一种基于楼宇园区的全生命周期管理系统的制作方法

本发明涉及智慧园区招商，更具体地说，它涉及一种基于楼宇园区的全生命周期管理系统。

背景技术：

1、智慧园区招商管理系统是利用大数据、云计算等信息技术手段，对园区招商业务进行统一规划的综合性管理系统。

2、公告号为cn114741600b，专利名称为一种产业园区企业招商推荐的方法和装置公开了：通过构建产业领域名词与相关度值的键值对，对招商需求的产业领域进行关键词词频统计，再与关键词对应的相关度值进行加权求和得到招商需求维度值；利用上述思想得到企业业务维度值和招商人员业务维度值，通过相关性匹配筛选出符合园区招商需求的企业和招商人员。

3、但是上述方案只考虑了产业领域的匹配程度，并没有考虑到企业入驻园区前的市场需求以及风险评估，例如：如果园区所在区域对于企业的主营产品需求量逐渐减少，相应的企业的主营产品的产量也随之减小；如果对企业缺乏经营风险评估，由于企业经营不善（财务风险、法律纠纷等）可能会浪费大量的园区资源，导致企业入驻园区后造成不必要的经济损失。

技术实现思路

1、本发明提供一种基于楼宇园区的全生命周期管理系统，解决相关技术中没有考虑到企业入驻园区前的市场需求以及风险评估，导致企业入驻园区后造成不必要的经济损失的技术问题。

2、本发明提供了一种基于楼宇园区的全生命周期管理系统，包括：第一序列构建模块，其用于采集园区所在地区的市场需求数据，并构建第一序列；

3、第一序列表示为：，其中分别表示园区所在地区的历史第1个月份至第12个月份的市场需求数据，其中，分别表示园区所在地区的历史第1个月份的产品销售总量、产品销售增长率和产品回购率；

4、第二序列构建模块，其用于采集已符合园区产业领域要求的企业的企业数据，并构建第二序列；第二序列表示为：，其中分别表示已符合园区产业领域要求的企业的历史第1个月份至第12个月份的企业数据，其中，分别表示已符合园区产业领域要求的企业的历史第1个月份的产品生产数量、订单数量、合同数量、投资额、收入额、净利润额、员工离职率、新员工入职率、是否存在劳动纠纷和是否存在合同纠纷，其中0表示否，1表示是；

5、企业匹配模块，其用于将第一序列和第二序列输入到匹配模型，输出的值表示企业与园区的匹配度的值；匹配模型包括：市场需求预测模块、风险评估模块、拼接层和全连接层；市场需求预测模块输入第一序列，输出市场需求特征；风险评估模块输入第二序列，输出风险评估特征；拼接层用于拼接市场需求特征和风险评估特征获得组合特征；全连接层输入组合特征，输出的值表示企业与园区的匹配度的值；

6、招商人员数据采集模块，其用于采集招商人员数据；

7、招商人员能力评估模块，其用于将招商人员数据输入到招商人员能力评估模型，输出该招商人员的招商能力值；

8、招商人员调度模块，其用于基于企业与园区的匹配度的值和招商人员的招商能力值生成最终执行的招商人员调度表。

9、进一步地，园区所在地区的市场需求数据中的产品销售总量中对应的产品类型与已符合园区产业领域要求的企业的主营产品的产品类型相同。

10、进一步地，市场需求预测模块基于lstm构建，包括12个lstm单元，第t个lstm单元输入第一序列的第t个序列单元；第t个lstm单元的计算公式包括：定义：1≤t≤12，表示第一序列的第t个序列单元，表示第t-1个lstm单元的输出，，，表示sigmoid激活函数，表示双曲正切激活函数；

11、遗忘门的计算公式如下：；

12、其中表示传递到对应的权重矩阵，表示传递到对应的权重矩阵，表示第一偏置项；

13、输入门的计算公式如下：；

14、其中表示输入传递到对应的权重矩阵，表示传递到对应的权重矩阵，表示第二偏置项；

15、中间状态的计算公式如下：；

16、其中表示输入传递到对应的权重矩阵，表示传递到对应的权重矩阵，表示第三偏置项；

17、细胞状态的计算公式如下：，其中是第t-1个lstm单元的细胞状态，表示逐点相乘；

18、输出门的计算公式如下：；

19、其中表示输入传递到对应的权重矩阵，表示传递到对应的权重矩阵，表示第四偏置项；

20、输出的计算公式如下：；

21、将输出门与逐点相乘，得到第t个lstm单元的输出。

22、进一步地，风险评估模块基于lstm或者rnn构建。

23、进一步地，市场需求预测模块需要经过预训练，预训练时在市场需求预测模块后连接第一分类器，第一分类器的分类空间表示园区所在地区的下一个月份的产品销售总量；用于预训练市场需求预测模块的训练样本的样本标签通过人工标注；第一分类器为softmax分类器。

24、进一步地，风险评估模块需要经过预训练，预训练时在风险评估模块后连接第二分类器，第二分类器的分类空间表示企业的风险水平为高风险、中风险和低风险；预训练时在风险评估模块后连接第三分类器，第三分类器的分类空间表示企业是否存在亏损；用于预训练风险评估模块的训练样本的样本标签通过专家评定；第二分类器和第三分类器为softmax分类器。

25、进一步地，用于训练匹配模型的训练样本的样本标签通过专家评定，样本标签表示企业与园区的匹配度的值，匹配度的值的取值范围为0到100之间的连续值或者离散值。

26、进一步地，招商人员数据表示为：，其中分别表示年龄、工作年限、学历、沟通能力等级、参与招商项目的数量、成功招商项目的数量、是否参与过招商工作；学历属于学历集合的元素值，学历集合表示为：，其中分别表示学历为专科、本科和研究生，其中学历集合的元素值通过正整数表示；招商人员的沟通能力等级由园区管理人员评估，沟通能力等级属于沟通能力等级集合的元素值，沟通能力等级集合表示为：，其中分别表示沟通能力等级为初级、中级和高级，其中沟通能力等级集合的元素值通过正整数表示。

27、进一步地，招商人员能力评估模型为多层感知机。

28、进一步地，通过遗传算法生成最终执行的招商人员调度表；遗传算法的约束条件为：一个企业必须分配一个招商人员，并且一个招商人员只能分配一个企业；遗传算法的初始化种群的数量设置为m，初始化种群的一个个体表示一个招商人员调度表，个体的编码表示为：；

29、其中表示为第n个招商人员被分配到第m个企业进行招商，的元素值为0或者1，当时表示第n个招商人员没有被分配到第m个企业进行招商，当时表示第n个招商人员被分配到第m个企业进行招商；

30、个体的适应度值v的计算公式如下：，其中表示第j个招商人员的招商能力值，表示第k个企业的企业与园区的匹配度的值，n表示招商人员的总数，m表示企业的总数，个体的适应度值越大表示个体越优秀；

31、遗传算法生成最终执行的招商人员调度表的迭代终止条件为：迭代次数达到最大迭代次数n或者在连续迭代次数p内，每次迭代的个体的适应度值差值在适应度阈值q的范围内则终止迭代；

32、遗传算法设置的初始化种群的数量m、最大迭代次数n、连续迭代次数p、适应度阈值q均是可调参数，缺省值m=200，n=200，p=3，q=10。

33、本发明的有益效果在于：本发明综合考虑了园区所在区域的市场需求和企业的风险评估，通过神经网络模型来预测企业与园区的匹配程度，避免企业入驻园区后造成不必要的经济损失。