[发明专利]AIMS自适应数据模型处理方法

权利要求书

1.AIMS自适应数据模型处理方法，包括房地产物理环境信息流非平稳检测算法体系，建立信息流特征模型；大数据环境下样本构建方法以及自适应权重组合预测模型，其特征在于，具体包括以下步骤：

S1、构建数据统计特性的实时房产物理环境信息流特征提取算法体系，从提取的数据特征为基础，设计相应房地产信息流特征模型，从而建立信息流特征模型；

S2、大数据环境下样本构建方法，实现对于房产物理环境信息流序列的相似性检验，对原始海量数据进行重新采样；

S3、房地产场景转移概率的自适应权重组合预测模型，分别训练不同场景下在线增量子模型，将房地产场景转移概率作为模型权重组合子模型，最大程度逼近真实的物理环境信息流情景。

2.根据权利要求1所述的AIMS自适应数据模型处理方法，其特征在于，所述步骤S1中，通过在物联网实时状态下监视时间序列特征来识别时间序列中平稳非平稳现象的发生，在数据采集端对房地产物理环境信息数据进行统计特征的提取，通过对物理环境信息数据统计特征的对比，从而提取房地产数据序列的非平稳特征，用于表示实时房地产信息流隐含趋势变化信息，实现对于房地产信息场景变化的提前适应。

3.根据权利要求2所述的AIMS自适应数据模型处理方法，其特征在于，同时，以提取的数据特征为基础，设计相应房地产信息流特征模型，能够更好的描述房地产物理环境的真实特性。

4.根据权利要求1所述的AIMS自适应数据模型处理方法，其特征在于，所述步骤S2中，采用适用于大数据环境下样本构建方法，针对大数据环境下房地产物理环境信息流数据量大，传感器持续产生大量数据以及信息流周期性特征，并且价值密度低的特点，原始数据集中包含大量具有重复统计学特征数据。

5.根据权利要求4所述的AIMS自适应数据模型处理方法，其特征在于，为降低房地产物理环境信息流数据存储压力，根据所建立的信息流特征模型，实现对于数据序列相似性的搜索，对原始海量数据进行重新采样，以提取的物理环境信息流特征为基础，实现对于物理环境信息流序列的相似性检验，在不降低模型训练精度的同时降低训练GPU消耗。

6.根据权利要求1所述的AIMS自适应数据模型处理方法，其特征在于，所述步骤S2中，房产物理环境信息流包括：周边楼盘、地理位置、交通、配套设施、物业、学位以及公园信息。

7.根据权利要求1所述的AIMS自适应数据模型处理方法，其特征在于，所述步骤S3中，采用一种基于房地产场景转移概率的自适应权重组合预测模型，以提取的物理环境信息流特征基础，划分房地产物理环境信息流为不同房产场景，分别训练不同场景下在线增量子模型，将房地产场景转移概率作为模型权重组合子模型，划分物理环境信息流的场景，训练各场景下增量训练子模型，并统计各场景间转移概率，根据房地产物理环境信息流场景的马尔可夫性质，将场景转移概率作为各子模型权重组合模型，最大程度逼近真实的物理环境信息流情景。

8.根据权利要求1所述的AIMS自适应数据模型处理方法，其特征在于，建模步骤概括如下：

S1、房地产物理环境场景划分，划分采样数据集为不同子场景数据集，同一场景下的数据拥有相似的特征；

S2、在每个子场景训练BP神经网络模型，实现该场景下的高精度预测；

S3、通过对下一场景的预测，将各场景出现的概率作为权重，实现权重的自适应，以最大概率贴近现实场景。

9.根据权利要求1所述的AIMS自适应数据模型处理方法，其特征在于，局部模型训练方法步骤如下：

S1、初始化，用于确定各层的神经元结构，初始化连接权重和阈值，并提供输入值和相应的预期输出值；

S2、从输入层逐层计算结果并将结果输出到下一层，最后计算真实值与预测值误差；

S3、若当前误差不满足精度阈值，则反向调整连接权重和阈值，即从输出层节点到隐藏层节点到输入层节点反向调整，重复步骤S2直到达到预期精度。