[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

权利要求书

1.一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，其特征在于，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顶视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；

商场价值超级指标评估模块，基于经验模型的模糊评级机制设计商场价值超级指标评估网络，对热力堆积图进行分析，实时推断商场价值，得到商场价值超级指标评估结果；商场价值超级指标评估网络，对同一时间窗口、同一监测位置类型、不同监测位置的热力堆积图经超级指标评估编码器、全连接网络处理，得到不定长的商场价值评估数据；根据同一监测位置类型、不同监测位置的权重，对商场价值评估数据加权，基于Top-K思想，对加权后的评估数据进行降序排序，从排序队列队首开始依次取设定比例的评估数据作为较高评价评估数据，从排序队列队尾开始依次取设定比例的评估数据作为较低评价评估数据，分别计算较高评价评估数据、较低评价评估数据的最大值、最小值、平均值，作为较高评价评估数据、较低评价评估数据的商场价值高评级、商场价值低评级、商场价值基准评级；

商场价值超级指标评估数据集存储及即时训练模块，基于时间累积得到足量的运营数据和评估数据，为自动化训练商场价值超级指标评估深度神经网络提供数据集，使用特殊的基于优选样本的缓启动机制进行继续训练；

金融大数据及商场BIM可视化模块，对实时的热力堆积图、商场实时价值超级指标评估结果和金融数据进行展示。

2.如权利要求1所述的系统，其特征在于，所述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包括：

前一时刻热力堆积图为H₀，当前得到的行人脚面关键点热力图结果为H_D，B_Start为基线值，计算H′₁：

H′₁＝ElementWise_MAX(H₀,H_D*B_Start)；

对H′₁进行热度堆积的衰减处理，使其残留的特征趋于消失，α为衰减系数，得到热力堆积图H₁：

H₁＝H′₁*α+H_D*(1-α)。

3.如权利要求1所述的系统，其特征在于，商场价值超级指标评估网络包括商场进出口超级指标评估网络、商场内部广场超级指标评估网络、商场电梯口超级指标评估网络。

4.如权利要求1所述的系统，其特征在于，使用特殊的基于优选样本的缓启动机制进行继续训练包括：

从旧训练集中计算损失接受阈值，计算规则：使用原网络进行逐样本推理、计算损失，按照损失值大小选取一定比例的高损失，计算选取损失的平均值作为接受阈值T；

使用网络对新样本进行推理，而非训练，提取损失低于阈值T的样本加入旧训练集；

计算损失差异Loss_diff：Loss_diff＝Loss_new-T，Loss_new为未加入训练集样本的损失，按照损失差异对未加入训练集的样本进行递增排序，将排序后的样本分为3-5份，按照损失差异从小到大依次参与到训练集中。

5.如权利要求1所述的系统，其特征在于，所述行人脚面关键点检测基于行人脚面检测神经网络执行，行人脚面检测神经网络包括：

行人脚面关键点检测编码器对图像进行特征提取，输入为经过归一化处理的图像数据，输出为特征图；

行人脚面关键点检测解码器对特征图进行上采样并最终生成行人脚面关键点热力图。