CN116484309B - 户籍人口数据与不动产登记数据融合方法 - Google Patents

Abstract

本发明提出了一种户籍人口数据与不动产登记数据融合方法，包括：S1，根据云平台获取户籍人口数据以及对应的不动产登记数据，并将对应的数据进行预关联；S2，对相应的户籍人口数据进行行为轨迹神经网络学习，将学习的人口行为轨迹数据进行特征分析；S3，根据特征分析的结果确定户籍人口数据中行为轨迹的融合阈值，并且对应匹配不动产数据。

Description

户籍人口数据与不动产登记数据融合方法

技术领域

本发明涉及数据融合分析领域，尤其涉及一种户籍人口数据与不动产登记数据融合方法。

背景技术

随着城市规模不断扩大，人口数量增多，消费不动产行为成为社会的基本需求，如何对于人员轨迹进行匹配判断，从而将户籍人口数据进行统计，根据户籍人口数据与相应的不动产登记数据进行匹配对应，由于数据之间的异构形式，而且户籍人口有可能对应多个不动产登记数据，无法准确判断人员所在地理位置，造成关联性不准确，如何提高户籍人口与不动产登记数据匹配度，并对数据和数据之间形成强相关性，并且户籍人口数据更改时，能够保持对应的不动产数据形成一致性变化，这就亟需本领域技术人员解决相应的技术问题。

发明内容

本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种户籍人口数据与不动产登记数据融合方法。

为了实现本发明的上述目的，本发明提供了一种户籍人口数据与不动产登记数据融合方法，其特征在于，包括：

S1，根据云平台获取户籍人口数据以及对应的不动产登记数据，并将对应的数据进行预关联；

S2，对相应的户籍人口数据进行行为轨迹神经网络学习，将学习的人口行为轨迹数据进行特征分析；

S3，根据特征分析的结果确定户籍人口数据中行为轨迹的融合阈值，并且对应匹配不动产数据。

上述技术方案优选的，所述S1包括：

S1-1，户籍人口数据分别与不动产登记数据建立相对应的映射表，该映射表存储相对应的匹配映射数据，通过映射表中相对应的户籍人口数据对不同的映射表之间进行预关联；

S1-2，因为户籍人口数据的数量对所有不动产登记数据所对应的映射表进行结果输出，统计该户籍人口数据对应的映射表数量，根据映射表的预关联得到所述户籍人口数据映射关系；

S1-3，根据户籍人口数据收集户籍人口的行为数据，根据智能设备采集户籍人口数据相对应的行为数据。

上述技术方案优选的，所述S1还包括：

S1-4，确定户籍人口数据遍历的映射表所得到的智能设备，基于映射表的预关联关系确定户籍人口数据中待筛选的行为数据；

获取待筛选的行为数据中相对应的智能设备，将当前所遍历的映射表、待筛选的行为数据中对应的智能设备所匹配的户籍人口数据进行映；

S1-5，对于预关联过程，删除无效数据，以及异常轨迹点，行为数据中没有关联关系的数据进行剔除操作，将具备关联关系的行为数据调取户籍人口数据的行为路径，定义初始行为路径。

上述技术方案优选的，所述S2包括：

S2-1，根据预关联户籍人口数据的行为轨迹，将行为轨迹同步在不动产登记数据中进行定位匹配，根据形成的行为轨迹边数，对户籍人口数据和不动产登记数据进行双向改进的循环神经网络学习，

S2-2，根据正向的循环神经网络模型，即任一户籍人口数据的行为轨迹与多个不动产登记数据形成的特征向量M＝{m₁,m₂,...,m_n}，形成正向行为轨迹模型的表达公式，其中/>为行为轨迹的正向输入。

上述技术方案优选的，所述S2还包括：

S2-3，根据反向的循环神经网络模型，即任一不动产登记数据对应与多个户籍人口数据的行为轨迹形成的特征向量M′＝{m_n,...,m₂,m₁}，形成反向行为轨迹模型的表达公式，其中/>为行为轨迹的反向输入，n为行为轨迹特征数量；

对于循环神经网络模型D_n＝G(m_n)，双向的行为轨迹特征模型为

其中，δ(·)代表sigmoid激活函数，为第n个行为轨迹的正向隐含激活序列，为第n个行为轨迹的反向隐含激活序列，/>为正向隐含激活序列的输入相关权重矩阵，/>为反向隐含激活序列的输入相关权重矩阵，m_n为行为轨迹的输入，D_n-1为上一个行为轨迹的循环神经网络模型的输出信息，/>为正向隐含激活序列的输出相关权重矩阵，为反向隐含激活序列的输出相关权重矩阵，/>为正向隐含激活序列的偏置项，/>为反向隐含激活序列的偏置项，b_H为信息输出的偏置项，H_n为第n个双向行为轨迹的输出序列，为正向输出的权重矩阵，/>为反向输出的权重矩阵。

上述技术方案优选的，所述S2还包括：

S2-4，对行为轨迹特征向量在双向循环神经网络中利用社交行为信息进行二次行为特征向量提取，

其中c_i为特征向量，λ为耦合系数，η为特征调节阈值，u_i为输入的二次行为特征向量，v_i为行为特征权值转化矩阵，i为特征数量；

S2-5，形成二次行为特征的深度行为特征向量为，

其中提取的深度行为特征向量F_i是通过计算二次行为特征向量c_i的模||c_i||，提取出深度行为特征。

上述技术方案优选的，所述S3包括：

S3-1，进行双向行为轨迹输出序列和深度行为特征向量融合阈值计算，

其中，n为双向行为轨迹数量，W_n为双向行为轨迹的输出序列H_n的权重矩阵，W_i为深度行为特征向量F_i的权重矩阵，μ为修正系数，为哈玛达乘积运算；

S3-2，通过融合阈值计算之后，对于户籍人口数据中的行为轨迹求得相应融合阈值，调整其数值范围与不动产登记数据进行平滑拼接，判断户籍人口数据对应的不动产登记数据，从而得到户籍人口数据对应的不动产登记数据之间的密切联系。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

为深度分析房地产市场运行情况，提高统计分析成果的有效性、实用性和权威性，通过对应部门之间数据共享交互，定期开展户籍人群不动产登记购房信息与户籍人口信息的比对、核实并更新工作，从而掌握不动产登记数据与人口流动数据的实时运行态势作为数据分析的参考。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明总体示意图；

图2是本发明具体实施示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

如图1和2所示，本发明公开一种根据大数据进行户籍人口数据与不动产登记数据融合的方法，包括如下步骤：

S1，根据云平台获取户籍人口数据以及对应的不动产登记数据，并将对应的数据进行预关联；

S2，对相应的户籍人口数据进行行为轨迹神经网络学习，将学习的人口行为轨迹数据进行特征分析；

S3，根据特征分析的结果确定户籍人口数据中行为轨迹的融合阈值，并且对应匹配预关联的不动产登记数据。

根据户籍人口数据与不动产数据通过行为轨迹处理后进行融合的结果，得到反馈的判断数据，从不同的动态数据中获得相似度较高的对应数据，从而提炼出户籍人口的动态变化数据，建立户籍和不动产登记数据的元素的关联关系。

上述技术方案优选的，所述S1包括：

S1-1，户籍人口数据分别与不动产登记数据建立相对应的映射表，该映射表存储相对应的匹配映射数据，由于户籍人口数据存在对应多个不动产登记数据的情况，通过映射表中相对应的户籍人口数据对不同的映射表之间进行预关联；

S1-2，因为户籍人口数据的数量对所有不动产登记数据所对应的映射表进行结果输出，统计该户籍人口数据对应的映射表数量，通过遍历户籍人口数据中每个映射表能够提取出对应的映射表清单；根据映射表的预关联得到所述户籍人口数据映射关系；

S1-3，根据户籍人口数据收集户籍人口的行为数据，形成基于户籍人口数据对应的身份数据、驾驶导航数据、通信定位数据以及交易数据的行为数据；根据智能设备采集户籍人口数据相对应的行为数据；

S1-4，确定户籍人口数据遍历的映射表所得到的智能设备，基于映射表的预关联关系确定户籍人口数据中待筛选的行为数据；

获取待筛选的行为数据中相对应的智能设备，将当前所遍历的映射表、待筛选的行为数据中对应的智能设备所匹配的户籍人口数据进行映射，户籍人口数据包括至少一个行为数据；

如某一户籍人口，其身份证信息为：500727********2215，支付平台账号为：123；在智能设备中频繁支付场景为A地，使用导航设备8点至9点50之间定位终点为B地，18点至20点定位终点为A地，根据支付场景和定位终点进行行为数据融合操作，根据实际关键信息的数据融合过程，对户籍人口数据与不动产登记数据进行预关联；

S1-5，对于预关联过程，删除无效数据，以及异常轨迹点，行为数据中没有关联关系的数据进行剔除操作，将具备关联关系的行为数据调取户籍人口数据的行为路径，定义初始行为路径。

上述技术方案优选的，所述S2包括：

S2-1，根据预关联户籍人口数据的行为轨迹，将行为轨迹同步在不动产登记数据中进行定位匹配，根据形成的行为轨迹边数，对户籍人口数据和不动产登记数据进行双向改进的循环神经网络学习，

S2-2，根据正向的循环神经网络模型，即任一户籍人口数据的行为轨迹与多个不动产登记数据形成的特征向量M＝{m₁,m₂,...,m_n}，形成正向行为轨迹模型的表达公式，其中/>为行为轨迹的正向输入；

S2-3，根据反向的循环神经网络模型，即任一不动产登记数据对应与多个户籍人口数据的行为轨迹形成的特征向量M′＝{m_n,...,m₂,m₁}，形成反向行为轨迹模型的表达公式，其中/>为行为轨迹的反向输入，n为行为轨迹特征数量；

对于循环神经网络模型D_n＝G(m_n)，双向的行为轨迹特征模型为

其中，δ(·)代表sigmoid激活函数，为第n个行为轨迹的正向隐含激活序列，为第n个行为轨迹的反向隐含激活序列，/>为正向隐含激活序列的输入相关权重矩阵，/>为反向隐含激活序列的输入相关权重矩阵，m_n为行为轨迹的输入，D_n-1为上一个行为轨迹的循环神经网络模型的输出信息，/>为正向隐含激活序列的输出相关权重矩阵，为反向隐含激活序列的输出相关权重矩阵，/>为正向隐含激活序列的偏置项，/>为反向隐含激活序列的偏置项，b_H为信息输出的偏置项，H_n为第n个双向行为轨迹的输出序列，为正向输出的权重矩阵，/>为反向输出的权重矩阵，

设置行为轨迹特征模型用于解决行为输入分布不稳定导致的神经网络学习不准确的问题。通过正向隐含激活序列计算用于控制接收多少在正向状态的行为轨迹；通过反向隐含激活序列计算用于控制接收多少在反向状态的行为轨迹。

S2-4，对行为轨迹特征向量在双向循环神经网络中利用社交行为信息进行二次行为特征向量提取，其中社交行为包括户籍人口数据在收发即时聊天工具的IP地址数据，消费场景数据；

其中c_i为特征向量，λ为耦合系数，η为特征调节阈值，u_i为输入的二次行为特征向量，v_i为行为特征权值转化矩阵，i为特征数量；

S2-5，形成二次行为特征的深度行为特征向量为，

其中提取的深度行为特征向量F_i是通过计算二次行为特征向量c_i的模||c_i||，提取出深度行为特征；

上述技术方案优选的，所述S3包括：

S3-1，进行双向行为轨迹输出序列和深度行为特征向量融合阈值计算，

其中，n为双向行为轨迹数量，W_n为双向行为轨迹的输出序列H_n的权重矩阵，W_i为深度行为特征向量F_i的权重矩阵，μ为修正系数；

S3-2，通过融合阈值计算之后，对于户籍人口数据中的行为轨迹求得相应融合阈值，调整其数值范围与不动产登记数据进行平滑拼接，判断户籍人口数据经常对应的不动产登记数据，从而得到户籍人口数据对应的不动产登记数据之间的密切联系，当融合阈值取最大值时，其户籍人口数据和不动产登记数据相关度最高。

这其中将具备重合的行为轨迹根据归一化操作之后产生相应的限定阈值，通过加权之后的特征向量输出至双向改进的循环神经网络中。

具体步骤如下：

定期从不动产登记系统提取一段时期内所有不动产登记数据的身份证信息；

根据数据互通工作机制，公安部门将购房人身份证对应的户籍号、户籍地以及户内人口等信息进行比对、核实并反馈，将户籍人口的行动轨迹与不动产登记数据进行匹配和更新；通过sql语句将反馈的购房者户籍相关信息与不动产数据库进行关联，并深度融合治理，实现人、地、房合一，数据全面、准确、权威，实时，高效；

对于融合治理后的数据可支撑统计户籍人口持有住房套数情况、不动产登记人员来源情况、以及监测市场潜在风险等应用场景。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (8)

1.一种户籍人口数据与不动产登记数据融合方法，其特征在于，包括：

S1，根据云平台获取户籍人口数据以及对应的不动产登记数据，并将对应的数据进行预关联；

S2，对相应的户籍人口数据进行行为轨迹神经网络学习，将学习的人口行为轨迹数据进行特征分析；

S2-1，根据预关联户籍人口数据的行为轨迹，将行为轨迹同步在不动产登记数据中进行定位匹配，根据形成的行为轨迹边数，对户籍人口数据和不动产登记数据进行双向改进的循环神经网络学习，

S2-2，根据正向的循环神经网络模型，即任一户籍人口数据的行为轨迹与多个不动产登记数据形成的特征向量M＝{m₁,m₂,...,m_n}，形成正向行为轨迹模型的表达公式，其中/>为行为轨迹的正向输入；

S2-3，根据反向的循环神经网络模型，即任一不动产登记数据对应与多个户籍人口数据的行为轨迹形成的特征向量M′＝{m_n,...,m₂,m₁}，形成反向行为轨迹模型的表达公式，其中/>为行为轨迹的反向输入，n为行为轨迹特征数量；

对于循环神经网络模型D_n＝G(m_n)，双向的行为轨迹特征模型为

其中，δ(·)代表sigmoid激活函数，为第n个行为轨迹的正向隐含激活序列，/>为第n个行为轨迹的反向隐含激活序列，/>为正向隐含激活序列的输入相关权重矩阵，/>为反向隐含激活序列的输入相关权重矩阵，m_n为行为轨迹的输入，D_n-1为上一个行为轨迹的循环神经网络模型的输出信息，/>为正向隐含激活序列的输出相关权重矩阵，/>为反向隐含激活序列的输出相关权重矩阵，/>为正向隐含激活序列的偏置项，/>为反向隐含激活序列的偏置项，b_H为信息输出的偏置项，H_n为第n个双向行为轨迹的输出序列，/>为正向输出的权重矩阵，/>为反向输出的权重矩阵；

S2-4，对行为轨迹特征向量在双向循环神经网络中利用社交行为信息进行二次行为特征向量提取，

其中c_i为特征向量，λ为耦合系数，η为特征调节阈值，u_i为输入的二次行为特征向量，v_i为行为特征权值转化矩阵，i为特征数量；

S2-5，形成二次行为特征的深度行为特征向量为，

其中提取的深度行为特征向量F_i是通过计算二次行为特征向量c_i的模||c_i||，提取出深度行为特征；

S3，根据特征分析的结果确定户籍人口数据中行为轨迹的融合阈值，并且对应匹配不动产数据。

2.根据权利要求1所述的户籍人口数据与不动产登记数据融合方法，其特征在于，所述S1包括：

S1-1，户籍人口数据分别与不动产登记数据建立相对应的映射表，该映射表存储相对应的匹配映射数据，通过映射表中相对应的户籍人口数据对不同的映射表之间进行预关联。

3.根据权利要求2所述的户籍人口数据与不动产登记数据融合方法，其特征在于，所述S1还包括：

S1-2，因为户籍人口数据的数量对所有不动产登记数据所对应的映射表进行结果输出，统计该户籍人口数据对应的映射表数量，根据映射表的预关联得到所述户籍人口数据映射关系。

4.根据权利要求3所述的户籍人口数据与不动产登记数据融合方法，其特征在于，所述S1还包括：

S1-3，根据户籍人口数据收集户籍人口的行为数据，根据智能设备采集户籍人口数据相对应的行为数据。

5.根据权利要求4所述的户籍人口数据与不动产登记数据融合方法，其特征在于，所述S1还包括：

S1-4，确定户籍人口数据遍历的映射表所得到的智能设备，基于映射表的预关联关系确定户籍人口数据中待筛选的行为数据；

获取待筛选的行为数据中相对应的智能设备，将当前所遍历的映射表、待筛选的行为数据中对应的智能设备所匹配的户籍人口数据进行映。

6.根据权利要求5所述的户籍人口数据与不动产登记数据融合方法，其特征在于，所述S1还包括：

S1-5，对于预关联过程，删除无效数据，以及异常轨迹点，行为数据中没有关联关系的数据进行剔除操作，将具备关联关系的行为数据调取户籍人口数据的行为路径，定义初始行为路径。

7.根据权利要求1所述的户籍人口数据与不动产登记数据融合方法，其特征在于，所述S3包括：

S3-1，进行双向行为轨迹输出序列和深度行为特征向量融合阈值计算，

其中，n为双向行为轨迹数量，W_n为双向行为轨迹的输出序列H_n的权重矩阵，

W_i为深度行为特征向量F_i的权重矩阵，μ为修正系数，为哈玛达乘积运算。

8.根据权利要求7所述的户籍人口数据与不动产登记数据融合方法，其特征在于，所述S3还包括：

S3-2，通过融合阈值计算之后，对于户籍人口数据中的行为轨迹求得相应融合阈值，调整其数值范围与不动产登记数据进行平滑拼接，判断户籍人口数据对应的不动产登记数据，从而得到户籍人口数据对应的不动产登记数据之间的密切联系。