[發明專利]基于在線深度學習和商場運營價值量化的金融大數據系統

在審

• 申請號: 202010632266.3
• 申請日: 2020-07-03
• 公開（公告）號: CN111783678A
• 公開（公告）日: 2020-10-16
• 發明（設計）人: 劉玲玲;夏明紅
• 申請（專利權）人: 鄭州智利信信息技術有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08;G06Q30/02
• 代理公司: 鄭州芝麻繪智知識產權代理事務所(普通合伙) 41191
• 代理人: 李玲玲

1.一種基于在線深度學習和商場運營價值量化的金融大數據系統，其特征在于，該系統包括：

人物流動逗留感知模塊，對商場內布設在各個監測位置的頂視攝像頭拍攝的圖像進行行人腳面關鍵點檢測，對得到的行人腳面關鍵點熱力圖進行后處理得到熱力堆積圖；

商場BIM空間模塊，利用不同相機對應的單應矩陣對熱力堆積圖進行透視變換，對熱力堆積圖按照不同監測位置類型進行分組，得到不同監測位置類型的熱力堆積圖數據，不同監測位置類型包括商場進出口、商場內部廣場、商場電梯口，對不同類型不定數量的監測位置進行抽象表示，將熱力堆積圖數據傳輸至商場價值超級指標評估模塊；

商場價值超級指標評估模塊，基于經驗模型的模糊評級機制設計商場價值超級指標評估網絡，對熱力堆積圖進行分析，實時推斷商場價值，得到商場價值超級指標評估結果；商場價值超級指標評估網絡，對同一時間窗口、同一監測位置類型、不同監測位置的熱力堆積圖經超級指標評估編碼器、全連接網絡處理，得到不定長的商場價值評估數據；根據同一監測位置類型、不同監測位置的權重，對商場價值評估數據加權，基于Top-K思想，對加權后的評估數據進行降序排序，從排序隊列隊首開始依次取設定比例的評估數據作為較高評價評估數據，從排序隊列隊尾開始依次取設定比例的評估數據作為較低評價評估數據，分別計算較高評價評估數據、較低評價評估數據的最大值、最小值、平均值，作為較高評價評估數據、較低評價評估數據的商場價值高評級、商場價值低評級、商場價值基準評級；

商場價值超級指標評估數據集存儲及即時訓練模塊，基于時間累積得到足量的運營數據和評估數據，為自動化訓練商場價值超級指標評估深度神經網絡提供數據集，使用特殊的基于優選樣本的緩啟動機制進行繼續訓練；

金融大數據及商場BIM可視化模塊，對實時的熱力堆積圖、商場實時價值超級指標評估結果和金融數據進行展示。

2.如權利要求1所述的系統，其特征在于，所述對得到的行人腳面關鍵點熱力圖進行后處理得到熱力堆積圖包括：

前一時刻熱力堆積圖為H₀，當前得到的行人腳面關鍵點熱力圖結果為H_D，B_Start為基線值，計算H′₁：

H′₁＝ElementWise_MAX(H₀,H_D*B_Start)；

對H′₁進行熱度堆積的衰減處理，使其殘留的特征趨于消失，α為衰減系數，得到熱力堆積圖H₁：

H₁＝H′₁*α+H_D*(1-α)。

3.如權利要求1所述的系統，其特征在于，商場價值超級指標評估網絡包括商場進出口超級指標評估網絡、商場內部廣場超級指標評估網絡、商場電梯口超級指標評估網絡。

4.如權利要求1所述的系統，其特征在于，使用特殊的基于優選樣本的緩啟動機制進行繼續訓練包括：

從舊訓練集中計算損失接受閾值，計算規則：使用原網絡進行逐樣本推理、計算損失，按照損失值大小選取一定比例的高損失，計算選取損失的平均值作為接受閾值T；

使用網絡對新樣本進行推理，而非訓練，提取損失低于閾值T的樣本加入舊訓練集；

計算損失差異Loss_diff：Loss_diff＝Loss_new-T，Loss_new為未加入訓練集樣本的損失，按照損失差異對未加入訓練集的樣本進行遞增排序，將排序后的樣本分為3-5份，按照損失差異從小到大依次參與到訓練集中。

5.如權利要求1所述的系統，其特征在于，所述行人腳面關鍵點檢測基于行人腳面檢測神經網絡執行，行人腳面檢測神經網絡包括：

行人腳面關鍵點檢測編碼器對圖像進行特征提取，輸入為經過歸一化處理的圖像數據，輸出為特征圖；

行人腳面關鍵點檢測解碼器對特征圖進行上采樣并最終生成行人腳面關鍵點熱力圖。