本发明属于视觉资产管理技术领域，更具体地说，尤其涉及一种基于大数据分析的视觉资产管理系统，同时还涉及一种基于大数据分析的视觉资产管理方法。
背景技术：
当人们偶尔听说到偶像的名字、事迹、风波的时候，会下意识听下去，看下去，想要去详细了解这件事的起末，这种对偶像的关注，会潜意识影响人们的行为。对品牌也是类似，当人们在逛商超的时候，瞟到一眼我们喜欢的品牌，会停下来多看一眼，虽然只是短暂的停留，但已经成功影响了人们的潜意思，这种凭视觉而产生行为的影响，就是品牌视觉资产。这就如同人们在选购商品的时候，面对琳琅满目的商品，有其中一种明显与众不同，很抢眼的吸引了注意力一样，这种凭一眼就影响行为的视觉形象，潜意思已经占领了消费者的心智，当消费者在面临决策的时候，会很大程度偏向这个品牌，这创造的价值就是品牌视觉资产。
品牌视觉资产已引起人们的重视，但目前缺少一个能够快速系统地对视觉资产做出评价，并挖掘出其潜在潜力的方式对视觉资产进行管理。
因此，我们提出一种基于大数据分析的视觉资产管理系统及方法。
技术实现要素：
本发明的目的是为了解决现有技术中存在的缺点，运用了大数据分析技术，能够快速对视觉资产做出评价，可以准确、客观、全面的评价多个视觉资产的品质，可对多个视觉资产的品质进行预测，使得视觉资产管理更为高效和准确，更加全面，而提出的一种基于大数据分析的视觉资产管理系统及方法。
为实现上述目的，本发明提供如下技术方案：
一种基于大数据分析的视觉资产管理系统，所述基于大数据分析的视觉资产管理系统包括：数据导入模块、数据处理模块、大数据分析模块、品质评价指标生成模块、视觉资产品质评价模块、视觉资产品质预测模块和中央控制模块；
所述数据导入模块用于接受各个节点发送的多个视觉资产数据；
所述数据处理模块用于接收数据导入模块导入的多个视觉资产数据，并对多个视觉资产数据进行分类、清洗和再分类，再利用多源数据融合技术对再分类后的数据进行融合；
所述大数据分析模块用于对数据处理模块处理后的多个视觉资产数据进行分析处理；
所述品质评价指标生成模块用于预先设立多级从属评价指标结构模型，得出品质评价指标；
所述视觉资产品质评价模块用于根据品质评价指标生成模块生成的品质评价指标评价多个视觉资产的品质；
所述视觉资产潜力预测模块用于根据视觉资产的品质的历史数据对该视觉资产潜力进行预测；
所述中央控制模块用于通过单片机控制各个模块正常工作。
优选的，所述数据处理模块包括数据分类单元、数据清洗单元、数据再分类单元和数据融合单元；
所述数据分类单元用于将多个视觉资产数据根据类型的不同，生成对应的flume系统的配置文件，并将生成的配置文件分配到flume系统不同agent中；
所述数据清洗单元用于agent根据规则引擎中的预设的清洗规则，利用interceptor对多个视觉资产数据内容进行清洗；
所述数据再分类单元用于对清洗好的多个视觉资产数据根据类型的不同进行再分类；
所述数据融合单元用于利用多源数据融合技术对再分类后的多个视觉资产数据进行融合。
优选的，所述数据处理模块还包括数据修正单元，所述数据修正单元用于对数据融合后的多个视觉资产数据进行修正。
优选的，所述基于大数据分析的视觉资产管理系统还包括加密模块，所述加密模块用于进行加密处理存储。
优选的，所述基于大数据分析的视觉资产管理系统还包括故障诊断模块，所述故障诊断模块用于监测该管理系统是否正常运行，如出现故障则通过短信息提醒工作人员。
优选的，所述基于大数据分析的视觉资产管理系统还包括数据视图展示模块，所述数据视图展示模块用于通过采用web服务或移动终端应用展示多个视觉资产的品质的评价结果。
优选的，所述视觉资产潜力预测模块的预测方法为：根据视觉资产的品质的历史数据，根据历史数据得到视觉资产的历史行为数据，根据历史行为数据采用深度预测算法构建品质预测模型，根据品质预测模型对视觉资产潜力进行预测。
本发明还提供了一种基于大数据分析的视觉资产管理方法，包括如下步骤：
s1.接受各个节点发送的多个视觉资产数据；
s2.接收多个视觉资产数据，并对多个视觉资产数据进行分类、清洗和再分类，再利用多源数据融合技术对再分类后的数据进行融合；
s3.对处理后的多个视觉资产数据进行分析处理；
s4.预先设立多级从属评价指标结构模型，得出品质评价指标；
s5.根据品质评价指标评价多个视觉资产的品质；
s6.根据视觉资产的品质的历史数据对该视觉资产潜力进行预测。
优选的，所述s2的具体步骤为：
将多个视觉资产数据根据类型的不同，生成对应的flume系统的配置文件，并将生成的配置文件分配到flume系统不同agent中；
agent根据规则引擎中的预设的清洗规则，利用interceptor对多个视觉资产数据内容进行清洗；
对清洗好的多个视觉资产数据根据类型的不同进行再分类；
利用多源数据融合技术对再分类后的多个视觉资产数据进行融合；
对数据融合后的多个视觉资产数据进行修正。
本发明的技术效果和优点：
本发明提供的一种基于大数据分析的视觉资产管理系统及方法，通过数据导入模块接受各个节点发送的多个视觉资产数据，通过数据处理模块接收数据导入模块导入的多个视觉资产数据，并对多个视觉资产数据进行分类、清洗和再分类，再利用多源数据融合技术对再分类后的数据进行融合，通过大数据分析模块对数据处理模块处理后的多个视觉资产数据进行分析处理，通过品质评价指标生成模块预先设立多级从属评价指标结构模型，得出品质评价指标，通过视觉资产品质评价模块根据品质评价指标生成模块生成的品质评价指标评价多个视觉资产的品质，通过视觉资产潜力预测模块根据视觉资产的品质的历史数据对该视觉资产潜力进行预测，运用了大数据分析技术，能够快速对视觉资产做出评价，可以准确、客观、全面的评价多个视觉资产的品质，可对多个视觉资产的品质进行预测，使得视觉资产管理更为高效和准确，更加全面。
附图说明
图1为本发明的一种基于大数据分析的视觉资产管理系统的模块示意图；
图2为本发明的一种基于大数据分析的视觉资产管理方法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图和具体实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明提供一种基于大数据分析的视觉资产管理系统，所述基于大数据分析的视觉资产管理系统包括：数据导入模块、数据处理模块、大数据分析模块、品质评价指标生成模块、视觉资产品质评价模块、视觉资产品质预测模块、中央控制模块、加密模块、故障诊断模块和数据视图展示模块。
所述数据导入模块用于接受各个节点发送的多个视觉资产数据。
所述数据处理模块用于接收数据导入模块导入的多个视觉资产数据，并对多个视觉资产数据进行分类、清洗和再分类，再利用多源数据融合技术对再分类后的数据进行融合；
所述数据处理模块包括数据分类单元、数据清洗单元、数据再分类单元、数据融合单元和数据修正单元；
所述数据分类单元用于将多个视觉资产数据根据类型的不同，生成对应的flume系统的配置文件，并将生成的配置文件分配到flume系统不同agent中；
所述数据清洗单元用于agent根据规则引擎中的预设的清洗规则，利用interceptor对多个视觉资产数据内容进行清洗；
所述数据再分类单元用于对清洗好的多个视觉资产数据根据类型的不同进行再分类；
所述数据融合单元用于利用多源数据融合技术对再分类后的多个视觉资产数据进行融合；
所述数据修正单元用于对数据融合后的多个视觉资产数据进行。
所述大数据分析模块用于对数据处理模块处理后的多个视觉资产数据进行分析处理。
所述品质评价指标生成模块用于预先设立多级从属评价指标结构模型，得出品质评价指标。
所述视觉资产品质评价模块用于根据品质评价指标生成模块生成的品质评价指标评价多个视觉资产的品质。
所述视觉资产潜力预测模块用于根据视觉资产的品质的历史数据对该视觉资产潜力进行预测；
所述视觉资产潜力预测模块的预测方法为：根据视觉资产的品质的历史数据，根据历史数据得到视觉资产的历史行为数据，根据历史行为数据采用深度预测算法构建品质预测模型，根据品质预测模型对视觉资产潜力进行预测。
所述中央控制模块用于通过单片机控制各个模块正常工作。
所述基于大数据分析的视觉资产管理系统还包括加密模块，所述加密模块用于进行加密处理存储。
所述基于大数据分析的视觉资产管理系统还包括故障诊断模块，所述故障诊断模块用于监测该管理系统是否正常运行，如出现故障则通过短信息提醒工作人员。
所述基于大数据分析的视觉资产管理系统还包括数据视图展示模块，所述数据视图展示模块用于通过采用web服务或移动终端应用展示多个视觉资产的品质的评价结果。
本发明还提供了一种基于大数据分析的视觉资产管理方法，包括如下步骤：
s1.接受各个节点发送的多个视觉资产数据；
s2.接收多个视觉资产数据，将多个视觉资产数据根据类型的不同，生成对应的flume系统的配置文件，并将生成的配置文件分配到flume系统不同agent中；
agent根据规则引擎中的预设的清洗规则，利用interceptor对多个视觉资产数据内容进行清洗；
对清洗好的多个视觉资产数据根据类型的不同进行再分类；
利用多源数据融合技术对再分类后的多个视觉资产数据进行融合；
对数据融合后的多个视觉资产数据进行修正；
s3.对处理后的多个视觉资产数据进行分析处理；
s4.预先设立多级从属评价指标结构模型，得出品质评价指标；
s5.根据品质评价指标评价多个视觉资产的品质；
s6.根据视觉资产的品质的历史数据对该视觉资产潜力进行预测。
综上所述：本发明提供的一种基于大数据分析的视觉资产管理系统及方法，通过数据导入模块接受各个节点发送的多个视觉资产数据，通过数据处理模块接收数据导入模块导入的多个视觉资产数据，并对多个视觉资产数据进行分类、清洗和再分类，再利用多源数据融合技术对再分类后的数据进行融合，通过大数据分析模块对数据处理模块处理后的多个视觉资产数据进行分析处理，通过品质评价指标生成模块预先设立多级从属评价指标结构模型，得出品质评价指标，通过视觉资产品质评价模块根据品质评价指标生成模块生成的品质评价指标评价多个视觉资产的品质，通过视觉资产潜力预测模块根据视觉资产的品质的历史数据对该视觉资产潜力进行预测，运用了大数据分析技术，能够快速对视觉资产做出评价，可以准确、客观、全面的评价多个视觉资产的品质，可对多个视觉资产的品质进行预测，使得视觉资产管理更为高效和准确，更加全面。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
1.一种基于大数据分析的视觉资产管理系统，其特征在于，所述基于大数据分析的视觉资产管理系统包括：数据导入模块、数据处理模块、大数据分析模块、品质评价指标生成模块、视觉资产品质评价模块、视觉资产品质预测模块和中央控制模块；
所述数据导入模块用于接受各个节点发送的多个视觉资产数据；
所述数据处理模块用于接收数据导入模块导入的多个视觉资产数据，并对多个视觉资产数据进行分类、清洗和再分类，再利用多源数据融合技术对再分类后的数据进行融合；
所述大数据分析模块用于对数据处理模块处理后的多个视觉资产数据进行分析处理；
所述品质评价指标生成模块用于预先设立多级从属评价指标结构模型，得出品质评价指标；
所述视觉资产品质评价模块用于根据品质评价指标生成模块生成的品质评价指标评价多个视觉资产的品质；
所述视觉资产潜力预测模块用于根据视觉资产的品质的历史数据对该视觉资产潜力进行预测；
所述中央控制模块用于通过单片机控制各个模块正常工作。
2.根据权利要求1所述的一种基于大数据分析的视觉资产管理系统，其特征在于：所述数据处理模块包括数据分类单元、数据清洗单元、数据再分类单元和数据融合单元；
所述数据分类单元用于将多个视觉资产数据根据类型的不同，生成对应的flume系统的配置文件，并将生成的配置文件分配到flume系统不同agent中；
所述数据清洗单元用于agent根据规则引擎中的预设的清洗规则，利用interceptor对多个视觉资产数据内容进行清洗；
所述数据再分类单元用于对清洗好的多个视觉资产数据根据类型的不同进行再分类；
所述数据融合单元用于利用多源数据融合技术对再分类后的多个视觉资产数据进行融合。
3.根据权利要求2所述的一种基于大数据分析的视觉资产管理系统，其特征在于：所述数据处理模块还包括数据修正单元，所述数据修正单元用于对数据融合后的多个视觉资产数据进行修正。
4.根据权利要求1所述的一种基于大数据分析的视觉资产管理系统，其特征在于：所述基于大数据分析的视觉资产管理系统还包括加密模块，所述加密模块用于进行加密处理存储。
5.根据权利要求1所述的一种基于大数据分析的视觉资产管理系统，其特征在于：所述基于大数据分析的视觉资产管理系统还包括故障诊断模块，所述故障诊断模块用于监测该管理系统是否正常运行，如出现故障则通过短信息提醒工作人员。
6.根据权利要求1所述的一种基于大数据分析的视觉资产管理系统，其特征在于：所述基于大数据分析的视觉资产管理系统还包括数据视图展示模块，所述数据视图展示模块用于通过采用web服务或移动终端应用展示多个视觉资产的品质的评价结果。
7.根据权利要求1所述的一种基于大数据分析的视觉资产管理系统，其特征在于：所述视觉资产潜力预测模块的预测方法为：根据视觉资产的品质的历史数据，根据历史数据得到视觉资产的历史行为数据，根据历史行为数据采用深度预测算法构建品质预测模型，根据品质预测模型对视觉资产潜力进行预测。
8.一种如权利要求1所述的基于大数据分析的视觉资产管理方法，其特征在于，包括如下步骤：
s1.接受各个节点发送的多个视觉资产数据；
s2.接收多个视觉资产数据，并对多个视觉资产数据进行分类、清洗和再分类，再利用多源数据融合技术对再分类后的数据进行融合；
s3.对处理后的多个视觉资产数据进行分析处理；
s4.预先设立多级从属评价指标结构模型，得出品质评价指标；
s5.根据品质评价指标评价多个视觉资产的品质；
s6.根据视觉资产的品质的历史数据对该视觉资产潜力进行预测。
9.根据权利要求8所述的一种基于大数据分析的视觉资产管理系统，其特征在于：所述s2的具体步骤为：
将多个视觉资产数据根据类型的不同，生成对应的flume系统的配置文件，并将生成的配置文件分配到flume系统不同agent中；
agent根据规则引擎中的预设的清洗规则，利用interceptor对多个视觉资产数据内容进行清洗；
对清洗好的多个视觉资产数据根据类型的不同进行再分类；
利用多源数据融合技术对再分类后的多个视觉资产数据进行融合；
对数据融合后的多个视觉资产数据进行修正。
技术总结