本發(fā)明涉及行業(yè)趨勢預(yù)測方法，更具體地說是指基于大數(shù)據(jù)的行業(yè)趨勢精準(zhǔn)預(yù)測方法及其系統(tǒng)。
背景技術(shù)：
：行業(yè)一般是指其按生產(chǎn)同類產(chǎn)品或具有相同工藝過程或提供同類勞動服務(wù)劃分的經(jīng)濟(jì)活動類別，如飲食行業(yè)、服裝行業(yè)、機(jī)械行業(yè)、金融行業(yè)、移動互聯(lián)網(wǎng)行業(yè)等，在對行業(yè)當(dāng)前所處狀態(tài)的分析，主要是從行業(yè)趨勢入手分析整個行業(yè)的所處狀態(tài)。目前，對行業(yè)趨勢主要是由政府或者專業(yè)機(jī)構(gòu)進(jìn)行分析，但是都是宏觀的分析和預(yù)測，首先行業(yè)劃分的準(zhǔn)確度不夠高，基于用電量等宏觀指標(biāo)的宏觀分析，只能對一些特定行業(yè)比如制造業(yè)進(jìn)行分析和預(yù)測，對一些投資熱度的風(fēng)口行業(yè)很難把握，存在一定的局限性。中國專利201410398967.x公開了一種面向典型行業(yè)大數(shù)據(jù)的電力經(jīng)理指數(shù)趨勢預(yù)測方法，包括(1)采用相關(guān)性分析對影響行業(yè)用電量的指標(biāo)進(jìn)行篩選；(2)對篩選出的指標(biāo)利用統(tǒng)計檢驗和粗糙集理論進(jìn)行檢驗和優(yōu)化，建立行業(yè)電力監(jiān)測指標(biāo)體系模型；(3)提出基于電力經(jīng)理指數(shù)(electricalmanager'sindex，簡稱emi)的構(gòu)建和預(yù)測方法，并基于電力經(jīng)理指數(shù)預(yù)測行業(yè)用電趨勢。該專利能夠監(jiān)測行業(yè)用電動態(tài)變化、分析其所處狀態(tài)以及預(yù)見其發(fā)展趨勢，掌握電力市場供求變化的規(guī)律，為電力市場營銷決策提供可靠的依據(jù)。但是，上述的專利也是從用電量去分析行業(yè)所處狀態(tài)以及預(yù)見其發(fā)展趨勢，這樣僅僅只能針對典型行業(yè)，對于一些新型行業(yè)無法得到準(zhǔn)確的分析和預(yù)測。因此，有必要設(shè)計一種基于大數(shù)據(jù)的行業(yè)趨勢精準(zhǔn)預(yù)測方法，實現(xiàn)提升預(yù)測和分析的準(zhǔn)確度，可針對某些行業(yè)進(jìn)行單獨把控，可彌補(bǔ)宏觀行業(yè)預(yù)測分析的缺陷，通用化程度高。技術(shù)實現(xiàn)要素：本發(fā)明的目的在于克服現(xiàn)有技術(shù)的缺陷，提供基于大數(shù)據(jù)的行業(yè)趨勢精準(zhǔn)預(yù)測方法及其系統(tǒng)。為實現(xiàn)上述目的，本發(fā)明采用以下技術(shù)方案：基于大數(shù)據(jù)的行業(yè)趨勢精準(zhǔn)預(yù)測方法，所述方法包括：獲取海量企業(yè)數(shù)據(jù)；根據(jù)所述海量企業(yè)數(shù)據(jù)，對企業(yè)的細(xì)分行業(yè)進(jìn)行定位；根據(jù)所述細(xì)分行業(yè)以及海量企業(yè)數(shù)據(jù)，獲取微觀指標(biāo)庫；針對每個細(xì)分行業(yè)建立生命周期指標(biāo)庫；針對需要預(yù)測的樣本行業(yè)，利用微觀指標(biāo)庫預(yù)測所述樣本行業(yè)向上或向下發(fā)展趨勢；針對需要預(yù)測的樣本行業(yè)，利用生命周期指標(biāo)庫預(yù)測所述樣本行業(yè)所處生命周期。其進(jìn)一步技術(shù)方案為：根據(jù)所述海量企業(yè)數(shù)據(jù)，對企業(yè)的細(xì)分行業(yè)進(jìn)行定位的步驟，包括以下具體步驟：根據(jù)海量企業(yè)數(shù)據(jù)，建立行業(yè)數(shù)據(jù)庫；采用企業(yè)全名搜索相關(guān)咨訊網(wǎng)站，獲取搜索返回內(nèi)容；對所述搜索返回內(nèi)容進(jìn)行精準(zhǔn)分析，獲取關(guān)鍵分詞；對所述關(guān)鍵分詞進(jìn)行匹配、分組統(tǒng)計以及打標(biāo)簽，形成企業(yè)的細(xì)分行業(yè)。其進(jìn)一步技術(shù)方案為：根據(jù)所述細(xì)分行業(yè)以及海量企業(yè)數(shù)據(jù)，獲取微觀指標(biāo)庫的步驟，包括以下具體步驟：按照所述細(xì)分行業(yè)，對所述海量企業(yè)數(shù)據(jù)進(jìn)行歸類；按照所述細(xì)分行業(yè)的各個維度，對歸類后的海量企業(yè)數(shù)據(jù)進(jìn)行分析；分組統(tǒng)計每個細(xì)分行業(yè)的各個維度的企業(yè)數(shù)據(jù)；量化每個細(xì)分行業(yè)的各個維度的企業(yè)數(shù)據(jù)，獲取每個細(xì)分行業(yè)的各個維度的先行指標(biāo)；整合所有的先行指標(biāo)，組成微觀指標(biāo)庫。其進(jìn)一步技術(shù)方案為：針對需要預(yù)測的樣本行業(yè)，利用微觀指標(biāo)庫預(yù)測所述樣本行業(yè)向上或向下發(fā)展趨勢的步驟，包括以下具體步驟：獲取需要預(yù)測的樣本行業(yè)，并從樣本行業(yè)的數(shù)據(jù)內(nèi)抽取出時序數(shù)據(jù)；在所述微觀指標(biāo)庫內(nèi)查詢所述時序數(shù)據(jù)，并對所述時序數(shù)據(jù)向量化；按照tid分組統(tǒng)計所述時序數(shù)據(jù)的頻數(shù)；對tid分層索引；統(tǒng)計所述時序數(shù)據(jù)的均值、標(biāo)準(zhǔn)差以及分位數(shù)；對所述時序數(shù)據(jù)的頻數(shù)、均值、標(biāo)準(zhǔn)差以及分位數(shù)進(jìn)行線性回歸預(yù)測。其進(jìn)一步技術(shù)方案為：對所述時序數(shù)據(jù)的頻數(shù)、均值、標(biāo)準(zhǔn)差以及分位數(shù)進(jìn)行線性回歸運算的步驟，包括以下具體步驟：對所述時序數(shù)據(jù)的頻數(shù)、均值、標(biāo)準(zhǔn)差以及分位數(shù)進(jìn)行分組建模，獲取回歸模型；評估每個模型的誤差率、r方以及回歸系數(shù)，繪制每個模型的圖形；對每個模型進(jìn)行向上或向下發(fā)展趨勢的預(yù)測，并保存預(yù)測結(jié)果。本發(fā)明還提供了基于大數(shù)據(jù)的行業(yè)趨勢精準(zhǔn)預(yù)測系統(tǒng)，包括數(shù)據(jù)獲取單元、行業(yè)定位單元、微觀指標(biāo)庫獲取單元、生命周期指標(biāo)庫建立單元、發(fā)展趨勢預(yù)測單元以及生命周期預(yù)測單元；所述數(shù)據(jù)獲取單元，用于獲取海量企業(yè)數(shù)據(jù)；所述行業(yè)定位單元，用于根據(jù)所述海量企業(yè)數(shù)據(jù)，對企業(yè)的細(xì)分行業(yè)進(jìn)行定位；所述微觀指標(biāo)庫獲取單元，用于根據(jù)所述細(xì)分行業(yè)以及海量企業(yè)數(shù)據(jù)，獲取微觀指標(biāo)庫；所述生命周期指標(biāo)庫建立單元，用于針對每個細(xì)分行業(yè)建立生命周期指標(biāo)庫；所述發(fā)展趨勢預(yù)測單元，用于針對需要預(yù)測的樣本行業(yè)，利用微觀指標(biāo)庫預(yù)測所述樣本行業(yè)向上或向下發(fā)展趨勢；所述生命周期預(yù)測單元，用于針對需要預(yù)測的樣本行業(yè)，利用生命周期指標(biāo)庫預(yù)測所述樣本行業(yè)所處生命周期。其進(jìn)一步技術(shù)方案為：所述行業(yè)定位單元包括數(shù)據(jù)庫建立模塊、內(nèi)容獲取模塊、分詞獲取模塊以及處理模塊；所述數(shù)據(jù)庫建立模塊，用于根據(jù)海量企業(yè)數(shù)據(jù)，建立行業(yè)數(shù)據(jù)庫；所述內(nèi)容獲取模塊，用于采用企業(yè)全名搜索相關(guān)咨訊網(wǎng)站，獲取搜索返回內(nèi)容；所述分詞獲取模塊，用于對所述搜索返回內(nèi)容進(jìn)行精準(zhǔn)分析，獲取關(guān)鍵分詞；所述處理模塊，用于對所述關(guān)鍵分詞進(jìn)行匹配、分組統(tǒng)計以及打標(biāo)簽，形成企業(yè)的細(xì)分行業(yè)。其進(jìn)一步技術(shù)方案為：所述微觀指標(biāo)庫獲取單元包括歸類模塊、分析模塊、分組統(tǒng)計模塊、量化模塊以及整合模塊；所述歸類模塊，用于按照所述細(xì)分行業(yè)，對所述海量企業(yè)數(shù)據(jù)進(jìn)行歸類；所述分析模塊，用于按照所述細(xì)分行業(yè)的各個維度，對歸類后的海量企業(yè)數(shù)據(jù)進(jìn)行分析；所述分組統(tǒng)計模塊，用于分組統(tǒng)計每個細(xì)分行業(yè)的各個維度的企業(yè)數(shù)據(jù)；所述量化模塊，用于量化每個細(xì)分行業(yè)的各個維度的企業(yè)數(shù)據(jù)，獲取每個細(xì)分行業(yè)的各個維度的先行指標(biāo)；所述整合模塊，用于整合所有的先行指標(biāo)，組成微觀指標(biāo)庫。其進(jìn)一步技術(shù)方案為：所述發(fā)展趨勢預(yù)測單元包括時序數(shù)據(jù)準(zhǔn)備模塊、數(shù)據(jù)處理模塊、頻數(shù)統(tǒng)計模塊、分層索引模塊、參數(shù)統(tǒng)計模塊以及回歸預(yù)測模塊；所述時序數(shù)據(jù)準(zhǔn)備模塊，用于獲取需要預(yù)測的樣本行業(yè)，并從樣本行業(yè)的數(shù)據(jù)內(nèi)抽取出時序數(shù)據(jù)；所述數(shù)據(jù)處理模塊，用于在所述微觀指標(biāo)庫內(nèi)查詢所述時序數(shù)據(jù)，并對所述時序數(shù)據(jù)向量化；所述頻數(shù)統(tǒng)計模塊，用于按照tid分組統(tǒng)計所述時序數(shù)據(jù)的頻數(shù)；所述分層索引模塊，用于對tid分層索引；所述參數(shù)統(tǒng)計模塊，用于統(tǒng)計所述時序數(shù)據(jù)的均值、標(biāo)準(zhǔn)差以及分位數(shù)；所述回歸預(yù)測模塊，用于對所述時序數(shù)據(jù)的頻數(shù)、均值、標(biāo)準(zhǔn)差以及分位數(shù)進(jìn)行線性回歸預(yù)測。其進(jìn)一步技術(shù)方案為：所述回歸預(yù)測模塊包括建模子模塊、評估子模塊以及保存預(yù)測子模塊；所述建模子模塊，用于對所述時序數(shù)據(jù)的頻數(shù)、均值、標(biāo)準(zhǔn)差以及分位數(shù)進(jìn)行分組建模，獲取回歸模型；所述評估子模塊，用于評估每個模型的誤差率、r方以及回歸系數(shù)，繪制每個模型的圖形；所述保存預(yù)測子模塊，用于對每個模型進(jìn)行向上或向下發(fā)展趨勢的預(yù)測，并保存預(yù)測結(jié)果。本發(fā)明與現(xiàn)有技術(shù)相比的有益效果是：本發(fā)明的基于大數(shù)據(jù)的行業(yè)趨勢精準(zhǔn)預(yù)測方法，通過獲取海量企業(yè)數(shù)據(jù)，結(jié)合行業(yè)的細(xì)分行業(yè)的精準(zhǔn)定位，針對細(xì)分行業(yè)的不同維度對海量企業(yè)數(shù)據(jù)進(jìn)行歸類、統(tǒng)計以及量化，形成微觀指標(biāo)庫，微觀指標(biāo)庫用于預(yù)測行業(yè)向上或向下的發(fā)展趨勢，建立細(xì)分行業(yè)的生命周期指標(biāo)庫，預(yù)測行業(yè)的生命周期，實現(xiàn)提升預(yù)測和分析的準(zhǔn)確度，可針對某些行業(yè)進(jìn)行單獨把控，可彌補(bǔ)宏觀行業(yè)預(yù)測分析的缺陷，通用化程度高。下面結(jié)合附圖和具體實施例對本發(fā)明作進(jìn)一步描述。附圖說明圖1為本發(fā)明具體實施例提供的基于大數(shù)據(jù)的行業(yè)趨勢精準(zhǔn)預(yù)測方法的流程圖；圖2為本發(fā)明具體實施例提供的對企業(yè)的細(xì)分行業(yè)進(jìn)行定位的具體流程圖；圖3為本發(fā)明具體實施例提供的獲取微觀指標(biāo)庫的具體流程圖；圖4為本發(fā)明具體實施例提供的利用微觀指標(biāo)庫預(yù)測所述樣本行業(yè)向上或向下發(fā)展趨勢的具體流程圖；圖5為本發(fā)明具體實施例提供的進(jìn)行線性回歸預(yù)測的具體流程圖；圖6為本發(fā)明具體實施例提供的基于大數(shù)據(jù)的行業(yè)趨勢精準(zhǔn)預(yù)測系統(tǒng)的結(jié)構(gòu)框圖；圖7為本發(fā)明具體實施例提供的行業(yè)定位單元的結(jié)構(gòu)框圖；圖8為本發(fā)明具體實施例提供的微觀指標(biāo)庫獲取單元的結(jié)構(gòu)框圖；圖9為本發(fā)明具體實施例提供的發(fā)展趨勢預(yù)測單元的結(jié)構(gòu)框圖；圖10為本發(fā)明具體實施例提供的回歸預(yù)測模塊的結(jié)構(gòu)框圖。具體實施方式為了更充分理解本發(fā)明的技術(shù)內(nèi)容，下面結(jié)合具體實施例對本發(fā)明的技術(shù)方案進(jìn)一步介紹和說明，但不局限于此。如圖1～10所示的具體實施例，本實施例提供的基于大數(shù)據(jù)的行業(yè)趨勢精準(zhǔn)預(yù)測方法，可以運用在機(jī)構(gòu)預(yù)測各個行業(yè)當(dāng)前的發(fā)展情況的過程中，實現(xiàn)提升預(yù)測和分析的準(zhǔn)確度，可針對某些行業(yè)進(jìn)行單獨把控，可彌補(bǔ)宏觀行業(yè)預(yù)測分析的缺陷，通用化程度高。如圖1所示，本實施例提供了基于大數(shù)據(jù)的行業(yè)趨勢精準(zhǔn)預(yù)測方法，該方法包括：s1、獲取海量企業(yè)數(shù)據(jù)；s2、根據(jù)所述海量企業(yè)數(shù)據(jù)，對企業(yè)的細(xì)分行業(yè)進(jìn)行定位；s3、根據(jù)所述細(xì)分行業(yè)以及海量企業(yè)數(shù)據(jù)，獲取微觀指標(biāo)庫；s4、針對每個細(xì)分行業(yè)建立生命周期指標(biāo)庫；s5、針對需要預(yù)測的樣本行業(yè)，利用微觀指標(biāo)庫預(yù)測所述樣本行業(yè)向上或向下發(fā)展趨勢；s6、針對需要預(yù)測的樣本行業(yè)，利用生命周期指標(biāo)庫預(yù)測所述樣本行業(yè)所處生命周期。于其他實施例，上述的s5步驟以及s6步驟，可以對調(diào)順序進(jìn)行。上述的s1步驟，具體是通過數(shù)據(jù)爬取技術(shù)，在設(shè)定時間內(nèi)從互聯(lián)網(wǎng)上采集和爬取全國各細(xì)分行業(yè)的企業(yè)數(shù)據(jù)，作為海量企業(yè)數(shù)據(jù)；在獲取到海量企業(yè)數(shù)據(jù)后，還需要對這些海量企業(yè)數(shù)據(jù)進(jìn)行定期更新，以此來積累企業(yè)數(shù)據(jù)，海量可靠數(shù)據(jù)的支持，提升預(yù)測和分析的準(zhǔn)確度。更進(jìn)一步的，上述的s2步驟，根據(jù)所述海量企業(yè)數(shù)據(jù)，對企業(yè)的細(xì)分行業(yè)進(jìn)行定位的步驟，包括以下具體步驟：s21、根據(jù)海量企業(yè)數(shù)據(jù)，建立行業(yè)數(shù)據(jù)庫；s22、采用企業(yè)全名搜索相關(guān)咨訊網(wǎng)站，獲取搜索返回內(nèi)容；s23、對所述搜索返回內(nèi)容進(jìn)行精準(zhǔn)分析，獲取關(guān)鍵分詞；s24、對所述關(guān)鍵分詞進(jìn)行匹配、分組統(tǒng)計以及打標(biāo)簽，形成企業(yè)的細(xì)分行業(yè)。對于s21步驟，具體是對企業(yè)數(shù)據(jù)進(jìn)行自然語義分析獲得投資類詞語，與現(xiàn)有數(shù)據(jù)庫進(jìn)行比對，屬于新詞加入行業(yè)數(shù)據(jù)。例如：從網(wǎng)站中獲取了“三江購物俱樂部股份有限公司是浙江省目前最大的連鎖超市之一，中國連鎖業(yè)百強(qiáng)，是浙江省政府重點扶持大型連鎖企業(yè)，中國經(jīng)貿(mào)委重點聯(lián)系企業(yè)。公司目前擁有兩座大型配送中心，共占地13萬多平方米。有員工近萬名，會員顧客131多萬人，每天有近50多萬的顧客在三江的各連鎖商場購物消費?！蓖ㄟ^自然語義分析，得到“物流運輸、連鎖超市、超市配送”行業(yè)分詞，通過大量資訊的分析，發(fā)現(xiàn)“物流運輸”和“超市配送”呈現(xiàn)上升的趨勢，將這兩個詞與數(shù)據(jù)庫比對后，建立新的行業(yè)字段“交通運輸、倉儲和郵政業(yè)”到“物流”再到“超市配送”。上述的s22步驟，采用企業(yè)全名搜索相關(guān)咨訊網(wǎng)站，獲取搜索返回內(nèi)容；上述的相關(guān)咨訊網(wǎng)站包括百度、百度新聞、網(wǎng)絡(luò)黃頁、企業(yè)官網(wǎng)、微博、微信、招聘、工商信息、專利信息和seo等，基于互聯(lián)網(wǎng)公開信息收集和處理，不存在敏感信息，數(shù)據(jù)獲取成本較低。在當(dāng)新企業(yè)加入后，采用企業(yè)全名在互聯(lián)網(wǎng)采集相關(guān)咨訊網(wǎng)站的海量數(shù)據(jù)，使用大數(shù)據(jù)hdfs技術(shù)分布式存儲海量數(shù)據(jù)，將所述海量數(shù)據(jù)作為搜索返回內(nèi)容，基于成熟的大數(shù)據(jù)技術(shù)，保證海量數(shù)據(jù)的安全存儲，效率高，準(zhǔn)確度隨著數(shù)據(jù)的積累不斷提升。對于上述的s23步驟，對上述搜索返回內(nèi)容進(jìn)行行業(yè)語義分詞，得出如在線教育、移動互聯(lián)網(wǎng)、新四板、vc、天使、pe、交易市場、新三板、并購、并購重組、創(chuàng)業(yè)板、中小板、主板、境外、投行、直播以及o2o等分詞，具體的，是對采集返回的所述海量數(shù)據(jù)進(jìn)行清洗、歸類、提取摘要、提取關(guān)鍵字、分詞法以及語義分析，獲取精準(zhǔn)的語言材料；將所述精準(zhǔn)的語言材料與語料庫進(jìn)行匹配，獲得相應(yīng)投資屬性的關(guān)鍵分詞。對于上述的s24步驟，具體是將所述關(guān)鍵分詞與行業(yè)數(shù)據(jù)庫內(nèi)的行業(yè)進(jìn)行匹配和分組統(tǒng)計，篩選出排名及權(quán)重合理的行業(yè)屬性，給企業(yè)打上精準(zhǔn)的行業(yè)和產(chǎn)品標(biāo)簽。采用使用大數(shù)據(jù)mapreduce進(jìn)行海量數(shù)據(jù)的匹配及分組統(tǒng)計。保證海量數(shù)據(jù)分布式處理，效率高，準(zhǔn)確度隨著數(shù)據(jù)的積累不斷提升。以大數(shù)據(jù)技術(shù)驅(qū)動，基于分布式并行計算架構(gòu)，解決海量數(shù)據(jù)的存儲以及計算；將上述分詞進(jìn)行統(tǒng)計，比如，若其中在線教育出現(xiàn)了七次，而且與數(shù)據(jù)庫內(nèi)的在線教育標(biāo)簽匹配，采用通過統(tǒng)計學(xué)算法選出排名及權(quán)重合理的行業(yè)屬性。比如，通過算法優(yōu)化為該企業(yè)打上了行業(yè)標(biāo)簽，比如互聯(lián)網(wǎng)/互聯(lián)網(wǎng)信息服務(wù)/在線教育，從而確定企業(yè)的細(xì)分行業(yè)，以便后面行業(yè)趨勢分析時能細(xì)化到企業(yè)的細(xì)分行業(yè)。更進(jìn)一步的，對于s3步驟，根據(jù)所述細(xì)分行業(yè)以及海量企業(yè)數(shù)據(jù)，獲取微觀指標(biāo)庫的步驟，包括以下具體步驟：s31、按照所述細(xì)分行業(yè)，對所述海量企業(yè)數(shù)據(jù)進(jìn)行歸類；s32、按照所述細(xì)分行業(yè)的各個維度，對歸類后的海量企業(yè)數(shù)據(jù)進(jìn)行分析；s33、分組統(tǒng)計每個細(xì)分行業(yè)的各個維度的企業(yè)數(shù)據(jù)；s34、量化每個細(xì)分行業(yè)的各個維度的企業(yè)數(shù)據(jù)，獲取每個細(xì)分行業(yè)的各個維度的先行指標(biāo)；s35、整合所有的先行指標(biāo)，組成微觀指標(biāo)庫。對于上述的s31步驟，具體是為了將海量企業(yè)數(shù)據(jù)進(jìn)行細(xì)分行業(yè)的分類后，可以針對不同細(xì)分行業(yè)進(jìn)行單獨的分析，細(xì)化到細(xì)分行業(yè)的企業(yè)數(shù)據(jù)分析，可以得出較為細(xì)致的細(xì)分行業(yè)的當(dāng)前趨勢。對于上述的s32步驟，上述的維度包括專利集中度、產(chǎn)業(yè)資本、金融資本的集中度、時間等，但并不局限于上述所提及的維度，對每個細(xì)分行業(yè)的當(dāng)前趨勢的分析時，需要按照維度來分析，才能做到對整個細(xì)分行業(yè)的全面分析，提高分析和預(yù)測的準(zhǔn)確度。上述的s33步驟以及s34步驟，對每個細(xì)分行業(yè)中的每個維度的企業(yè)數(shù)據(jù)進(jìn)行統(tǒng)計和量化，以統(tǒng)計和量化后的數(shù)據(jù)作為先行指標(biāo)。上述的s35步驟，將所有先行指標(biāo)存儲在同一個數(shù)據(jù)庫內(nèi)，該數(shù)據(jù)庫則為微觀指標(biāo)庫。具體的，對于上述的s31步驟至s35步驟，在獲取每個細(xì)分行業(yè)的專利集中度這個維度的先行指標(biāo)時，統(tǒng)計每個細(xì)分行業(yè)在專利上發(fā)明專利、實用新型、外觀三個類型的總計數(shù)量，將總計數(shù)量作為專利集中度的先行指標(biāo)，保存到數(shù)據(jù)庫，形成微觀指標(biāo)庫，對于其他維度的先行指標(biāo)，也按照上述專利集中度的先行指標(biāo)獲取的方式以此類推，獲取其他方面的先行指標(biāo)，并存儲在微觀指標(biāo)庫。對于上述的s4步驟，針對每個細(xì)分行業(yè)建立生命周期指標(biāo)庫，這里的生命周期指標(biāo)庫內(nèi)的生命周期指標(biāo)包括起步期、發(fā)展期、鼎盛期，衰老期；比如一個vr行業(yè)的生命周期指標(biāo)庫包括起步期、發(fā)展期、鼎盛期，衰老期等數(shù)據(jù)。更進(jìn)一步的，上述的s5步驟，針對需要預(yù)測的樣本行業(yè)，利用微觀指標(biāo)庫預(yù)測所述樣本行業(yè)向上或向下發(fā)展趨勢的步驟，具體是使用svm(支持向量機(jī))對針對需要預(yù)測的樣本行業(yè)進(jìn)行時序回歸預(yù)測行業(yè)向上或向下發(fā)展趨勢。其包括以下具體步驟：s51、獲取需要預(yù)測的樣本行業(yè)，并從樣本行業(yè)的數(shù)據(jù)內(nèi)抽取出時序數(shù)據(jù)；s52、在所述微觀指標(biāo)庫內(nèi)查詢所述時序數(shù)據(jù)，并對所述時序數(shù)據(jù)向量化；s53、按照tid分組統(tǒng)計所述時序數(shù)據(jù)的頻數(shù)；s54、對tid分層索引；s55、統(tǒng)計所述時序數(shù)據(jù)的均值、標(biāo)準(zhǔn)差以及分位數(shù)；s56、對所述時序數(shù)據(jù)的頻數(shù)、均值、標(biāo)準(zhǔn)差以及分位數(shù)進(jìn)行線性回歸預(yù)測。對于上述的s51步驟，從樣本行業(yè)的數(shù)據(jù)內(nèi)抽取出有用的時序數(shù)據(jù)，有助于減少預(yù)測的時間，提高預(yù)測效率。對于上述的s52步驟，對時序數(shù)據(jù)進(jìn)行向量化是為了與微觀指標(biāo)庫內(nèi)的先行指標(biāo)進(jìn)行對比，便于后續(xù)的統(tǒng)計和分析，如下表所示，為向量后的數(shù)據(jù)：tidtdate指標(biāo)1指標(biāo)2指標(biāo)312009/1/10.003441.322009/2/10.005223.632009/3/1-0.004127.1上述的s53步驟，每個時序數(shù)據(jù)向量化后都是按照tid分組，因此，需要按照tid統(tǒng)計頻數(shù)。另外，對于上述的s54步驟，分層索引是為了將tid進(jìn)行行轉(zhuǎn)列處理。上述的s55步驟，在對樣本行業(yè)進(jìn)行預(yù)測過程中，除了統(tǒng)計頻數(shù)，還需要統(tǒng)計均值、標(biāo)準(zhǔn)差以及分位數(shù)，分析多個參數(shù)，有助于提高整個預(yù)測的準(zhǔn)確度。統(tǒng)計后的參數(shù)需要描述出來，如下表所示為某個時序數(shù)據(jù)的統(tǒng)計描述表格：更進(jìn)一步的，對于上述的s56步驟，對所述時序數(shù)據(jù)的頻數(shù)、均值、標(biāo)準(zhǔn)差以及分位數(shù)進(jìn)行線性回歸運算的步驟，包括以下具體步驟：s561、對所述時序數(shù)據(jù)的頻數(shù)、均值、標(biāo)準(zhǔn)差以及分位數(shù)進(jìn)行分組建模，獲取回歸模型；s562、評估每個模型的誤差率、r方以及回歸系數(shù)，繪制每個模型的圖形；s563、對每個模型進(jìn)行向上或向下發(fā)展趨勢的預(yù)測，并保存預(yù)測結(jié)果。對于上述的s561步驟，分組建模有利于分組測試數(shù)據(jù)，提高預(yù)測效率，其建模方法如下：sampler＝0.6；y＝filldata.ix[:,0]；x＝filldata.ix[:,1:2]；nsample＝len(y)；sampleboundary＝int(nsample*sampler)；shffleidx＝range(nsample)；np.random.shuffle(shffleidx)；train_y＝y(tǒng)[shffleidx[:sampleboundary]]；train_x＝x.ix[shffleidx[:sampleboundary]]；test_x＝x.ix[shffleidx[sampleboundary:]]；test_y＝y(tǒng)[shffleidx[sampleboundary:]]；#線性回歸模型；lr＝sklearn.linear_model.linearregression()；lr.fit(train_x,train_y)；predict_y＝lr.predict(test_x)。對于上述的s562步驟，利用每個模型的圖形觀測行業(yè)的趨勢，更加直觀。如下所示：ysample＝range(len(test_y))；error＝np.linalg.norm(predict_y-test_y,ord＝1)/len(test_y)。對于上述的s563步驟，利用模型預(yù)測，可以彌補(bǔ)宏觀行業(yè)預(yù)測分析的缺陷，且基于細(xì)分行業(yè)的精準(zhǔn)劃分下進(jìn)行的預(yù)測，可以提高預(yù)測的準(zhǔn)確度。如下所示：lr＝sklearn.linear_model.linearregression()；lr.fit(x,y)；pre_y＝lr.predict(x)；#保存預(yù)測結(jié)果；res＝pd.dataframe(pre_y)；res.to_csv('result.csv',header＝none,index＝false)。上述的s6步驟，主要是用于分析行業(yè)所處的生命周期，結(jié)合生命周期以及行業(yè)向上或向下的發(fā)展趨勢，有利于全面的、精準(zhǔn)的預(yù)測行業(yè)趨勢。上述的基于大數(shù)據(jù)的行業(yè)趨勢精準(zhǔn)預(yù)測方法，通過獲取海量企業(yè)數(shù)據(jù)，結(jié)合行業(yè)的細(xì)分行業(yè)的精準(zhǔn)定位，針對細(xì)分行業(yè)的不同維度對海量企業(yè)數(shù)據(jù)進(jìn)行歸類、統(tǒng)計以及量化，形成微觀指標(biāo)庫，微觀指標(biāo)庫用于預(yù)測行業(yè)向上或向下的發(fā)展趨勢，建立細(xì)分行業(yè)的生命周期指標(biāo)庫，預(yù)測行業(yè)的生命周期，實現(xiàn)提升預(yù)測和分析的準(zhǔn)確度，可針對某些行業(yè)進(jìn)行單獨把控，可彌補(bǔ)宏觀行業(yè)預(yù)測分析的缺陷，通用化程度高。如圖6所示，本實施例還提供了基于大數(shù)據(jù)的行業(yè)趨勢精準(zhǔn)預(yù)測系統(tǒng)，其包括數(shù)據(jù)獲取單元1、行業(yè)定位單元2、微觀指標(biāo)庫獲取單元3、生命周期指標(biāo)庫建立單元4、發(fā)展趨勢預(yù)測單元5以及生命周期預(yù)測單元6。數(shù)據(jù)獲取單元1，用于獲取海量企業(yè)數(shù)據(jù)。行業(yè)定位單元2，用于根據(jù)所述海量企業(yè)數(shù)據(jù)，對企業(yè)的細(xì)分行業(yè)進(jìn)行定位。微觀指標(biāo)庫獲取單元3，用于根據(jù)所述細(xì)分行業(yè)以及海量企業(yè)數(shù)據(jù)，獲取微觀指標(biāo)庫。生命周期指標(biāo)庫建立單元4，用于針對每個細(xì)分行業(yè)建立生命周期指標(biāo)庫。發(fā)展趨勢預(yù)測單元5，用于針對需要預(yù)測的樣本行業(yè)，利用微觀指標(biāo)庫預(yù)測所述樣本行業(yè)向上或向下發(fā)展趨勢。生命周期預(yù)測單元6，用于針對需要預(yù)測的樣本行業(yè)，利用生命周期指標(biāo)庫預(yù)測所述樣本行業(yè)所處生命周期。上述的數(shù)據(jù)獲取單元1具體是通過數(shù)據(jù)爬取技術(shù)，在設(shè)定時間內(nèi)從互聯(lián)網(wǎng)上采集和爬取全國各細(xì)分行業(yè)的企業(yè)數(shù)據(jù)，作為海量企業(yè)數(shù)據(jù)；在獲取到海量企業(yè)數(shù)據(jù)后，還需要對這些海量企業(yè)數(shù)據(jù)進(jìn)行定期更新，以此來積累企業(yè)數(shù)據(jù)，海量可靠數(shù)據(jù)的支持，提升預(yù)測和分析的準(zhǔn)確度。更進(jìn)一步的，上述的行業(yè)定位單元2包括數(shù)據(jù)庫建立模塊21、內(nèi)容獲取模塊22、分詞獲取模塊23以及處理模塊24。數(shù)據(jù)庫建立模塊21，用于根據(jù)海量企業(yè)數(shù)據(jù)，建立行業(yè)數(shù)據(jù)庫。內(nèi)容獲取模塊22，用于采用企業(yè)全名搜索相關(guān)咨訊網(wǎng)站，獲取搜索返回內(nèi)容。分詞獲取模塊23，用于對所述搜索返回內(nèi)容進(jìn)行精準(zhǔn)分析，獲取關(guān)鍵分詞。處理模塊24，用于對所述關(guān)鍵分詞進(jìn)行匹配、分組統(tǒng)計以及打標(biāo)簽，形成企業(yè)的細(xì)分行業(yè)。數(shù)據(jù)庫建立模塊21具體是對企業(yè)數(shù)據(jù)進(jìn)行自然語義分析獲得投資類詞語，與現(xiàn)有數(shù)據(jù)庫進(jìn)行比對，屬于新詞加入行業(yè)數(shù)據(jù)。例如：從網(wǎng)站中獲取了“三江購物俱樂部股份有限公司是浙江省目前最大的連鎖超市之一，中國連鎖業(yè)百強(qiáng)，是浙江省政府重點扶持大型連鎖企業(yè)，中國經(jīng)貿(mào)委重點聯(lián)系企業(yè)。公司目前擁有兩座大型配送中心，共占地13萬多平方米。有員工近萬名，會員顧客131多萬人，每天有近50多萬的顧客在三江的各連鎖商場購物消費?！蓖ㄟ^自然語義分析，得到“物流運輸、連鎖超市、超市配送”行業(yè)分詞，通過大量資訊的分析，發(fā)現(xiàn)“物流運輸”和“超市配送”呈現(xiàn)上升的趨勢，將這兩個詞與數(shù)據(jù)庫比對后，建立新的行業(yè)字段“交通運輸、倉儲和郵政業(yè)”到“物流”再到“超市配送”。內(nèi)容獲取模塊22具體是采用企業(yè)全名搜索相關(guān)咨訊網(wǎng)站，獲取搜索返回內(nèi)容；上述的相關(guān)咨訊網(wǎng)站包括百度、百度新聞、網(wǎng)絡(luò)黃頁、企業(yè)官網(wǎng)、微博、微信、招聘、工商信息、專利信息和seo等，基于互聯(lián)網(wǎng)公開信息收集和處理，不存在敏感信息，數(shù)據(jù)獲取成本較低。在當(dāng)新企業(yè)加入后，采用企業(yè)全名在互聯(lián)網(wǎng)采集相關(guān)咨訊網(wǎng)站的海量數(shù)據(jù)，使用大數(shù)據(jù)hdfs技術(shù)分布式存儲海量數(shù)據(jù)，將所述海量數(shù)據(jù)作為搜索返回內(nèi)容，基于成熟的大數(shù)據(jù)技術(shù)，保證海量數(shù)據(jù)的安全存儲，效率高，準(zhǔn)確度隨著數(shù)據(jù)的積累不斷提升。分詞獲取模塊23具體是對上述搜索返回內(nèi)容進(jìn)行行業(yè)語義分詞，得出如在線教育、移動互聯(lián)網(wǎng)、新四板、vc、天使、pe、交易市場、新三板、并購、并購重組、創(chuàng)業(yè)板、中小板、主板、境外、投行、直播以及o2o等分詞，具體的，是對采集返回的所述海量數(shù)據(jù)進(jìn)行清洗、歸類、提取摘要、提取關(guān)鍵字、分詞法以及語義分析，獲取精準(zhǔn)的語言材料；將所述精準(zhǔn)的語言材料與語料庫進(jìn)行匹配，獲得相應(yīng)投資屬性的關(guān)鍵分詞。處理模塊24具體是將所述關(guān)鍵分詞與行業(yè)數(shù)據(jù)庫內(nèi)的行業(yè)進(jìn)行匹配和分組統(tǒng)計，篩選出排名及權(quán)重合理的行業(yè)屬性，給企業(yè)打上精準(zhǔn)的行業(yè)和產(chǎn)品標(biāo)簽。采用使用大數(shù)據(jù)mapreduce進(jìn)行海量數(shù)據(jù)的匹配及分組統(tǒng)計。保證海量數(shù)據(jù)分布式處理，效率高，準(zhǔn)確度隨著數(shù)據(jù)的積累不斷提升。以大數(shù)據(jù)技術(shù)驅(qū)動，基于分布式并行計算架構(gòu)，解決海量數(shù)據(jù)的存儲以及計算；將上述分詞進(jìn)行統(tǒng)計，比如，若其中在線教育出現(xiàn)了七次，而且與數(shù)據(jù)庫內(nèi)的在線教育標(biāo)簽匹配，采用通過統(tǒng)計學(xué)算法選出排名及權(quán)重合理的行業(yè)屬性。比如，通過算法優(yōu)化為該企業(yè)打上了行業(yè)標(biāo)簽，比如互聯(lián)網(wǎng)/互聯(lián)網(wǎng)信息服務(wù)/在線教育，從而確定企業(yè)的細(xì)分行業(yè)，以便后面行業(yè)趨勢分析時能細(xì)化到企業(yè)的細(xì)分行業(yè)。更進(jìn)一步的，上述的微觀指標(biāo)庫獲取單元3包括歸類模塊31、分析模塊32、分組統(tǒng)計模塊33、量化模塊34以及整合模塊35。歸類模塊31，用于按照所述細(xì)分行業(yè)，對所述海量企業(yè)數(shù)據(jù)進(jìn)行歸類。分析模塊32，用于按照所述細(xì)分行業(yè)的各個維度，對歸類后的海量企業(yè)數(shù)據(jù)進(jìn)行分析。分組統(tǒng)計模塊33，用于分組統(tǒng)計每個細(xì)分行業(yè)的各個維度的企業(yè)數(shù)據(jù)。量化模塊34，用于量化每個細(xì)分行業(yè)的各個維度的企業(yè)數(shù)據(jù)，獲取每個細(xì)分行業(yè)的各個維度的先行指標(biāo)。整合模塊35，用于整合所有的先行指標(biāo)，組成微觀指標(biāo)庫。上述的歸類模塊31具體是為了將海量企業(yè)數(shù)據(jù)進(jìn)行細(xì)分行業(yè)的分類后，可以針對不同細(xì)分行業(yè)進(jìn)行單獨的分析，細(xì)化到細(xì)分行業(yè)的企業(yè)數(shù)據(jù)分析，可以得出較為細(xì)致的細(xì)分行業(yè)的當(dāng)前趨勢。上述的分析模塊32所提及的維度包括專利集中度、產(chǎn)業(yè)資本、金融資本的集中度、時間等，但并不局限于上述所提及的維度，對每個細(xì)分行業(yè)的當(dāng)前趨勢的分析時，需要按照維度來分析，才能做到對整個細(xì)分行業(yè)的全面分析，提高分析和預(yù)測的準(zhǔn)確度。分組統(tǒng)計模塊33以及量化模塊34對每個細(xì)分行業(yè)中的每個維度的企業(yè)數(shù)據(jù)進(jìn)行統(tǒng)計和量化，以統(tǒng)計和量化后的數(shù)據(jù)作為先行指標(biāo)。整合模塊35將所有先行指標(biāo)存儲在同一個數(shù)據(jù)庫內(nèi)，該數(shù)據(jù)庫則為微觀指標(biāo)庫。在獲取每個細(xì)分行業(yè)的專利集中度這個維度的先行指標(biāo)時，統(tǒng)計每個細(xì)分行業(yè)在專利上發(fā)明專利、實用新型、外觀三個類型的總計數(shù)量，將總計數(shù)量作為專利集中度的先行指標(biāo)，保存到數(shù)據(jù)庫，形成微觀指標(biāo)庫，對于其他維度的先行指標(biāo)，也按照上述專利集中度的先行指標(biāo)獲取的方式以此類推，獲取其他方面的先行指標(biāo)，并存儲在微觀指標(biāo)庫。上述的生命周期指標(biāo)庫建立單元4是針對每個細(xì)分行業(yè)建立生命周期指標(biāo)庫，這里的生命周期指標(biāo)庫內(nèi)的生命周期指標(biāo)包括起步期、發(fā)展期、鼎盛期，衰老期；比如一個vr行業(yè)的生命周期指標(biāo)庫包括起步期、發(fā)展期、鼎盛期，衰老期等數(shù)據(jù)。更進(jìn)一步的，上述的發(fā)展趨勢預(yù)測單元5具體是使用svm(支持向量機(jī))對針對需要預(yù)測的樣本行業(yè)進(jìn)行時序回歸預(yù)測行業(yè)向上或向下發(fā)展趨勢。另外，上述的發(fā)展趨勢預(yù)測單元5包括時序數(shù)據(jù)準(zhǔn)備模塊51、數(shù)據(jù)處理模塊52、頻數(shù)統(tǒng)計模塊53、分層索引模塊54、參數(shù)統(tǒng)計模塊55以及回歸預(yù)測模塊56。時序數(shù)據(jù)準(zhǔn)備模塊51，用于獲取需要預(yù)測的樣本行業(yè)，并從樣本行業(yè)的數(shù)據(jù)內(nèi)抽取出時序數(shù)據(jù)。數(shù)據(jù)處理模塊52，用于在所述微觀指標(biāo)庫內(nèi)查詢所述時序數(shù)據(jù)，并對所述時序數(shù)據(jù)向量化。頻數(shù)統(tǒng)計模塊53，用于按照tid分組統(tǒng)計所述時序數(shù)據(jù)的頻數(shù)。層索引模塊，用于對tid分層索引。參數(shù)統(tǒng)計模塊55，用于統(tǒng)計所述時序數(shù)據(jù)的均值、標(biāo)準(zhǔn)差以及分位數(shù)?；貧w預(yù)測模塊56，用于對所述時序數(shù)據(jù)的頻數(shù)、均值、標(biāo)準(zhǔn)差以及分位數(shù)進(jìn)行線性回歸預(yù)測。上述的時序數(shù)據(jù)準(zhǔn)備模塊51從樣本行業(yè)的數(shù)據(jù)內(nèi)抽取出有用的時序數(shù)據(jù)，有助于減少預(yù)測的時間，提高預(yù)測效率。上述的數(shù)據(jù)處理模塊52對時序數(shù)據(jù)進(jìn)行向量化是為了與微觀指標(biāo)庫內(nèi)的先行指標(biāo)進(jìn)行對比，便于后續(xù)的統(tǒng)計和分析，如下表所示，為向量后的數(shù)據(jù)：tidtdate指標(biāo)1指標(biāo)2指標(biāo)312009/1/10.003441.322009/2/10.005223.632009/3/1-0.004127.1每個時序數(shù)據(jù)向量化后都是按照tid分組，因此，需要頻數(shù)統(tǒng)計模塊53按照tid統(tǒng)計頻數(shù)。上述的分層索引模塊54是為了將tid進(jìn)行行轉(zhuǎn)列處理。上述的參數(shù)統(tǒng)計模塊55對樣本行業(yè)進(jìn)行預(yù)測過程中，除了統(tǒng)計頻數(shù)，還需要統(tǒng)計均值、標(biāo)準(zhǔn)差以及分位數(shù)，分析多個參數(shù)，有助于提高整個預(yù)測的準(zhǔn)確度。統(tǒng)計后的參數(shù)需要描述出來，如下表所示為某個時序數(shù)據(jù)的統(tǒng)計描述表格：rev123count973.000000973.000000973.000000mean0.0008430.0007540.000329std0.0212830.0219710.014343min-0.089100-0.099450-0.06744025％-0.010480-0.011000-0.00711050％0.0008430.0000000.00073075％0.0096700.0110000.008500max0.1000800.1000000.061150更進(jìn)一步的，上述的回歸預(yù)測模塊56包括建模子模塊561、評估子模塊562以及保存預(yù)測子模塊563。建模子模塊561，用于對所述時序數(shù)據(jù)的頻數(shù)、均值、標(biāo)準(zhǔn)差以及分位數(shù)進(jìn)行分組建模，獲取回歸模型。評估子模塊562，用于評估每個模型的誤差率、r方以及回歸系數(shù)，繪制每個模型的圖形。保存預(yù)測子模塊563，用于對每個模型進(jìn)行向上或向下發(fā)展趨勢的預(yù)測，并保存預(yù)測結(jié)果。上述的建模子模塊561進(jìn)行分組建模有利于分組測試數(shù)據(jù)，提高預(yù)測效率，其建模方法如下：sampler＝0.6；y＝filldata.ix[:,0]；x＝filldata.ix[:,1:2]；nsample＝len(y)；sampleboundary＝int(nsample*sampler)；shffleidx＝range(nsample)；np.random.shuffle(shffleidx)；train_y＝y(tǒng)[shffleidx[:sampleboundary]]；train_x＝x.ix[shffleidx[:sampleboundary]]；test_x＝x.ix[shffleidx[sampleboundary:]]；test_y＝y(tǒng)[shffleidx[sampleboundary:]]；#線性回歸模型；lr＝sklearn.linear_model.linearregression()；lr.fit(train_x,train_y)；predict_y＝lr.predict(test_x)。上述的評估子模塊562利用每個模型的圖形觀測行業(yè)的趨勢，更加直觀。如下所示：ysample＝range(len(test_y))；error＝np.linalg.norm(predict_y-test_y,ord＝1)/len(test_y)。上述的保存預(yù)測子模塊563利用模型預(yù)測，可以彌補(bǔ)宏觀行業(yè)預(yù)測分析的缺陷，且基于細(xì)分行業(yè)的精準(zhǔn)劃分下進(jìn)行的預(yù)測，可以提高預(yù)測的準(zhǔn)確度。如下所示：lr＝sklearn.linear_model.linearregression()；lr.fit(x,y)；pre_y＝lr.predict(x)；#保存預(yù)測結(jié)果；res＝pd.dataframe(pre_y)；res.to_csv('result.csv',header＝none,index＝false)。另外，上述的生命周期預(yù)測單元6主要是用于分析行業(yè)所處的生命周期，結(jié)合生命周期以及行業(yè)向上或向下的發(fā)展趨勢，有利于全面的、精準(zhǔn)的預(yù)測行業(yè)趨勢。上述的基于大數(shù)據(jù)的行業(yè)趨勢精準(zhǔn)預(yù)測系統(tǒng)，通過獲取海量企業(yè)數(shù)據(jù)，結(jié)合行業(yè)的細(xì)分行業(yè)的精準(zhǔn)定位，針對細(xì)分行業(yè)的不同維度對海量企業(yè)數(shù)據(jù)進(jìn)行歸類、統(tǒng)計以及量化，形成微觀指標(biāo)庫，微觀指標(biāo)庫用于預(yù)測行業(yè)向上或向下的發(fā)展趨勢，建立細(xì)分行業(yè)的生命周期指標(biāo)庫，預(yù)測行業(yè)的生命周期，實現(xiàn)提升預(yù)測和分析的準(zhǔn)確度，可針對某些行業(yè)進(jìn)行單獨把控，可彌補(bǔ)宏觀行業(yè)預(yù)測分析的缺陷，通用化程度高。上述僅以實施例來進(jìn)一步說明本發(fā)明的技術(shù)內(nèi)容，以便于讀者更容易理解，但不代表本發(fā)明的實施方式僅限于此，任何依本發(fā)明所做的技術(shù)延伸或再創(chuàng)造，均受本發(fā)明的保護(hù)。本發(fā)明的保護(hù)范圍以權(quán)利要求書為準(zhǔn)。當(dāng)前第1頁12