CN111523941A - 一种大数据智能项目预测分析系统及分析方法 - Google Patents

Abstract

本申请公开了一种大数据智能项目预测分析系统，包括主服务器和外发服务器，所述主服务器包括：基础数据库，Map架构，信息收集模块，子项表单，任务管理单元，计算单元，所述外发服务器用于将计算单元输出的目标数据表单结合用户输入数据和/或导入数据生成报告并导出。本申请还提供一种利用上述系统的分析方法，用于通过大数据分析，能够做到数据的科学分析，发展趋势的科学预判，以克服现有技术中评估预判只能依赖于主观经验而导致的决策失误，数据失真的问题。

Description

一种大数据智能项目预测分析系统及分析方法

技术领域

本发明涉及商业预测目的的数据处理系统或方法领域，尤其涉及现有物业的拟定用途的后期运行商业效果评估系统及方法领域，具体涉及一种大数据智能项目预测分析系统及分析方法。

背景技术

随着信息化的进一步推进，当前社会的信息交换方式从传统的有纸化方式逐步过渡到无纸化并已基本稳定。在当前大数据时代，软件系统的开发，信息流的整合能够给各行各业带来前所未有的便利和高效。但现有的系统开发主流均以数据存储、数据筛选、数据流转实现对社会的贡献，其贡献主要体现在效率和便捷性上，可以让人们足不出户即可完成部分，甚至全部流程的操作。

近些年，软件系统的开发逐步成熟服务于金融、商业、教育、医疗、建筑等行业，但针对服务于商业，用于商业价值，尤其是投资价值的评估、预测分析的系统并不多，且成熟度、有效性和针对性存在参差不齐的状况。

现有的商业运作，商业投资最主要的部分就是风险的评估和后续的营运预测，但现有技术中，并没有针对物业投资方面风险评定、预测的分析系统和方法，多以投资的主观经验进行选址，通过线下人流量的考察和周边配套的分析进行主观决定，依据的客观数据和科学分析部分少，因此很难做出精准的决策。

现有技术1：中国发明申请，申请号201610319860.0公开了一种大型商业银行后台核心交易事件趋势预测方法及其系统，方法包括步骤：利用特征提取从大型商业银行后台交易数据中获取以5分钟为间隔的每秒事物处理量数据，形成待训练的训练集；对于输入的训练集，进行训练得到梯度提升决策树模型，其中，所述梯度提升决策树模型中的误差函数是平滑的；输入测试集数据，根据所述梯度提升决策树模型进行核心交易事件趋势预测。本发明具有如下优点：能展示核心交易事件趋势，既能帮助商业银行改善后台服务，又能在银行发生故障后对于故障快速恢复提供建议。

现有技术2：中国发明申请，申请号CN201710019377.5，公开了一种基于酒店市场数据的酒店市场热度预测方法及系统。本方法为：1)设当前天为第o天、目标区域的待预测天为第t天；数据获取模块收集第o天及第o天以前对于该目标区域第t天的总预定量为R(o,t)，并将其发送给模式搜索模块；2)所述模式搜索模块在对该目标区域第t天的历史预订数据中搜索距离该目标区域第t天最小的历史模式；3)所述模式匹配模块根据步骤2)确定的历史模式对应的匹配参数，计算出该目标区域第t天的酒店市场热度。本发明能够有效预测出未来市场的热度大小。

鉴于上述情况，针对商业市场后续的判断，需要充分的抓取并依据现有大数据进行分析，以实现对特定地址的物业以拟定商业项目运营后续趋势的分析，为前期决策提供科学的数据依据，实现科学预测的目的。

发明内容

为了解决现有技术中没有以大数据为依据对物业经营项目进行科学预测，对后续经营情况进行的评估分析的系统，以至于对该物业拟定的商业经营项目的投资决策没有客观数据可参考，只能依赖于自身经验和主观判断导致准确性低，缺乏科学依据的问题，本申请提供一种大数据智能项目预测分析系统及分析方法，能够通过用户利用地图对特定地方的特定物业进行定位，以酒店为商业项目进行科学预测和评估。通过大数据分析，能够做到数据的科学分析，发展趋势的科学预判，以克服现有技术中评估预判只能依赖于主观经验而导致的决策失误，数据失真的问题。本发明基于map架构，数据精准，分析快捷，体验直观，能够直接的、高效的、科学的对项目后期进行预测。

为了达到上述目的，本申请所采用的技术方案为：

一种大数据智能项目预测分析系统，包括主服务器和外发服务器，所述主服务器包括：

基础数据库，通过导入、录入、调取的方式汇集能够融入Map架构的多项带有坐标标记和类型标记的离散数据集合；

Map架构，作为基础数据库中所有带标记的离散数据的唯一关联附着网并以电子地图方式呈现；

信息收集模块，集合了N个收集单元，任一个收集单元用于根据子项表单向所述基础数据库中抓取特定坐标标记的离散数据；

子项表单，用于定义目标数据的附条件指令集合；

任务管理单元，用于将子项表单中的多项附条件指令进行优先级排序，并按照优先级先后分别将附条件指令与信息收集模块中的收集单元进行匹配；

计算单元，包含N个计算器，并分别对应一个固定关联的收集单元，将该对应的收集单元中的离散数据按照计算单元预设的算法进行逻辑运算，获得目标数据表单；

所述外发服务器用于将计算单元输出的目标数据表单结合用户输入数据和/或导入数据生成报告并导出。

优选地，所信息收集模块中的收集单元分别对应收集单一类型标记的数据并排序去重，所述类型标记包括住宅、写字楼、产业园、医疗教育单位、机关单位、商业综合体、娱乐综合体、景点、交通枢纽。

进一步地优选，所述收集单元对数据去重的标定参数分别为：住宅数据去重范围为200米、写字楼数据去重范围为50米、产业园数据去重范围为200米、医疗教育单位数据去重范围为300米、机关单位数据去重范围为80米、商业综合体数据去重范围为50米。

优选地，所述计算单元中的多个计算器分别对任一单一类型标记的数据进行逻辑运算，运算的范围以定位点为圆心，2km为半径；运算方式如下：

针对类型标记为住宅的计算方式为：计算距离定位点前十的离散数据a₀并遵循以下规则：a_k＝a₀*k+a₁*k+a₂*k+a₃*k+……a_n*k,n≤10,a_k≤15；定义集合A[0,0.5km],B(0.5,1km],C(1,1.5km],D(1.5,2km]；{k∈A,k＝1}\{k∈B,k＝0.7}\{k∈C,k＝0.5}\{k∈D,k＝0.3}，a₀为离散数据，a₀取值0.5，a_k为目标数据，k为系数；

针对类型标记为写字楼的计算方式为：计算距离定位点前十的离散数据b₀并遵循以下规则：b_k＝b₀*k+b₁*k+b₂*k+b₃*k+……b_n*k,n≤10,b_k≤60；定义集合B[0,0.5km],B(0.5,1km],C(1,1.5km],D(1.5,2km]；{k∈A,k＝1}\{k∈B,k＝0.7}\{k∈C,k＝0.5}\{k∈D,k＝0.3}，b₀为离散数据，b₀取值2.5，b_k为目标数据，k为系数；

针对类型标记为产业园的计算方式为：计算距离定位点前十的离散数据c₀并遵循以下规则：c_k＝c₀*k+c₁*k+c₂*k+c₃*k+……c_n*k,n≤10,c_k≤50；定义集合C[0,0.5km],C(0.5,1km],C(1,1.5km],D(1.5,2km]；{k∈A,k＝1}\{k∈B,k＝0.7}\{k∈C,k＝0.5}\{k∈D,k＝0.1}，c₀为离散数据，c₀取值20，c_k为目标数据，k为系数；

针对类型标记为医疗教育单位的计算方式为：计算距离定位点前十的离散数据d₀并遵循以下规则：d_k＝d₀*k+d₁*k+d₂*k+d₃*k+……d_n*k,n≤10；定义集合A[0,0.5km],B(0.5,1km],C(1,1.5km],D(1.5,2km]；{k∈A,k＝1}\{k∈B,k＝0.7}\{k∈C,k＝0.5}\{k∈D,k＝0.3}，d₀为离散数据，d₀取值5，d_k为目标数据，k为系数；

针对类型标记为机关单位的计算方式为：计算距离定位点前十的离散数据e₀并遵循以下规则：e_k＝e₀*k+e₁*k+e₂*k+e₃*k+……e_n*k,n≤10；定义集合A[0,0.5km],B(0.5,1km],C(1,1.5km],D(1.5,2km]；{k∈A,k＝1}\{k∈B,k＝0.7}\{k∈C,k＝0.5}\{k∈D,k＝0.3}，e₀为离散数据，e₀取值0.1，e_k为目标数据，k为系数；

针对类型标记为商业综合体的计算方式为：计算距离定位点前十的离散数据f₀并遵循以下规则：f_k＝f₀*k+f₁*k+f₂*k+f₃*k+……f_n*k,n≤10,f_k≤25；定义集合A[0,0.5km],B(0.5,1km],C(1,1.5km],D(1.5,2km]；{k∈A,k＝1}\{k∈B,k＝0.7}\{k∈C,k＝0.5}\{k∈D,k＝0.3}，f₀为离散数据，f₀取值3，f_k为目标数据，k为系数；

针对类型标记为娱乐综合体的计算方式为：计算距离定位点前十的离散数据f₀并遵循以下规则：g_k＝g₀*k+g₁*k+g₂*k+g₃*k+……g_n*k,n≤10,g_k≤10；定义集合A[0,0.5km],B(0.5,1km],C(1,1.5km],D(1.5,2km]；{k∈A,k＝1}\{k∈B,k＝0.7}\{k∈C,k＝0.5}\{k∈D,k＝0.3}，g₀为离散数据，g₀取值0.5，g_k为目标数据，k为系数；

针对类型标记为景点的计算方式为：5A景点门口距离定位点距离L≤2km，90≥h_k≥40；2<L≤8km，90≥h_k≥25；8<L≤15km，90≥h_k≥15；

如若没有5A景点，4A景点i_k＝25*k，累加≤35；3A景点j_k＝5，累加≤35；定义集合A[0,0.5km],B(0.5,1km],C(1,1.5km],D(1.5,2km]；{k∈A,k＝1}\{k∈B,k＝0.7}{k∈A,k＝1}\{k∈B,k＝0.7}\{k∈C,k＝0.5}\{k∈D,k＝0.3}；

针对类型标记为交通枢纽的计算方式为：火车站门口距离定位点距离L≤1km，80≥m_k≥40；1<L≤1.5km，80≥m_k≥25；1.5<L≤2km，80≥m_k≥15；

机场航站楼距离定位点距离L≤2km，80≥n_k≥40；2<L≤3km，80≥n_k≥25；3<L≤4km，80≥n_k≥15；

本发明还提供一种大数据智能项目预测分析方法，用于实现对商业体后期项目运行的状态数据预测，采用上述大数据智能项目预测分析系统实现分析并获得预测分析报告，具体包含下述步骤：

步骤S01，通过外发服务器键入目标项目的基础信息，同时由用户自定义通过链接主服务器中的Map架构定位目标项目；

步骤S02，信息收集模块将以Map架构为基础，以定位的目标项目坐标点为中心，2km为半径抓取向基础数据库抓取离散数据；所述基础数据库将能够融入Map架构的数据分别标记有用于索引的坐标标记和类型标记；类型标记包括住宅、写字楼、产业园、医疗教育单位、机关单位、商业综合体、娱乐综合体、景点、交通枢纽；

步骤S03，计算单元将同一类型数据按照该类型数据预设逻辑进行清洗计算，获得对应的目标数据；各类型标记的目标数据清洗步骤如下：

将同一类型标记数据按照距离目标项目坐标点由近至远排序，取前十个数据作为有效数据；

将有效数据转换为目标数据的计算方式如下：

针对类型标记为住宅的计算方式为：计算距离定位点前十的离散数据a₀并遵循以下规则：a_k＝a₀*k+a₁*k+a₂*k+a₃*k+……a_n*k,n≤10,a_k≤15；定义集合A[0,0.5km],B(0.5,1km],C(1,1.5km],D(1.5,2km]；{k∈A,k＝1}\{k∈B,k＝0.7}\{k∈C,k＝0.5}\{k∈D,k＝0.3}，a₀为离散数据，a₀取值0.5，a_k为目标数据，k为系数；

针对类型标记为写字楼的计算方式为：计算距离定位点前十的离散数据b₀并遵循以下规则：b_k＝b₀*k+b₁*k+b₂*k+b₃*k+……b_n*k,n≤10,b_k≤60；定义集合B[0,0.5km],B(0.5,1km],C(1,1.5km],D(1.5,2km]；{k∈A,k＝1}\{k∈B,k＝0.7}\{k∈C,k＝0.5}\{k∈D,k＝0.3}，b₀为离散数据，b₀取值2.5，b_k为目标数据，k为系数；

针对类型标记为产业园的计算方式为：计算距离定位点前十的离散数据c₀并遵循以下规则：c_k＝c₀*k+c₁*k+c₂*k+c₃*k+……c_n*k,n≤10,c_k≤50；定义集合C[0,0.5km],C(0.5,1km],C(1,1.5km],D(1.5,2km]；{k∈A,k＝1}\{k∈B,k＝0.7}\{k∈C,k＝0.5}\{k∈D,k＝0.1}，c₀为离散数据，c₀取值20，c_k为目标数据，k为系数；

针对类型标记为医疗教育单位的计算方式为：计算距离定位点前十的离散数据d₀并遵循以下规则：d_k＝d₀*k+d₁*k+d₂*k+d₃*k+……d_n*k,n≤10；定义集合A[0,0.5km],B(0.5,1km],C(1,1.5km],D(1.5,2km]；{k∈A,k＝1}\{k∈B,k＝0.7}\{k∈C,k＝0.5}\{k∈D,k＝0.3}，d₀为离散数据，d₀取值5，d_k为目标数据，k为系数；

针对类型标记为机关单位的计算方式为：计算距离定位点前十的离散数据e₀并遵循以下规则：e_k＝e₀*k+e₁*k+e₂*k+e₃*k+……e_n*k,n≤10；定义集合A[0,0.5km],B(0.5,1km],C(1,1.5km],D(1.5,2km]；{k∈A,k＝1}\{k∈B,k＝0.7}\{k∈C,k＝0.5}\{k∈D,k＝0.3}，e₀为离散数据，e₀取值0.1，e_k为目标数据，k为系数；

针对类型标记为商业综合体的计算方式为：计算距离定位点前十的离散数据f₀并遵循以下规则：f_k＝f₀*k+f₁*k+f₂*k+f₃*k+……f_n*k,n≤10,f_k≤25；定义集合A[0,0.5km],B(0.5,1km],C(1,1.5km],D(1.5,2km]；{k∈A,k＝1}\{k∈B,k＝0.7}\{k∈C,k＝0.5}\{k∈D,k＝0.3}，f₀为离散数据，f₀取值3，f_k为目标数据，k为系数；

针对类型标记为娱乐综合体的计算方式为：计算距离定位点前十的离散数据f₀并遵循以下规则：g_k＝g₀*k+g₁*k+g₂*k+g₃*k+……g_n*k,n≤10,g_k≤10；定义集合A[0,0.5km],B(0.5,1km],C(1,1.5km],D(1.5,2km]；{k∈A,k＝1}\{k∈B,k＝0.7}\{k∈C,k＝0.5}\{k∈D,k＝0.3}，g₀为离散数据，g₀取值0.5，g_k为目标数据，k为系数；

针对类型标记为景点的计算方式为：5A景点门口距离定位点距离L≤2km，90≥h_k≥40；2<L≤8km，90≥h_k≥25；8<L≤15km，90≥h_k≥15；

如若没有5A景点，4A景点i_k＝25*k，累加≤35；3A景点j_k＝5，累加≤35；定义集合A[0,0.5km],B(0.5,1km],C(1,1.5km],D(1.5,2km]；{k∈A,k＝1}\{k∈B,k＝0.7}{k∈A,k＝1}\{k∈B,k＝0.7}\{k∈C,k＝0.5}\{k∈D,k＝0.3}；

针对类型标记为交通枢纽的计算方式为：火车站门口距离定位点距离L≤1km，80≥m_k≥40；1<L≤1.5km，80≥m_k≥25；1.5<L≤2km，80≥m_k≥15；

机场航站楼距离定位点距离L≤2km，80≥n_k≥40；2<L≤3km，80≥n_k≥25；3<L≤4km，80≥n_k≥15；

步骤S04，外发服务器收集目标数据形成目标数据表单，并将用户输入数据和导入数据融合生成报告，并以PDF格式导出。

有益效果：

本发明针对物业建设酒店项目的预测评估，其相对于现有的认为评估具有下述优点：

1.高效—同样数据信息，传统项目调研周期约1—2周，本技术结果约30分钟内。

2.精准—采样内容聚焦酒店专业，完整全面而不冗余，精确采样，较传统人工调研更客观。

3.专业—传统调研不具备酒店行业专业知识，除数据呈现外，无法给到合理建议及分析。

4.经济—传统项目调研成本较高，且有区域、人力资源、信息资源等局限性。

5.可靠—项目的调研评估涉及投资决策关键，本技术真实客观而全面的数据结果呈现和分析将为投资决策提供有力支撑。

附图说明

为了更清楚地说明本申请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，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，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是本发明数据流转的架构层次示意图；

图2是本发明的系统框图；

图3是实施例中预测项目基础信息呈现示例；

图4是实施例中预测项目定位示意图；

图5是数据抓取数量概览，未汇算为目标数据；

图6是住宅抓取数据及分布；

图7是写字楼抓取数据及分布；

图8是产业园抓取数据及分布；

图9是商业综合体抓取数据及分布；

图10是娱乐综合体抓取数据及分布；

图11是机关单位抓取数据及分布；

图12是医疗教育机构抓取数据及分布；

图13是交通枢纽抓取数据及分布；

图14是将图6-图13中的数据经汇算后的客源占比呈现图；

图15是预测报告数据呈现图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在本申请的描述中，需要说明的是，若出现术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该申请产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，本申请的描述中若出现术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

此外，本申请的描述中若出现术语“水平”、“竖直”等术语并不表示要求部件绝对水平或悬垂，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。

在本申请的描述中，还需要说明的是，除非另有明确的规定和限定，若出现术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。

实施例1：

为了更好的说明本发明通过独特的技术手段实现的有益效果，本实施例以成都火车南站附近位于桂溪街道长城南苑作为分析目标，物业总面积5000平米，预设加盟费29.4万，年租金444万，装修及开办费1100万，总投资1129.4万，规划客房数105间，以实际数据呈现评估效果。本实施例采用的系统如下：

结合附图1-15所示，一种大数据智能项目预测分析系统，包括主服务器和外发服务器，所述主服务器包括：基础数据库，通过导入、录入、调取的方式汇集能够融入Map架构的多项带有坐标标记和类型标记的离散数据集合；Map架构，作为基础数据库中所有带标记的离散数据的唯一关联附着网并以电子地图方式呈现；信息收集模块，集合了N个收集单元，任一个收集单元用于根据子项表单向所述基础数据库中抓取特定坐标标记的离散数据；子项表单，用于定义目标数据的附条件指令集合；任务管理单元，用于将子项表单中的多项附条件指令进行优先级排序，并按照优先级先后分别将附条件指令与信息收集模块中的收集单元进行匹配；计算单元，包含N个计算器，并分别对应一个固定关联的收集单元，将该对应的收集单元中的离散数据按照计算单元预设的算法进行逻辑运算，获得目标数据表单；所述外发服务器用于将计算单元输出的目标数据表单结合用户输入数据和/或导入数据生成报告并导出。所信息收集模块中的收集单元分别对应收集单一类型标记的数据并排序去重，所述类型标记包括住宅、写字楼、产业园、医疗教育单位、机关单位、商业综合体、娱乐综合体、景点、交通枢纽。值得说明的是，本系统可以根据数据分类自定义，包含但不限于上述类型标记，本实施例只是用于解释和阐述本系统的原理，并非限定本系统对数据类型识别和抓取的有限性。所述计算器数量，收集单元数量大于等于需要的类型标记数量，系统预设有足够的容量，用于对分类数据的抓取和计算，该部分在本系统开发是及具有足够样本，理论上可以扩增到正无穷大。这对于本领域人员而言属于常识性内容，在此不做赘述。

本实施例中，所述收集单元对数据去重的标定参数分别为：住宅数据去重范围为200米、写字楼数据去重范围为50米、产业园数据去重范围为200米、医疗教育单位数据去重范围为300米、机关单位数据去重范围为80米、商业综合体数据去重范围为50米。经去重处理后具体获得下述数据：

住宅排序的方式以长城南苑定位点为基点，2km为半径，抓取住宅前十分别为：和平欣苑、御苑、华尔道、长安院、花语溪畔、江南岸、御府花都A区、新加坡花园、丽日清风小区、成都电力金具总长家属区。

抓取写字楼前十分别为：凯德天府、南都领袖、大鼎世纪广场、立事达-南晶国际、富森创意、首座B座、OCEANOCE INTL TREND(富森)、芳草地大厦、康普雷斯、桐梓林。

抓取产业园前八分别为：消防示范区、银江股份、成都高新区成职软件园、、芳草街道办事处创业示范基地、7322工厂、中国(四川)兹有贸易试验区、工业开发区、火炬.动力港.北区；本实施例中产业园取前八的缘由是由于该目标范围内符合条件的产业园区共计8个。

抓取医疗及教育单位共计三个，分别为：成都职业技术学院高新校区、四川省中西医结合医院(原成都市第一人民医院)和四川华普医院。

抓取机关单位前十分别为：成都市地质办、四川省高科技产业化协会、四川省青少年护牙关爱基金管理办公室、国家电网四川成都供电公司、四川省卫生和计划生育宣传教育中心、成都市盐政市场稽查处第二盐政管理所、成都海关、成都仲裁委员会、成都高新区审计局、泰王国驻成都总领事馆。

抓取商业综合体前十分别为：凯德天府、苏宁广场、凯德广场(新南店)、三瓦窑商业街、南尚国际时尚商业街区、家乐福(大世界店)、九方购物中心、王府井购物中心(科华路店)、紫荆美熙广场、成都职业技术学院高新小区大学生创业街。

抓取娱乐综合体前十分别为：百丽宫影城(凯德天府)、横店电影城、唛田KTV(苏宁广场)、好乐星KTV、游乐设施、欧尚儿童乐园、爱世界室内高尔夫、Wheezin.K、WDLY量贩KTV、又见KTV。

抓取交通枢纽共计一个：成都火车南站。

所述计算单元中的多个计算器分别对任一单一类型标记的数据进行逻辑运算，运算的范围以定位点为圆心，2km为半径；运算方式如下：

针对类型标记为住宅的计算方式为：计算距离定位点前十的离散数据a₀并遵循以下规则：a_k＝a₀*k+a₁*k+a₂*k+a₃*k+……a_n*k,n≤10,a_k≤15；定义集合A[0,0.5km],B(0.5,1km],C(1,1.5km],D(1.5,2km]；{k∈A,k＝1}\{k∈B,k＝0.7}\{k∈C,k＝0.5}\{k∈D,k＝0.3}，a₀为离散数据，a₀取值0.5，a_k为目标数据，k为系数；

针对类型标记为写字楼的计算方式为：计算距离定位点前十的离散数据b₀并遵循以下规则：b_k＝b₀*k+b₁*k+b₂*k+b₃*k+……b_n*k,n≤10,b_k≤60；定义集合B[0,0.5km],B(0.5,1km],C(1,1.5km],D(1.5,2km]；{k∈A,k＝1}\{k∈B,k＝0.7}\{k∈C,k＝0.5}\{k∈D,k＝0.3}，b₀为离散数据，b₀取值2.5，b_k为目标数据，k为系数；

针对类型标记为产业园的计算方式为：计算距离定位点前十的离散数据c₀并遵循以下规则：c_k＝c₀*k+c₁*k+c₂*k+c₃*k+……c_n*k,n≤10,c_k≤50；定义集合C[0,0.5km],C(0.5,1km],C(1,1.5km],D(1.5,2km]；{k∈A,k＝1}\{k∈B,k＝0.7}\{k∈C,k＝0.5}\{k∈D,k＝0.1}，c₀为离散数据，c₀取值20，c_k为目标数据，k为系数；

针对类型标记为医疗教育单位的计算方式为：计算距离定位点前十的离散数据d₀并遵循以下规则：d_k＝d₀*k+d₁*k+d₂*k+d₃*k+……d_n*k,n≤10；定义集合A[0,0.5km],B(0.5,1km],C(1,1.5km],D(1.5,2km]；{k∈A,k＝1}\{k∈B,k＝0.7}\{k∈C,k＝0.5}\{k∈D,k＝0.3}，d₀为离散数据，d₀取值5，d_k为目标数据，k为系数；

针对类型标记为机关单位的计算方式为：计算距离定位点前十的离散数据e₀并遵循以下规则：e_k＝e₀*k+e₁*k+e₂*k+e₃*k+……e_n*k,n≤10；定义集合A[0,0.5km],B(0.5,1km],C(1,1.5km],D(1.5,2km]；{k∈A,k＝1}\{k∈B,k＝0.7}\{k∈C,k＝0.5}\{k∈D,k＝0.3}，e₀为离散数据，e₀取值0.1，e_k为目标数据，k为系数；

针对类型标记为商业综合体的计算方式为：计算距离定位点前十的离散数据f₀并遵循以下规则：f_k＝f₀*k+f₁*k+f₂*k+f₃*k+……f_n*k,n≤10,f_k≤25；定义集合A[0,0.5km],B(0.5,1km],C(1,1.5km],D(1.5,2km]；{k∈A,k＝1}\{k∈B,k＝0.7}\{k∈C,k＝0.5}\{k∈D,k＝0.3}，f₀为离散数据，f₀取值3，f_k为目标数据，k为系数；

针对类型标记为娱乐综合体的计算方式为：计算距离定位点前十的离散数据f₀并遵循以下规则：g_k＝g₀*k+g₁*k+g₂*k+g₃*k+……g_n*k,n≤10,g_k≤10；定义集合A[0,0.5km],B(0.5,1km],C(1,1.5km],D(1.5,2km]；{k∈A,k＝1}\{k∈B,k＝0.7}\{k∈C,k＝0.5}\{k∈D,k＝0.3}，g₀为离散数据，g₀取值0.5，g_k为目标数据，k为系数；

针对类型标记为景点的计算方式为：5A景点门口距离定位点距离L≤2km，90≥h_k≥40；2<L≤8km，90≥h_k≥25；8<L≤15km，90≥h_k≥15；

如若没有5A景点，4A景点i_k＝25*k，累加≤35；3A景点j_k＝5，累加≤35；定义集合A[0,0.5km],B(0.5,1km],C(1,1.5km],D(1.5,2km]；{k∈A,k＝1}\{k∈B,k＝0.7}{k∈A,k＝1}\{k∈B,k＝0.7}\{k∈C,k＝0.5}\{k∈D,k＝0.3}；

针对类型标记为交通枢纽的计算方式为：火车站门口距离定位点距离L≤1km，80≥m_k≥40；1<L≤1.5km，80≥m_k≥25；1.5<L≤2km，80≥m_k≥15；

机场航站楼距离定位点距离L≤2km，80≥n_k≥40；2<L≤3km，80≥n_k≥25；3<L≤4km，80≥n_k≥15；

获得目标数据表单并定义如下：

将上述住宅汇算结果作为探亲访友客源数，即a_k；

景点、交通枢纽汇算结果作为差旅中转客源数，即h_k+i_k+j_k；

写字楼、产业园、医疗教育单位、机关单位汇算结果作为商务客源数，即b_k+c_k+d_k+e_k；

商业综合体、娱乐综合体汇算结果作为休闲客源数，即f_k+g_k；

获得最终商务客源占比45％、探亲访友客源占比5.2％、差旅中转客源占比40％、其他客源占比2.33％、休闲客源占比7.48％。

通过选择性抓取基础数据库中项目预设档次周边酒店的基本经营信息，按照高中低档测算不同出租率、平均出租率、和盈亏平衡点，以及对应的投资回报周期等，为项目投资决策提供科学的预测报告。值得说明的是，同行竞品的经营性数据是通过导入的方式录入基础数据库中，同行竞品基础数据通过线下采集汇总后再录入或者导入基础数据库进行标记，以便于后续的抓取计算，采用本实施例所述系统能够实现对预投资物业进行多维度的评估，呈现科学的预测结果，为商业的选址决策、项目选型、项目定位提供客观的，科学的数据依据。

实施例2：

为了更清晰的说明本发明的预测过程，本实施例就实施例1中的分析目标为例进行分析。进一步结合附图1-15所示，本实施例提供一种大数据智能项目预测分析方法，用于实现对商业体后期项目运行的状态数据预测，采用实施例1中所述大数据智能项目预测分析系统实现分析并获得预测分析报告，具体包含下述步骤：

步骤S01，通过外发服务器键入目标项目的基础信息，具体包括：物业状态，是否新建，还是翻新；产权性质，建筑结构，酒店面积，停车位数量，预设房间个数，单个房间面积，预计暗房数量；暗房是指没有窗户或者不能直接进行自然采光的房间。以及是否设置餐厅、会议室、茶楼包间等。由于测评的目的是按照预想或者计划投资进行开办酒店，因此，基础信息完全按照用户或者投资者的需求进行填写，便于后续系统自动在基础数据库中抓取匹配同等档次的竞品酒店进行对比，以使得对比更加直观。当然，此部分并非是预测组重要的部分，最重要的部分当属客源量及占比。以及根据物业选址实际，填写建筑参数：包括梁下净高、客房高度、走廊高度、大厅高度及走廊宽度；以及附属的消防电梯数量、客梯数量、货梯数量，租金情况等。上述基本信息将用于最终生成报告中的项目测算预期费用。同时由用户自定义通过链接主服务器中的Map架构定位目标项目；譬如本实施例定位为成都火车南站桂溪街道的长城南苑1楼、10-17楼，共计5000平米。

步骤S02，信息收集模块将以Map架构为基础，以定位的目标项目坐标点为中心，2km为半径抓取向基础数据库抓取离散数据；所述基础数据库将能够融入Map架构的数据分别标记有用于索引的坐标标记和类型标记；类型标记包括住宅、写字楼、产业园、医疗教育单位、机关单位、商业综合体、娱乐综合体、景点、交通枢纽；

步骤S03，计算单元将同一类型数据按照该类型数据预设逻辑进行清洗计算，获得对应的目标数据；各类型标记的目标数据清洗步骤如下：

将同一类型标记数据按照距离目标项目坐标点由近至远排序，取前十个数据作为有效数据；

将有效数据转换为目标数据的计算方式如下：

针对类型标记为住宅的计算方式为：计算距离定位点前十的离散数据a₀并遵循以下规则：a_k＝a₀*k+a₁*k+a₂*k+a₃*k+……a_n*k,n≤10,a_k≤15；定义集合A[0,0.5km],B(0.5,1km],C(1,1.5km],D(1.5,2km]；{k∈A,k＝1}\{k∈B,k＝0.7}\{k∈C,k＝0.5}\{k∈D,k＝0.3}，a₀为离散数据，a₀取值0.5，a_k为目标数据，k为系数；

针对类型标记为写字楼的计算方式为：计算距离定位点前十的离散数据b₀并遵循以下规则：b_k＝b₀*k+b₁*k+b₂*k+b₃*k+……b_n*k,n≤10,b_k≤60；定义集合B[0,0.5km],B(0.5,1km],C(1,1.5km],D(1.5,2km]；{k∈A,k＝1}\{k∈B,k＝0.7}\{k∈C,k＝0.5}\{k∈D,k＝0.3}，b₀为离散数据，b₀取值2.5，b_k为目标数据，k为系数；

针对类型标记为产业园的计算方式为：计算距离定位点前十的离散数据c₀并遵循以下规则：c_k＝c₀*k+c₁*k+c₂*k+c₃*k+……c_n*k,n≤10,c_k≤50；定义集合C[0,0.5km],C(0.5,1km],C(1,1.5km],D(1.5,2km]；{k∈A,k＝1}\{k∈B,k＝0.7}\{k∈C,k＝0.5}\{k∈D,k＝0.1}，c₀为离散数据，c₀取值20，c_k为目标数据，k为系数；

针对类型标记为医疗教育单位的计算方式为：计算距离定位点前十的离散数据d₀并遵循以下规则：d_k＝d₀*k+d₁*k+d₂*k+d₃*k+……d_n*k,n≤10；定义集合A[0,0.5km],B(0.5,1km],C(1,1.5km],D(1.5,2km]；{k∈A,k＝1}\{k∈B,k＝0.7}\{k∈C,k＝0.5}\{k∈D,k＝0.3}，d₀为离散数据，d₀取值5，d_k为目标数据，k为系数；

针对类型标记为机关单位的计算方式为：计算距离定位点前十的离散数据e₀并遵循以下规则：e_k＝e₀*k+e₁*k+e₂*k+e₃*k+……e_n*k,n≤10；定义集合A[0,0.5km],B(0.5,1km],C(1,1.5km],D(1.5,2km]；{k∈A,k＝1}\{k∈B,k＝0.7}\{k∈C,k＝0.5}\{k∈D,k＝0.3}，e₀为离散数据，e₀取值0.1，e_k为目标数据，k为系数；

针对类型标记为商业综合体的计算方式为：计算距离定位点前十的离散数据f₀并遵循以下规则：f_k＝f₀*k+f₁*k+f₂*k+f₃*k+……f_n*k,n≤10,f_k≤25；定义集合A[0,0.5km],B(0.5,1km],C(1,1.5km],D(1.5,2km]；{k∈A,k＝1}\{k∈B,k＝0.7}\{k∈C,k＝0.5}\{k∈D,k＝0.3}，f₀为离散数据，f₀取值3，f_k为目标数据，k为系数；

针对类型标记为娱乐综合体的计算方式为：计算距离定位点前十的离散数据f₀并遵循以下规则：g_k＝g₀*k+g₁*k+g₂*k+g₃*k+……g_n*k,n≤10,g_k≤10；定义集合A[0,0.5km],B(0.5,1km],C(1,1.5km],D(1.5,2km]；{k∈A,k＝1}\{k∈B,k＝0.7}\{k∈C,k＝0.5}\{k∈D,k＝0.3}，g₀为离散数据，g₀取值0.5，g_k为目标数据，k为系数；

针对类型标记为景点的计算方式为：5A景点门口距离定位点距离L≤2km，90≥h_k≥40；2<L≤8km，90≥h_k≥25；8<L≤15km，90≥h_k≥15；

如若没有5A景点，4A景点i_k＝25*k，累加≤35；3A景点j_k＝5，累加≤35；定义集合A[0,0.5km],B(0.5,1km],C(1,1.5km],D(1.5,2km]；{k∈A,k＝1}\{k∈B,k＝0.7}{k∈A,k＝1}\{k∈B,k＝0.7}\{k∈C,k＝0.5}\{k∈D,k＝0.3}；

针对类型标记为交通枢纽的计算方式为：火车站门口距离定位点距离L≤1km，80≥m_k≥40；1<L≤1.5km，80≥m_k≥25；1.5<L≤2km，80≥m_k≥15；

机场航站楼距离定位点距离L≤2km，80≥n_k≥40；2<L≤3km，80≥n_k≥25；3<L≤4km，80≥n_k≥15；

步骤S04，外发服务器收集目标数据形成目标数据表单，并将用户输入数据和导入数据融合生成报告，并以PDF格式导出，数据如实施例1中所述及附图所示，在此不做赘述。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (5)

1.一种大数据智能项目预测分析系统，其特征在于：包括主服务器和外发服务器，所述主服务器包括：

基础数据库，通过导入、录入、调取的方式汇集能够融入Map架构的多项带有坐标标记和类型标记的离散数据集合；

Map架构，作为基础数据库中所有带标记的离散数据的唯一关联附着网并以电子地图方式呈现；

信息收集模块，集合了N个收集单元，任一个收集单元用于根据子项表单向所述基础数据库中抓取特定坐标标记的离散数据；

子项表单，用于定义目标数据的附条件指令集合；

任务管理单元，用于将子项表单中的多项附条件指令进行优先级排序，并按照优先级先后分别将附条件指令与信息收集模块中的收集单元进行匹配；

计算单元，包含N个计算器，并分别对应一个固定关联的收集单元，将该对应的收集单元中的离散数据按照计算单元预设的算法进行逻辑运算，获得目标数据表单；

所述外发服务器用于将计算单元输出的目标数据表单结合用户输入数据和/或导入数据生成报告并导出。

2.根据权利要求1所述的一种大数据智能项目预测分析系统，其特征在于：所信息收集模块中的收集单元分别对应收集单一类型标记的数据并排序去重，所述类型标记包括住宅、写字楼、产业园、医疗教育单位、机关单位、商业综合体、娱乐综合体、景点、交通枢纽。

3.根据权利要求2所述的一种大数据智能项目预测分析系统，其特征在于：所述收集单元对数据去重的标定参数分别为：住宅数据去重范围为200米、写字楼数据去重范围为50米、产业园数据去重范围为200米、医疗教育单位数据去重范围为300米、机关单位数据去重范围为80米、商业综合体数据去重范围为50米。

4.根据权利要求3所述的一种大数据智能项目预测分析系统，其特征在于：所述计算单元中的多个计算器分别对任一单一类型标记的数据进行逻辑运算，运算的范围以定位点为圆心，2km为半径；运算方式如下：

针对类型标记为住宅的计算方式为：计算距离定位点前十的离散数据a₀并遵循以下规则：a_k＝a₀*k+a₁*k+a₂*k+a₃*k+……a_n*k,n≤10,a_k≤15；定义集合A[0,0.5km],B(0.5,1km],C(1,1.5km],D(1.5,2km]；{k∈A,k＝1}\{k∈B,k＝0.7}\{k∈C,k＝0.5}\{k∈D,k＝0.3}，a₀为离散数据，a₀取值0.5，a_k为目标数据，k为系数；

针对类型标记为写字楼的计算方式为：计算距离定位点前十的离散数据b₀并遵循以下规则：b_k＝b₀*k+b₁*k+b₂*k+b₃*k+……b_n*k,n≤10,b_k≤60；定义集合B[0,0.5km],B(0.5,1km],C(1,1.5km],D(1.5,2km]；{k∈A,k＝1}\{k∈B,k＝0.7}\{k∈C,k＝0.5}\{k∈D,k＝0.3}，b₀为离散数据，b₀取值2.5，b_k为目标数据，k为系数；

针对类型标记为产业园的计算方式为：计算距离定位点前十的离散数据c₀并遵循以下规则：c_k＝c₀*k+c₁*k+c₂*k+c₃*k+……c_n*k,n≤10,c_k≤50；定义集合C[0,0.5km],C(0.5,1km],C(1,1.5km],D(1.5,2km]；{k∈A,k＝1}\{k∈B,k＝0.7}\{k∈C,k＝0.5}\{k∈D,k＝0.1}，c₀为离散数据，c₀取值20，c_k为目标数据，k为系数；

针对类型标记为医疗教育单位的计算方式为：计算距离定位点前十的离散数据d₀并遵循以下规则：d_k＝d₀*k+d₁*k+d₂*k+d₃*k+……d_n*k,n≤10；定义集合A[0,0.5km],B(0.5,1km],C(1,1.5km],D(1.5,2km]；{k∈A,k＝1}\{k∈B,k＝0.7}\{k∈C,k＝0.5}\{k∈D,k＝0.3}，d₀为离散数据，d₀取值5，d_k为目标数据，k为系数；

针对类型标记为机关单位的计算方式为：计算距离定位点前十的离散数据e₀并遵循以下规则：e_k＝e₀*k+e₁*k+e₂*k+e₃*k+……e_n*k,n≤10；定义集合A[0,0.5km],B(0.5,1km],C(1,1.5km],D(1.5,2km]；{k∈A,k＝1}\{k∈B,k＝0.7}\{k∈C,k＝0.5}\{k∈D,k＝0.3}，e₀为离散数据，e₀取值0.1，e_k为目标数据，k为系数；

针对类型标记为商业综合体的计算方式为：计算距离定位点前十的离散数据f₀并遵循以下规则：f_k＝f₀*k+f₁*k+f₂*k+f₃*k+……f_n*k,n≤10,f_k≤25；定义集合A[0,0.5km],B(0.5,1km],C(1,1.5km],D(1.5,2km]；{k∈A,k＝1}\{k∈B,k＝0.7}\{k∈C,k＝0.5}\{k∈D,k＝0.3}，f₀为离散数据，f₀取值3，f_k为目标数据，k为系数；

针对类型标记为娱乐综合体的计算方式为：计算距离定位点前十的离散数据f₀并遵循以下规则：g_k＝g₀*k+g₁*k+g₂*k+g₃*k+……g_n*k,n≤10,g_k≤10；定义集合A[0,0.5km],B(0.5,1km],C(1,1.5km],D(1.5,2km]；{k∈A,k＝1}\{k∈B,k＝0.7}\{k∈C,k＝0.5}\{k∈D,k＝0.3}，g₀为离散数据，g₀取值0.5，g_k为目标数据，k为系数；

针对类型标记为景点的计算方式为：5A景点门口距离定位点距离L≤2km，90≥h_k≥40；2<L≤8km，90≥h_k≥25；8<L≤15km，90≥h_k≥15；

如若没有5A景点，4A景点i_k＝25*k，累加≤35；3A景点j_k＝5，累加≤35；定义集合A[0,0.5km],B(0.5,1km],C(1,1.5km],D(1.5,2km]；{k∈A,k＝1}\{k∈B,k＝0.7}{k∈A,k＝1}\{k∈B,k＝0.7}\{k∈C,k＝0.5}\{k∈D,k＝0.3}；

针对类型标记为交通枢纽的计算方式为：火车站门口距离定位点距离L≤1km，80≥m_k≥40；1<L≤1.5km，80≥m_k≥25；1.5<L≤2km，80≥m_k≥15；

机场航站楼距离定位点距离L≤2km，80≥n_k≥40；2<L≤3km，80≥n_k≥25；3<L≤4km，80≥n_k≥15。

5.一种大数据智能项目预测分析方法，用于实现对商业体后期项目运行的状态数据预测，其特征在于：采用权利要求4所述的一种大数据智能项目预测分析系统实现分析并获得预测分析报告，具体包含下述步骤：

步骤S01，通过外发服务器键入目标项目的基础信息，同时由用户自定义通过链接主服务器中的Map架构定位目标项目；

步骤S02，信息收集模块将以Map架构为基础，以定位的目标项目坐标点为中心，2km为半径抓取向基础数据库抓取离散数据；所述基础数据库将能够融入Map架构的数据分别标记有用于索引的坐标标记和类型标记；类型标记包括住宅、写字楼、产业园、医疗教育单位、机关单位、商业综合体、娱乐综合体、景点、交通枢纽；

步骤S03，计算单元将同一类型数据按照该类型数据预设逻辑进行清洗计算，获得对应的目标数据；各类型标记的目标数据清洗步骤如下：

将同一类型标记数据按照距离目标项目坐标点由近至远排序，取前十个数据作为有效数据；

将有效数据转换为目标数据的计算方式如下：

针对类型标记为住宅的计算方式为：计算距离定位点前十的离散数据a₀并遵循以下规则：a_k＝a₀*k+a₁*k+a₂*k+a₃*k+……a_n*k,n≤10,a_k≤15；定义集合A[0,0.5km],B(0.5,1km],C(1,1.5km],D(1.5,2km]；{k∈A,k＝1}\{k∈B,k＝0.7}\{k∈C,k＝0.5}\{k∈D,k＝0.3}，a₀为离散数据，a₀取值0.5，a_k为目标数据，k为系数；

针对类型标记为写字楼的计算方式为：计算距离定位点前十的离散数据b₀并遵循以下规则：b_k＝b₀*k+b₁*k+b₂*k+b₃*k+……b_n*k,n≤10,b_k≤60；定义集合B[0,0.5km],B(0.5,1km],C(1,1.5km],D(1.5,2km]；{k∈A,k＝1}\{k∈B,k＝0.7}\{k∈C,k＝0.5}\{k∈D,k＝0.3}，b₀为离散数据，b₀取值2.5，b_k为目标数据，k为系数；

针对类型标记为产业园的计算方式为：计算距离定位点前十的离散数据c₀并遵循以下规则：c_k＝c₀*k+c₁*k+c₂*k+c₃*k+……c_n*k,n≤10,c_k≤50；定义集合C[0,0.5km],C(0.5,1km],C(1,1.5km],D(1.5,2km]；{k∈A,k＝1}\{k∈B,k＝0.7}\{k∈C,k＝0.5}\{k∈D,k＝0.1}，c₀为离散数据，c₀取值20，c_k为目标数据，k为系数；

针对类型标记为医疗教育单位的计算方式为：计算距离定位点前十的离散数据d₀并遵循以下规则：d_k＝d₀*k+d₁*k+d₂*k+d₃*k+……d_n*k,n≤10；定义集合A[0,0.5km],B(0.5,1km],C(1,1.5km],D(1.5,2km]；{k∈A,k＝1}\{k∈B,k＝0.7}\{k∈C,k＝0.5}\{k∈D,k＝0.3}，d₀为离散数据，d₀取值5，d_k为目标数据，k为系数；

针对类型标记为机关单位的计算方式为：计算距离定位点前十的离散数据e₀并遵循以下规则：e_k＝e₀*k+e₁*k+e₂*k+e₃*k+……e_n*k,n≤10；定义集合A[0,0.5km],B(0.5,1km],C(1,1.5km],D(1.5,2km]；{k∈A,k＝1}\{k∈B,k＝0.7}\{k∈C,k＝0.5}\{k∈D,k＝0.3}，e₀为离散数据，e₀取值0.1，e_k为目标数据，k为系数；

针对类型标记为商业综合体的计算方式为：计算距离定位点前十的离散数据f₀并遵循以下规则：f_k＝f₀*k+f₁*k+f₂*k+f₃*k+……f_n*k,n≤10,f_k≤25；定义集合A[0,0.5km],B(0.5,1km],C(1,1.5km],D(1.5,2km]；{k∈A,k＝1}\{k∈B,k＝0.7}\{k∈C,k＝0.5}\{k∈D,k＝0.3}，f₀为离散数据，f₀取值3，f_k为目标数据，k为系数；

针对类型标记为娱乐综合体的计算方式为：计算距离定位点前十的离散数据f₀并遵循以下规则：g_k＝g₀*k+g₁*k+g₂*k+g₃*k+……g_n*k,n≤10,g_k≤10；定义集合A[0,0.5km],B(0.5,1km],C(1,1.5km],D(1.5,2km]；{k∈A,k＝1}\{k∈B,k＝0.7}\{k∈C,k＝0.5}\{k∈D,k＝0.3}，g₀为离散数据，g₀取值0.5，g_k为目标数据，k为系数；

针对类型标记为景点的计算方式为：5A景点门口距离定位点距离L≤2km，90≥h_k≥40；2<L≤8km，90≥h_k≥25；8<L≤15km，90≥h_k≥15；

如若没有5A景点，4A景点i_k＝25*k，累加≤35；3A景点j_k＝5，累加≤35；定义集合A[0,0.5km],B(0.5,1km],C(1,1.5km],D(1.5,2km]；{k∈A,k＝1}\{k∈B,k＝0.7}{k∈A,k＝1}\{k∈B,k＝0.7}\{k∈C,k＝0.5}\{k∈D,k＝0.3}；

针对类型标记为交通枢纽的计算方式为：火车站门口距离定位点距离L≤1km，80≥m_k≥40；1<L≤1.5km，80≥m_k≥25；1.5<L≤2km，80≥m_k≥15；

机场航站楼距离定位点距离L≤2km，80≥n_k≥40；2<L≤3km，80≥n_k≥25；3<L≤4km，80≥n_k≥15；

步骤S04，外发服务器收集目标数据形成目标数据表单，并将用户输入数据和导入数据融合生成报告，并以PDF格式导出。

Images