在數據爆炸量、多樣化以及數據更新快速的時代下，大數據分析之應用日益受到重視，在商業智慧領域也無法避免;過去所處理的數據大都是屬于結構性，亦為傳統數據庫用于協助解決商業行為的數據結構;近年來，由于數據產生的多元性，數據的產生有「4V」特性，即數據量大(Volume)、數據多樣性(Variety)、高誤差性(Veracity)、輸入和處理速度快(Velocity)，尤其非結構數據(如Text, image, video等)的大量形成，強烈沖擊傳統數據庫的技術與應用;同時，因為大數據數據類別多、形成速度快，因此云端技術的支援與數據傳輸速度的充足與否，便是其能否順利運作的重要關鍵，如訂票系統、觀看影片等，當數據都上傳至云端時，除了有大量的數據存取空間外，頻寬也必需充足，才能讓使用者可及時下載所需數據。

　　但就因為數據產生越來越多、瞬間產生越來越快、樣式越來越大，而且有不正確性、雜訊等干擾因素存在，因此軟、硬體設備都需要升級，才能因應龐大且迅速產生的數據量。幸而Hadoop分散式并行處理系統的開發，讓數據在夠快的網路速度下可進行多個CPU的平行運算;此外，固態硬碟亦為大量數據儲存的重要硬體設備;換句話說，CPU的平行運算、固態硬碟、及網路速度，在大數據的數據處理上，叁者缺一不可。本校張百棧教授所帶領的商業智慧團隊，其核心技術就在于處理大數據下之非結構性數據，利用智慧運算(Computational Intelligence, CI)技術，對非結構性數據進行數據探勘(Data Mining)，而主要應用的領域在于股價訊號判定以及心跳數據判定，尤其是在股價訊號判定部分，該團隊可進一步利用機器學習(Machine Learning)的方式進行股價預測。

　　智慧型計算技術應用在病例數據之判讀

　　張百棧教授所帶領的團隊一直以來致于推廣智慧型計算，并結合各域知(Domain Knowledge)解決同類型之問題，包括工廠排程問題、股市預測與醫療資訊叁大域。過去多年之研究在于結合四項智慧型計算技術：即探勘策、(類)經計算、演化式計算與自然計算，提出創新的Hybrid Model in Computational Intelligence (CI)，用SOM (Self-Organizing Maps) 或K-means 先將資做分群，再將分群后的資找出其模煳資規則，進新的預測，所得到的正確比沒有分群高出許多。這是因為分群后的資同質性高，從而求得之模煳資規則也具有代表性。此一模型也被國際上許多學者接受與引用。

　　該團隊亦將此一模式進行改良，并應用于醫療領域中生理訊號處理與病例辨等問題。首先，將資以案例式推理方法分群，之后以模煳決策樹與基因演算法，分別建立子群體之模煳規則，藉此判斷是否為肝臟疾病與乳腺癌的病例，此項研究成果已發表在著名的Applied Soft Computing期刊上。近年發展出多導程心電圖之心臟疾病辨，主要著重在心電訊號的處理：先將解碼后的心電訊號除去雜訊，并進行波型取樣，再以隱藏式馬可夫模型訓練方式，找出患病與健康病例之機模型，最后結合高斯混合模型的訓練，進病例判讀。目前臺灣已有知名醫院將患者的心電圖資訊上傳至云端，讓醫師可以從智慧型裝置直接做判讀，但由于心電圖的判讀頗費心力，部份醫院會將這部分的工作外包，由具專業知識的全球人才進行心電圖的分析，然后再以機器學習演算法(Machine Learning )的方式進行病歷數據判讀與建立數據庫，這也就是大數據的應用。

　　分群技術與 TSK 模煳技術之股價指預測

　　此一團隊亦運用各種軟性計算技術，建立股價指預測之模型。其預測步驟是先將資分群，而后運用TSK 模煳技術找出影響股價指數的重要因素，再以機器學習演算法或類神經網絡分析，進臺灣加權指預測，并從中判定低點、高點的訊號，預測準確達到9成以上。目前此一預測模式僅納入兩個影響因子，分別為基本面和技術面;但如政治、經濟、心理等「大環境」因素是最難控制的，因此未來可將出現在各線上新聞網站或社群媒體等之政經新聞中的文字，經處理、過濾后轉換成影響股價波動的情感訊號，準確率將可望再提高，有助于降低投資風險，并提高投資報酬。

　　個股股價轉折點及潤賺取預測

　　圖一、方法流程圖

　　此一團隊另一項股市預測技術，在于個別股價投資時點之研究。先將所欲投資的個股，其近半年至一年來的股價波動訊號，從非線性轉成線性后，在高、低點時之相關技術面指標如KD、RSI、成交量等作為輸入變數(input)，并將股價轉化為交易訊號(Trading signal)以作為輸出變數(output)，進而從中找出具代表性的變數;之后再將篩選出的因子，輸入類神經網路中訓練，也就是Machine Learning，進而預測股價之高、低點轉折處。此部份可是股價指數預測部份之延伸，由于已可成功預測股價指，因此進一步探討如何在股票市場中賺取潤便相當重要，預測出個股價格轉折點(Turning Point)，便可讓投資者能逢低買進、逢高賣出，提升投資報酬率;此部份之技術基礎在于結合線段割(Piecewise Linear Representation, PLR)系統與類經網預測(Back-propagation Neural Network, BPN)等技術，而以 PLR 作為判斷塬始資轉折點之預測工具。研究程主要分為叁個步驟：首先，為增加投資報酬，我們將提出選股塬則，并以這些塬則選出具有投資效的個股;第二步驟，用預測模型及事先交易決策分析個股買賣點，輸入變為技術指標值，輸出變為買賣時點;第叁步驟，預測每日交易訊號，以獲得最佳買賣時機點，即股價轉折點(如圖一)。

　　綜上所述，張百棧教授所率領的商業智慧運算團隊，除了基礎分析技術超卓外，所應用分析的領域涵蓋面極廣并切合實際應用，尤其是對于生理資訊的判定方面，對于人類社會將會有長足的貢獻，研究成果相當值得期待。
 
原文鏈接：http://www.thebigdata.cn/YingYongAnLi/13884.html