[發明專利]一種動態數據的綜合價值評估方法

有效

• 申請號: 201810156148.2
• 申請日: 2018-02-24
• 公開（公告）號: CN108573021B
• 公開（公告）日: 2021-10-08
• 發明（設計）人: 陳平
• 申請（專利權）人: 浙江金華伽利略數據科技有限公司
• 主分類號: G06F16/2458
• 分類號: G06F16/2458;G06F16/215;G06Q10/06
• 代理公司: 宿遷市永泰睿博知識產權代理事務所(普通合伙) 32264
• 代理人: 陳臣

1.一種動態數據的綜合價值評估方法，其特征在于至少包括如下步驟：

(1)搭建一數據存儲模塊，作為數據檢索模塊的前端源，對數據資源進行整合，通過系統檢索模塊提取和整合需要的數據信息，以便生成信息情報；

(2)數據規范化預處理，對經檢索獲取的數據信息進行規范化處理，數據規范化包括但不限于對數據進行相關性分析和離散化降維處理；預處理過程后，將各相關分析和數據離散后的結果樣本傳輸至各節點，準備訓練；

(3)數據訓練，數據經過關聯分析和離散預處理后，系統內部對數據進行均勻的篩選或者切割，通過分布式消息隊列機制將數據發送至學習機模型節點進行數據訓練；

(4)權值評估，輸入預處理好后的評估數據形成若干初步評估結果，將若干初步評估結果和評估結果對應的誤差權值用加平均得到最終的評估值同時針對最終的評估結果與之前得到的多個評估初值進行比對，并結合檢索評估模塊的誤差值進行分析綜合，更新出更優化的誤差權值，以便于后續的評估，以此來不斷提高評估結果的精度；

(5)通過隨機梯度下降算法求解評估結果和最終評估值得到誤差權值τ，并及時更新當前的誤差權值；

(6)輸出最終評估值給出當前專利數據價值評估的相關結果，依據實際市場的實測值和預估值進行比較分析，給出目標數據集的價值評估可視化的圖示；為了使得多個并行節點的實時序列學習模型擁有更高的評估準確率，隨機梯度下降算法結合加權平均的方法，動態調整集群中多個不同節點的評估輸出結果的誤差權值，評估準確率高的節點被賦予更高的權重，最終評估值通過各個節點的輸出結果和誤差權值加權平均求得：

其中τ_ji為第i個學習機節點的誤差權值，f_ji為第i個學習機節點的輸出值，j為評估值得第j個批次；

預測權重通過如下誤差函數E來計算：

通過對誤差函數求導，使用隨機梯度下降法得到預測權重的更新滿足下式：

其中，η為學習機學習效率，優選其取值范圍[0.05,0.25]，據此來求得各相關因子的權值，并按照每個因子的權值梯度方向進行優化和更新，按照上述步驟(1)-(6)進行操作得出最終的評估結果和誤差權值系數。

2.如權利要求1所述的一種動態數據的綜合價值評估方法，其特征在于，步驟(1)中通過對檢索結果的客觀和完整的查全和查準判斷，得出當前數據結果的誤差值δ，如果誤差值δ在預定的范圍內，則進行下一步，如果誤差值超出預定范圍，重新執行和操作步驟(1)，保留最終初步篩選出的誤差值δ結果，保留其結果推送給后續，作為后續權值評估時的權值參考，該結果作為調整數據庫數據源的依據，用于對數據源優化的重要參考。

3.如權利要求1所述的一種動態數據的綜合價值評估方法，其特征在于，在步驟(1)中的數據庫搭建中，對股票數據，包括不同來源的數據，優選為網頁、新聞或圖標，采用內容抽取或爬取來獲取，內容抽取算法包括但不限于：基于正則表達式的網頁抽取、基于CSS選擇器的網頁抽取、基于XPATH的網頁抽取、基于機器學習的網頁抽??；

其中，所述基于正則表達式的網頁抽取利用正則表達式進行網頁抽取，是在html源碼的基礎上做字符串級別的檢索。

4.如權利要求3所述的一種動態數據的綜合價值評估方法，其特征在于，在步驟(1)中的數據檢索模塊中使用多線程有序索引分析，存儲數據庫中，優選的將數據以字符串為對象形式進行展開，索引分析技術的好處在于可以使得存儲的效率提升輸入輸出的利用率將會得到改善。

5.如權利要求4所述的一種動態數據的綜合價值評估方法，其特征在于，在多線程的處理形式中使用多接口模塊，程序創建了大量的短生命周期的線程，匯聚成線程池，能夠有效的減少和降低并發線程的數目，大幅提升服務器性能，其程序設計為：