[发明专利]一种纵向数据融合的隐私计算方法及系统

权利要求书

1.一种纵向数据融合的隐私计算方法，用于电力数据和移动人口数据的融合，其特征在于，包括以下步骤：

输入想要评价的商圈的地理位置和时间段，中心服务器将任务模型拆解为若干个子任务；其中每个子任务，仅需要一个数据中心的原始数据；

将各子任务分配至所需的原始数据对应的数据中心进行计算；

各数据中心根据最佳影响权重的索引值找到对应的自身的最佳影响权重，结合本地商圈的电力数据和移动人口数据计算出子任务结果并上传至中心服务器；

中心服务器将各数据中心的上传的子任务结果进行融合，得到商圈活跃度隐私计算的最终结果；

所述中心服务器和各数据中心的任务计算模型，通过以下步骤训练得到：

中心服务器构建隐私计算的任务模型；将所述任务模型拆解为若干个子任务；其中每个子任务，仅需要一个数据中心的原始数据；

将各子任务分配至所需的原始数据对应的数据中心进行计算；

各数据中心分别获取自身数据库中被选中作为训练集的商圈的电力数据或移动人口数据，将自身的电力数据或移动人口数据中的每个样本采用与自身数据相关的正向指标进行标记并排序，形成样本排序数组并上传至中心服务器；

中心服务器根据各数据中心的排序数组生成总排序并分配相应的标签值，随后进行模型训练，训练过程中仅交互中间量，训练结束时得到电力数据和移动人口数据中的各特征对商圈总体活跃度的最佳影响权重的索引值并下发给对应的数据中心；

所述进行模型训练，包括进行以下迭代训练过程：

中心服务器根据各数据中心上传的子任务结果计算出商圈活跃度的预测值以及残差值其中y_i为商圈活跃度的标签值；为y_i对应的商圈活跃度的预测值；M为样本数；ω为影响权重；将残差值下发给对应的各数据中心；

数据中心根据中心服务器下发的残差值更新本地影响权重，根据所述各特征对商圈总体活跃度的影响权重以及对应的样本，计算子任务，并将子任务结果上传至中心服务器；

中心服务器在上述迭代中过程中找出最佳影响权重的索引值，所述索引值指向残差值最小的计算过程，并将索引值下发至数据中心，以便数据中心选择索引值对应的本地影响权重的计算时所使用的影响权重作为最佳影响权重，以最佳影响权重对应的子计算模型作为训练完成的子计算模型；

所述中心服务器根据各特征以及影响权重，采用线性回归模型计算商圈活跃度的预测值其表达式如下：

其中x₁至x_N为电力数据或者移动人口数据的样本中包含的N个特征，X为数据中心的样本，其影响权重对应为ω₁至ω_N。

2.根据权利要求1所述的纵向数据融合的隐私计算方法，其特征在于，所述电力数据为包含以下人口特征的样本：

合同状态：P_c＝D_t/D_r，即合同剩余时长占比＝合同剩余时长(天)/合同时长(天)；

容量状态：P_a＝A_t/A_c，即实际运行率＝实际运行容量(kW)/合同容量(kW)；

电费缴纳水平：年度电量消费金额SA_Y_y，季度电量消费金额月度电量消费金额

违约用电：欠费次数N_s，违约金额DA_t；

周期用电水平：峰电量kwh(10-15,18-21)W_p,平电量kwh(7-10,15-18,21-23)W_f,谷电量kwh(23-7)W_v，正向有功电量W_t＝峰值+平值+谷值；

周期用电时长：通过计算日度、月度、季度、年度等1个自然周期内实际用电时长占比P_d，P_m，P_s，P_y；

用电量增速：通过同比、环比分析用电量具体变化幅度。