[发明专利]AIMS自适应数据模型处理方法

说明书

本发明公开了AIMS自适应数据模型处理方法，涉及大数据模型参数处理技术领域。包括数据统计特性的实时房产物理环境信息流特征提取算法，从而提取的数据特征为基础，设计相应房地产信息流特征模型；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(周边楼盘、地理位置、交通、配套设施、物业、学位、公园等信息)序列的相似性检验，对原始海量数据进行重新采样；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，从而提高预测精度，降低房地产周边物理环境信息流变化对房地产信息预测带来的负面影响。

技术领域

本发明涉及大数据模型参数处理技术领域，具体为AIMS自适应数据模型处理方法。

背景技术

AIMS(Adaptive Information-Modeling System)，即自适应信息建模系统。随着我国智慧城市的发展，通过物联网技术可以更容易地收集房地产数据，对房地产数据的利用给房地产行业带来巨大的变革。大数据环境下的数据不同于传统的静态数据，对数据处理的效率以及准确度提出了更高的要求，如何在大数据环境下对数据合理预测是智慧城市中房地产行业信息化数据化现阶段面临的主要挑战。

在当前大数据环境下，面临更加庞大的数据规模以及更加复杂的房地产情景，基于历史数据的传统模型存在效率急剧下降的问题，同时难以很好地应对多维度标签的房地产数据急剧变化的场景，为解决上述问题，本发明提出一种自适应数据模型处理方法，对不同地理位置环境序列进行特征提取，在此基础上，进行样本构建以减少房地产系统中数据存储压力问题，并设计地理位置人流量组合预测模型，通过动态权重实现对多维度标签的房地产数据模型自适应。

发明内容

针对现有技术的不足，本发明提供了AIMS自适应数据模型处理方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：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。

进一步优化本技术方案，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。

更进一步优化本技术方案，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。

进一步优化本技术方案，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。

更进一步优化本技术方案，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。