一种基于AR场景的人工智能金融平台的制作方法

一种基于ar场景的人工智能金融平台
技术领域
1.本发明涉及电数字数据处理技术领域，具体涉及一种基于ar场景的人工智能金融平台。


背景技术：

2.农产品是自然再生产与社会再生产相结合的产业形式，农产品的发展是国家经济和社会稳定的一个关键因素；由于期货成交价格是影响农产品批发商与农产品生产者之间期货成交风险的一个重要因素，而农产品批发商与农产品生产者之间的期货成交风险关乎着农产品批发商和农产品生产者的利益，因此对农产品批发商与农产品生产者交易时的期货成交风险进行评估至关重要。


技术实现要素：

3.本发明提供基于ar场景的人工智能金融平台，用于解决现有方法对农产品批发商与农产品生产者交易时的期货成交风险进行评估的问题，所采用的技术方案具体如下：
4.本发明一个实施例提供了一种基于ar场景的人工智能金融平台，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现如下步骤：
5.获取当前时刻目标地区目标产品的质量评价序列；获取目标地区目标产品的历史期货成交价格；获取当前时刻其它地区目标产品的期货成交价格；
6.根据所述质量评价序列和所述历史期货成交价格，得到当前时刻目标地区目标产品对应的特征风险系数；根据所述当前时刻其它地区目标产品的期货成交价格，得到当前时刻目标地区目标产品对应的市场风险系数；
7.根据所述市场风险系数和所述特征风险系数，得到当前时刻目标地区目标产品对应的期货成交风险系数。
8.有益效果：本发明根据当前时刻目标地区目标产品的质量评价序列和目标地区目标产品的历史期货成交价格，得到当前时刻目标地区目标产品对应的特征风险系数；然后根据当前时刻其它地区目标产品的期货成交价格，得到当前时刻目标地区目标产品对应的市场风险系数；之后根据市场风险系数和特征风险系数，得到当前时刻目标地区目标产品对应的期货成交风险系数。本发明能对农产品批发商与农产品生产者交易时的期货成交风险进行评估。
9.优选的，获取当前时刻目标地区目标产品的质量评价序列的方法，包括：
10.获得各采集角度下目标地区对应的各个果园在各个采集时刻对应的异常区域数量；
11.对于任一采集角度：
12.选取该采集角度下目标地区对应的各个果园在当前采集时刻对应的异常区域数量，并构建得到该采集角度下目标地区在当前采集时刻对应的异常区域数量序列；
13.选取该采集角度下目标地区对应的各个果园在预设历史时间段中各个历史采集
时刻对应的异常区域数量，并构建得到该采集角度下目标地区对应的各个果园在预设历史时间段对应的异常区域数量序列；
14.利用dbscan聚类算法对该采集角度下目标地区在当前采集时刻对应的异常区域数量序列进行聚类，得到各类别对应的参数的数量，将最少参数对应的类别剔除，得到剔除之后的该采集角度下目标地区在当前采集时刻对应的异常区域数量序列，并记为目标异常区域数量序列；
15.根据所述目标异常区域数量序列以及所述各个果园在预设历史时间段对应的异常区域数量序列，得到该采集角度下当前时刻目标地区目标产品的质量评价；
16.根据所述该采集角度下当前时刻目标地区目标产品的质量评价，构建得到当前时刻目标地区目标产品的质量评价序列。
17.优选的，获得异常区域的方法，包括：
18.获取目标地区对应的各个果园在各个采集时刻的ar图像；
19.利用分类网络获取所述ar图像上的各目标区域图像，所述目标区域图像为目标产品所在区域；
20.判断所述目标区域图像与标准目标产品图像之间的相似度是否小于预设阈值，若是，则认为该目标区域为异常区域。
21.优选的，根据如下公式计算该采集角度下当前时刻目标地区目标产品的质量评价：
[0022][0023]
其中，q为该采集角度下当前时刻目标地区目标产品的质量评价，f为该采集角度下目标地区在当前采集时刻对应的目标异常区域数量序列，std(f)为该采集角度下目标地区在当前采集时刻对应的目标异常区域数量序列的标准差，mean(f)为该采集角度下目标地区在当前采集时刻对应的目标异常区域数量序列的均值，max(f)为该采集角度下目标地区在当前采集时刻对应的目标异常区域数量序列中的最大值，min(f)为该采集角度下目标地区在当前采集时刻对应的目标异常区域数量序列中的最小值，n为目标地区中种植目标产品的果园数量，fi为目标地区中第i个果园在预设历史时间段对应的异常区域数量序列，fj为目标地区中第j个果园在预设历史时间段对应的异常区域数量序列，dtw(fi,fj)为fi与fj之间的差异程度。
[0024]
优选的，根据所述质量评价序列和所述历史期货成交价格，得到当前时刻目标地区目标产品对应的特征风险系数的方法，包括：
[0025]
利用动态二叉树的svm多分类方法对所述质量评价序列进行分类，得到目标类别以及目标类别对应的各质量评价；
[0026]
根据目标地区目标产品在历年同时期的历史期货成交价格，构建正态分布模型；判断所述正态分布模型是否为单峰模型，若是，则计算得到目标地区目标产品在历年同时期的历史期货成交价格的标准差；
[0027]
根据目标地区目标产品在历年同时期的历史期货成交价格的标准差和目标类别对应的各质量评价，得到当前时刻目标地区目标产品的特征风险系数。
[0028]
优选的，根据如下公式计算当前时刻目标地区目标产品的特征风险系数：
[0029]
k＝c*e-q1
[0030]
其中，k为当前时刻目标地区目标产品的特征风险系数，c为目标地区目标产品在历年同时期的历史期货成交价格的标准差，q1为目标类别对应的各质量评价的平均值。
[0031]
优选的，根据所述当前时刻其它地区目标产品的期货成交价格，得到当前时刻目标地区目标产品对应的市场风险系数的方法，包括：
[0032]
对当前时刻其它地区目标产品的期货成交价格进行分类，选取期货成交价格较低的类别，记为特征类别；
[0033]
计算特征类别中各期货成交价格的均值，得到特征类别对应的期货成交价格均值；将1与特征类别对应的期货成交价格均值加上1的比值记为得到当前时刻目标地区目标产品对应的市场风险系数。
[0034]
优选的，根据所述市场风险系数和所述特征风险系数，得到当前时刻目标地区目标产品对应的期货成交风险系数的方法，包括：
[0035]
获得各个历史时刻目标地区目标产品对应的特征风险系数和各个历史时刻目标地区目标产品对应的市场风险系数；
[0036]
根据各个历史时刻目标地区目标产品对应的特征风险系数、各个历史时刻目标地区目标产品对应的市场风险系数、当前时刻目标地区目标产品对应的特征风险系数、当前时刻目标地区目标产品对应的市场风险系数以及spline函数进行曲线拟合，得到拟合曲线；
[0037]
计算所述拟合曲线的极差，将所述拟合曲线的极差记为当前时刻目标地区目标产品对应的期货成交风险系数。
附图说明
[0038]
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
[0039]
图1为本发明一种基于ar场景的人工智能金融平台的流程图。
具体实施方式
[0040]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明实施例，本领域普通技术人员所获得的所有其它实施例，都属于本发明实施例保护的范围。
[0041]
除非另有定义，本文所使用的所有的技术和科学技术语与属于本发明的技术人员通常理解的含义相同。
[0042]
本实施例提供了基于ar场景的人工智能金融平台，详细说明如下：
[0043]
如图1所示，该基于ar场景的人工智能金融平台，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，包括以下步骤：
[0044]
步骤s001，获取当前时刻目标地区目标产品的质量评价序列；获取目标地区目标产品的历史期货成交价格；获取当前时刻其它地区目标产品的期货成交价格。
[0045]
本实施例主要是基于当前时刻目标地区目标产品的质量评价序列、目标地区目标产品的历史期货成交价格以及当前时刻其它地区目标产品的期货成交价格，得到当前时刻目标地区目标产品的期货成交风险系数；并且后续农产品批发商和农业生产者可以依据当前时刻目标地区目标产品的期货成交风险系数来评估或者制定当前时刻目标地区农产品批发商和农业生产者在针对目标产品进行交易时的期货价格。
[0046]
本实施例主要分析的农产品为水果，利用机载式的ar设备采集目标地区对应的各个果园的图像，得到目标地区对应的各个果园在各个采集时刻的ar图像；之后利用分类网络获取ar图像上的各目标区域图像，所述目标区域图像为目标产品所在区域；之后判断目标区域图像与标准目标产品图像之间的相似度是否小于预设阈值，若是，则认为该目标区域为异常区域；因此通过上述过程可以得到ar图像上的异常区域数量；所述分类网络为现有技术，因此不再具体描述；所述预设阈值根据实际需求进行设置。由于目标产品并不只是集中生长在果树上的一个区域，因此不能只对果园的一个角度进行分析，即利用机载式的ar设备获取各采集角度下目标地区对应的各个果园在各个采集时刻的各ar图像，并统计得到各采集角度下目标地区对应的各个果园在各个采集时刻对应的异常区域数量；所述目标地区对应的各个果园的采集角度相同，并且相邻采集角度之间差异较大。本实施例主要是对同一品种的水果进行分析，例如目标产品可以是同种品种的苹果或者同种品种的梨等。
[0047]
本实施例基于各采集角度下目标地区对应的各个果园在各个采集时刻对应的异常区域数量来分析当前时刻目标地区目标产品的质量评价序列；并且如果目标地区任一果园由于人为培养因素而导致该果园目标产品的质量较差，则该果园在参与该地区的质量评价时不应该占较大的权重，并且一般情况下人为培养因素会一直影响果园果实的质量，因此还要参考各采集角度下目标地区对应的各个果园在各个历史采集时刻对应的异常区域数量。
[0048]
对于任一采集角度：选取该采集角度下目标地区对应的各个果园在当前采集时刻对应的异常区域数量，并构建得到该采集角度下目标地区在当前采集时刻对应的异常区域数量序列；选取该采集角度下目标地区对应的各个果园在预设历史时间段中各个历史采集时刻对应的异常区域数量，并构建得到该采集角度下目标地区对应的各个果园在预设历史时间段对应的异常区域数量序列；本实施例需要根据实际情况设置预设历史时间段的长度，也需要根据实际情况设置相邻采集时刻之间的时间间隔，并且设置距离当前采集时刻最近的目标历史采集时刻与当前采集时刻之间的间隔不能相差太远；作为其它的实施方式，也可以根据实际情况的不同选取多个预设历史时间段中各个历史采集时刻对应的异常区域数量进行分析。
[0049]
然后利用dbscan聚类算法对该采集角度下目标地区在当前采集时刻对应的异常区域数量序列进行聚类，得到各类别和各类别对应的参数的数量，将最少参数对应的类别剔除，得到剔除之后的该采集角度下目标地区在当前采集时刻对应的异常区域数量序列，并记为该采集角度下目标地区在当前采集时刻对应的目标异常区域数量序列；之后根据目标异常区域数量序列以及该采集角度下目标地区对应的各个果园在预设历史时间段对应的异常区域数量序列，得到该采集角度下当前时刻目标地区目标产品的质量评价；根据如
下公式计算该采集角度下当前时刻目标地区目标产品的质量评价：
[0050][0051]
其中，q为该采集角度下当前时刻目标地区目标产品的质量评价，f为该采集角度下目标地区在当前采集时刻对应的目标异常区域数量序列，std(f)为该采集角度下目标地区在当前采集时刻对应的目标异常区域数量序列的标准差，mean(f)为该采集角度下目标地区在当前采集时刻对应的目标异常区域数量序列的均值，max(f)为该采集角度下目标地区在当前采集时刻对应的目标异常区域数量序列中的最大值，min(f)为该采集角度下目标地区在当前采集时刻对应的目标异常区域数量序列中的最小值，n为目标地区中种植目标产品的果园数量，fi为目标地区中第i个果园在预设历史时间段对应的异常区域数量序列，fj为目标地区中第j个果园在预设历史时间段对应的异常区域数量序列，dtw(fi,fj)为fi与fj之间的差异程度。q越大，表明该采集角度下当前时刻目标地区目标产品的质量越好。
[0052]
因此本实施例通过上述过程可以得到各采集角度下当前时刻目标地区目标产品的质量评价，并构建得到当前时刻目标地区目标产品的质量评价序列。
[0053]
本实施例中，由于其他产地的价格数据是影响整体市场的主要因素，即其它地区目标产品的期货成交价格会影响当前时刻目标地区目标产品的期货成交价格，因此从数据库中获取当前时刻其它地区目标产品的期货成交价格；由于目标地区目标产品的历史期货成交价格也会影响当前时刻目标地区目标产品的期货成交价格，因此从数据库中得到目标地区目标产品在历年同时期的历史期货成交价格，例如当前时刻为第三年的第一天的十点，则历年同时期是指第二年的第一天的十点以及第一年的第一天的十点。
[0054]
步骤s002，根据所述质量评价序列和所述历史期货成交价格，得到当前时刻目标地区目标产品对应的特征风险系数；根据所述当前时刻其它地区目标产品的期货成交价格，得到当前时刻目标地区目标产品对应的市场风险系数。
[0055]
本实施例通过对当前时刻目标地区目标产品的质量评价序列和目标地区目标产品的历史期货成交价格进行分析，得到当前时刻目标地区目标产品对应的特征风险系数；然后通过对当前时刻其它地区目标产品的期货成交价格进行分析，得到当前时刻目标地区目标产品对应的市场风险系数；具体过程为：
[0056]
由于采集角度的不同可能会使得到的当前时刻目标地区目标产品的质量评价序列中的一些参数可靠性较低，进而可能会影响后续的分析，因此本实施例基于动态二叉树的svm多分类方法对当前时刻目标地区目标产品的质量评价序列进行分类，可以得到两个类别；其中一类中的各质量评价相近，因此数据相对可靠，即将该类别记为目标类别；另外一类中的各质量评价差异较大，数据可靠性低。所述基于动态二叉树的svm多分类方法为现有技术，因此不再详细描述。
[0057]
由于水果是季节性食品，价格会随着时间变化而变化，且在历年价格相对稳定时，价格和时间因素的关联性才较强，即依据历史期货成交价格衡量风险时才有意义；因此当目标地区目标产品在历年同时期的历史期货成交价格对应的正态分布模型为单峰时才能基于目标地区目标产品在历年同时期的历史期货成交价格分析当前时刻目标地区目标产品的特征风险系数。因此本实施例根据目标地区目标产品在历年同时期的历史期货成交价
格，构建正态分布模型，判断所述正态分布模型是否为单峰模型，即收敛域是否唯一，若是，则计算得到目标地区目标产品在历年同时期的历史期货成交价格的标准差。
[0058]
根据目标地区目标产品在历年同时期的历史期货成交价格的标准差和目标类别对应的各质量评价，得到当前时刻目标地区目标产品的特征风险系数；根据如下公式计算当前时刻目标地区目标产品的特征风险系数：
[0059]
k＝c*e-q1
[0060]
其中，k为当前时刻目标地区目标产品的特征风险系数，c为目标地区目标产品在历年同时期的历史期货成交价格的标准差，q1为目标类别对应的各质量评价的平均值；k越大，表明当前时刻目标地区目标产品的期货成交风险越大；c越大，k越大；q1越大，k越小。
[0061]
如果当前时刻其它地区目标产品的期货成交价格较低时，可能会增大当前时刻目标地区目标产品所面临的市场风险，因此本实施例对当前时刻其它地区目标产品的期货成交价格进行分类，选取期货成交价格较低的类别，记为特征类别；计算特征类别中各期货成交价格的均值，即特征类别对应的期货成交价格均值；将1与特征类别对应的期货成交价格均值加上1的比值记为得到当前时刻目标地区目标产品对应的市场风险系数。
[0062]
步骤s003，根据所述市场风险系数和所述特征风险系数，得到当前时刻目标地区目标产品对应的期货成交风险系数。
[0063]
本实施例通过对市场风险系数和特征风险系数进行分析，得到当前时刻目标地区目标产品对应的期货成交风险系数；具体过程为：
[0064]
由于只依据当前时刻目标地区目标产品对应的市场影响系数和当前时刻目标地区目标产品的特征风险系数所反映的当前时刻目标地区目标产品的期货成交风险系数的可靠性较低，因此本实施例需要通过上述过程得到各个历史时刻目标地区目标产品对应的特征风险系数和各个历史时刻目标地区目标产品对应的市场风险系数；根据各个历史时刻目标地区目标产品对应的特征风险系数、各个历史时刻目标地区目标产品对应的市场风险系数、当前时刻目标地区目标产品对应的特征风险系数、当前时刻目标地区目标产品对应的市场风险系数，并利用spline函数进行拟合，得到拟合曲线；并计算得到所述拟合曲线的极差，将所述拟合曲线的极差记为当前时刻目标地区目标产品的期货成交风险系数。之后农产品批发商和农业生产者可以依据当前时刻目标地区目标产品的期货成交风险系数来评估或者制定当前时刻目标地区农产品批发商和农业生产者在针对目标产品进行交易时的期货价格。
[0065]
有益效果：本实施例根据当前时刻目标地区目标产品的质量评价序列和目标地区目标产品的历史期货成交价格，得到当前时刻目标地区目标产品对应的特征风险系数；然后根据当前时刻其它地区目标产品的期货成交价格，得到当前时刻目标地区目标产品对应的市场风险系数；之后根据市场风险系数和特征风险系数，得到当前时刻目标地区目标产品对应的期货成交风险系数。本实施例能对农产品批发商与农产品生产者交易时的期货成交风险进行评估。
[0066]
以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应
包含在本技术的保护范围之内。