一种预测股票价格和确定参数的方法、设备及存储介质

摘要

本公开涉及一种预测股票价格和确定参数的方法、设备及存储介质，其中，预测股票价格的方法包括：获取目标日期前的历史股价时间序列；以预设滑动时间窗口处理历史股价时间序列，得到N个中间日期对应的N个历史股价序列；对每个中间日期对应的历史股价序列进行变分模态分解；根据分解序列确定第一输入序列；使用历史股价时间序列确定第二输入序列；将第一输入序列和第二输入序列作为输入，使用ELM模型输出中间日期对应的预测股价；根据通过和声搜索方法预先确定的权重系数，对N个中间日期对应的N期预测股价进行加权，得到目标日期的预测股价。该参数确定方法确定权重系数。通过该方法，提高了股票价格预测的准确率。

说明书

技术领域

本公开涉及计算机领域，尤其涉及一种预测股票价格和确定参数的方法、设备及存储介质。

背景技术

股票市场预测一直是金融领域研究热点之一，近年来一直备受关注。由于股票价格表现出动态、非线性、非参数和混沌等性质，准确预测股价是一项非常困难和具有挑战性的课题。

发明内容

为了解决上述技术问题或者至少部分地解决上述技术问题，本公开提供了一种预测股票价格和确定参数的方法、设备及存储介质。

第一方面，本公开提供了一种预测股票价格的方法，包括：获取目标日期前的历史股价时间序列；以预设滑动时间窗口处理历史股价时间序列，得到N个中间日期对应的N个历史股价序列；对于N个中间日期中的每个中间日期：对中间日期对应的历史股价序列进行变分模态分解，得到K个分解序列；根据K个分解序列确定第一输入序列，第一输入序列表示中间日期的股价特征；使用历史股价时间序列确定第二输入序列，第二输入序列表示中间日期之前的股价趋势；以及将第一输入序列和第二输入序列作为输入，使用ELM模型输出中间日期对应的预测股价；根据通过和声搜索方法预先确定的权重系数，对N个中间日期对应的N期预测股价进行加权，得到目标日期的预测股价。

在一些实施例中，根据K个分解序列确定第一输入序列，包括：提取K个分解序列中每个分解序列内与中间日期对应位置的值组成第一输入序列。

在一些实施例中，第二输入序列包括以下至少之一：中间日期前连续多天的历史股价；与中间日期间隔一个或多个预设天数的日期的历史股价；中间日期前连续多天的历史股价的一个或多个移动平均值。

第二方面，本公开提供了一种确定参数的方法，包括：获取股票的历史股价时间序列；在历史日期中选择多个目标日期，对于每个目标日期，以目标日期的实际股价作为标签，确定每个目标日期对应的模型输入，使用ELM模型输出目标日期对应的N期预测股价；以及以最小化目标日期的预测股价与实际股价之间的误差为目标进行和声搜索，确定与N期预测股价对应的权重系数，其中，目标日期的预测股价是根据当前权重系数对N期预测股价进行加权得到的。

其中，确定每个目标日期对应的模型输入，包括：以预设滑动时间窗口处理目标日期之前的历史股价时间序列，得到N个中间日期对应的N个历史股价序列；对于N个中间日期中的每个中间日期：对中间日期对应的历史股价序列进行变分模态分解，得到K个分解序列；根据K个分解序列确定第一输入序列，第一输入序列表示中间日期的股价特征；使用历史股价时间序列确定第二输入序列，第二输入序列表示中间日期之前的股价趋势；以及以第一输入序列和第二输入序列作为中间日期对应的模型输入。

在一些实施例中，根据K个分解序列确定第一输入序列，包括：提取K个分解序列中每个分解序列内与中间日期对应位置的值组成第一输入序列。

在一些实施例中，第二输入序列包括以下至少之一：中间日期前连续多天的历史股价；与中间日期间隔一个或多个预设天数的日期的历史股价；中间日期前连续多天的历史股价的一个或多个移动平均值。

在一些实施例中，误差为平均绝对百分误差。

第三方面，本公开提供了一种计算机设备，计算机设备包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序；计算机程序被处理器执行时实现本公开提供的预测股票价格的方法的步骤。

第四方面，本公开提供了一种计算机设备，计算机设备包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序；计算机程序被处理器执行时实现本公开提供的确定参数的方法的步骤。

第五方面，本公开提供了一种计算机可读存储介质，计算机可读存储介质上存储有预测股票价格的程序，预测股票价格的程序被处理器执行时实现本公开提供的预测股票价格的方法的步骤。

本公开实施例提供的上述技术方案与相关技术相比具有如下优点：本公开实施例提供的该方法，通过ELM模型进行第一阶段预测，然后通过和声搜索预先确定的权重系数进行第二阶段预测，提高了股票价格预测的准确率。并且，与单一的模型相比，预测结果更稳定。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为根据本公开实施例提供的预测股票价格的方法一种实施方式的流程图；

图2为本公开实施例提供的确定参数的方法一种实施方式的流程图；

图3为本公开实施例提供的确定每个目标日期对应的模型输入的方法一种实施方式的流程图；

图4为本公开实施例提供的两阶段预测方法的示意图；

图5为本公开实施例提供的第一阶段VMD的示意图；

图6为本公开实施例提供的第一阶段预测的示意图；

图7为本公开实施例提供的改进的和声搜索方法的示意图；

图8为本公开实施例提供的改进的和声搜索方法中生成新和声的伪代码；

图9为本公开实施例提供的改进的和声搜索方法中变异和交叉操作的伪代码；

图10为本公开实施例提供的两阶段模型的示意图；

图11为本公开实施例提供的系统一种实施方式的结构示意图；

图12为本公开实施例提供的计算机设备一种实施方式的硬件示意图。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本公开，并不用于限定本公开。

在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本公开的说明，其本身没有特定的意义。因此，“模块”、“部件”或“单元”可以混合地使用。

此前，已有许多传统的时间序列模型被应用于股市预测，包括自回归移动平均(ARMA)、自回归综合移动平均(ARIMA)，平稳过渡自回归模型(STAR)，广义自回归条件异方差(GARCH)等。为了更好地面对噪声环境，近年来，越来越多的研究人员将人工智能技术应用于股票市场预测。例如，Yeh等开发了一种多核支持向量回归(SVR)方法来预测股价。Liu等设计了一种用于股票价格预测的type-2模糊神经网络模型。Ticknor提出了一种基于贝叶斯网络的股票指数股价预测模型。Laboissiere等提出了一种人工神经网络(ANN)来预测巴西三家配电公司的日最大最小股价。Fischer和Krauss设计了一个用于金融市场预测的长短期记忆(LSTM)模型。Zhang等将支持向量回归(SVR)与萤火虫算法相结合，提出了一种预测股价的新方法。

值得注意的是，使用一个单一的人工智能模型并不总是保证在所有情况下都具有高水平的准确性。因此，为了减少一次预测结果的随机性，本公开提供了一种预测股票价格的方法，该方法通过ELM(Extreme Learning Machine，极致学习机或极限学习机)模型进行第一阶段预测，然后通过和声搜索方法确定的权重系数进行第二阶段预测，提高了股票价格预测的准确率。

图1为根据本公开实施例提供的预测股票价格的方法一种实施方式的流程图，如图1所示，该方法包括步骤S102至步骤S114。

步骤S102，获取目标日期前的历史股价时间序列。

在本公开实施例中，目标日期可为当前日期的下一日期。历史股价时间序列包括目标日期之前的一段时间的每日收盘价。示例性，每日采集并记录当天的收盘价，形成历史股价时间序列。

在本公开实施例中，历史股价时间序列中的历史股价是有序的，即过去一段时间内股价随时间的变化。

在一些示例中，历史股价时间序列存储于数据库中，从数据库中读取目标日期前的历史股价时间序列。该数据库可为本地数据库，也可为远程数据库，可通过网络访问远程数据库，从远程数据库中获取数据。

示例性的，在目标日期为“明天”的情况下，历史股价时间序列可包括从“今天”开始至过去一段时间的每日收盘价，例如，从今天开始过去一个月的每日收盘价。

步骤S104，以预设滑动时间窗口处理历史股价时间序列，得到N个中间日期对应的N个历史股价序列。

在本公开实施例中，预设滑动时间窗口的参数包括滑动窗口的大小和滑动窗口的步长。在本公开实施例中，滑动窗口的大小可根据需要设置，例如，滑动窗口的大小设置7，一个滑动窗口中包含7天的股价。滑动窗口的步长可以根据需要设置，在本公开实施例中，步长可设置为1。

在本公开实施例中，中间日期为每次滑动后，距离目标日期最近的日期。

优选地，N个中间日期为连续的N个日期，例如，目标日期为9月10日，此时，可确定9个中间日期为9月1日至9月9日，但不限于此。在本公开实施例中，N个日期可仅为交易日。

以滑动窗口的大小为7、滑动窗口的步长为1、N为4、目标日期为9月30日为例进行示例性说明。在该示例中，以P

表1中间日期及历史股价序列示例

如表1所示，该示例中，目标日期为9月30日，中间日期包括9月29日、9月28日、9月27日和9月26日。9月29日对应的历史股价序列为9月29日至9月23日的历史股价，以此类推，每个中间日期包括自身在内的7天的历史股价。

应当理解，该示例仅作为示例性说明，而非对滑动窗口的大小、滑动窗口的步长以及N等数值的限定。

对于N个中间日期中的每个中间日期，进行步骤S106至步骤S112的处理。

步骤S106，对中间日期对应的历史股价序列进行变分模态分解(Variationalmode decomposition，VMD)，得到K个分解序列。

VMD进行特征选取以提高准确率。VMD将一个原始样本序列分解成多个具有不同中心频率的子序列，在本公开实施例中称为分解序列。VMD过程可参见公知技术，本公开实施例对此不做赘述。

步骤S108，根据K个分解序列确定第一输入序列，第一输入序列表示中间日期的股价特征。

在一些示例中，提取K个分解序列中每个分解序列内与中间日期对应位置的值组成第一输入序列。示例性的，参考表1所示，中间日期为历史股价序列的最后一个元素，分解序列中元素的顺序与历史股价序列的元素一一对应，选择每个分解序列中最后一个元素组成第一输入序列。每个中间日期对应的历史股价序列包括K个分解序列，此时，第一输入序列包括K个元素。

步骤S110，使用历史股价时间序列确定第二输入序列，第二输入序列表示中间日期之前的股价趋势。

在一些示例中，第二输入序列包括中间日期前连续多天的历史股价。在该示例中，中间日期前的连续多天的历史股价反映出股价近期的连续变化趋势。示例性的，第二输入序列可包括从中间日期前一天开始10天的历史股价，以中间日期为9月29日为例，则第二输入序列可包括9月28日至9月19日的历史股价。

在一些示例中，第二输入序列包括与中间日期间隔一个或多个预设天数的日期的历史股价。在该示例中，间隔不同的天数可表示股价的中长期趋势。示例性的，第二输入序列可包括距离中间日期15天、20天、30天的历史股价，以中间日期为9月29日为例，则第二输入序列可包括9月14日、9月9日和8月30日的历史股价。

在一些示例中，第二输入序列包括中间日期前连续多天的历史股价的一个或多个移动平均值。在该示例中，连续多天的移动平均值可表示股价的短期趋势。示例性的，包括15天、20天、30天的移动平均值。

在一些示例中，第二输入序列可为上述示例的组合，例如，第二输入序列包括：中间日期前连续多天的历史股价、与中间日期间隔一个或多个预设天数的日期的历史股价，以及中间日期前连续多天的历史股价的一个或多个移动平均值。

步骤S112，将第一输入序列和第二输入序列作为输入，使用ELM模型输出中间日期对应的预测股价。

ELM是一种针对单隐含层前馈神经网络的非迭代训练方法。ELM模型与其他人工智能模型的区别在于，它不需要任何迭代学习来调整单隐含层前馈神经网络的未知权值。而是通过随机选择未知权值，分析求解连接输出层和隐藏层的权值。因此，从学习效率的角度来看，ELM模型具有三方面的特点：最少的人工设置、较高的学习精度和较快的学习速度。

在本公开实施例中，示例性的，ELM模型的输入层元素的数量与由第一和第二输入序列的元素数量之和相同，例如，第一和第二输入序列总共包括M个元素，此时，ELM模型的输入层可包括M个元素。

在本公开实施例中，每个中间日期可确定得到一个预测股价，N个中间日期可得到N个预测股价，在本公开中也称为N期预测股价，每期表示距离目标日期相应间隔的历史股价序列对应的预测股价。

结合前述示例(表1)，N个(在该示例中，N为4)中间日期对应的N个预测股价如表2所示。

表2中间日期的预测股价示例

如表2所示，P

步骤S114，根据通过和声搜索方法预先确定的权重系数，对N个中间日期对应的N期预测股价进行加权，得到目标日期的预测股价。

在本公开实施例中，利用元启发式优化人工智能模型提高预测性能。和声搜索(HS)是一种元启发式算法，由Geem提出。在本公开实施例中，可以采用公知的和声搜索方法，包括改进的和声搜索方法，例如，Alatas为HS引入了6个混沌图来产生新的和声，Zou等基于粒子群优化的遗传变异算子，改进了和声搜索算法中的和声生成步骤，Keshtegar等提出了一种新的基于动态bw的调距方案。本公开实施例体提出了一种改进的和声搜索方法，参见本公开后续说明。

在本公开实施例中，通过和声搜索方法预先确定权重系数。权重系数与中间日期具有对应关系，示例性的，t为目标日期，P

表3权重系数对应关系表

本公开实施例提供的该方法，通过ELM模型进行第一阶段预测，然后通过和声搜索预先确定的权重系数进行第二阶段预测，提高了股票价格预测的准确率，为投资者做决策提供了强有力的支持。

本公开实施例所构建的两阶段集成学习股票价格预测模型的预测精度上要优于传统的时间序列模型以及目前常用的基于机器学习的股票价格预测模型。并且，与单一的模型相比，本公开实施例所构建的模型预测结果更稳定。

本公开实施例还提供了一种确定参数的方法，用以确定本公开前述的权重系数。

图2为本公开实施例提供的确定参数的方法一种实施方式的流程图，如图2所示，该方法包括步骤S202至步骤S210。

步骤S202，获取股票的历史股价时间序列。

在本公开实施例中，获取一段时间的历史股价时间序列。历史股价时间序列可参见本公开的前述说明，在此不再赘述。

步骤S204，在历史日期中选择多个目标日期。

在本公开实施例中，历史日期为历史股价时间序列中对应的日期，例如，历史股价时间序列为9月20日至7月20日之间的股价，此时，历史日期为9月20日至7月20。在历史日期中选择多个目标日期，目标日期的数量可根据需要设置。

对于每个目标日期，进行步骤S206至步骤S208的处理，以确定每个目标日期对应的N期预测股价。由N期预测股价和权重系数可确定目标日期的预测股价，根据预测股价和实际股价之间的误差对权重系数进行迭代。

步骤S206，以目标日期的实际股价作为标签。

在本公开实施例中，每个目标日期具有实际股价(记录在历史股价时间序列中)。

步骤S208，确定每个目标日期对应的模型输入，使用ELM模型输出目标日期对应的N期预测股价。

在本公开实施例中，每个目标日期包括N个中间日期，每个中间日期具有相应的模型输入，每个目标日期对应的模型输入为N个中间日期的模型输入，模型输入的确定参见本公开后续图3所示。

步骤S210，以最小化目标日期的预测股价与实际股价之间的误差为目标进行和声搜索，确定与N期预测股价对应的权重系数。

在本公开实施例中，目标日期的预测股价是根据当前权重系数对N期预测股价进行加权得到的。

在一些示例中，误差为平均绝对百分误差，但不限于此。

图3为本公开实施例提供的确定每个目标日期对应的模型输入的方法一种实施方式的流程图，如图3所示，该方法包括步骤S302至步骤S310。

步骤S302，以预设滑动时间窗口处理目标日期之前的历史股价时间序列，得到N个中间日期对应的N个历史股价序列。

对于N个中间日期中的每个中间日期，进行步骤S304至步骤S310的处理，以确定每个中间日期对应的模型输入。

步骤S304，对中间日期对应的历史股价序列进行变分模态分解，得到K个分解序列。

步骤S306，根据K个分解序列确定第一输入序列，第一输入序列表示中间日期的股价特征。

在一些示例中，根据K个分解序列确定第一输入序列，包括：提取K个分解序列中每个分解序列内与中间日期对应位置的值组成第一输入序列。

步骤S308，使用历史股价时间序列确定第二输入序列，第二输入序列表示中间日期之前的股价趋势。

在一些实施例中，第二输入序列包括以下至少之一：中间日期前连续多天的历史股价；与中间日期间隔一个或多个预设天数的日期的历史股价；中间日期前连续多天的历史股价的一个或多个移动平均值。

步骤S310，以第一输入序列和第二输入序列作为中间日期对应的模型输入。

每个中间日期具有一个模型输入，每个目标日期具有N个中间日期，此时，每个目标日期具有N个模型输入，每个模型输入可由ELM模型确定出一个预测股价，每个目标日期可得到N个预测股价，本公开中也称为N期预测股价。

下面结合本公开实施例的一种改进的和声搜索方法对本公开实施例进行说明，该改进的和声搜索方法，将和声搜索方法与差分进化算法相结合，解决了和声搜索算法容易陷入局部最优的问题，提升了和声搜索算法的优化效果。

假设P

第一阶段：应用VMD-ELM初步预测股票价格

在第一阶段，采用VMD-ELM模型获取股票价格P

第二阶段：应用改进的HS(IHS)集成初步预测结果

和声搜索是一种基于种群的启发式优化算法，模拟音乐家对于音调的调整过程。

设f(·)为目标函数，X＝(x

(1)通过指定参数初始化算法；

(2)初始化一组和声(HM)并排序以找到最差的和声X

(3)创造一个新的和声X

(4)如果X

重复步骤(3)和步骤(4)直到满足终止条件。

表4 HS中的关键参数

然而，基本HS收敛速度较慢，可能陷入局部最优。因此，本公开将HS算法与DE算法(差分进化算法)相结合，提出了一种改进的和声搜索(IHS)算法，引入了DE中的两个参数CR和F，分别表示交叉速率和比例因子。其结构如图7所示，主要操作步骤如下。

设置目标函数f(X)并预先定义所有参数，例如：CR、F、HMS、HMCR、PAR、MaxImp和bw。然后随机初始化和声如下：

其中

根据Keshtegar等人的文献，bw可以被定义如下：

其中Imp代表即兴创作的次数，

对比f(X

变异操作(mutation operation)和交叉操作(crossover operation)开始之前，我们随机选择

从DE算法引入HS算法两个操作。对于变异操作，从当前的和声中创建一个新的和声，定义为：

X

其中X

针对被选中的和声，对比

我们将P

步骤1：在训练集中计算所有P

步骤2：定义最小的τ

步骤3：定义一个参数μ＞1如果τ

之后，目标函数的目标是获得一个最小的平均绝对百分误差(MAPE)，定义如下：

subject to P

n∈N

其中θ

在对一个大小为q的训练集进行了训练之后，得到训练好的权重

综上所述，本公开实施例的股票价格预测模型结构如图10所示。

本公开实施例还提供了一种系统，如图11所示，该系统1包括：用户设备10、服务器20、股票服务器30。用户设备10包括预测股票价格的程序11、ELM模型12和数据库13。服务器20包括确定参数的程序21、ELM模型22和数据库23。股票服务器30包括数据库33。

如图11所示，示出了用户设备10进行股票价格预测、服务器20进行模型训练、股票服务器30存储历史股价的情形，但本公开实施例并不限于此，在本公开实施例中，预测和训练可均在用户设备处实现，也可均在服务器实现。

在本公开实施例中，用户设备10可包括智能手机、个人电脑(PC、MAC等)、平板电脑、膝上电脑等。用户设备10的数据库23中存储本公开前述的权重系数，以及从股票服务器20获取的历史股价数据。预测股票价格的程序11被配置为实现本公开实施例提供的预测股票价格的方法的步骤。

在本公开实施例中，服务器20从股票服务器30获取历史股价数据，确定参数的程序21被配置为实现本公开实施例提供的确定参数的方法的步骤。服务器20确定参数后，将参数提供给用户设备10。

系统1中预测股票价格的方法、确定参数的方法，可参见本公开实施前述说明，在此不再赘述。

本公开实施例还提供了一种计算机设备，该技术算计设备包括智能手机、个人电脑(PC、MAC等)、平板电脑、膝上电脑、服务器等。图12为本公开实施例提供的计算机设备一种实施方式的硬件结构示意图，如图12所示，本公开实施例的计算机设备120包括：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121和处理器122。需要指出的是，图12仅示出了具有组件121-122的计算机设备120，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。

本实施例中，存储器121(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121可以是计算机设备120的内部存储单元，例如计算机设备120的硬盘或内存。在另一些实施例中，存储器121也可以是计算机设备120的外部存储设备，例如该计算机设备120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121还可以既包括计算机设备120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121通常用于存储安装于计算机设备120的操作系统和各类软件。此外，存储器121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。

处理器122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122通常用于控制计算机设备120的总体操作。本实施例中，处理器122用于运行存储器121中存储的程序代码或者处理数据，例如本公开实施例的任一或多个方法。

本实施例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本公开实施例的任一或多个的程序代码，被处理器执行时实现本公开实施例的任一或多个的方法。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

上述本公开实施例序号仅仅为了描述，不代表实施例的优劣。

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。基于这样的理解，本公开的技术方案本质上或者说对现有技术做出贡献的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存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本公开各个实施例所述的方法。

上面结合附图对本公开的实施例进行了描述，但是本公开并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本公开的启示下，在不脱离本公开宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本公开的保护之内。