[发明专利]基于在线深度学习和商场运营价值量化的金融大数据系统

说明书

本发明公开了一种基于在线深度学习和商场运营价值量化的金融大数据系统。该系统包括：人物流动逗留感知模块、商场BIM空间模块、商场价值超级指标评估模块、商场价值超级指标评估数据集存储及即时训练模块、金融大数据及商场BIM可视化模块，通过客流数据和营业额个性化数据来拟合主观运营价值量化值，即时训练调优的卷积神经网络用于处理运营时采样的大量数据，实现商场运营价值实时量化。利用本发明，保证了客观数据到主观评级的公平性，实现了数据脱敏，网络训练方便，便于管理人员实时监控评估。

技术领域

本发明涉及人工智能深度学习、金融大数据技术领域，具体涉及一种基于在线深度学习和商场运营价值量化的金融大数据系统。

背景技术

随着网购的迅速发展，实体店经济呈现下滑的趋势，如何对实体商场的价值进行科学合理地评估愈发被市场关注。对商场的价值进行评估可以帮助投资者进行决策，用于投资分析、战略分析和以价值为基础的管理，也可以帮助管理当局有效改善经营决策。财务管理的目标是使价值最大化，因而商场的各项经营决策是否可行，必须看这一决策是否有利于增加商场价值。

目前针对商场价值进行评估都基于人为经验，先实地考察，然后根据考察情况及商场营收进行决策，存在更新速度慢，数据量少，主观/客观指标较多，又由于基于目前常规的统计方法的表征的观测量较少，难以快速建立评估数学模型。

目前较为先进的技术主要基于身份ID和目标检测进行客流统计。基于身份ID的技术涉及隐私及人权的问题，而合理的统计算法应有良好的数据脱敏或匿名性质。传统的人流量统计方法主要基于目标检测，即使用包围框位置回归任务来统计人出现的数量。但该方式无法合理关联空间信息，难以基于空间分析技术进行更高层的视觉任务进行合理的评级，训练时无法感知合理的特征并转达为预期的表征。基于包围框的目标检测方法存在以下问题：没有结合CNN分类器和轨迹感知的方法，无法根据时间戳下抓取的数据进行流向描述，无法在分级元素中加入流向特征；由于包围框受遮挡后无法准确表述人体位置，即无法描述人的关键部位(脚、盆骨)位置，受遮挡时，底面是错误的位置，因此难以形成合理的轨迹，无法进行轨迹统计。

因此，目前商场价值评估和基于深度学习的方法面临以下问题：

1.迫切需要一种客观数据到主观评级的表征转换模型，即如何基于统计数据来拟合经验(偏主观)的评级，也称作超级指标的建模，从而体现数据到评级之间的公平性；

2.基于序列预测的网络的再训练需要学习率缓启动，退火等动态学习率方法，对实施者经验要求较高，容易出现过拟合或神经元失效太多的问题；

3.常规的统计方式得到的数据缺乏时序规律、空间规律，过度依赖现成的计算机视觉任务及其开源技术，忽略了原生的隐私特性，处理时无法很好脱敏，存在数据安全问题。

发明内容

本发明的目的在于针对上述现有技术存在的缺陷，提出一种基于在线深度学习和商场运营价值量化的金融大数据系统。

一种基于在线深度学习和商场运营价值量化的金融大数据系统，该系统包括：

人物流动逗留感知模块，对商场内布设在各个监测位置的摄像头拍摄的图像进行行人脚面关键点检测，对得到的行人脚面关键点热力图进行后处理得到热力堆积图；

商场BIM空间模块，利用不同相机对应的单应矩阵对热力堆积图进行透视变换，对热力堆积图按照不同监测位置类型进行分组，得到不同监测位置类型的热力堆积图数据，不同监测位置类型包括商场进出口、商场内部广场、商场电梯口，对不同类型不定数量的监测位置进行抽象表示，将热力堆积图数据传输至商场价值超级指标评估模块；