买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉重庆夸克量子网络科技有限公司申请的专利一种基于云传输的量化交易数据实时分发方法及装置获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120416348B 。

龙图腾网通过国家知识产权局官网在2025-09-12发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510905293.6，技术领域涉及：H04L69/04；该发明授权一种基于云传输的量化交易数据实时分发方法及装置是由周其龙;舒展;李盼;汪宇荣设计研发完成，并于2025-07-02向国家知识产权局提交的专利申请。

本一种基于云传输的量化交易数据实时分发方法及装置在说明书摘要公布了：本发明公开了一种基于云传输的量化交易数据实时分发方法及装置，本发明在进行压缩时，对实时交易数据流进行聚类分析，从而将实时交易数据流划分为多个数据类簇；然后，再确定出各个类簇中心与对应数据类簇中剩余各个交易数据之间的个体差异数据，进而将多个数据类簇简化为类簇中心加个体差异数据的表示形式；而后，对类簇中心和个体差异数据进行压缩，则可得到实时交易数据流对应的压缩数据流；最后，将压缩数据流发送至各个交易设备，即可完成对交易数据的实时分发；由此，本发明仅对交易数据中的共同部分和差异部分进行压缩，从而极大的减少了压缩的数据量，基于此，可提高压缩效率，进而降低了因压缩时间过长而导致的传输延迟。

本发明授权一种基于云传输的量化交易数据实时分发方法及装置在权利要求书中公布了：1.一种基于云传输的量化交易数据实时分发方法，其特征在于，包括： 获取实时交易数据流； 对实时交易数据流中的各个交易数据进行聚类处理，得到至少一个数据类簇； 确定出各个数据类簇的类簇中心，并确定出各个类簇中心与对应数据类簇中剩余的各个交易数据之间的个体差异数据以及各个个体差异数据对应的差异位置，其中，差值位置对应有差异操作，且差异操作包括插入操作、替换操作和删除操作； 对各个类簇中心和各个类簇中心对应的个体差异数据进行数据压缩处理，得到各个压缩后的类簇中心和各个类簇中心对应的压缩后的个体差异数据； 利用各个压缩后的类簇中心、各个类簇中心对应的压缩后的个体差异数据以及各个个体差异数据对应的差异位置，组成所述实时交易数据流对应的压缩数据流； 将所述压缩数据流分发至各个交易设备，以完成对所述实时交易数据流的实时分发； 对实时交易数据流中的各个交易数据进行聚类处理，得到至少一个数据类簇，包括： 计算出所述实时交易数据流中各交易数据之间的数据距离； 根据各个交易数据之间的数据距离，确定出多个初始聚类中心； 利用聚类寻优算法，对多个初始聚类中心进行寻优处理，以得到所述实时交易数据流的多个最优初始聚类中心； 基于多个最优初始聚类中心，对实时交易数据流进行聚类处理，得到多个初始数据类簇； 对多个初始数据类簇进行聚类校正处理，以得到所述至少一个数据类簇； 根据各个交易数据之间的数据距离，确定出多个初始聚类中心，包括： 利用各个交易数据之间的数据距离，构建出距离矩阵，并将距离矩阵中的各个数据距离按照从小至大的顺序进行排序，得到距离序列； 基于距离序列，确定出距离阈值； 对于实时交易数据流中的任一交易数据，根据所述距离阈值以及所述任一交易数据与指定数据集中各个指定数据之间的数据距离，计算出所述任一交易数据的局部密度，并在将所述实时交易数据流中的所有交易数据均轮询完毕后，得到各个交易数据的局部密度，其中，所述指定数据集中的各个指定数据为实时交易数据流中除去所述任一交易数据之外的各个交易数据； 对于所述任一交易数据，从所述实时交易数据流中筛选出至少一个目标数据，其中，任一目标数据的局部密度大于所述任一交易数据的局部密度； 从各个目标数据与所述任一交易数据的数据距离中，筛选出最小的数据距离，以作为所述任一交易数据对应的标定距离，并在将所述实时交易数据流中的所有交易数据均轮询完毕后，到各个交易数据对应的标定距离； 利用各个交易数据的局部密度和标定距离，从各个交易数据中，确定出多个初始聚类中心； 其中，利用各个交易数据的局部密度和标定距离，从各个交易数据中，确定出多个初始聚类中心，包括： 计算出所述实时交易数据流中所有交易数据对应的标定距离的标准差，以及所有交易数据对应的局部密度的密度均值； 基于标准差，确定出标定阈值，标定阈值为2倍标准差； 从实时交易数据流的各个交易数据中，筛选出标定距离大于或等于所述标定阈值的交易数据，以作为预选初始聚类中心； 从各个预选初始聚类中心中，筛选出局部密度大于或等于密度均值的预选初始聚类中心，以将筛选出的预选初始聚类中心，作为初始聚类中心； 利用聚类寻优算法，对多个初始聚类中心进行寻优处理，以得到所述实时交易数据流的多个最优初始聚类中心，包括： 基于多个初始聚类中心，构建出蝙蝠种群，其中，所述蝙蝠种群中的每个蝙蝠个体对应有初始位置、初始速度、初始脉冲响度和初始脉冲发射频率，且任一蝙蝠个体的初始位置对应一个初始聚类中心； 初始化寻优次数t，并基于各个蝙蝠个体在第t次寻优时的位置，对实时交易数据流进行聚类处理，以得到第t次寻优时的聚类类簇，其中，每个蝙蝠个体对应一个聚类类簇，t的初始值为1，且当t为1时，任一蝙蝠个体在第t次寻优时的位置为该任一蝙蝠个体的初始位置； 基于第t次寻优时的聚类类簇，计算出各个蝙蝠个体在第t次寻优时的适应度，其中，任一蝙蝠个体的适应度越大，表征该任一蝙蝠个体对应的聚类类簇的聚类准确度越高； 判断各个蝙蝠个体在第t次寻优时的适应度，是否大于各个蝙蝠个体的历史最优适应度； 若否，则确定出第t次寻优时的最大适应度、搜索权重因子以及脉冲频率，其中，采用如下公式（4），来计算出其对应的第t次寻优时的脉冲频率； （4） 上述公式（4）中，表示所述任一蝙蝠个体在第t次寻优时的脉冲频率，分别表示最大脉冲频率和最小脉冲频率，而则表示[0,1]上的随机数； 根据最大适应度、搜索权重因子和脉冲频率，对各个蝙蝠个体在第t次寻优时的速度进行更新处理，得到各个蝙蝠个体对应的更新后速度，并利用各个蝙蝠个体对应的更新后速度，对蝙蝠个体在第t次寻优时的位置进行更新处理，以得到各个蝙蝠个体对应的更新后位置，其中，当t为1时，任一蝙蝠个体在第t次寻优时的速度为该任一蝙蝠个体对应的初始速度； 其中，对于任一蝙蝠个体，生成一随机向量，随机向量中的元素取值在［-1,1］之间，且长度与该任一蝙蝠个体对应的位置向量的长度相同；然后，根据所述任一蝙蝠个体对应的更新后速度和所述随机向量，确定出所述任一蝙蝠个体对应的更新后位置； 采用如下公式（6），计算出该任一蝙蝠个体对应的更新后位置 （6） 上述公式（6），表示所述任一蝙蝠个体对应的更新后位置，表示随机向量，表示向量的范数，表示所述任一蝙蝠个体对应的更新后速度，表示所述任一蝙蝠个体在第t次寻优时的位置； 利用各个蝙蝠个体在第t次寻优时的脉冲发射频率，对各个蝙蝠个体对应的更新后位置进行扰动处理，得到各个蝙蝠个体对应的扰动位置，其中，当t为1时，任一蝙蝠个体在第t次寻优时的脉冲发射频率为该任一蝙蝠个体的初始脉冲发射频率； 基于各蝙蝠个体在第t次寻优时的脉冲响度，判断是否保留各蝙蝠个体对应的扰动位置，且当t为1时，任一蝙蝠个体在第t次寻优时的脉冲响度为该任一蝙蝠个体的初始脉冲响度； 若是，则将t自加1，以及将各个蝙蝠个体对应的扰动位置作为各个蝙蝠个体在第t次寻优时的位置，并重新基于各个蝙蝠个体在第t次寻优时的位置，对实时交易数据流进行聚类处理，直至各个蝙蝠个体在第t次寻优时的适应度大于各个蝙蝠个体的历史最优适应度时，根据各个蝙蝠个体在第t次寻优时的位置，确定出实时交易数据流的多个最优初始聚类中心； 确定出第t次寻优时的搜索权重因子，包括： 按照如下公式（1），确定出第t次寻优时的搜索权重因子； （1） 上述公式（1）中，表示第t次寻优时的搜索权重因子，表示最大寻优次数，依次表示最大搜索权重和最小搜索权重，且表示权重指数； 相应的，利用各个蝙蝠个体在第t次寻优时的脉冲发射频率，对各个蝙蝠个体对应的更新后位置进行扰动处理，得到各个蝙蝠个体对应的扰动位置，则包括： 对于任一蝙蝠个体，生成一第一随机数，并判断第一随机数是否大于所述任一蝙蝠个体在第t次寻优时的脉冲发射频率； 若是，则获取最大扰动因子、最小扰动因子以及所述蝙蝠种群的个体总数； 根据最大扰动因子、最小扰动因子和个体总数，计算出第t次寻优时的扰动系数； 利用第t次寻优时的扰动系数，对所述任一蝙蝠个体对应的更新后位置进行扰动处理，得到所述任一蝙蝠个体对应的扰动位置； 根据最大扰动因子、最小扰动因子和个体总数，计算出第t次寻优时的扰动系数，包括： 按照如下公式（2），计算出第t次寻优时的扰动系数； （2） 上述公式（2）中，表示第t次寻优时的扰动系数，依次表示最大扰动因子和最小扰动因子，表示所述个体总数； 对多个初始数据类簇进行聚类校正处理，以得到所述至少一个数据类簇，包括： 根据各个初始数据类簇，从所述实时交易数据流中筛选出错误分类数据；其中，对于实时交易数据流中的任一交易数据，可以先计算出该任一交易数据与各个初始数据类簇中的类簇中心之间的距离，并按照从小至大的顺序，将计算出的各个距离进行排序，得到排序序列；然后，筛选出排序序列中的前两个距离，并判断前两个距离的差值的绝对值是否小于预设阈值；其中，若是，则将所述任一交易数据作为错误分类数据，并在将实时交易数据流中的所有交易数据均轮询完毕时，从实时交易数据流中筛选出所有错误分类数据； 利用筛选出的所有错误分类数据，组成待分类集； 从实时交易数据流中删除所有错误分类数据，并利用剩余的交易数据，组成正确分类集； 对于待分类集中的任一错误分类数据，从正确分类集中，确定出与所述任一错误分类数据距离最近的交易数据，以作为该任一错误分类数据的最临近数据； 根据所述任一错误分类数据的最临近数据，对所述任一错误分类数据重新进行分类处理，并在将所述待分类集中的所有错误分类数据均轮询完毕后，完成多个初始数据类簇的聚类校正处理，得到所述至少一个数据类簇。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人重庆夸克量子网络科技有限公司，其通讯地址为：401120 重庆市渝北区龙塔街道紫园路186号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。