一种基于人工智能的大数据资源整合方法、系统及云平台

技术领域

本公开涉及大数据与人工智能技术领域，特别涉及一种基于人工智能的大数据资源整合方法、系统及云平台。

背景技术

当前的相关数据设计者使用的云平台需要统计各式各样的数据资源，例如，在创造一部相关数据时，需要大量的相关数据元素进行组合。然而，这些相关数据元素中的一部分进行整合的时候存在一些瑕疵，但是这些已经完成的相关数据元素无法被当前的相关数据对应的云平台所管理，从而导致了相关数据资源的浪费。

发明内容

为改善相关技术中存在的上述背景技术存在的技术问题，本公开提供了一种基于人工智能的大数据资源整合方法、系统及云平台。

本申请提供了一种基于人工智能的大数据资源整合方法，包括：

获取第一轨迹的轨迹用户数据集以及所述第一轨迹上的客户描述类数据，其中，所述第一轨迹与第一目标用户数据集神经模型具有一一对应关系，所述第一轨迹为数据整合模型中的轨迹，所述第一轨迹的轨迹用户数据集用于表示所述第一轨迹包括的第一组数据整合分类和所述第一组数据整合分类中的第一数据整合分类之间的关联关系；

将所述第一轨迹的轨迹用户数据集以及所述第一轨迹上的客户描述类数据输入到所述第一目标用户数据集神经模型，得到所述第一目标用户数据集神经模型输出的第一资源数据整合列表；

根据所述第一资源数据整合列表，确定从所述数据整合模型中的第一初始计算点到第一终止计算点的预设资源数据整合列表，其中，从所述第一初始计算点到所述第一终止计算点经过所述第一轨迹。

进一步地，所述将所述第一轨迹的轨迹用户数据集以及所述第一轨迹上的客户描述类数据输入到所述第一目标用户数据集神经模型，得到所述第一目标用户数据集神经模型输出的第一资源数据整合列表，包括：

根据输入的所述第一轨迹的轨迹用户数据集以及所述第一轨迹上的客户描述类数据，确定所述轨迹用户数据集中包括的第一数据类型的描述策略、以及所述轨迹用户数据集中包括的第一关键内容的描述策略，其中，所述第一数据类型与第一数据整合分类具有一一对应关系，所述第一数据类型表示所述第一组数据整合分类中对应的一种数据整合分类，所述第一关键内容连接两个所述第一数据类型，表示两个所述第一数据类型对应的两个第一数据整合分类匹配，所述第一数据整合分类为所述第一组数据整合分类中的数据整合分类，用于表示所述第一轨迹中的局部轨迹；

根据所述第一数据类型的描述策略和所述第一关键内容的描述策略，确定所述第一数据类型的参考系数；

根据所述第一数据类型的参考系数，确定所述第一资源数据整合列表。

进一步地，所述根据所述第一数据类型的描述策略和所述第一关键内容的描述策略，确定所述第一数据类型的参考系数，包括：

根据当前数据类型的描述策略、与所述当前数据类型关联的关键内容的描述策略、所述当前数据类型的适配数据类型的描述策略、所述当前数据类型的所述适配数据类型在当前换分界线上的参考系数，确定所述当前数据类型在下一换分界线上的参考系数，其中，所述第一数据类型包括所述当前数据类型和所述当前数据类型的所述适配数据类型。

进一步地，所述根据所述第一资源数据整合列表，确定从所述数据整合模型中的第一初始计算点到第一终止计算点的预设资源数据整合列表，包括：

在所述第一初始计算点为所述第一轨迹的初始计算点，所述第一终止计算点为所述第一轨迹的终止计算点情况下，将从所述第一轨迹的初始计算点到所述第一轨迹的终止计算点的预设资源数据整合列表确定为所述第一资源数据整合列表；

和/或 在所述第一初始计算点为所述第一数据整合分类的初始计算点，所述第一终止计算点为所述第一数据整合分类的终止计算点的情况下，将从所述第一数据整合分类的初始计算点到所述第一数据整合分类的终止计算点的预设资源数据整合列表确定为所述第一数据整合分类的样本列表；

和/或 在所述第一初始计算点为所述多个数据整合分类的初始计算点，所述第一终止计算点为所述多个数据整合分类的终止计算点的情况下，将从所述多个数据整合分类的初始计算点到所述多个数据整合分类的终止计算点的预设资源数据整合列表确定为所述多个数据整合分类的样本列表的交集。

进一步地，所述方法还包括：

根据样本轨迹的样本轨迹用户数据集、所述样本轨迹上的样本客户描述类数据、以及所述样本轨迹的实时样本列表，对第一训练数据神经模型进行训练，得到所述第一目标用户数据集神经模型，其中，所述第一训练数据神经模型输出的样本列表与所述实时样本列表之间的误差范围的取值满足预设条件的情况下，结束对所述第一训练数据神经模型进行的训练，将结束训练时的所述第一训练数据神经模型确定为所述第一目标用户数据集神经模型。

进一步地，所述方法还包括：

将所述第一资源数据整合列表与所述第一轨迹的实时样本列表进行比较，以更新所述第一目标用户数据集神经模型，其中，所述第一资源数据整合列表与所述实时样本列表之间的误差范围的取值满足预设条件的情况下，更新所述第一目标用户数据集神经模型。

进一步地，所述方法还包括：

获取第二轨迹的轨迹用户数据集以及所述第二轨迹上的客户描述类数据，其中，所述第二轨迹与第二目标用户数据集神经模型具有一一对应关系，所述第二轨迹的轨迹用户数据集用于表示所述第二轨迹包括的第二组数据整合分类和所述第二组数据整合分类中的数据整合分类之间的关联关系；

将所述第二轨迹的轨迹用户数据集以及所述第二轨迹上的客户描述类数据输入到所述第二目标用户数据集神经模型，共得到所述第二目标用户数据集神经模型输出的第二资源数据整合列表；

所述根据所述第一资源数据整合列表，确定从所述数据整合模型中的第一初始计算点到第一终止计算点的预设资源数据整合列表，包括：根据所述第一资源数据整合列表和所述第二资源数据整合列表，确定从所述数据整合模型中的第一初始计算点到第一终止计算点的预设资源数据整合列表，其中，从所述第一初始计算点到所述第一终止计算点经过所述第一轨迹和所述第二轨迹。

本申请提供了一种基于人工智能的大数据资源整合系统，包括数据收集设备和云平台，所述数据收集设备和所述云平台通信连接，所述云平台包括：

数据描述获取模块，用于获取第一轨迹的轨迹用户数据集以及所述第一轨迹上的客户描述类数据，其中，所述第一轨迹与第一目标用户数据集神经模型具有一一对应关系，所述第一轨迹为数据整合模型中的轨迹，所述第一轨迹的轨迹用户数据集用于表示所述第一轨迹包括的第一组数据整合分类和所述第一组数据整合分类中的第一数据整合分类之间的关联关系；

数据整合确定模块，用于将所述第一轨迹的轨迹用户数据集以及所述第一轨迹上的客户描述类数据输入到所述第一目标用户数据集神经模型，得到所述第一目标用户数据集神经模型输出的第一资源数据整合列表；

整合数据计算模块，用于根据所述第一资源数据整合列表，确定从所述数据整合模型中的第一初始计算点到第一终止计算点的预设资源数据整合列表，其中，从所述第一初始计算点到所述第一终止计算点经过所述第一轨迹。

本申请提供了一种云平台，包括互相之间通信的处理器和存储器，所述处理器用于从所述存储器中调取计算机程序，并通过运行所述计算机程序实现上述任一项所述的方法。

本申请提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在运行时实现上述任一项所述的方法。

本公开的实施例提供的技术方案可以包括以下有益效果。

一种基于人工智能的大数据资源整合方法、系统及云平台，采用获取第一轨迹的轨迹用户数据集以及第一轨迹上的客户描述类数据，将第一轨迹的轨迹用户数据集以及第一轨迹上的客户描述类数据输入到第一目标用户数据集神经模型，得到第一目标用户数据集神经模型输出的第一资源数据整合列表，根据第一资源数据整合列表，确定从数据整合模型中的第一初始计算点到第一终止计算点的预设资源数据整合列表的方式，通过从数据整合模型中获取第一轨迹的轨迹用户数据集以及第一轨迹的客户描述类数据，以输入神经模型，进而确定预设资源数据整合列表，达到了提高确定预设资源数据整合列表的准确率的目的，从而实现了优化资源整合的速率、提高预设资源数据整合列表的整合准确度，为用户提供最优轨迹选择的技术效果。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并于说明书一起用于解释本申请的原理。

图1为本申请实施例所提供的一种基于人工智能的大数据资源整合系统的架构示意图；

图2为本申请实施例所提供的一种基于人工智能的大数据资源整合方法的流程图；

图3为本申请实施例所提供的一种基于人工智能的大数据资源整合装置的功能模块框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

为了便于对上述的一种基于人工智能的大数据资源整合方法、系统及云平台进行阐述，请结合参考图1，提供了本申请实施例所公开的一种基于人工智能的大数据资源整合系统100的通信架构示意图。其中，所述一种基于人工智能的大数据资源整合系统100可以包括数据收集设备200以及云平台300，所述数据收集设备200与所述云平台300通信连接。

在具体的实施方式中，云平台300可以是台式电脑、平板电脑、笔记本电脑、手机或者其他能够实现数据处理以及数据通信的云平台，在此不作过多限定。

在上述基础上，请结合参阅图2，为本申请实施例所提供的一种基于人工智能的大数据资源整合方法的流程示意图，所述一种基于人工智能的大数据资源整合方法可以应用于图1中的云平台300，进一步地，所述一种基于人工智能的大数据资源整合方法具体可以包括以下步骤S21-步骤S23所描述的内容。

步骤S21，获取第一轨迹的轨迹用户数据集以及所述第一轨迹上的客户描述类数据。

示例性的，所述第一轨迹与第一目标用户数据集神经模型具有一一对应关系，所述第一轨迹为数据整合模型中的轨迹，所述第一轨迹的轨迹用户数据集用于表示所述第一轨迹包括的第一组数据整合分类和所述第一组数据整合分类中的第一数据整合分类之间的关联关系。

步骤S22，将所述第一轨迹的轨迹用户数据集以及所述第一轨迹上的客户描述类数据输入到所述第一目标用户数据集神经模型，得到所述第一目标用户数据集神经模型输出的第一资源数据整合列表。

示例性的，第一资源数据整合列表表示相关数据进行类别分类形成的分布集合。

步骤S23，根据所述第一资源数据整合列表，确定从所述数据整合模型中的第一初始计算点到第一终止计算点的预设资源数据整合列表。

示例性的，从所述第一初始计算点到所述第一终止计算点经过所述第一轨迹。

可以理解，在执行上述步骤S21-步骤S23所描述的内容时，采用获取第一轨迹的轨迹用户数据集以及第一轨迹上的客户描述类数据，将第一轨迹的轨迹用户数据集以及第一轨迹上的客户描述类数据输入到第一目标用户数据集神经模型，得到第一目标用户数据集神经模型输出的第一资源数据整合列表，根据第一资源数据整合列表，确定从数据整合模型中的第一初始计算点到第一终止计算点的预设资源数据整合列表的方式，通过从数据整合模型中获取第一轨迹的轨迹用户数据集以及第一轨迹的客户描述类数据，以输入神经模型，进而确定预设资源数据整合列表，达到了提高确定预设资源数据整合列表的准确率的目的，从而实现了优化资源整合的速率、提高预设资源数据整合列表的整合准确度，为用户提供最优轨迹选择的技术效果。

在另一种可替换的实施例中，将所述第一轨迹的轨迹用户数据集以及所述第一轨迹上的客户描述类数据输入到所述第一目标用户数据集神经模型，存在相关模型计算错误的问题，从而难以精确地得到所述第一目标用户数据集神经模型输出的第一资源数据整合列表，为了改善上述技术问题，步骤S22所描述的将所述第一轨迹的轨迹用户数据集以及所述第一轨迹上的客户描述类数据输入到所述第一目标用户数据集神经模型，得到所述第一目标用户数据集神经模型输出的第一资源数据整合列表的步骤，具体可以包括以下步骤S221-步骤S223所描述的内容。

步骤S221， 根据输入的所述第一轨迹的轨迹用户数据集以及所述第一轨迹上的客户描述类数据，确定所述轨迹用户数据集中包括的第一数据类型的描述策略、以及所述轨迹用户数据集中包括的第一关键内容的描述策略。

示例性的，所述第一数据类型与第一数据整合分类具有一一对应关系，所述第一数据类型表示所述第一组数据整合分类中对应的一种数据整合分类，所述第一关键内容连接两个所述第一数据类型，表示两个所述第一数据类型对应的两个第一数据整合分类匹配，所述第一数据整合分类为所述第一组数据整合分类中的数据整合分类，用于表示所述第一轨迹中的局部轨迹。

步骤S222，根据所述第一数据类型的描述策略和所述第一关键内容的描述策略，确定所述第一数据类型的参考系数。

步骤S223，根据所述第一数据类型的参考系数，确定所述第一资源数据整合列表。

可以理解，在执行上述步骤S221-步骤S223所描述的内容时，将所述第一轨迹的轨迹用户数据集以及所述第一轨迹上的客户描述类数据输入到所述第一目标用户数据集神经模型，避免相关模型计算错误的问题，从而能够精确地得到所述第一目标用户数据集神经模型输出的第一资源数据整合列表。

在另一种可替换的实施例中，根据所述第一数据类型的描述策略和所述第一关键内容的描述策略，存在当前数据类型不准确的问题，从而难以准确地确定所述第一数据类型的参考系数，为了改善上述技术问题，步骤S222所描述的根据所述第一数据类型的描述策略和所述第一关键内容的描述策略，确定所述第一数据类型的参考系数的步骤，具体可以包括以下步骤q1所描述的内容。

步骤q1，根据当前数据类型的描述策略、与所述当前数据类型关联的关键内容的描述策略、所述当前数据类型的适配数据类型的描述策略、所述当前数据类型的所述适配数据类型在当前换分界线上的参考系数，确定所述当前数据类型在下一换分界线上的参考系数，其中，所述第一数据类型包括所述当前数据类型和所述当前数据类型的所述适配数据类型。

可以理解，在执行上述步骤q1所描述的内容时，根据所述第一数据类型的描述策略和所述第一关键内容的描述策略，避免当前数据类型不准确的问题，从而能够准确地确定所述第一数据类型的参考系数。

在具体实施过程中，发明人发现，根据所述第一资源数据整合列表，存在第一资源数据起始点和终止点不准确的问题，从而难以准确地确定从所述数据整合模型中的第一初始计算点到第一终止计算点的预设资源数据整合列表，为了改善上述技术问题，步骤S23所描述的根据所述第一资源数据整合列表，确定从所述数据整合模型中的第一初始计算点到第一终止计算点的预设资源数据整合列表的步骤，具体可以包括以下步骤S231-步骤S233所描述的内容。

步骤S231，在所述第一初始计算点为所述第一轨迹的初始计算点，所述第一终止计算点为所述第一轨迹的终止计算点情况下，将从所述第一轨迹的初始计算点到所述第一轨迹的终止计算点的预设资源数据整合列表确定为所述第一资源数据整合列表。

步骤S232，和/或 在所述第一初始计算点为所述第一数据整合分类的初始计算点，所述第一终止计算点为所述第一数据整合分类的终止计算点的情况下，将从所述第一数据整合分类的初始计算点到所述第一数据整合分类的终止计算点的预设资源数据整合列表确定为所述第一数据整合分类的样本列表。

步骤S233，和/或 在所述第一初始计算点为所述多个数据整合分类的初始计算点，所述第一终止计算点为所述多个数据整合分类的终止计算点的情况下，将从所述多个数据整合分类的初始计算点到所述多个数据整合分类的终止计算点的预设资源数据整合列表确定为所述多个数据整合分类的样本列表的交集。

可以理解，在执行上述步骤S231-步骤S233所描述的内容时，根据所述第一资源数据整合列表，避免第一资源数据起始点和终止点不准确的问题，从而能够准确地确定从所述数据整合模型中的第一初始计算点到第一终止计算点的预设资源数据整合列表。

基于上述基础，还包括以下步骤q1所描述的内容。

步骤q1，根据样本轨迹的样本轨迹用户数据集、所述样本轨迹上的样本客户描述类数据、以及所述样本轨迹的实时样本列表，对第一训练数据神经模型进行训练，得到所述第一目标用户数据集神经模型，其中，所述第一训练数据神经模型输出的样本列表与所述实时样本列表之间的误差范围的取值满足预设条件的情况下，结束对所述第一训练数据神经模型进行的训练，将结束训练时的所述第一训练数据神经模型确定为所述第一目标用户数据集神经模型。

可以理解，在执行上述步骤1所描述的内容时，通过提高实时样本列表的正确性，提高第一目标用户数据集神经模型的计算精度。

基于上述基础，还包括以下步骤w1所描述的内容。

步骤w1，将所述第一资源数据整合列表与所述第一轨迹的实时样本列表进行比较，以更新所述第一目标用户数据集神经模型，其中，所述第一资源数据整合列表与所述实时样本列表之间的误差范围的取值满足预设条件的情况下，更新所述第一目标用户数据集神经模型。

可以理解，在执行上述步骤w1所描述的内容时，通过提高第一资源数据整合列表与第一轨迹的实时样本列表进行比较精度，能准确地更新所述第一目标用户数据集神经模型。

基于上述基础，还包括以下步骤e1-步骤e2所描述的内容。

步骤e1，获取第二轨迹的轨迹用户数据集以及所述第二轨迹上的客户描述类数据。

举例而言，所述第二轨迹与第二目标用户数据集神经模型具有一一对应关系，所述第二轨迹的轨迹用户数据集用于表示所述第二轨迹包括的第二组数据整合分类和所述第二组数据整合分类中的数据整合分类之间的关联关系。

步骤e2，将所述第二轨迹的轨迹用户数据集以及所述第二轨迹上的客户描述类数据输入到所述第二目标用户数据集神经模型，共得到所述第二目标用户数据集神经模型输出的第二资源数据整合列表。

步骤e3，所述根据所述第一资源数据整合列表，确定从所述数据整合模型中的第一初始计算点到第一终止计算点的预设资源数据整合列表，包括：根据所述第一资源数据整合列表和所述第二资源数据整合列表，确定从所述数据整合模型中的第一初始计算点到第一终止计算点的预设资源数据整合列表。

举例而言，从所述第一初始计算点到所述第一终止计算点经过所述第一轨迹和所述第二轨迹。

可以理解，在执行上述步骤e1-步骤e2所描述的内容时，提高第二轨迹的轨迹用户数据集以及第二轨迹上的客户描述类数据的准确度，从而能够准确地确定从数据整合模型中的第一初始计算点到第一终止计算点的预设资源数据整合列表。

基于上述基础，还包括以下步骤t1所描述的内容。

步骤t1，在所述第一初始计算点到所述第一终止计算点的所述预设资源数据整合列表满足预设统计条件的情况下，将所述第一轨迹确定为从所述第一初始计算点到所述第一终止计算点的统计规划轨迹所经过的轨迹。

可以理解，在执行上述步骤t1所描述的内容时，预设资源数据整合列表满足预设统计条件的情况，能准确地确定统计规划轨迹所经过的轨迹。

在一种可替换的实施例中，在所述第一初始计算点到所述第一终止计算点的所述预设资源数据整合列表满足预设统计条件的情况下，存在所述第一轨迹不满足预设统计条件的问题，从而难以准确地确定为从所述第一初始计算点到所述第一终止计算点的统计规划轨迹所经过的轨迹，为了改善上述技术问题，步骤t1所描述的在所述第一初始计算点到所述第一终止计算点的所述预设资源数据整合列表满足预设统计条件的情况下，将所述第一轨迹确定为从所述第一初始计算点到所述第一终止计算点的统计规划轨迹所经过的轨迹的步骤，具体可以包括以下步骤y1和步骤y2所描述的内容。

步骤y1，在所述第一初始计算点到所述第一终止计算点的所述预设资源数据整合列表小于或等于预设列表识别结果的情况下，将所述第一轨迹确定为从所述第一初始计算点到所述第一终止计算点的统计规划轨迹所经过的轨迹。

步骤y2，或者 在所述第一初始计算点到所述第一终止计算点的所述预设资源数据整合列表是多个预设资源数据整合列表中的最小值的情况下，将所述第一轨迹确定为从所述第一初始计算点到所述第一终止计算点的统计规划轨迹所经过的轨迹，其中，所述多个预设资源数据整合列表与多个规划轨迹具有映射关系，所述多个预设资源数据整合列表中的每个预设资源数据整合列表为所述多个规划轨迹中对应的一种规划轨迹的预设资源数据整合列表，所述多个规划轨迹包括所述第一轨迹，所述多个规划轨迹为从所述第一初始计算点到所述第一终止计算点的不同规划轨迹所分别经过的轨迹。

可以理解，在执行上述步骤y1和步骤y2所描述的内容时，在所述第一初始计算点到所述第一终止计算点的所述预设资源数据整合列表满足预设统计条件的情况下，避免所述第一轨迹不满足预设统计条件的问题，从而能够准确地确定为从所述第一初始计算点到所述第一终止计算点的统计规划轨迹所经过的轨迹。

基于同样的发明构思，还提供了一种基于人工智能的大数据资源整合系统，所述系统包括数据收集设备和云平台，所述数据收集设备与所述云平台通信连接，云平台具体用于：

获取第一轨迹的轨迹用户数据集以及所述第一轨迹上的客户描述类数据，其中，所述第一轨迹与第一目标用户数据集神经模型具有一一对应关系，所述第一轨迹为数据整合模型中的轨迹，所述第一轨迹的轨迹用户数据集用于表示所述第一轨迹包括的第一组数据整合分类和所述第一组数据整合分类中的第一数据整合分类之间的关联关系；

将所述第一轨迹的轨迹用户数据集以及所述第一轨迹上的客户描述类数据输入到所述第一目标用户数据集神经模型，得到所述第一目标用户数据集神经模型输出的第一资源数据整合列表；

根据所述第一资源数据整合列表，确定从所述数据整合模型中的第一初始计算点到第一终止计算点的预设资源数据整合列表，其中，从所述第一初始计算点到所述第一终止计算点经过所述第一轨迹。

进一步的，云平台具体用于：

根据输入的所述第一轨迹的轨迹用户数据集以及所述第一轨迹上的客户描述类数据，确定所述轨迹用户数据集中包括的第一数据类型的描述策略、以及所述轨迹用户数据集中包括的第一关键内容的描述策略，其中，所述第一数据类型与第一数据整合分类具有一一对应关系，所述第一数据类型表示所述第一组数据整合分类中对应的一种数据整合分类，所述第一关键内容连接两个所述第一数据类型，表示两个所述第一数据类型对应的两个第一数据整合分类匹配，所述第一数据整合分类为所述第一组数据整合分类中的数据整合分类，用于表示所述第一轨迹中的局部轨迹；

根据所述第一数据类型的描述策略和所述第一关键内容的描述策略，确定所述第一数据类型的参考系数；

根据所述第一数据类型的参考系数，确定所述第一资源数据整合列表。

进一步的，云平台具体用于：

根据当前数据类型的描述策略、与所述当前数据类型关联的关键内容的描述策略、所述当前数据类型的适配数据类型的描述策略、所述当前数据类型的所述适配数据类型在当前换分界线上的参考系数，确定所述当前数据类型在下一换分界线上的参考系数，其中，所述第一数据类型包括所述当前数据类型和所述当前数据类型的所述适配数据类型。

进一步的，云平台具体用于：

在所述第一初始计算点为所述第一轨迹的初始计算点，所述第一终止计算点为所述第一轨迹的终止计算点情况下，将从所述第一轨迹的初始计算点到所述第一轨迹的终止计算点的预设资源数据整合列表确定为所述第一资源数据整合列表；

和/或 在所述第一初始计算点为所述第一数据整合分类的初始计算点，所述第一终止计算点为所述第一数据整合分类的终止计算点的情况下，将从所述第一数据整合分类的初始计算点到所述第一数据整合分类的终止计算点的预设资源数据整合列表确定为所述第一数据整合分类的样本列表；

和/或 在所述第一初始计算点为所述多个数据整合分类的初始计算点，所述第一终止计算点为所述多个数据整合分类的终止计算点的情况下，将从所述多个数据整合分类的初始计算点到所述多个数据整合分类的终止计算点的预设资源数据整合列表确定为所述多个数据整合分类的样本列表的交集。

进一步的，云平台具体用于：

根据样本轨迹的样本轨迹用户数据集、所述样本轨迹上的样本客户描述类数据、以及所述样本轨迹的实时样本列表，对第一训练数据神经模型进行训练，得到所述第一目标用户数据集神经模型，其中，所述第一训练数据神经模型输出的样本列表与所述实时样本列表之间的误差范围的取值满足预设条件的情况下，结束对所述第一训练数据神经模型进行的训练，将结束训练时的所述第一训练数据神经模型确定为所述第一目标用户数据集神经模型。

进一步的，云平台具体用于：

将所述第一资源数据整合列表与所述第一轨迹的实时样本列表进行比较，以更新所述第一目标用户数据集神经模型，其中，所述第一资源数据整合列表与所述实时样本列表之间的误差范围的取值满足预设条件的情况下，更新所述第一目标用户数据集神经模型。

进一步的，云平台具体用于：

获取第二轨迹的轨迹用户数据集以及所述第二轨迹上的客户描述类数据，其中，所述第二轨迹与第二目标用户数据集神经模型具有一一对应关系，所述第二轨迹的轨迹用户数据集用于表示所述第二轨迹包括的第二组数据整合分类和所述第二组数据整合分类中的数据整合分类之间的关联关系；

将所述第二轨迹的轨迹用户数据集以及所述第二轨迹上的客户描述类数据输入到所述第二目标用户数据集神经模型，共得到所述第二目标用户数据集神经模型输出的第二资源数据整合列表；

所述根据所述第一资源数据整合列表，确定从所述数据整合模型中的第一初始计算点到第一终止计算点的预设资源数据整合列表，包括：根据所述第一资源数据整合列表和所述第二资源数据整合列表，确定从所述数据整合模型中的第一初始计算点到第一终止计算点的预设资源数据整合列表，其中，从所述第一初始计算点到所述第一终止计算点经过所述第一轨迹和所述第二轨迹。

进一步的，云平台具体用于：

在所述第一初始计算点到所述第一终止计算点的所述预设资源数据整合列表满足预设统计条件的情况下，将所述第一轨迹确定为从所述第一初始计算点到所述第一终止计算点的统计规划轨迹所经过的轨迹。

进一步的，云平台具体用于：

在所述第一初始计算点到所述第一终止计算点的所述预设资源数据整合列表小于或等于预设列表识别结果的情况下，将所述第一轨迹确定为从所述第一初始计算点到所述第一终止计算点的统计规划轨迹所经过的轨迹；

或者 在所述第一初始计算点到所述第一终止计算点的所述预设资源数据整合列表是多个预设资源数据整合列表中的最小值的情况下，将所述第一轨迹确定为从所述第一初始计算点到所述第一终止计算点的统计规划轨迹所经过的轨迹，其中，所述多个预设资源数据整合列表与多个规划轨迹具有映射关系，所述多个预设资源数据整合列表中的每个预设资源数据整合列表为所述多个规划轨迹中对应的一种规划轨迹的预设资源数据整合列表，所述多个规划轨迹包括所述第一轨迹，所述多个规划轨迹为从所述第一初始计算点到所述第一终止计算点的不同规划轨迹所分别经过的轨迹。

基于上述同样的发明构思，请结合参阅图3，还提供了一种基于人工智能的大数据资源整合装置500的功能模块框图，关于所述一种基于人工智能的大数据资源整合装置500的详细描述如下。

一种基于人工智能的大数据资源整合装置500，应用于云平台，所述装置500包括：

数据描述获取模块510，用于获取第一轨迹的轨迹用户数据集以及所述第一轨迹上的客户描述类数据，其中，所述第一轨迹与第一目标用户数据集神经模型具有一一对应关系，所述第一轨迹为数据整合模型中的轨迹，所述第一轨迹的轨迹用户数据集用于表示所述第一轨迹包括的第一组数据整合分类和所述第一组数据整合分类中的第一数据整合分类之间的关联关系；

数据整合确定模块520，用于将所述第一轨迹的轨迹用户数据集以及所述第一轨迹上的客户描述类数据输入到所述第一目标用户数据集神经模型，得到所述第一目标用户数据集神经模型输出的第一资源数据整合列表；

整合数据计算模块530，用于根据所述第一资源数据整合列表，确定从所述数据整合模型中的第一初始计算点到第一终止计算点的预设资源数据整合列表，其中，从所述第一初始计算点到所述第一终止计算点经过所述第一轨迹。

一种云平台，包括互相之间通信的处理器和存储器，所述处理器用于从所述存储器中调取计算机程序，并通过运行所述计算机程序实现图2任一项所述的方法。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在运行时实现图2任一项所述的方法。

综上，一种基于人工智能的大数据资源整合方法、系统及云平台，采用获取第一轨迹的轨迹用户数据集以及第一轨迹上的客户描述类数据，将第一轨迹的轨迹用户数据集以及第一轨迹上的客户描述类数据输入到第一目标用户数据集神经模型，得到第一目标用户数据集神经模型输出的第一资源数据整合列表，根据第一资源数据整合列表，确定从数据整合模型中的第一初始计算点到第一终止计算点的预设资源数据整合列表的方式，通过从数据整合模型中获取第一轨迹的轨迹用户数据集以及第一轨迹的客户描述类数据，以输入神经模型，进而确定预设资源数据整合列表，达到了提高确定预设资源数据整合列表的准确率的目的，从而实现了优化资源整合的速率、提高预设资源数据整合列表的整合准确度，为用户提供最优轨迹选择的技术效果。

应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围执行各种修改和改变。本申请的范围仅由所附的权利要求来限制。