(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 20221091525 6.X (22)申请日 2022.08.01 (71)申请人 昆明理工大 学 地址 650050 云南省昆明市呈贡区景明南 路727号 (72)发明人 沈俊鑫　沈冰亮　冯井荣　吕佳历　 (74)专利代理 机构 湖北权上知识产权代理事务 所(特殊普通 合伙) 42287 专利代理师 范瑞鹏 (51)Int.Cl. G06F 16/2458(2019.01) G06K 9/62(2022.01) G06N 5/00(2006.01) G06Q 30/02(2012.01) G06Q 40/04(2012.01) (54)发明名称 一种基于informer预测的数据资源定价方 法 (57)摘要 本发明提供一种基于informer预测的数据 资源定价方法， 以机器学习实现数据本身因素和 市场因素的双向考虑， 有效提高数据资源交易效 率， 使数据资源交易过程更加透明和规范性。 方 法中的数据稀缺性评分、 数据挖掘系数、 数据时 效性评分、 数据销量指标， 用市场机制因素作为 市场定价依据， 有效盘活数据资源并形成闭环的 价值链条， 最终正式进入会计报表， 通过数据资 源市场机制和数据资源价值机制实现双平衡。 本 发明方法定义了记录结构熵及其计算方法， 以及 模型采用记录结构熵指标度量数据资源自身的 真实“信息含金量 ”。 因此， 本发明方法有效解决 数据资源交易中数据资源的 “含金密度 ”难题， 本 发明方法还创造性地重新给出数据稀缺性评分 计算方法。 权利要求书2页 说明书5页 附图1页 CN 115455071 A 2022.12.09 CN 115455071 A 1.一种基于i nformer(改为中文)预测的数据资源定价方法， 其特 征在于， 包括 步骤： S1)输入数据资源交易记录； S2)用分类器将记录按 交通地理、 精准营销、 舆情监测、 企业管理、 科研技术、 产业经济、 金融征信、 健康医疗、 生活服 务、 行业监测报告分类； S3)以数据稀缺性评分、 数据挖掘系数、 数据时效性评分、 数据销量、 记录结构熵、 数据 更新时间、 数据量大小、 数据行业类型和商品价格9个维度进行嵌入编码， 生成训练集T； S4)用训练集T训练基于i nformer预测模型M； S5)将训练集T的商品价格维度置 0进行遮盖处 理， 生成测试集D； S6)用测试集D输入到预测模型M进行 预测， 生成预测集P； S7)用损失函数统计预测误差 MSE， 若MSE＞0.15， 继续迭代， 返回步骤S4)； S8)输入数据稀缺性评分、 数据挖掘系数、 数据 时效性评分、 数据销量、 记录结构熵、 数 据更新时间、 数据量大小、 数据行业类型8个维度的被预测的数据集K； S9)用模型M预测数据集K， 输出新预测集S， S就是被预测数据集K的预测价格集。 2.根据权利 要求1所述的一种基于informer预测的数据资源定价方法， 其特征在于， 步 骤S1)所述的数据资源交易记录含有1万条以上。 3.根据权利 要求1所述的一种基于informer预测的数据资源定价方法， 其特征在于， 步 骤S2)所述的分类 器采用决策树 算法。 4.根据权利 要求1所述的一种基于informer预测的数据资源定价方法， 其特征在于， 步 骤S3)所述的数据稀缺性评分Lv1由数据交易平台卖方数量Rs和买方数量Rb根据 得出。 5.根据权利 要求1所述的一种基于informer预测的数据资源定价方法， 其特征在于， 步 骤S3)所述的数据 挖掘系数Dig∈(0， 1)由数据交易平台专 家组评估给 出。 6.根据权利 要求1所述的一种基于informer预测的数据资源定价方法， 其特征在于， 步 骤S3)所述的数据时效性评分Lvt∈(0， 1)由数据交易平台专家组根据 数据所搭载信 息的生 命周期打 分。 7.根据权利 要求1所述的一种基于informer预测的数据资源定价方法， 其特征在于， 步 骤S3)所述的记录结构熵HS＝‑∑G∈Sp(G)log p(G)相对于图结构熵， 其中： p(G)是记录G的概 率； S是一个同构集 合的集合， 字节空间Ω， S∈Ω。 8.根据权利 要求1所述的一种基于informer预测的数据资源定价方法， 其特征在于， 步 骤S3)所述的嵌入编码， 步骤为： 将输入数据序列用Sconv1D(width＝3， stride＝1)函数进 行一维卷积输出α U； 用 计算序列生成PE， 其中pos为输入序列值， i为输入序列的序号， dmodel为模型运算时的维 度； 将输入数据序列的数据更新时间维度格式化为yyyy ‑mm‑dd， HH： MM： SS格式的时间戳向权　利　要　求　书 1/2 页 2 CN 115455071 A 2量SE； 计算输出序列xt＝α U+PE+SE 。 9.根据权利 要求1所述的一种基于informer预测的数据资源定价方法， 其特征在于， 步 骤S4)所述的基于informer预测模型M采用ProbSparse  Self‑Attention机制的soft  max函 数， 其计算公式为： 其中 是大小与q相同的稀疏矩阵的度量M (q， K)下的Top ‑u个q， V是预测模型M训练生 成的键值向量， K是预测模 型M训练生成的键， d是 K的维度， Top ‑u为稀疏性得分最高的5个q。 10.根据权利要求1所述的一种基于informer预测的数据资源定价方法， 其特征在于， 步骤S4)所述的基于i nformer预测模型M的Encoder采用两层堆叠的模式。 11.根据权利要求1所述的一种基于informer预测的数据资源定价方法， 其特征在于， 步骤S4)所述的基于i nformer预测模型M的Decoder采用两层堆叠的模式。 12.根据权利要求1所述的一种基于informer预测的数据资源定价方法， 其特征在于， S7)所述的损失函数公式为： 其中wi为第i个权值， yi为第i个真实 值， 为第i个预测值。权　利　要　求　书 2/2 页 3 CN 115455071 A 3