CN114757723B - 用于资源要素交易平台的数据分析模型构建系统及方法 - Google Patents

Abstract

本发明提出了用于资源要素交易平台的数据分析模型构建系统及方法，属于大数据分析技术领域，使用多个分布数据单元组合形成人工神经网络数据库，获取人工神经网络数据库中与待分析商品数据相似度最大的m个节点；汇集所述人工神经网络数据库中的m个节点中的样本特征数据，构造交易数据节点选择图，以获取m个选择节点的选择路径；根据所述选择路径中的m个选择节点中存储的数据构建数据分析模型，数据分析模型的输出曲线代表对资源要素交易平台上待分析商品数据的态势分析结果。

Description

用于资源要素交易平台的数据分析模型构建系统及方法

技术领域

本发明属于大数据分析技术领域，具体涉及用于资源要素交易平台的数据分析模型构建系统及方法。

背景技术

随着社会的不断发展，经济愈来愈发达，商品价格也多种多样。资源要素交易平台上对于商品价格与需求量之间的关系,多数人们认为,商品的折扣力度与需求量成正比。事实并非这样,当供求关系特别紧张的时候,无论是供大于求,还是供小于求,商家都必须要通过选择价格来平衡供求关系,维持市场的秩序。

目前资源要素交易平台上广泛采用的商品价格评估方法缺少对确定商品的价格的评估系统，所以平台对价格的设定全靠商家自行确定价格分布范围，然后从中选择一个合适的价格，然而商品价格分布范围广，并且无法自行快速确定价格设定的评估条件，随机选择的商品价格缺少营销优势，因此如果商家设定商品价格过高，则导致商品的售卖量低，商家盈利少，而如果设定商品价格过低，则直接导致商家的盈利少。

计算机技术不断向前发展，各种信息越来越紧密地和计算机进行结合，形成信息产业。近年来，机器学习领域取得长足发展，人工智能技术也已经让人们认识到其强大威力及巨大的发展前景。其中又必不可少地涉及到大数据、数据挖掘等分支技术。利用计算机信息系统，可以更快更全面提供商品价格数据分析参考因素，再通过机器学习，不断完善学习成果库，扩充数据资料，优化商品价格数据分析算法，使商品价格数据分析更加科学高效。

例如已经授权的专利文献CN113919602B，公开了一种大数据交易的数据价值双向评估方法及系统，获得第一数据商品信息；获得第一数据商品特征；构建第一用户需求分析模型和第一数据质量评估模型；获得第一需求匹配信息和第一质量评估信息；通过将所述第一需求匹配信息和所述第一质量评估信息作为变量信息输入第一目标函数中进行计算，获得第一响应结果，根据第一响应结果，生成双向价值评估信息，将第一价值评估信息和第二价值评估信息发送至所述第一数据采购方。但是该技术方案并没有解决现有技术中交易数据价值估计科学性不足，无法实现商品价格数据的准确分析，无法充分释放数据价值的技术问题。

例如已经授权的专利文献CN106779809B公开了一种大数据平台的价格信息优化组合方法与系统，作为网络商品交易平台的后台支撑，能够在收集、聚合、提取、分析各种商品类型下的各个具体商品在价格维度和其它维度上的状态与属性的基础之上，根据边界条件和用户趋向而形成在价格维度和其它维度上得到优化的交易具体商品组合对象，从而为用户在平台选择商品的过程中提供个性化推荐等形式的辅助。但是该技术方案存在关联因素很多的情况，参考因素不甚全面客观，并没有分析真正的商品价格态势。

发明内容

为了解决上述技术问题，本发明提出了用于资源要素交易平台的数据分析模型构建方法，包括：

步骤1，使用多个分布数据单元组合形成人工神经网络数据库，获取人工神经网络数据库中与待分析商品数据相似度最大的m个节点；

步骤2，汇集所述人工神经网络数据库中的m个节点中的样本特征数据，构造交易数据节点选择图，将所述m个节点作为交易数据节点选择图中的选择节点，获取所述选择节点的选择路径{S₁、S₂、……、S_m}；

步骤3，根据所述选择路径{S₁、S₂、……、S_m}中的选择节点中存储的数据构建数据分析模型，数据分析模型的输出曲线代表对资源要素交易平台上待分析商品数据的态势分析结果。

进一步地，所述步骤1中，人工神经网络数据库的构建步骤为：

步骤1.1，构建历史交易数据特征体系的样本集数据；

步骤1.2，基于所述样本集数据，将所有样本特征数据进行归一化处理；

步骤1.3，假设有ｎ个节点的样本特征数据的特征向量为A₁，…，A_i，…，A_n，则待分析商品数据的特征向量B与第ｉ个节点的样本特征数据的特征向量A_i的相似度e_i为：

；

步骤1.4，按相似度大小排序，取其中相似度最大的m个节点进行推送。

进一步地，所述步骤2中，构造交易数据节点选择图，将m个节点作为节点选择图中的选择节点，获取选择节点相关的边构造选择路径{S₁、S₂、……、S_m}，根据所述选择路径{S₁、S₂、……、S_m}，获取选择路径上的选择节点的数据调取顺序。

进一步地，所述步骤3中，按照所述选择路径{S₁、S₂、……、S_m}中的数据调取顺序调取选择节点中的数据构建数据分析模型，利用所述数据分析模型进行数据分析，具体包括：

步骤3.1，对数据分析模型的输入数据x进行批量归一化；

输入数据x包括每个选择节点k上的标准数据x(k)，每个选择节点k的比例系数为E_B，求取所述标准数据x(k)的批量归一化数据

为：

；

其中，

为批量归一化系数；

步骤3.2，在批量归一化数据

的基础上，引入迭代因子

，构建数据分析模型，按照所述数据调取顺序调取选择节点中的数据进行输入；

；

其中，m为选择节点的总数，V为数据分析模型的输出曲线，代表待分析商品数据的态势分析结果。

进一步地，所述步骤1.1中，选取互相独立的多个指标因子作为评估变量用于构建历史交易数据特征体系，按照保留类别比例的采样方式将样本集数据划分为标准样本集和测试样本集，采用标准样本集作为所述步骤1.2中的样本集数据。

进一步地，所述步骤1.2中，将所有样本特征数据按下式进行归一化处理：

；

其中：ｚ为归一化后的样本特征数据，ｘ为输入的样本特征数据，

为样本特征数据平均数，

为样本特征数据标准差。

本发明还提出了用于资源要素交易平台的数据分析模型构建系统，用于实现前述的用于资源要素交易平台的数据分析模型构建方法，包括：

人工神经网络数据库，包括多个分布数据单元，所述多个分布数据单元分别对应多个交易的历史交易数据；

节点计算单元，用于获取所述人工神经网络数据库中与待分析商品数据相似度最大的m个节点，汇集所述m个节点中的样本特征数据，构造交易数据节点选择图，以获取选择节点的选择路径和数据调取顺序；

模型构建单元，根据所述选择路径中的m个节点中存储的数据构建数据分析模型，并输出代表对资源要素交易平台上待分析商品数据的态势分析结果。

进一步地，所述模型构建单元包括：

第一模型计算子单元，对所述数据分析模型的输入数据进行批量归一化，求取每个选择节点k上的标准数据x(k)的批量归一化数据

为：

；

其中，

为批量归一化系数；

第二模型计算子单元，在批量归一化数据

的基础上，引入迭代因子

，构建数据分析模型，按照所述数据调取顺序调取选择节点中的数据进行输入；

；

其中，m为选择节点的总数，V为数据分析模型的输出曲线，对资源要素交易平台上待分析商品数据的态势分析结果。

本发明具有如下优点：

本发明使用多个分布数据单元组合构建人工神经网络数据库，每个分布数据单元分别对应于多个交易的历史交易数据；汇集所述人工神经网络数据库中的m个节点中的样本特征数据，构造交易数据节点选择图，以获取m个节点的选择路径；根据所述选择路径中的m个节点中存储的数据构建数据分析模型，在批量归一化数据的基础上，引入迭代因子，构建数据分析模型，数据分析模型的输出曲线代表对资源要素交易平台上待分析商品数据的态势分析结果。

附图说明

附图1为本发明的用于资源要素交易平台的数据分析模型构建方法的流程图；

附图2为本发明的节点选择图；

附图3为本发明的用于资源要素交易平台的数据分析模型构建系统的结构图。

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。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。

在本发明的具体实施例附图中，为了更好、更清楚的描述系统中的各元件的工作原理，表现所述装置中各部分的连接关系，只是明显区分了各元件之间的相对位置关系，并不能构成对元件或结构内的信号传输方向、连接顺序及各部分结构大小、尺寸、形状的限定。

如图1所示，为本发明的用于资源要素交易平台的数据分析模型构建方法的流程图，该数据分析模型构建方法包括：

步骤1，使用多个分布数据单元组合形成人工神经网络数据库，多个分布数据单元分别对应于多个交易的历史交易数据。

多个分布数据单元中包含的信息被输入到人工神经网络数据库。人工神经网络数据库可以包括物理数据库结构，或者是一个或多个逻辑数据库结构。

人工神经网络数据库是根据人脑功能建模的软件构造。人工神经网络数据库应用包括通过链路连接的节点所组成的系统，每个节点都具有与之关联的数字权重，通过学习来更新连接网络中节点的数字权重。每个节点具有来自其他单元的一组输入链接、至其他单元的一组输出链接、当前激活级别，以及在每个时间步长计算激活级别的方法。人工神经网络中的权重使用一些默认值进行初始化，然后随时间同步更新。每个节点从其输入链路接收输入，并基于从每个相邻节点接收的输入信号的值，以及相应输入链路上的权重的值，来执行计算。然后执行线性输入函数以计算节点的输入值的加权和，执行非线性激活函数，该函数将加权和转换为最终值，该值作为节点的激活值。

神经网络可以分为两种主要类型，前馈网络和递归网络，最佳网络结构采用爬山算法、模拟退火算法，或遗传算法之类的搜索和学习技术来找到。

本实施例中的人工神经网络数据库包括通过链路连接的节点系统，每个链路具有与其相关联的数值权重。通过更新连接人工神经网络数据库中的节点的加权因子来进行学习。

多个分布数据单元中的历史交易数据存储在人工神经网络数据库内的各个节点内，并由BP神经网络耦合模糊数学方法构建人工神经网络数据库，其构建步骤如下：

步骤1.1，构建历史交易数据特征体系的样本集数据。

根据相关性分析，选取互相独立的多个指标因子作为评估变量用于构建历史交易数据特征体系，各指标因子采用留出法，按照保留类别比例的采样方式将样本集数据划分为标准样本集和测试样本集。

留出法，即把样本集数据分割为没有交集的两个集合，即训练样本集和测试样本集。训练样本集和测试样本集的划分要尽可能的保持数据分布的一致性，避免因数据划分过程引入额外的偏差而对最终结果产生影响。

在给定训练样本集和测试样本集的样本比例后，单次使用留出法得到的结果往往不够稳定可靠，在使用留出法时，优选地采用若干次随机划分、重复进行实验评估后取得平均值作为留出法的评估结果。

本实施例中，将1000个样本集进行划分，前800样本为标准样本集，后200样本为测试样本集。在如下步骤中，优选地采用标准样本集作为样本集数据。

步骤1.2，基于历史交易数据特征体系的样本集数据，为满足对样本集数据中的样本特征数据格式的要求并消除不同量纲的影响，从而避免部分样本特征数据无法有效参与数据分析，将所有样本特征数据按下式进行归一化处理：

。

其中：ｚ为归一化后的样本特征数据，ｘ为输入的样本特征数据，

为样本特征数据平均数，

为样本特征数据标准差。

步骤1.3，对于存储有多个分布数据单元的历史交易数据的各个节点，通过相似度描述各个节点之间的相似程度，且相似度取值范围为［0,100］，相似度越接近100，各个节点之间则越相似。

假设有ｎ个节点的样本特征数据的特征向量为A₁，…，A_i，…，A_n，待分析商品数据的特征向量为B，A_i表示第ｉ个节点的样本特征数据的特征向量,按下式来计算待分析商品数据的特征向量为B与第ｉ个节点的样本特征数据的特征向量A_i的相似度e_i。

。

步骤1.4，按相似度大小排序，取其中相似度最大的多个节点推送给数据分析模型，优选地，选择前十个相似度最大的节点中的样本特征数据推送给数据分析模型。

假设选定m个相似度最大的节点中的样本特征数据来进行数据分析，m个相似度最大的节点的相似度分别为e₁,…,e_i,…,e_m，那么每一个节点中的样本特征数据对应的权重

为：

。

步骤2，汇集所述人工神经网络数据库中的m个节点中的样本特征数据，构造交易数据节点选择图，将所述m个节点作为交易数据节点选择图中的选择节点，获取所述选择节点的选择路径{S₁、S₂、……、S_m}。

交易数据节点选择图是指将m个节点作为交易数据节点选择图中的选择节点，而选择路径则表示为选择节点之间的选择序列。

如在图2中的(a)，节点B的选择路径可以为S→节点选择器→b1，也可以为S→节点选择器→a1→节点A→c1→节点C→b2，还可以为S→节点选择器→a1→节点A→c2→节点C→b2，具体信息由实际运行情况决定。由于递归，节点选择图可能包含循环，每一条递归的边都将换成从交易数据构造入口到节点选择处的边b*。将图2中的(a)交易数据构造函数的节点选择图转换为图2中的(b)，结果中存在节点C的4个选择路径：S→a1→c1，S→a1→c2，S→b1→c3和b*→c3。

根据交易数据节点选择图获取选择节点相关的边，即函数选择链，函数选择链用于记载每个选择节点处、数据堆栈里的返回地址所对应的数据，函数选择链存于数据堆栈表中。

获取选择节点的选择路径{S₁、S₂、……、S_m}，将选择节点置于正常行为下运行。

步骤3，根据所述选择路径{S₁、S₂、……、S_m}中的m个选择节点中存储的数据构建数据分析模型，数据分析模型的输出曲线代表对资源要素交易平台上待分析商品数据的历史交易态势分析结果。

步骤3.1，对数据分析模型的输入数据x进行批量归一化；

批量归一化是对于输入的数据x，即由所有选择节点存储的数据构成，包括每个选择节点k上的标准数据x(k)，每个选择节点k的比例系数为E_B，求取标准数据x(k)的批量归一化数据

为：

。

其中，

为批量归一化系数。

步骤3.2，构建数据分析模型，按照所述数据调取顺序调取选择节点中存储的数据进行输入。

数据分析模型的构建是在选择节点的批量归一化数据

的基础上，引入迭代因子

构建而成：

。

在该公式中，V为数据分析模型的输出曲线，表示对资源要素交易平台上待分析商品数据的态势分析结果。

图3为本发明的用于资源要素交易平台的数据分析模型构建系统的示意图。

如图3所示，该数据分析模型构建系统包括：

人工神经网络数据库，包括多个分布数据单元，多个分布数据单元分别对应于多个交易的历史交易数据。

分布数据单元优选地可以为采用密码技术进行安全保护的分布式数据结构。将交换的数据以密码术进行安全保护的方式在有规律的时间间隔里分散成组，并构成神经网络，在记录最近的交易之后，生成和分析新的组。如果该组是有效的，则该组可加上时间数据，并且将该组添加到神经网络中。一旦添加到神经网络中，就不能再修改或删除组，这保证了神经网络的真实性和安全性。神经网络包含一组独立的控制集。控制集在神经网络数据库中相串接，能够验证数据集的完整性而不必在验证的时候处理所有的数据。通过存储节点保护神经网络数据库中的记录以防篡改或修改。

节点计算单元，用于获取所述人工神经网络数据库中与待分析商品数据相似度最大的m个节点，汇集所述m个节点中的样本特征数据，构造交易数据节点选择图，以获取选择节点的选择路径和数据调取顺序。

模型构建单元，根据选择路径{S₁、S₂、……、S_m}的数据调取顺序调取选择节点中的数据构建数据分析模型，并输出代表对资源要素交易平台上待分析商品数据的态势分析结果。

模型构建单元对数据分析模型的构建是在选择节点中的数据的基础上，引入迭代因子

构建而成，将历史数据作为输入数据，并批量归一化，数据分析模型的输出曲线，即待分析商品的历史交易数据分析结果。

在优选实施例中，所述模型构建单元进一步包括：

第一模型计算子单元，对于输入的数据x，获取每个选择节点k上的标准数据x(k)，求取标准数据x(k)的批量归一化数据

为：

。

其中，

为批量归一化系数。

第二模型计算子单元，用于构建数据分析模型，按照所述数据调取顺序调取选择节点中的数据进行输入。

数据分析模型的构建是在选择节点中的数据的基础上，引入迭代因子

构建而成：

。

在该公式中，m为选择节点的总数，V为数据分析模型的输出曲线，对资源要素交易平台上待分析商品数据的态势分析结果。

本发明使用多个分布数据单元组合形成人工神经网络数据库，由BP神经网络耦合模糊数学方法构建人工神经网络数据库，多个分布数据单元分别对应于多个交易的历史交易数据；执行交易数据构造函数以汇集人工神经网络数据库中的m个节点中的样本特征数据，计算所述m个节点的概率标准；根据选择路径{S₁、S₂、……、S_m}中的选择节点的数据构建数据分析模型，利用数据分析模型进行大数据分析，在选择节点中的数据的基础上，引入迭代因子，数据分析模型的输出曲线，即对资源要素交易平台上待分析商品数据的态势分析结果。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者通过所述计算机可读存储介质进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如，固态硬盘(solid state disk，SSD))等。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (6)

1.用于资源要素交易平台的数据分析模型构建方法，其特征在于，包括：

步骤1，使用多个分布数据单元组合形成人工神经网络数据库，获取人工神经网络数据库中与待分析商品数据相似度最大的m个节点；

步骤2，汇集所述人工神经网络数据库中的m个节点中的样本特征数据，构造交易数据节点选择图，将m个节点作为交易数据节点选择图中的选择节点，获取选择节点相关的边构造选择路径{S₁、S₂、……、S_m}，根据所述选择路径{S₁、S₂、……、S_m}，获取选择路径上的选择节点的数据调取顺序；

步骤3，按照所述选择路径{S₁、S₂、……、S_m}中的数据调取顺序调取选择节点中的数据构建数据分析模型，利用所述数据分析模型进行数据分析，数据分析模型的输出曲线代表对资源要素交易平台上待分析商品数据的态势分析结果，具体包括：

步骤3.1，对数据分析模型的输入数据x进行批量归一化；

所述输入数据x包括每个选择节点k上的标准数据x(k)，每个选择节点k的比例系数为E_B，求取所述标准数据x(k)的批量归一化数据

为：

；

其中，

为批量归一化系数；

步骤3.2，在批量归一化数据

的基础上，引入迭代因子

，构建数据分析模型，按照所述数据调取顺序调取选择节点中的数据进行输入；

；

其中，m为选择节点的总数，V为数据分析模型的输出曲线，代表待分析商品数据的态势分析结果。

2.根据权利要求1所述的数据分析模型构建方法，其特征在于，所述步骤1中，人工神经网络数据库的构建步骤为：

步骤1.1，构建历史交易数据特征体系的样本集数据；

步骤1.2，基于所述样本集数据，将所有样本特征数据进行归一化处理；

步骤1.3，假设ｎ个节点的样本特征数据的特征向量为A₁，…，A_i，…，A_n，则待分析商品数据的特征向量B与第ｉ个节点的样本特征数据的特征向量A_i的相似度e_i为：

；

步骤1.4，按相似度大小排序，取其中相似度最大的m个节点进行推送。

3.根据权利要求2所述的数据分析模型构建方法，其特征在于，所述步骤1.1中，选取互相独立的多个指标因子作为评估变量用于构建历史交易数据特征体系，按照保留类别比例的采样方式将数据划分为标准样本集和测试样本集，采用标准样本集作为所述步骤1.2中的样本集数据。

4.根据权利要求2所述的数据分析模型构建方法，其特征在于，所述步骤1.2中，将所有样本特征数据按下式进行归一化处理：

；

其中：ｚ为归一化后的样本特征数据，x为输入的样本特征数据，

为样本特征数据平均数，

为样本特征数据标准差。

5.用于资源要素交易平台的数据分析模型构建系统，其特征在于，用于实现如权利要求1-4中任意一项用于资源要素交易平台的数据分析模型构建方法，包括：

人工神经网络数据库，包括多个分布数据单元，所述多个分布数据单元分别对应多个交易的历史交易数据；

节点计算单元，用于获取所述人工神经网络数据库中与待分析商品数据相似度最大的m个节点，汇集所述m个节点中的样本特征数据，构造交易数据节点选择图，以获取选择节点的选择路径和数据调取顺序；

模型构建单元，按照所述选择路径中的数据调取顺序调取选择节点中的数据构建数据分析模型，并输出代表对资源要素交易平台上待分析商品数据的态势分析结果。

6.根据权利要求5所述的数据分析模型构建系统，其特征在于，所述模型构建单元包括：

第一模型计算子单元，对所述数据分析模型的输入数据进行批量归一化，求取每个选择节点k上的标准数据x(k)的批量归一化数据

为：

；

其中，

为批量归一化系数；

第二模型计算子单元，在批量归一化数据

的基础上，引入迭代因子

，构建数据分析模型，按照所述数据调取顺序调取选择节点中的数据进行输入；

；

其中，m为选择节点的总数，V为数据分析模型的输出曲线，对资源要素交易平台上待分析商品数据的态势分析结果。

Images