产品数据的融合方法、装置、设备及存储介质

技术领域

本发明涉及大数据的预测估值领域，尤其涉及一种产品数据的融合方法、装置、设备及存储介质。

背景技术

随着计算机技术的发展，资产估值需求也逐渐增多。目前，一般都是通过资产管理系统，采用现金流折算方法或者市场价比较方法，对待处理的产品数据进行价值预测，得到产品价值数据。

但是，由于现金流折算方法或者市场价比较方法，是从单一的影响因素来进行价值预测的，因而对于不同种类、变动的产品数据无法准确地进行价值预测，其预测灵活性低，从而，导致了产品数据的价值预测准确性低。

发明内容

本发明提供一种产品数据的融合方法、装置、设备及存储介质，用于提高产品数据的价值预测准确性。

本发明第一方面提供了一种产品数据的融合方法，包括：

获取待处理的产品数据，并对所述待处理的产品数据进行基于资产类别的分类，得到多个分类产品数据集；

通过预置的归一化模型，对所述多个分类产品数据集分别进行归一化融合处理，得到各分类产品数据对应的归一化融合数据；

获取所述各分类产品数据对应的目标指标数据，通过预置的结构向量自回归模型、所述各分类产品数据对应的目标指标数据和所述各分类产品数据对应的归一化融合数据，对所述多个分类产品数据集分别进行价值自回归预测，得到各分类产品数据集对应的初始价值预测数据，所述目标指标数据包括经济指标数据和市场指标数据；

通过所述归一化模型，对所述各分类产品数据集对应的初始价值预测数据进行反归一化处理，得到各分类产品数据集对应的候选价值预测数据；

对所述各分类产品数据集对应的候选价值预测数据进行相关性融合处理，得到目标价值预测数据。

可选的，在本发明第一方面的第一种实现方式中，所述通过预置的归一化模型，对所述多个分类产品数据集分别进行归一化融合处理，得到各分类产品数据对应的归一化融合数据，包括：

获取所述多个分类产品数据集分别对应的时刻资产价格数据、归一化基准指标数据以及所述归一化基准指标数据的归一化基准指标系数，所述归一化基准指标数据用于指示基于预设的基准价格指数的基础上，影响资产价格数据的归一化融合处理的指标因子；

通过预置的归一化模型，基于所述时刻资产价格数据、所述归一化基准指标数据以及所述归一化基准指标系数，对所述多个分类产品数据集分别进行基于归一化的价值数据运算，得到各分类产品数据集对应的归一化融合数据。

可选的，在本发明第一方面的第二种实现方式中，所述获取所述各分类产品数据对应的目标指标数据，通过预置的结构向量自回归模型、所述各分类产品数据对应的目标指标数据和所述各分类产品数据对应的归一化融合数据，对所述多个分类产品数据集分别进行价值自回归预测，得到各分类产品数据集对应的初始价值预测数据，所述目标指标数据包括经济指标数据和市场指标数据，包括：

获取所述多个分类产品数据集分别对应的目标指标数据、扰动项数据和自变量系数，所述目标指标数据包括所述多个分类产品数据集分别对应的经济指标数据和市场指标数据；

通过预置的结构向量自回归模型，所述各分类产品数据对应的目标指标数据、扰动项数据和自变量系数，以及所述各分类产品数据对应的归一化融合数据，对所述多个分类产品数据集分别进行结构向量自回归的运算处理，得到各分类产品数据集对应的初始价值预测数据。

可选的，在本发明第一方面的第三种实现方式中，所述通过所述归一化模型，对所述各分类产品数据集对应的初始价值预测数据进行反归一化处理，得到各分类产品数据集对应的候选价值预测数据，包括：

获取所述各分类产品数据集对应的初始价值预测数据的预测基准指标数据，以及所述预测基准指标数据的预测基准指标系数，所述预测基准指标数据用于指示基于预设的基准价格指数的基础上，影响资产价格数据的反归一化处理的指标因子；

通过所述归一化模型，基于所述预测基准指标数据和所述预测基准指标系数、预置反归一化公式和所述各分类产品数据集对应的初始价值预测数据进行基于反归一化的运算，得到各分类产品数据集对应的候选价值预测数据。

可选的，在本发明第一方面的第四种实现方式中，所述对所述各分类产品数据集对应的候选价值预测数据进行相关性融合处理，得到目标价值预测数据，包括：

对所述各分类产品数据集对应的候选价值预测数据进行相关性分析，得到各分类产品数据集对应的相关系数；

通过所述各分类产品数据集对应的相关系数，对所述各分类产品数据集对应的候选价值预测数据进行加权求和，得到目标价值预测数据。

可选的，在本发明第一方面的第五种实现方式中，所述获取待处理的产品数据，并对所述待处理的产品数据进行基于资产类别的分类，得到多个分类产品数据集，包括：

接收目标终端发送的资产估值请求，基于所述资产估值请求，从预置数据库中读取待处理的产品数据，并对所述待处理的产品数据进行数据预处理，得到预处理产品数据；

通过预置分类模型，对所述预处理产品数据依次进行基于多层级的卷积特征提取、基于注意力机制的特征融合、资产类别概率计算和资产类别分类，得到多个分类产品数据集。

可选的，在本发明第一方面的第六种实现方式中，所述对所述各分类产品数据集对应的候选价值预测数据进行相关性融合处理，得到目标价值预测数据之后，还包括：

获取基于所述目标价值预测数据的误差值，匹配与所述误差值对应的目标优化策略，并基于所述目标优化策略执行优化过程。

本发明第二方面提供了一种产品数据的融合装置，包括：

分类模块，用于获取待处理的产品数据，并对所述待处理的产品数据进行基于资产类别的分类，得到多个分类产品数据集；

归一化融合模块，用于通过预置的归一化模型，对所述多个分类产品数据集分别进行归一化融合处理，得到各分类产品数据对应的归一化融合数据；

预测模块，用于获取所述各分类产品数据对应的目标指标数据，通过预置的结构向量自回归模型、所述各分类产品数据对应的目标指标数据和所述各分类产品数据对应的归一化融合数据，对所述多个分类产品数据集分别进行价值自回归预测，得到各分类产品数据集对应的初始价值预测数据，所述目标指标数据包括经济指标数据和市场指标数据；

反归一化模块，用于通过所述归一化模型，对所述各分类产品数据集对应的初始价值预测数据进行反归一化处理，得到各分类产品数据集对应的候选价值预测数据；

相关性融合模块，用于对所述各分类产品数据集对应的候选价值预测数据进行相关性融合处理，得到目标价值预测数据。

可选的，在本发明第二方面的第一种实现方式中，所述归一化融合模块具体用于：

获取所述多个分类产品数据集分别对应的时刻资产价格数据、归一化基准指标数据以及所述归一化基准指标数据的归一化基准指标系数，所述归一化基准指标数据用于指示基于预设的基准价格指数的基础上，影响资产价格数据的归一化融合处理的指标因子；

通过预置的归一化模型，基于所述时刻资产价格数据、所述归一化基准指标数据以及所述归一化基准指标系数，对所述多个分类产品数据集分别进行基于归一化的价值数据运算，得到各分类产品数据集对应的归一化融合数据。

可选的，在本发明第二方面的第二种实现方式中，所述预测模块具体用于：

获取所述多个分类产品数据集分别对应的目标指标数据、扰动项数据和自变量系数，所述目标指标数据包括所述多个分类产品数据集分别对应的经济指标数据和市场指标数据；

通过预置的结构向量自回归模型，所述各分类产品数据对应的目标指标数据、扰动项数据和自变量系数，以及所述各分类产品数据对应的归一化融合数据，对所述多个分类产品数据集分别进行结构向量自回归的运算处理，得到各分类产品数据集对应的初始价值预测数据。

可选的，在本发明第二方面的第三种实现方式中，所述反归一化模块具体用于：

获取所述各分类产品数据集对应的初始价值预测数据的预测基准指标数据，以及所述预测基准指标数据的预测基准指标系数，所述预测基准指标数据用于指示基于预设的基准价格指数的基础上，影响资产价格数据的反归一化处理的指标因子；

通过所述归一化模型，基于所述预测基准指标数据和所述预测基准指标系数、预置反归一化公式和所述各分类产品数据集对应的初始价值预测数据进行基于反归一化的运算，得到各分类产品数据集对应的候选价值预测数据。

可选的，在本发明第二方面的第四种实现方式中，所述相关性融合模块具体用于：

对所述各分类产品数据集对应的候选价值预测数据进行相关性分析，得到各分类产品数据集对应的相关系数；

通过所述各分类产品数据集对应的相关系数，对所述各分类产品数据集对应的候选价值预测数据进行加权求和，得到目标价值预测数据。

可选的，在本发明第二方面的第五种实现方式中，所述分类模块具体用于：

接收目标终端发送的资产估值请求，基于所述资产估值请求，从预置数据库中读取待处理的产品数据，并对所述待处理的产品数据进行数据预处理，得到预处理产品数据；

通过预置分类模型，对所述预处理产品数据依次进行基于多层级的卷积特征提取、基于注意力机制的特征融合、资产类别概率计算和资产类别分类，得到多个分类产品数据集。

可选的，在本发明第二方面的第六种实现方式中，所述产品数据的融合装置，还包括：

优化执行模块，用于获取基于所述目标价值预测数据的误差值，匹配与所述误差值对应的目标优化策略，并基于所述目标优化策略执行优化过程。

本发明第三方面提供了一种产品数据的融合设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述产品数据的融合设备执行上述的产品数据的融合方法。

本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的产品数据的融合方法。

本发明实施例中，通过对待处理的产品数据进行基于资产类别的分类，便于后续有针对性、有效地对不同资产类型的待处理的产品数据进行处理；通过对多个分类产品数据集分别进行归一化融合处理，综合了不同资产类型的多种影响因素，丰富了不同种类、变动的产品数据的价值的预测因子，提高了不同种类、变动的产品数据的价值预测准确性；通过预置的结构向量自回归模型、各分类产品数据对应的目标指标数据和各分类产品数据对应的归一化融合数据，对多个分类产品数据集分别进行价值自回归预测，并对各分类产品数据集对应的初始价值预测数据进行反归一化处理，实现了标准资产价格指数（即目标指标数据）之间的结构性关系计算，并根据预测的初始价值预测数据去估计未来用户名下资产的价值变动，并使其满足次可加性、交换性和一致性等风险计量标准；对各分类产品数据集对应的候选价值预测数据进行相关性融合处理，使其满足了可加性、交换性和一致性等风险计量标准，从而提高了产品数据的价值预测准确性。

附图说明

图1为本发明实施例中产品数据的融合方法的一个实施例示意图；

图2为本发明实施例中产品数据的融合方法的另一个实施例示意图；

图3为本发明实施例中产品数据的融合装置的一个实施例示意图；

图4为本发明实施例中产品数据的融合装置的另一个实施例示意图；

图5为本发明实施例中产品数据的融合设备的一个实施例示意图。

具体实施方式

本发明实施例提供了一种产品数据的融合方法、装置、设备及存储介质，提高了产品数据的价值预测准确性。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中产品数据的融合方法的一个实施例包括：

101、获取待处理的产品数据，并对待处理的产品数据进行基于资产类别的分类，得到多个分类产品数据集。

可以理解的是，本发明的执行主体可以为产品数据的融合装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。

其中，待处理的产品数据中的产品为能用于资产估值的具体物件和金融产品，如：抵押物（房屋、车）和保险保单，待处理的产品数据包括具体物件的资产基本信息和历史价格数据，金融产品的资产基本信息和历史价格数据，以及其他能用于资产估值的数据。资产类别包括主类别和多个子类别，如：主类别为A（保险保单），对应的子类别为a1（社会保险保单）和a2（商业保险保单）。

服务器可以通过获得用户授权后，从预置数据库中提取待估值的初始产品数据，或者服务器可通过接收用户端（目标终端）发送的待估值的初始产品数据；服务器获得待估值的初始产品数据后，对待估值的初始产品数据进行安全性检测和去重的数据预处理，得到预处理产品数据；服务器可通过对预处理产品数据进行基于关键词的资产类别分类，从而得到多个分类产品数据；服务器也可以通过预置分类模型，对预处理产品数据进行资产类别分类，从而得到多个分类产品数据。

服务器可通过对预处理产品数据进行基于关键词的资产类别分类，从而得到多个分类产品数据的执行过程可具体包括：服务器对预处理产品数据依次进行分词和关键词提取，得到目标关键词；将目标关键词与预置的资产类别词汇进行匹配，得到目标资产类别词汇，获取目标资产类别词汇的资产类别，将资源类别作为目标关键词对应的预处理产品数据的标签，根据标签对预处理产品数据进行归类，得到多个分类产品数据集，每个分类产品数据集包括分类后的多个子类别的产品数据，一个分类产品数据集对应一个主类别。

102、通过预置的归一化模型，对多个分类产品数据集分别进行归一化融合处理，得到各分类产品数据对应的归一化融合数据。

服务器通过预置的归一化模型，对多个分类产品数据集分别进行归一化融合处理的具体实现过程为：服务器获取各分类产品数据对应的预测因子，该预测因子包括对各分类产品数据的资产在不同时期的整体涨跌趋势和幅度产生影响的指标数据、价格数据和系数，预测因子包括归一化基准指标数据以及归一化基准指标数据的归一化基准指标系数；服务器调用预先创建的归一化模型基于预测因子，分别对多个分类产品数据进行线性回归处理和运算处理，从而得到各分类产品数据对应的归一化融合数据，其中，归一化模型用于对各分类产品数据的资产在不同时期的整体涨跌趋势和幅度进行归一化融合。

其中，服务器调用预先创建的归一化模型基于预测因子，分别对多个分类产品数据进行线性回归处理和运算处理，从而得到各分类产品数据对应的归一化融合数据的具体实现过程可为：服务器调用预先创建的归一化模型基于预测因子，对多个分类产品数据中分别进行基于子类别的线性回归处理和运算处理，得到多个子类别分别对应的主类别归一化估值数据，将多个子类别分别对应的主类别归一化估值数据进行求和，得到各分类产品数据对应的归一化融合数据，如：以分类产品数据集为主类别B的分类产品数据集B为例说明，分类产品数据集B包括子类别b1对应的分类产品数据b11和子类别b2对应的分类产品数据b21，子类别b1和子类别b2对应的主类别为B，服务器调用预先创建的归一化模型基于预测因子，对分类产品数据b11进行基于子类别的线性回归处理和运算处理，得到子类别b11对应主类别B的主类别归一化估值数据B1，同理可得主类别归一化估值数据B2，将主类别归一化估值数据B1和主类别归一化估值数据B2相加，得到分类产品数据集B对应的归一化融合数据。

通过对多个分类产品数据集分别进行归一化融合处理，综合不同资产类型的多种影响因素，丰富了不同种类、变动的产品数据的价值的预测因子，提高了不同种类、变动的产品数据的价值预测准确性。

103、获取各分类产品数据对应的目标指标数据，通过预置的结构向量自回归模型、各分类产品数据对应的目标指标数据和各分类产品数据对应的归一化融合数据，对多个分类产品数据集分别进行价值自回归预测，得到各分类产品数据集对应的初始价值预测数据，目标指标数据包括经济指标数据和市场指标数据。

服务器根据各分类产品数据集对应的资产类别，对预置数据库已存储的指标数据进行匹配，得到多个分类产品数据集分别对应的经济指标数据和市场指标数据，即目标指标数据，并获取价值自回归预测的因素因子，该因素因子包括扰动项、自变量系数和模型参数等；服务器通过预置的结构向量自回归模型，基于目标指标数据、因素因子和各分类产品数据对应的归一化融合数据，对多个分类产品数据集分别进行基于自回归的融合处理，得到各分类产品数据集对应的初始价值预测数据，初始价值预测数据为预测时刻（即归一化融合处理时刻t+1）的时刻所对应的资产价值数据，各分类产品数据集对应的初始价值预测数据包括标准资产价格指数之间的结构性关系。其中，经济指标数据可包括但不限于消费者物价指数（consumer price index，CPI）、国内生产总值（gross domestic product，GDP）和工业生产（industrial production），市场指标数据可包括但不限于流动性、产业状况、生产成本、资源成本和市场需求。

通过预置的结构向量自回归模型，对多个分类产品数据集分别进行价值自回归预测，实现了标准资产价格指数之间的结构性关系计算，并根据预测的初始价值预测数据去估计未来用户名下资产的价值变动，并使其满足次可加性、交换性和一致性等风险计量标准，提高了产品数据的价值预测准确性。

104、通过归一化模型，对各分类产品数据集对应的初始价值预测数据进行反归一化处理，得到各分类产品数据集对应的候选价值预测数据。

服务器获取各分类产品数据集对应的初始价值预测数据所对应的预测基准指标数据，以及预测基准指标数据的预测基准指标系数，将各分类产品数据集对应的初始价值预测数据、预测基准指标数据和预测基准指标系数确定为反归一化的运算因子，并调用归一化模型，基于预置反归一化公式，对运算因子进行运算，得到各分类产品数据集对应的候选价值预测数据，其中，预测基准指标数据用于指示基于预设的基准价格指数的基础上，影响资产价格数据的反归一化处理的指标因子。

105、对各分类产品数据集对应的候选价值预测数据进行相关性融合处理，得到目标价值预测数据。

服务器对各分类产品数据集对应的候选价值预测数据进行相关性融合处理的具体实现过程可为：服务器可通过对各分类产品数据集对应的候选价值预测数据之间的结构性关系（相关性）进行数值度量，得到各分类产品数据集对应的相关系数；服务器也可通过从各分类产品数据集对应的候选价值预测数据的计算过程生成的计算数据中，提取与结构性关系相关的数据，从而得到各分类产品数据集对应的相关系数；服务器将各分类产品数据集对应的相关系数确定为各分类产品数据集对应的加权系数，根据该加权系数计算各分类产品数据集的和值，从而得到目标价值预测数据。

通过将各分类产品数据集对应的候选价值预测数据进行相关性融合处理，使其满足次可加性、交换性和一致性等风险计量标准，提高了产品数据的价值预测准确性。

本发明实施例中，通过对待处理的产品数据进行基于资产类别的分类，便于后续有针对性、有效地对不同资产类型的待处理的产品数据进行处理；通过对多个分类产品数据集分别进行归一化融合处理，综合了不同资产类型的多种影响因素，丰富了不同种类、变动的产品数据的价值的预测因子，提高了不同种类、变动的产品数据的价值预测准确性；通过预置的结构向量自回归模型、各分类产品数据对应的目标指标数据和各分类产品数据对应的归一化融合数据，对多个分类产品数据集分别进行价值自回归预测，并对各分类产品数据集对应的初始价值预测数据进行反归一化处理，实现了标准资产价格指数（即目标指标数据）之间的结构性关系计算，并根据预测的初始价值预测数据去估计未来用户名下资产的价值变动，并使其满足次可加性、交换性和一致性等风险计量标准；对各分类产品数据集对应的候选价值预测数据进行相关性融合处理，使其满足了可加性、交换性和一致性等风险计量标准，从而提高了产品数据的价值预测准确性。

请参阅图2，本发明实施例中产品数据的融合方法的另一个实施例包括：

201、获取待处理的产品数据，并对待处理的产品数据进行基于资产类别的分类，得到多个分类产品数据集。

具体地，服务器接收目标终端发送的资产估值请求，基于资产估值请求，从预置数据库中读取待处理的产品数据，并对待处理的产品数据进行数据预处理，得到预处理产品数据；通过预置分类模型，对预处理产品数据依次进行基于多层级的卷积特征提取、基于注意力机制的特征融合、资产类别概率计算和资产类别分类，得到多个分类产品数据集。

服务器接收目标终端发送的资产估值请求，对资产估值请求进行解析，得到资产估值关键信息，该资产估值关键信息包括产品数据需求以及资产价值预测的需求信息，从预置数据库中读取与资产估值关键信息对应的待处理的产品数据；对待处理的产品数据依次进行数据清洗、数据转换、去重融合和安全性检测（即数据预处理包括数据清洗、数据转换、去重融合和安全性检测），从而得到预处理产品数据。

服务器调用预置分类模型，基于预先构建的多层级的卷积神经网络算法，对预处理产品数据进行层级的卷积特征提取，得到各层级特征，基于预设的注意力机制，将各层级特征进行基于注意力的融合，得到目标特征，通过预置分类模型中的分类网络，对目标特征进行资产类别概率计算，并根据计算所得的资产类别概率确定目标资产类别，根据目标资产类别将预处理产品数据进行归类，得到多个分类产品数据集，其中，各层级的卷积神经网络算法可相同，也可不相同。

通过多层级的卷积神经网络算法，对预处理产品数据进行特征提取，提高了提取的预处理产品数据的特惠总能的准确性。通过对待处理的产品数据进行基于资产类别的分类，以便于后续有针对性、有效地对不同资产类型的待处理的产品数据进行处理，从而提高产品数据的价值预测准确性。

202、通过预置的归一化模型，对多个分类产品数据集分别进行归一化融合处理，得到各分类产品数据对应的归一化融合数据。

具体地，服务器获取多个分类产品数据集分别对应的时刻资产价格数据、归一化基准指标数据以及归一化基准指标数据的归一化基准指标系数，归一化基准指标数据用于指示基于预设的基准价格指数的基础上，影响资产价格数据的归一化融合处理的指标因子；通过预置的归一化模型，基于时刻资产价格数据、归一化基准指标数据以及归一化基准指标系数，对多个分类产品数据集分别进行基于归一化的价值数据运算，得到各分类产品数据集对应的归一化融合数据。

其中，归一化基准指标数据用于指示基于预设的基准价格指数的基础上，影响资产价格数据的归一化融合处理的指标因子，如：房价对应的指标因子有地段和房屋年龄。

例如，以分类产品数据集为主类别A的分类产品数据集A为例说明，分类产品数据集A包括子类别a1对应的分类产品数据a11和子类别a2对应的分类产品数据a21，服务器获取分类产品数据a11在t时刻的时刻资产价格数据a1

203、获取各分类产品数据对应的目标指标数据，通过预置的结构向量自回归模型、各分类产品数据对应的目标指标数据和各分类产品数据对应的归一化融合数据，对多个分类产品数据集分别进行价值自回归预测，得到各分类产品数据集对应的初始价值预测数据，目标指标数据包括经济指标数据和市场指标数据。

具体地，服务器获取多个分类产品数据集分别对应的目标指标数据、扰动项数据和自变量系数，目标指标数据包括多个分类产品数据集分别对应的经济指标数据和市场指标数据；通过预置的结构向量自回归模型，各分类产品数据对应的目标指标数据、扰动项数据和自变量系数，以及各分类产品数据对应的归一化融合数据，对多个分类产品数据集分别进行结构向量自回归的运算处理，得到各分类产品数据集对应的初始价值预测数据。

例如，以分类产品数据集为主类别A的分类产品数据集A和分类产品数据集为主类别B的分类产品数据集B为例说明，分类产品数据集A对应的归一化融合数据为A

204、通过归一化模型，对各分类产品数据集对应的初始价值预测数据进行反归一化处理，得到各分类产品数据集对应的候选价值预测数据。

具体地，服务器获取各分类产品数据集对应的初始价值预测数据的预测基准指标数据，以及预测基准指标数据的预测基准指标系数，预测基准指标数据用于指示基于预设的基准价格指数的基础上，影响资产价格数据的反归一化处理的指标因子；通过归一化模型，基于预测基准指标数据和预测基准指标系数、预置反归一化公式和各分类产品数据集对应的初始价值预测数据进行基于反归一化的运算，得到各分类产品数据集对应的候选价值预测数据。

例如，以分类产品数据集A对应的初始价值预测数据A

205、对各分类产品数据集对应的候选价值预测数据进行相关性融合处理，得到目标价值预测数据。

具体地，服务器对各分类产品数据集对应的候选价值预测数据进行相关性分析，得到各分类产品数据集对应的相关系数；通过各分类产品数据集对应的相关系数，对各分类产品数据集对应的候选价值预测数据进行加权求和，得到目标价值预测数据。

服务器调用预置的相关性分析算法，对各分类产品数据集对应的候选价值预测数据之间的结构性关系（相关性）进行度量，得到各分类产品数据集对应的相关系数，将各分类产品数据集对应的相关系数确定为各分类产品数据集对应的加权系数，根据该加权系数计算各分类产品数据集的和值，以实现对各分类产品数据集对应的候选价值预测数据的相关性融合处理，从而得到目标价值预测数据。

通过将各分类产品数据集对应的候选价值预测数据进行相关性融合处理，使其满足次可加性、交换性和一致性等风险计量标准，提高了产品数据的价值预测准确性。

206、获取基于目标价值预测数据的误差值，匹配与误差值对应的目标优化策略，并基于目标优化策略执行优化过程。

其中，优化策略包括对归一化模型的优化方案、结构向量自回归模型的创建夫人优化方案、以及目标价值预测数据对应的执行过程的优化方案。服务器获取目标价值预测数据对应的真实价值数据，计算目标价值预测数据与真实价值数据的误差值。通过预设范围值与误差值进行对比分析，得到与误差值对应的目标范围值，生成目标范围值的键值或结构化查询语句，通过该键值或结构化查询语句，对预置的优化策略散列表进行检索，得到目标优化策略，基于该目标优化策略，获取目标终端发送的优化所需的归一化调整模型参数、归一化调整因子、结构向量自回归调整模型参数和结构向量自回归调整因子，通过归一化调整模型参数和归一化调整因子重新创建归一化模型，通过结构向量自回归调整模型参数和结构向量自回归调整因子重新创建结构向量自回归模型；接收目标终端发送的基于目标优化策略的执行脚本，通过该执行脚本，对目标价值预测数据对应的执行过程的流程节点、数据处理方式和执行程序等进行调整的执行。

通过对归一化模型、结构向量自回归模型的创建、以及目标价值预测数据对应的执行过程进行优化，提高了归一化模型和结构向量自回归模型的准确性，提高了目标价值预测数据的准确性，从而提高了产品数据的价值预测准确性。

本发明实施例中，不仅能够便于后续有针对性、有效地对不同资产类型的待处理的产品数据进行处理，综合了不同资产类型的多种影响因素，丰富了不同种类、变动的产品数据的价值的预测因子，提高了不同种类、变动的产品数据的价值预测准确性，实现了标准资产价格指数（即目标指标数据）之间的结构性关系计算，并根据预测的初始价值预测数据去估计未来用户名下资产的价值变动，并使其满足次可加性、交换性和一致性等风险计量标准；满足了可加性、交换性和一致性等风险计量标准，从而提高了产品数据的价值预测准确性，还能够通过对归一化模型、结构向量自回归模型的创建、以及目标价值预测数据对应的执行过程进行优化，提高了归一化模型和结构向量自回归模型的准确性，提高了目标价值预测数据的准确性，从而提高了产品数据的价值预测准确性。

上面对本发明实施例中产品数据的融合方法进行了描述，下面对本发明实施例中产品数据的融合装置进行描述，请参阅图3，本发明实施例中产品数据的融合装置一个实施例包括：

分类模块301，用于获取待处理的产品数据，并对待处理的产品数据进行基于资产类别的分类，得到多个分类产品数据集；

归一化融合模块302，用于通过预置的归一化模型，对多个分类产品数据集分别进行归一化融合处理，得到各分类产品数据对应的归一化融合数据；

预测模块303，用于获取各分类产品数据对应的目标指标数据，通过预置的结构向量自回归模型、各分类产品数据对应的目标指标数据和各分类产品数据对应的归一化融合数据，对多个分类产品数据集分别进行价值自回归预测，得到各分类产品数据集对应的初始价值预测数据，目标指标数据包括经济指标数据和市场指标数据；

反归一化模块304，用于通过归一化模型，对各分类产品数据集对应的初始价值预测数据进行反归一化处理，得到各分类产品数据集对应的候选价值预测数据；

相关性融合模块305，用于对各分类产品数据集对应的候选价值预测数据进行相关性融合处理，得到目标价值预测数据。

上述产品数据的融合装置中各个模块的功能实现与上述产品数据的融合方法实施例中各步骤相对应，其功能和实现过程在此处不再一一赘述。

本发明实施例中，通过对待处理的产品数据进行基于资产类别的分类，便于后续有针对性、有效地对不同资产类型的待处理的产品数据进行处理；通过对多个分类产品数据集分别进行归一化融合处理，综合了不同资产类型的多种影响因素，丰富了不同种类、变动的产品数据的价值的预测因子，提高了不同种类、变动的产品数据的价值预测准确性；通过预置的结构向量自回归模型、各分类产品数据对应的目标指标数据和各分类产品数据对应的归一化融合数据，对多个分类产品数据集分别进行价值自回归预测，并对各分类产品数据集对应的初始价值预测数据进行反归一化处理，实现了标准资产价格指数（即目标指标数据）之间的结构性关系计算，并根据预测的初始价值预测数据去估计未来用户名下资产的价值变动，并使其满足了可加性、交换性和一致性等风险计量标准；对各分类产品数据集对应的候选价值预测数据进行相关性融合处理，使其满足次可加性、交换性和一致性等风险计量标准，从而提高了产品数据的价值预测准确性。

请参阅图4，本发明实施例中产品数据的融合装置的另一个实施例包括：

分类模块301，用于获取待处理的产品数据，并对待处理的产品数据进行基于资产类别的分类，得到多个分类产品数据集；

归一化融合模块302，用于通过预置的归一化模型，对多个分类产品数据集分别进行归一化融合处理，得到各分类产品数据对应的归一化融合数据；

预测模块303，用于获取各分类产品数据对应的目标指标数据，通过预置的结构向量自回归模型、各分类产品数据对应的目标指标数据和各分类产品数据对应的归一化融合数据，对多个分类产品数据集分别进行价值自回归预测，得到各分类产品数据集对应的初始价值预测数据，目标指标数据包括经济指标数据和市场指标数据；

反归一化模块304，用于通过归一化模型，对各分类产品数据集对应的初始价值预测数据进行反归一化处理，得到各分类产品数据集对应的候选价值预测数据；

相关性融合模块305，用于对各分类产品数据集对应的候选价值预测数据进行相关性融合处理，得到目标价值预测数据；

优化执行模块306，用于获取基于目标价值预测数据的误差值，匹配与误差值对应的目标优化策略，并基于目标优化策略执行优化过程。

可选的，归一化融合模块302还可以具体用于：

获取多个分类产品数据集分别对应的时刻资产价格数据、归一化基准指标数据以及归一化基准指标数据的归一化基准指标系数，归一化基准指标数据用于指示基于预设的基准价格指数的基础上，影响资产价格数据的归一化融合处理的指标因子；

通过预置的归一化模型，基于时刻资产价格数据、归一化基准指标数据以及归一化基准指标系数，对多个分类产品数据集分别进行基于归一化的价值数据运算，得到各分类产品数据集对应的归一化融合数据。

可选的，预测模块303还可以具体用于：

获取多个分类产品数据集分别对应的目标指标数据、扰动项数据和自变量系数，目标指标数据包括多个分类产品数据集分别对应的经济指标数据和市场指标数据；

通过预置的结构向量自回归模型，各分类产品数据对应的目标指标数据、扰动项数据和自变量系数，以及各分类产品数据对应的归一化融合数据，对多个分类产品数据集分别进行结构向量自回归的运算处理，得到各分类产品数据集对应的初始价值预测数据。

可选的，反归一化模块304还可以具体用于：

获取各分类产品数据集对应的初始价值预测数据的预测基准指标数据，以及预测基准指标数据的预测基准指标系数，预测基准指标数据用于指示基于预设的基准价格指数的基础上，影响资产价格数据的反归一化处理的指标因子；

通过归一化模型，基于预测基准指标数据和预测基准指标系数、预置反归一化公式和各分类产品数据集对应的初始价值预测数据进行基于反归一化的运算，得到各分类产品数据集对应的候选价值预测数据。

可选的，相关性融合模块305还可以具体用于：

对各分类产品数据集对应的候选价值预测数据进行相关性分析，得到各分类产品数据集对应的相关系数；

通过各分类产品数据集对应的相关系数，对各分类产品数据集对应的候选价值预测数据进行加权求和，得到目标价值预测数据。

可选的，分类模块301还可以具体用于：

接收目标终端发送的资产估值请求，基于资产估值请求，从预置数据库中读取待处理的产品数据，并对待处理的产品数据进行数据预处理，得到预处理产品数据；

通过预置分类模型，对预处理产品数据依次进行基于多层级的卷积特征提取、基于注意力机制的特征融合、资产类别概率计算和资产类别分类，得到多个分类产品数据集。

上述产品数据的融合装置中各模块和各单元的功能实现与上述产品数据的融合方法实施例中各步骤相对应，其功能和实现过程在此处不再一一赘述。

本发明实施例中，不仅能够便于后续有针对性、有效地对不同资产类型的待处理的产品数据进行处理，综合了不同资产类型的多种影响因素，丰富了不同种类、变动的产品数据的价值的预测因子，提高了不同种类、变动的产品数据的价值预测准确性，实现了标准资产价格指数（即目标指标数据）之间的结构性关系计算，并根据预测的初始价值预测数据去估计未来用户名下资产的价值变动，并使其满足次可加性、交换性和一致性等风险计量标准；满足了可加性、交换性和一致性等风险计量标准，从而提高了产品数据的价值预测准确性，还能够通过对归一化模型、结构向量自回归模型的创建、以及目标价值预测数据对应的执行过程进行优化，提高了归一化模型和结构向量自回归模型的准确性，提高了目标价值预测数据的准确性，从而提高了产品数据的价值预测准确性。

上面图3和图4从模块化功能实体的角度对本发明实施例中的产品数据的融合装置进行详细描述，下面从硬件处理的角度对本发明实施例中产品数据的融合设备进行详细描述。

图5是本发明实施例提供的一种产品数据的融合设备的结构示意图，该产品数据的融合设备500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，CPU）510（例如，一个或一个以上处理器）和存储器520，一个或一个以上存储应用程序533或数据532的存储介质530（例如一个或一个以上海量存储设备）。其中，存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对产品数据的融合设备500中的一系列指令操作。更进一步地，处理器510可以设置为与存储介质530通信，在产品数据的融合设备500上执行存储介质530中的一系列指令操作。

产品数据的融合设备500还可以包括一个或一个以上电源540，一个或一个以上有线或无线网络接口550，一个或一个以上输入输出接口560，和/或，一个或一个以上操作系统531，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图5示出的产品数据的融合设备结构并不构成对产品数据的融合设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

本申请还提供一种产品数据的融合设备，包括：存储器和至少一个处理器，存储器中存储有指令，存储器和至少一个处理器通过线路互连；至少一个处理器调用存储器中的指令，以使得产品数据的融合设备执行上述产品数据的融合方法中的步骤。

本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，计算机可读存储介质中存储有指令，当指令在计算机上运行时，使得计算机执行产品数据的融合方法的步骤。

进一步地，计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。

本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

以上，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。