[发明专利]一种智能机器人交易平台核心方法及系统在审
申请号: | 202210293297.X | 申请日: | 2022-03-23 |
公开(公告)号: | CN114820106A | 公开(公告)日: | 2022-07-29 |
发明(设计)人: | 史志娇;宋仕惠;张倩;李志国;高文龙 | 申请(专利权)人: | 北京无限智慧科技有限公司 |
主分类号: | G06Q30/06 | 分类号: | G06Q30/06;G06Q30/02;G06Q30/00 |
代理公司: | 北京冠和权律师事务所 11399 | 代理人: | 田春龙 |
地址: | 100000 北京市海淀区东北*** | 国省代码: | 北京;11 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 智能 机器人 交易平台 核心 方法 系统 | ||
1.一种智能机器人交易平台核心方法,其特征在于,包括以下步骤:
获取每个交易对象的历史交易数据,从所述历史交易数据中心提取出每个交易对象的交易属性值;
根据每个交易对象的交易属性值和该交易对象的交易请求生成该交易对象的专属交易信号;
利用预设智能机器人的机器学习算法挖掘出每个交易对象的专属交易信号中的结构化数据;
根据每个交易对象的专属交易信号中的结构化数据结合市场需求和产品力生成该交易对象的专属交易策略。
2.根据权利要求1所述智能机器人交易平台核心方法,其特征在于,所述获取每个交易对象的历史交易数据,从所述历史交易数据中心提取出每个交易对象的交易属性值,包括:
获取每个交易对象的终端型号以及终端标识;
根据所述终端型号和终端标识获得每个交易对象的历史交易数据库;
基于每个交易对象的历史交易数据库中历史交易订单的交易类型权重和交易类型阵列构建该交易对象的交易信息集;
从每个交易对象的交易信息集中提取出特定属性值作为该交易对象的交易属性值。
3.根据权利要求1所述智能机器人交易平台核心方法,其特征在于,所述根据每个交易对象的交易属性值和该交易对象的交易请求生成该交易对象的专属交易信号,包括:
根据每个交易对象的交易请求生成该交易对象的第一交易数字信号;
将每个交易对象的第一交易数字信号中的干扰信号清除,获得纯正交易数字信号;
对每个交易对象的纯正交易数字信号进行解码,获得该交易对象的交易数据并将其与该交易对象的交易属性值进行结合以获得该交易对象的交易信息;
根据每个交易对象的交易信息生成该交易对象的第二交易数字信号并将其转化为交易模拟信号,将所述交易模拟信号确认为该交易对象的专属交易信号。
4.根据权利要求1所述智能机器人交易平台核心方法,其特征在于,所述利用预设智能机器人的机器学习算法挖掘出每个交易对象的专属交易信号中的结构化数据,包括:
利用所述预设智能机器人的机器学习算法获取每个交易对象的专属交易信号对应的交易数据;
提取出每个交易对象的交易数据中的多个交易要素;
确定每个交易对象的交易数据中的每个交易要素的自身特征值和关联特征值;
将每个交易对象的交易数据中的所有交易要素的自身特征值和关联特征值进行组合,组合完毕后,从每个交易对象的交易数据中提取出该交易对象的组合特征值对应的结构化数据。
5.根据权利要求1所述智能机器人交易平台核心方法,其特征在于,所述根据每个交易对象的专属交易信号中的结构化数据结合市场需求和产品力生成该交易对象的专属交易策略,包括:
根据每个交易对象的专属交易信号中的结构化数据确定该交易对象的交易类型;
基于每个交易对象的交易类型获得该交易对象的预设交易转换规则;
调取每个交易对象的交易类型对应交易产品的当前市场需求和产品力,根据所述当前市场需求和产品力对所述交易转换规则进行适应性调整,获得目标交易转换规则;
以每个交易对象的目标交易转换规则为基础,结合该交易对象的信息数据生成该交易对象的专属交易策略。
6.根据权利要求1所述智能机器人交易平台核心方法,其特征在于,所述方法还包括:
从预设数据库中调取与每个交易对象的历史交易记录,将存在交易记录的第一交易对象和未存在交易记录的第二交易对象进行划分和统计;
在公共交易节点上部署智能合约,利用智能机器人基于每个第一交易对象的第一专属交易策略与该第一交易对象进行交易;
获取每个第二交易对象的交易凭证,根据所述交易凭证创建全新交易节点;
在所述全新交易节点上构建交易安全通道,利用所述智能机器人基于每个第二交易对象的第二专属交易策略通过所述全新交易节点的交易安全通道与该第二交易对象进行交易;
交易完毕后,将所述第二交易对象添加到信任用户栏中。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于北京无限智慧科技有限公司,未经北京无限智慧科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202210293297.X/1.html,转载请声明来源钻瓜专利网。