【技术实现步骤摘要】
本专利技术主要涉及土地价格信息分析，具体涉及一种土地价格预测持续学习方法及装置。
技术介绍
1、精准评估和预测土地价格，对于核算生态产品和服务价值、科学引导国土资源空间布局规划、实现土地效益集约化增长等具有重要意义。尽管一系列机器学习模型的地价分布模拟方法被提出以满足快速、精准监测地价动态变化的需要，但它们不能在动态环境中连续自适应地学习，在面对新的来自不同区域、不同用地类型、属性/地价差异大或样本少的数据(任务)时，不仅难以有效运用之前数据(任务)积累的经验，还会产生灾难式遗忘，让用新数据训练后的模型忘记如何解决原有的土地价格预测任务。
技术实现思路
1、本专利技术所要解决的技术问题是针对现有技术的不足，提供一种土地价格预测持续学习方法及装置。
2、本专利技术解决上述技术问题的技术方案如下：一种土地价格预测持续学习方法，包括如下步骤：
3、基于ft-transformer深度学习模型构建初始地价预测模型，并通过傅里叶变换层对所述初始地价预测模型进行优化，得到ft2-net地价预测模型；
4、将所述ft2-net地价预测模型划分为三个模块，包括第一模块、第二模块和第三模块；
5、将地价样本点输入所述第一模块中，得到第一模块输出结果vr，通过wgan生成对抗网络对所述第一模块输出结果vr进行调制，得到新特征图vf，将所述新特征图vf和所述第一模块输出结果vr一并输入第二模块中；
6、在所述第二模块中引入slm自监督学习模块，
7、通过所述第三模块输出土地价格预测结果。
8、在上述技术方案的基础上，本专利技术还可以做如下改进。
9、进一步，通过傅里叶变换层对所述初始地价预测模型进行优化，得到ft2-net地价预测模型，具体为：
10、用傅里叶变换层替换所述初始地价预测模型中transformer块中的self-attention层，得到ft2-net地价预测模型，所述傅里叶变换层为：
11、
12、其中，xk为第k个token特征，n为token特征总数，token特征的索引从0到n-1，每个xn的权重为所述权重为虚数，表示对原始token特征进行旋转。
13、进一步，将所述ft2-net地价预测模型划分为三个模块，包括第一模块、第二模块和第三模块，具体为：
14、将所述ft2-net地价预测模型的特征嵌入器、与所述特征嵌入器依次连接的e特征处理网络、全连接及卷积网络和e0特征处理网络，划分为第一模块fa；
15、将与所述e0特征处理网络连接的transformer块、与所述transformer块依次连接的e1特征处理网络、e2特征处理网络和e3特征处理网络，划分为第二模块fb；
16、将与所述e3特征处理网络连接的e4特征处理网络、与所述e4特征处理网络连接的卷积网络，划分为第三模块fc。
17、进一步，通过wgan生成对抗网络对所述第一模块输出结果vr进行调制，得到新特征图vf，具体为：
18、所述wgan生成对抗网络包括生成器和判别器将所述第一模块输出结果vr输入所述生成器中，在所述生成器中：
19、噪音向量包括噪音向量z和噪音向量pz，表示从噪音向量z～pz中生成新特征图vf，
20、其中，h、w、c分别为所述第一模块输出结果vr的3个维度；
21、通过所述判别器d判断所述生成器g生成的新特征图vf来自于噪音向量或所述第一模块输出结果vr。
22、进一步，所述slm自监督学习模块包括在线网络gθ和目标网络gξ；
23、通过所述slm自监督学习模块对所述新特征图vf和所述第一模块输出结果vr进行挖掘训练，具体为：
24、通过所述slm自监督学习模块利用同一形态的高斯噪声与dropout为第一模块输出结果vr或新特征图vf生成第一模块输出结果vr对应的增强特征v′r和v″r或新特征图vf对应的增强特征v′f和v″f：
25、
26、
27、其中，v′表示增强特征v′r或增强特征v′f，v″表示增强特征v″r或增强特征v″f，dropour为基于空间维度随机放弃神经元，γ为其丢弃率，高斯噪音函数，μ、∑分别为高斯噪音的均值和方差；
28、将增强特征v′r和增强特征v″r或增强特征v′f和增强特征v″f分别输入gθ和gξ，形成gθ(v′r)和gξ(v″r)或gθ(v′f)和gξ(v″f)；
29、最小化gθ(v′r)和gξ(v″r)以及gθ(v′f)和gξ(v″f)间的联合损失函数，得到在线网络gθ的参数θ；
30、
31、
32、其中，||·||表示l2-正则化，
33、通过参数θ经过第i轮更新目标网络gξ的参数ξ：
34、ξ(i)＝τξ(i)+(1-τ)θ，0<τ<1。
35、其中，i表示自监督学习次数。
36、本专利技术解决上述技术问题的另一技术方案如下：一种土地价格预测持续学习装置，包括：
37、模型构建模块，用于基于ft-transformer深度学习模型构建初始地价预测模型，并通过傅里叶变换层对所述初始地价预测模型进行优化，得到ft2-net地价预测模型；
38、模型划分模块，用于将所述ft2-net地价预测模型划分为三个模块，包括第一模块、第二模块和第三模块；
39、wgan及slm处理模块，用于将地价样本点输入所述第一模块中，得到第一模块输出结果vr，通过wgan生成对抗网络对所述第一模块输出结果vr进行调制，得到新特征图vf，将所述新特征图vf和所述第一模块输出结果vr一并输入第二模块中；
40、在所述第二模块中引入slm自监督学习模块，通过所述slm自监督学习模块对所述新特征图vf和所述第一模块输出结果vr进行挖掘训练，得到第二模块输出结果并输入所述第三模块中；
41、通过所述第三模块输出土地价格预测结果。
42、本专利技术的有益效果是：通过傅里叶变换层优化初始模型，得到地价预测模型，极大提升模型训练和执行效率，并将地价预测模型划分为三个模块，在划分的模块中引入了生成对抗网络让模型，在处理当前任务时还处理了准前期任务，进而回忆起历史知识，缓解了恶性遗忘问题，以及引入了自监督学习模块，能够过滤掉无效和无用的特征及其“虚假”的关联性，提高了土地价格预测的准确性。
本文档来自技高网...【技术保护点】
1.一种土地价格预测持续学习方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的土地价格预测持续学习方法，其特征在于，通过傅里叶变换层对所述初始地价预测模型进行优化，得到FT2-Net地价预测模型，具体为：
3.根据权利要求1所述的土地价格预测持续学习方法，其特征在于，将所述FT2-Net地价预测模型划分为三个模块，包括第一模块、第二模块和第三模块，具体为：
4.根据权利要求1所述的土地价格预测持续学习方法，其特征在于，通过WGAN生成对抗网络对所述第一模块输出结果vr进行调制，得到新特征图vF，具体为：
5.根据权利要求1所述的土地价格预测持续学习方法，其特征在于，所述SLM自监督学习模块包括在线网络gθ和目标网络gξ；
6.一种土地价格预测持续学习装置，其特征在于，包括：
7.根据权利要求6所述的土地价格预测持续学习装置，其特征在于，所述模型构建模块中，通过傅里叶变换层对所述初始地价预测模型进行优化，得到FT2-Net地价预测模型，具体为：
8.根据权利要求6所述的土地价格预测持续学习装
9.根据权利要求6所述的土地价格预测持续学习装置，其特征在于，所述WGAN及SLM处理模块中，通过WGAN生成对抗网络对所述第一模块输出结果vr进行调制，得到新特征图vf，具体为：
10.根据权利要求6所述的土地价格预测持续学习装置，其特征在于，所述WGAN及SLM处理模块中，通过所述SLM自监督学习模块对所述新特征图vf和所述第一模块输出结果vr进行挖掘训练，具体为：
...【技术特征摘要】
1.一种土地价格预测持续学习方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的土地价格预测持续学习方法，其特征在于，通过傅里叶变换层对所述初始地价预测模型进行优化，得到ft2-net地价预测模型，具体为：
3.根据权利要求1所述的土地价格预测持续学习方法，其特征在于，将所述ft2-net地价预测模型划分为三个模块，包括第一模块、第二模块和第三模块，具体为：
4.根据权利要求1所述的土地价格预测持续学习方法，其特征在于，通过wgan生成对抗网络对所述第一模块输出结果vr进行调制，得到新特征图vf，具体为：
5.根据权利要求1所述的土地价格预测持续学习方法，其特征在于，所述slm自监督学习模块包括在线网络gθ和目标网络gξ；
6.一种土地价格预测持续学习装置，其特征在于，包括：
<...【专利技术属性】
技术研发人员：张洁，解思婧，段炼，韦燕飞，黄国斌，王昕，王帮旺，
申请(专利权)人：广西环保产业投资集团有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。