可塑性，扩大了目标对象的适用范围。
附图说明
36.图1为本发明基于智能决策的成分分析方法实施例一的流程图；
37.图2为本发明基于智能决策的成分分析方法实施例二中成分分析方法的环境应用示意图；
38.图3是本发明基于智能决策的成分分析方法实施例二中成分分析方法的具体方法流程图；
39.图4为本发明基于智能决策的成分分析装置实施例三的程序模块示意图；
40.图5为本发明计算机设备实施例四中计算机设备的硬件结构示意图。
具体实施方式
41.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。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。
42.本发明提供的基于智能决策的成分分析方法、装置、设备及存储介质，适用于人工智能的智能决策技术领域，为提供一种基于数据输入模块、理论成分模块、理论分析模块的
成分分析方法。本发明通过获取目标对象的维度构成数据、维度价值数据以及整体观测数据，获取所述目标对象的历史成分数据，以所述历史成分数据为限制条件，根据所述维度构成数据和所述整体观测数据构建至少一个理论成分数据，根据所述理论成分数据和所述维度价值数据得到理论分析数据，识别与所述整体观测数据之间距离最近的理论分析数据，并将所述理论分析数据设为分析结果，及将与所述分析结果对应的理论成分数据设为成分分析数据。
43.实施例一：
44.请参阅图1，本实施例的一种基于智能决策的成分分析方法，包括：
45.s101：获取目标对象的维度构成数据、维度价值数据以及整体观测数据；其中，所述维度构成数据反映了所述目标对象在各维度上的成分构成，所述维度价值数据反映了所述目标对象在各维度上的展示效果，所述整体观测数据反映了所述目标对象的整体展示效果；
46.s104：获取所述目标对象的历史成分数据；以所述历史成分数据为限制条件，根据所述维度构成数据和所述整体观测数据构建至少一个理论成分数据；其中，所述历史组合成分是指所述目标对象在历史上的成分构成，所述理论成分数据是以矩阵形式展示各成分构成的数据阵列，所述数据阵列的行反映了各成分所在的维度；
47.s105：根据所述理论成分数据和所述维度价值数据得到理论分析数据，识别与所述整体观测数据之间距离最近的理论分析数据，并将所述理论分析数据设为分析结果，及将与所述分析结果对应的理论成分数据设为成分分析数据，其中，所述理论分析数据是基于所述理论成分数据推测所述目标对象的展示效果。
48.在示例性的实施例中，所述维度构成数据、所述维度价值数据和所述整体观测数据为所述目标对象的公开数据，所述维度构成数据反映了目标对象在各维度上的成分构成，所述维度价值数据反映了目标对象在各维度上的展示效果，而所述整体观测数据反映了目标对象整体上所展示的效果。
49.通过获取所述目标对象的历史成分数据，并以所述历史成分数据为限制条件，根据所述维度构成数据和所述整体观测数据构建至少一个理论成分数据，其中，由于目标对象当前的成分构成与历史成分数据是相关联的，即：具有一定的一致性，因此，以历史成分数据作为限制条件，根据所述维度构成数据和所述整体观测数据构建所述理论成分数据的方式，实现了基于历史成分数据并基于目标对象当前在各维度上的成分构成，以及在整体上所展示的效果，分析目标对象中各成分构成的可能性，并得到具有多种可能性的至少一个的理论成分数据。
50.通过根据所述理论成分数据和所述维度构成数据得到理论分析数据，再通过基于智能决策技术的支持向量机识别与所述整体观测数据之间距离最近的理论分析数据，并将所述理论分析数据设为分析结果，将与所述分析信息对应的理论成分数据设为成分分析数据；因此实现分析目标对象的成分构成，以便于管理者根据需要对目标对象进行调整或管控，进而提高了目标对象的可塑性，扩大了目标对象的适用范围。
51.实施例二：
52.本实施例为上述实施例一的一种具体应用场景，通过本实施例，能够更加清楚、具体地阐述本发明所提供的方法。
53.下面，以在运行有成分分析方法的服务器中，以历史成分数据为限制条件，根据维度构成数据和整体观测数据构建至少一个理论成分数据，并识别与整体观测数据之间距离最近的理论分析数据为例，来对本实施例提供的方法进行具体说明。需要说明的是，本实施例只是示例性的，并不限制本发明实施例所保护的范围。
54.图2示意性示出了根据本技术实施例二的成分分析方法的环境应用示意图。
55.在示例性的实施例中，成分分析方法所在的服务器2通过网络3分别连接控制端4；所述服务器2可以通过一个或多个网络3提供服务，网络3可以包括各种网络设备，例如路由器，交换机，多路复用器，集线器，调制解调器，网桥，中继器，防火墙，代理设备和/或等等。网络3可以包括物理链路，例如同轴电缆链路，双绞线电缆链路，光纤链路，它们的组合和/或类似物。网络3可以包括无线链路，例如蜂窝链路，卫星链路，wi
‑
fi链路和/或类似物；所述控制端4可为智能手机、平板电脑、笔记本电脑、台式电脑等计算机设备。
56.图3是本发明一个实施例提供的一种成分分析方法的具体方法流程图，该方法具体包括步骤s201至s205。
57.s201：获取目标对象的维度构成数据、维度价值数据以及整体观测数据；其中，所述维度构成数据反映了所述目标对象在各维度上的成分构成，所述维度价值数据反映了所述目标对象在各维度上的展示效果，所述整体观测数据反映了所述目标对象的整体展示效果。
58.本步骤中，所述维度构成数据、所述维度价值数据和所述整体观测数据为所述目标对象的公开数据，所述维度构成数据反映了目标对象在各维度上的成分构成，所述维度价值数据反映了目标对象在各维度上的展示效果，而所述整体观测数据反映了目标对象整体上所展示的效果。
59.示例性地，所述目标对象为基金；
60.所述维度构成数据是指：所述基金在各行业维度上的投资的股权值，于本实施例中，所述维度构成数据可通过所述基金定期披露的季报/年报获得；
61.所述维度价值数据是指：所述基金在各行业维度上的收益率；
62.所述整体观测数据是指：所述基金的整体投资收益。
63.在一个优选的实施例中，所述获取目标对象的维度构成数据、维度价值数据以及整体观测数据，包括：
64.s11：接收控制端发送的对象编号；
65.本步骤中，所述对象编号是目标对象的唯一性标识。
66.s12：从预置的数据库中识别与所述对象编号对应的目标对象；
67.本步骤中，所述数据库是用于保存目标对象的数据库服务器。
68.s13：从所述数据库中获取与所述目标对象关联的维度构成数据、维度价值数据以及整体观测数据。
69.本步骤中，所述维度构成数据、维度价值数据以及整体观测数据保存在所述数据库中的子数据库，所述子数据库与所述目标对象通过所述对象编号关联。
70.s202：对所述维度构成数据、所述维度价值数据以及所述整体观测数据进行数据清洗，用以消除所述维度构成数据、所述维度价值数据和所述整体观测数据中的无效数据和缺失数据。
71.为确保目标对象成分构成的准确性，本步骤通过对所述维度构成数据、所述维度价值数据以及所述整体观测数据进行数据清洗，以消除其中无效数据的方式，避免无效数据对后续成分分析操作进行干扰的情况发生；其中，数据清洗是指发现并纠正数据文件中可识别的错误的最后一道程序，用于处理无效值和缺失值等。
72.于本实施例中，通过datawrangler软件实现所述数据清洗，datawrangler是一款由斯坦福大学开发的在线数据清洗、数据重组软件。主要用于去除无效数据，将数据整理成用户需要格式等。通过使用datawrangler能节约用户花在数据整理上的时间，从而使其有更多的精力用于数据分析。
73.s203：获取目标对象的成分公开数据和成分维度价值数据，获取所述成分公开数据所在的维度并将其设为维度公开数据，及根据所述成分公开数据和所述成分维度价值数据得到观测公开数据；删除所述维度构成数据中的维度公开数据，及删除所述整体观测数据中的观测公开数据。
74.为删除目标对象中的已公开数据，以提高目标对象中成分构成的分析准确度，本步骤通过获取目标对象的成分公开数据和成分维度价值数据，其中，成分公开数据是指：目标对象中已公开的成分，所述成分维度价值数据是指所述已公开的成分所展示的效果；获取所述成分公开数据所在的维度并将其设为维度公开数据，其中，所述维度公开数据是指：所述已公开的成分所在的维度。根据所述成分公开数据和所述成分维度价值数据得到观测公开数据，其中，所述观测公开数据是指：所述已公开的成分整体的展示效果。因此，通过删除所述维度构成数据中的维度公开数据，及删除所述整体观测数据中的观测公开数据，使得维度构成数据中仅保留未知的成分所在的维度，以及所述整体观测数据中仅保留未知成分所产生的效果，以消除对未知成分分析的干扰，进而提高目标对象成分构成的分析准确度。
75.示例性地，所述成分维度价值数据是指：所述基金披露的指定股票的股票收益率；于本实施例中，所述股票收益率是根据所述基金的季度报告中记载的所述股票的每日股票收益率，并计算其平均收益率所获得的，例如：计算所述股票在基金季度报告日前后十个交易日的日平均收益率(r
t
)。所述成分公开数据是指：所述基金对所述披露的股票所占的股权s；所述观测公开数据是指：根据所述股票收益率和所述股权所计算的所述股票的收益h
t
，即：根据公式h
t
＝∑s*r
t
计算所得。原整体观测数据记为f
t
，那么所述删除所述观测公开数据的维度构成数据p
t
将通过公式p
t
＝f
t
‑
h
t
获得。原维度构成数据记为u，删除所述成分公开数据所在的维度，即所述维度公开数据g，那么，删除所述维度公开数据的维度构成数据将通过公式q＝u
–
g获得。
76.s204：获取所述目标对象的历史成分数据；以所述历史成分数据为限制条件，根据所述维度构成数据和所述整体观测数据构建至少一个理论成分数据；其中，所述历史组合成分是指所述目标对象在历史上的成分构成，所述理论成分数据是以矩阵形式展示各成分构成的数据阵列，所述数据阵列的行反映了各成分所在的维度。
77.为构建多个反映目标对象中各成分构成的理论成分数据，本步骤通过获取所述目标对象的历史成分数据，并以所述历史成分数据为限制条件，根据所述维度构成数据和所述整体观测数据构建至少一个理论成分数据，其中，由于目标对象当前的成分构成与历史成分数据是相关联的，即：具有一定的一致性，因此，以历史成分数据作为限制条件，根据所
述维度构成数据和所述整体观测数据构建所述理论成分数据的方式，实现了基于历史成分数据并基于目标对象当前在各维度上的成分构成，以及在整体上所展示的效果，分析目标对象中各成分构成的可能性，并得到具有多种可能性的至少一个的理论成分数据。
78.在一个优选的实施例中，所述获取所述目标对象的历史成分数据，包括：
79.s41：接收控制端发送的对象编号和时间信息。
80.本步骤中，所述对象编号是目标对象的唯一性标识，所述时间信息是反映控制端所需某一历史时期的时间数据。
81.s42：从预置的数据库中获取与所述对象编号对应的目标对象，获取与所述目标对象关联的历史成分集合，所述历史成分集合中至少具有一个历史成分数据。
82.本步骤中，所述数据库是用于保存目标对象的数据库服务器，所述历史成分集合保存在所述数据库中的子数据库中，所述子数据库与所述目标对象通过所述对象编号关联；所述历史成分数据标注有其生成时间，并保存在所述历史成分集合中。
83.s43：从所述历史成分集合中获取与所述时间信息对应的历史成分数据。
84.本步骤中，在所述历史成分集合中识别与所述时间信息一致的生成时间，并获取标注有所述生成时间的历史成分数据。
85.在一个优选的实施例中，所述以所述历史成分数据为限制条件，根据所述维度构成数据和所述整体观测数据构建至少一个理论成分数据，包括：
86.s44：创建理论成分矩阵并获取预置的成分变换限制阈值，构建以所述理论成分矩阵和所述历史成分数据之差为变量，并以所述成分变换限制阈值为所述变量的上限值的限制条件；
87.其中，所述理论成分矩阵是以所述目标对象中成分作为未知数所构建的矩阵，所述理论成分矩阵中的元素值反映了目标对象中各成分的数量，属于同一维度的成分排列在所述理论成分矩阵的同一行上。
88.本步骤中，所述限制条件如下所示：
89.s.t.|w
‑
w0|<δ
90.其中，所述理论成分矩阵为w，所述历史成分数据为w0，所述成分变换限制阈值为δ，s.t.|w
‑
w0|表示了w与w0之间的差值占w0中总数据的比例；因此，上述公式表示了理论成分矩阵，与同样以矩阵形式展示的历史成分数据之间的变化量，占所述历史成分数据中数据总量的比例，小于成分变换限制阈值δ。
91.示例性地，所述理论成分矩阵是指：以基金的所涉及的行业作为行，将所述基金的股票池中的属于同一行业的股票，以未知数的形式依次排列在同一行上。
92.所述历史成分数据是指：基金在历史上公开的，反映其中各其成分的数量的矩阵。
93.成分变换限制阈值是指：所述基金中各股票的换手率。例如：1％，3％，5％，10％等。
94.s45：通过预置的维度指示矩阵转换所述理论成分矩阵，使其与所述维度构成数据对应并形成理论预算式，其中，所述维度指示矩阵用于标注所述理论成分矩阵中各行的所属维度。
95.本步骤中，所述理论预算式如下所示：
96.i
ind
*w＝q
97.其中，所述维度指示矩阵是为i
ind
，所述维度构成数据为q，所述理论成分矩阵为w；
98.示例性地，所述维度指示矩阵i
ind
是：反映基金所投资的行业的矩阵，其中，每一行代表一个投资行业；
99.所述维度构成数据q是：反映所述基金在各行业维度上的投资的股权值；
100.所述理论成分矩阵w是：以基金的所涉及的行业作为行，将所述基金的股票池中的属于同一行业的股票，以未知数的形式依次排列在同一行上。
101.s46：根据所述理论预算式和所述限制条件，对所述理论成分矩阵中的元素值进行赋值，使所述理论成分矩阵转为理论成分数据。
102.本步骤中，通过数学计算模块(如：xgboost模块，matlab软件等)根据所述理论预算式和所述限制条件对所述理论成分矩阵中的元素值进行赋值，得到至少一个同时满足所述理论预算式和所述限制条件的理论成分数据。
103.s205：根据所述理论成分数据和所述维度价值数据得到理论分析数据，识别与所述整体观测数据之间距离最近的理论分析数据，并将所述理论分析数据设为分析结果，及将与所述分析结果对应的理论成分数据设为成分分析数据，其中，所述理论分析数据是基于所述理论成分数据推测所述目标对象的展示效果。
104.为从众多的理论成分数据中，识别与当前的目标对象所展现的特性相符的理论成分数据；本步骤通过根据所述理论成分数据和所述维度构成数据得到理论分析数据，再通过基于智能决策技术的支持向量机识别与所述整体观测数据之间距离最近的理论分析数据，并将所述理论分析数据设为分析结果，将与所述分析信息对应的理论成分数据设为成分分析数据；因此实现分析目标对象的成分构成，以便于管理者根据需要对目标对象进行调整或管控，进而提高了目标对象的可塑性，扩大了目标对象的适用范围。
105.在一个优选的实施例中，所述根据所述理论成分数据和所述维度价值数据得到理论分析数据，识别与所述整体观测数据之间距离最近的理论分析数据，并将所述理论分析数据设为分析结果，包括：
106.s51：将所述理论成分数据和所述维度价值数据录入预置的效果公式中，并运算所述效果公式得到理论分析数据。
107.本步骤中，所述效果公式如下所示：
108.h(vt)＝w*v
t
109.其中，h(vt)是指所述理论分析数据，w是指所述理论组合矩阵，v
t
是指所述维度构成数据。
110.通过预置的通过数学计算模块(如：xgboost模块，matlab软件等)运算所述效果公式得到理论分析数据。
111.s52：通过预置的支持向量机计算所述整体观测数据与各所述理论分析数据之间的欧式距离，并将与所述整体观测数据之间所述欧式距离最近的理论分析数据设为分析结果。
112.本步骤中，所述支持向量机为运行有最小二乘算法的支持向量机，所述最小二乘算法的目标公式如下：
113.min∑(h(vt)
‑
p
t
)2114.其中，h(vt)是所述理论分析数据，p
t
是维度构成数据。
115.运行所述支持向量机，计算所述整体观测数据与各所述理论分析数据之间的欧式距离，并将与所述整体观测数据之间所述欧式距离最近的理论分析数据设为分析结果。
116.实施例三：
117.请参阅图4，本实施例的一种基于智能决策的成分分析装置，包括：
118.数据输入模块11，用于获取目标对象的维度构成数据、维度价值数据以及整体观测数据；其中，所述维度构成数据反映了所述目标对象在各维度上的成分构成，所述维度价值数据反映了所述目标对象在各维度上的展示效果，所述整体观测数据反映了所述目标对象的整体展示效果；
119.理论成分模块14，用于获取所述目标对象的历史成分数据；以所述历史成分数据为限制条件，根据所述维度构成数据和所述整体观测数据构建至少一个理论成分数据；其中，所述历史组合成分是指所述目标对象在历史上的成分构成，所述理论成分数据是以矩阵形式展示各成分构成的数据阵列，所述数据阵列的行反映了各成分所在的维度；
120.理论分析模块15，用于根据所述理论成分数据和所述维度价值数据得到理论分析数据，识别与所述整体观测数据之间距离最近的理论分析数据，并将所述理论分析数据设为分析结果，及将与所述分析结果对应的理论成分数据设为成分分析数据，其中，所述理论分析数据是基于所述理论成分数据推测所述目标对象的展示效果。
121.可选的，所述成分分析装置1还包括：
122.数据清洗模块12，用于对所述维度构成数据、所述维度价值数据以及所述整体观测数据进行数据清洗，用以消除所述维度构成数据、所述维度价值数据和所述整体观测数据中的无效数据和缺失数据。
123.可选的，所述基于智能决策的成分分析装置1还包括：
124.公开处理模块13，用于获取目标对象的成分公开数据和成分维度价值数据，获取所述成分公开数据所在的维度并将其设为维度公开数据，及根据所述成分公开数据和所述成分维度价值数据得到观测公开数据；删除所述维度构成数据中的维度公开数据，及删除所述整体观测数据中的观测公开数据。
125.可选的，所述数据输入模块11还包括：
126.编号输入单元111，用于接收控制端发送的对象编号；
127.对象识别单元112，用于从预置的数据库中识别与所述对象编号对应的目标对象；
128.数据获取单元113，用于从所述数据库中获取与所述目标对象关联的维度构成数据、维度价值数据以及整体观测数据。
129.可选的，所述理论成分模块14还包括：
130.分析输入单元141，用于接收控制端发送的对象编号和时间信息；
131.历史识别单元142，用于从预置的数据库中获取与所述对象编号对应的目标对象，获取与所述目标对象关联的历史成分集合，所述历史成分集合中至少具有一个历史成分数据；
132.历史获取单元143，用于从所述历史成分集合中获取与所述时间信息对应的历史成分数据；
133.条件创制单元144，用于创建理论成分矩阵并获取预置的成分变换限制阈值，构建以所述理论成分矩阵和所述历史成分数据之差为变量，并以所述成分变换限制阈值为所述
变量的上限值的限制条件；
134.预算创制单元145，用于通过预置的维度指示矩阵转换所述理论成分矩阵，使其与所述维度构成数据对应并形成理论预算式，其中，所述维度指示矩阵用于标注所述理论成分矩阵中各行的所属维度；
135.数据计算单元146，用于根据所述理论预算式和所述限制条件，对所述理论成分矩阵中的元素值进行赋值，使所述理论成分矩阵转为理论成分数据。
136.可选的，所述理论分析模块15还包括：
137.分析计算单元151，用于将所述理论成分数据和所述维度价值数据录入预置的效果公式中，并运算所述效果公式得到理论分析数据。
138.理论分析单元152，用于通过预置的支持向量机计算所述整体观测数据与各所述理论分析数据之间的欧式距离，并将与所述整体观测数据之间所述欧式距离最近的理论分析数据设为分析结果。
139.本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
140.本技术应用于人工智能的智能决策领域，通过获取目标对象的维度构成数据、维度价值数据以及整体观测数据，获取目标对象的历史成分数据，以历史成分数据为限制条件，根据维度构成数据和整体观测数据构建至少一个理论成分数据，通过基于智能决策领域的支持向量机作为分类模型根据理论成分数据和维度价值数据得到理论分析数据，识别与整体观测数据之间距离最近的理论分析数据，并将理论分析数据设为分析结果，及将与分析结果对应的理论成分数据设为成分分析数据。
141.实施例四：
142.为实现上述目的，本发明还提供一种计算机设备5，实施例三的基于智能决策的成分分析装置的组成部分可分散于不同的计算机设备中，计算机设备5可以是执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个应用服务器所组成的服务器集群)等。本实施例的计算机设备至少包括但不限于：可通过系统总线相互通信连接的存储器51、处理器52，如图5所示。需要指出的是，图5仅示出了具有组件
‑
的计算机设备，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
143.本实施例中，存储器51(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器51可以是计算机设备的内部存储单元，例如该计算机设备的硬盘或内存。在另一些实施例中，存储器51也可以是计算机设备的外部存储设备，例如该计算机设备上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字
(secure digital,sd)卡，闪存卡(flash card)等。当然，存储器51还可以既包括计算机设备的内部存储单元也包括其外部存储设备。本实施例中，存储器51通常用于存储安装于计算机设备的操作系统和各类应用软件，例如实施例三的基于智能决策的成分分析装置的程序代码等。此外，存储器51还可以用于暂时地存储已经输出或者将要输出的各类数据。
144.处理器52在一些实施例中可以是中央处理器(central processing unit，cpu)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器52通常用于控制计算机设备的总体操作。本实施例中，处理器52用于运行存储器51中存储的程序代码或者处理数据，例如运行基于智能决策的成分分析装置，以实现实施例一和实施例二的基于智能决策的成分分析方法。
145.实施例五：
146.为实现上述目的，本发明还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘、服务器、app应用商城等等，其上存储有计算机程序，程序被处理器52执行时实现相应功能。本实施例的计算机可读存储介质用于存储实现所述基于智能决策的成分分析方法的计算机程序，被处理器52执行时实现实施例一和实施例二的基于智能决策的成分分析方法。
147.上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
148.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。
149.以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。