CN111798018A - 行为预测方法、装置、存储介质及电子设备 - Google Patents
行为预测方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN111798018A CN111798018A CN201910282131.6A CN201910282131A CN111798018A CN 111798018 A CN111798018 A CN 111798018A CN 201910282131 A CN201910282131 A CN 201910282131A CN 111798018 A CN111798018 A CN 111798018A
- Authority
- CN
- China
- Prior art keywords
- data
- window
- time
- sliding
- behavior prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000000605 extraction Methods 0.000 claims abstract description 54
- 238000013075 data extraction Methods 0.000 claims abstract description 41
- 230000006399 behavior Effects 0.000 claims description 130
- 238000013528 artificial neural network Methods 0.000 claims description 112
- 230000000306 recurrent effect Effects 0.000 claims description 53
- 238000012549 training Methods 0.000 claims description 30
- 230000015654 memory Effects 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 18
- 239000010410 layer Substances 0.000 description 37
- 239000000284 extract Substances 0.000 description 15
- 230000008569 process Effects 0.000 description 10
- 230000001133 acceleration Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000008447 perception Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011982 device technology Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种行为预测方法、装置、存储介质及电子设备,其中,电子设备可以首先获取获取对应电子设备的时序数据序列,时序数据序列包括对应不同时间点的多个预设类型数据,然后根据不同时长的滑动时间窗口对时序数据序列进行数据提取,得到各滑动时间窗口对应的窗口数据,再对各滑动时间窗口对应的窗口数据进行特征提取,得到各滑动时间窗口对应的特征,最后根据各滑动时间窗口对应的特征以及预先训练的行为预测模型对用户进行行为预测,得到预测结果。由此,实现了对用户行为的预测,能够更好的为用户提供智能化的服务。
Description
技术领域
本申请涉及数据处理技术领域,具体涉及一种行为预测方法、装置、存储介质及电子设备。
背景技术
目前,随着电子设备技术的快速发展,电子设备除了能够提供音视频播放、网页浏览等基本服务之外,还能够在用户回家时推荐路线、吃饭时推荐餐厅等,然而,电子设备所提供的这些智能化的服务,往往是根据大众的普遍作息习惯所假设的行为,这种假设的行为并不准确。比如,假设用户在12:00的行为为“吃饭”,假设用户在18:00的行为为“回家”等等。因此,若能够对用户行为进行准确的预测,则能够更好的向用户提供智能化的服务。
发明内容
本申请实施例提供了一种行为预测方法装置、存储介质及电子设备,能够对用户进行行为预测。
第一方面,本申请实施例提供了一种行为预测方法,应用于电子设备,该行为预测方法包括:
获取对应所述电子设备的时序数据序列,所述时序数据序列包括对应不同时间点的多个预设类型数据;
根据不同时长的滑动时间窗口对所述时序数据序列进行数据提取,得到各滑动时间窗口对应的窗口数据;
对各所述滑动时间窗口对应的窗口数据进行特征提取,得到各所述滑动时间窗口对应的特征;
根据各所述滑动时间窗口对应的特征以及预先训练的行为预测模型对用户进行行为预测,得到预测结果。
第二方面,本申请实施例提供了一种行为预测装置,应用于电子设备,该行为预测装置包括:
数据获取模块,用于获取对应所述电子设备的时序数据序列,所述时序数据序列包括对应不同时间点的多个预设类型数据;
数据提取模块,用于根据不同时长的滑动时间窗口对所述时序数据序列进行数据提取,得到各滑动时间窗口对应的窗口数据;
特征提取模块,用于对各所述滑动时间窗口对应的窗口数据进行特征提取,得到各所述滑动时间窗口对应的特征;
行为预测模块,用于根据各所述滑动时间窗口对应的特征以及预先训练的行为预测模型对用户进行行为预测,得到预测结果。
第三方面,本申请实施例提供了一种存储介质,其上存储有计算机程序,当所述计算机程序在计算机上运行时,使得所述计算机执行如本申请实施例提供的行为预测方法中的步骤。
第四方面,本申请实施例提供了一种电子设备,包括处理器和存储器,所述存储器有计算机程序,所述处理器通过调用所述计算机程序,用于执行如本申请实施例提供的行为预测方法中的步骤。
本申请实施例中,电子设备可以首先获取获取对应电子设备的时序数据序列,时序数据序列包括对应不同时间点的多个预设类型数据,然后根据不同时长的滑动时间窗口对时序数据序列进行数据提取,得到各滑动时间窗口对应的窗口数据,再对各滑动时间窗口对应的窗口数据进行特征提取,得到各滑动时间窗口对应的特征,最后根据各滑动时间窗口对应的特征以及预先训练的行为预测模型对用户进行行为预测,得到预测结果。由此,实现了对用户行为的预测,能够更好的为用户提供智能化的服务。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的全景感知架构的结构示意图。
图2是本申请实施例提供的行为预测方法的一流程示意图。
图3是本申请实施例中电子设备获取的时序数据序列的示意图。
图4是本申请实施例中电子设备根据不同时长的滑动时间窗口对时序数据序列进行数据提取的示意图。
图5是本申请实施例提供的行为预测方法的另一流程示意图。
图6是本申请实施例提供的行为预测装置的一结构示意图。
图7是本申请实施例提供的电子设备的一结构示意图。
图8是本申请实施例提供的电子设备的另一结构示意图。
具体实施方式
请参照图式,其中相同的组件符号代表相同的组件,本申请的原理是以实施在一适当的运算环境中来举例说明。以下的说明是基于所例示的本申请具体实施例,其不应被视为限制本申请未在此详述的其它具体实施例。
随着传感器的小型化、智能化,如手机、平板电脑等电子设备集成了越来越多的传感器,比如光线传感器、距离传感器、位置传感器、加速度传感器以及重力传感器,等等。电子设备能够通过其配置的传感器以更小的功耗采集到更多的数据。同时,电子设备在运行过程中还会采集到自身状态相关的数据以及用户状态相关的数据,等等。笼统的说,电子设备能够获取到外部环境相关的数据(比如温度、光照、地点、声音、天气等)、用户状态相关的数据(比如姿势、速度、手机使用习惯、个人基本信息等)以及电子设备状态相关的数据(比如耗电量、资源使用状况、网络状况等)。
本申请实施例中,为了能够对电子设备获取到的这些数据进行处理,向用户提供智能服务,提出了一种全景感知架构。请参照图1,图1为本申请实施例提供的全景感知架构的结构示意图,应用于电子设备,其包括由下至上的信息感知层、数据处理层、特征抽取层、情景建模层以及智能服务层。
作为全景感知架构的最底层,信息感知层用于获取能够描述用户的各类型情景的原始数据,包括动态的数据和静态的数据。其中,信息感知层由多个用于数据采集的传感器组成,包括但不限于图示的用于检测电子设备与外部物体之间的距离的距离传感器、用于检测电子设备所处环境的磁场信息的磁场传感器、用于检测电子设备所处环境的光线信息的光线传感器、用于检测电子设备的加速度数据的加速度传感器、用于采集用户的指纹信息的指纹传感器、用于感应磁场信息的霍尔传感器、用于检测电子设备当前所处的地理位置的位置传感器、用于检测电子设备在各个方向上的角速度的陀螺仪、用于检测电子设备的运动数据惯性传感器、用于感应电子设备的姿态信息的姿态感应器、用于检测电子设备所处环境的气压的气压计以及用于检测用户的心率信息的心率传感器等。
作为全景感知架构的次底层,数据处理层用于对信息感知层获取到的原始数据进行处理,消除原始数据存在的噪声、不一致等问题。其中,数据处理层可以对信息感知层获取到的数据进行数据清理、数据集成、数据变换、数据归约等处理。
作为全景感知架构的中间层,特征抽取层用于对数据处理层处理后的数据进行特征抽取,以提取所述数据中包括的特征。其中,特征抽取层可以通过过滤法、包装法、集成法等方法来提取特征或者对提取到的特征进行处理。
过滤法是指对提取到的特征进行过滤,以删除冗余的特征数据。包装法用于对提取到的特征进行筛选。集成法是指将多种特征提取方法集成到一起,以构建一种更加高效、更加准确的特征提取方法,用于提取特征。
作为全景感知架构的次高层,情景建模层用于根据特征抽取层提取到的特征来构建模型,所得到的模型可以用于表示电子设备的状态或者用户状态或者环境状态等。例如,情景建模层可以根据特征抽取层提取到的特征来构建关键值模型、模式标识模型、图模型、实体联系模型、面向对象模型等。
作为全景感知架构的最高层,智能服务层用于根据情景建模层所构建的模型提供智能化服务。比如,智能服务层可以为用户提供基础应用服务,可以为电子设备进行***智能优化服务,还可以为用户提供个性化智能服务等。
此外,全景感知架构中还包括算法库,算法库中包括但不限于图示的马尔科夫算法、隐含狄里克雷分布算法、贝叶斯分类算法、支持向量机、K均值聚类算法、K近邻算法、条件随机场、残差网络、长短期记忆网络、卷积神经网络以及循环神经网络等算法。
基于本申请实施例提供的全景感知架构,本申请实施例提供一种行为预测方法,该行为预测方法的执行主体可以是本申请实施例提供的行为预测装置,或者集成了该行为预测装置的电子设备,其中该行为预测装置可以采用硬件或者软件的方式实现。其中,电子设备可以是智能手机、平板电脑、掌上电脑、笔记本电脑、或者台式电脑等配置有处理器而具有处理能力的设备。
基于本申请实施例所提供的行为预测方法,信息感知层从获取的全景数据中获取到对应电子设备的时序数据序列,提供数据处理层;数据处理层根据不同时长的滑动时间窗口对时序数据序列进行数据提取,得到各滑动时间窗口对应的窗口数据,提供给特征抽取层;特征抽取层对各滑动时间窗口对应的窗口数据进行特征提取,得到各滑动时间窗口对应的特征;情景建模层根据各滑动时间窗口对应的特征建模,也即是根据各滑动时间窗口对应的特征以及预先训练的行为预测模型对用户进行行为预测,得到预测结果,提供给智能服务层;智能服务层根据情景建模层的预测结果也即是预测的用户行为,向用户提供个性化服务,比如在用户回家时推荐路线,吃饭时推荐餐厅等。
请参照图2,图2为本申请实施例提供的行为预测方法的流程示意图。如图2所示,本申请实施例提供的行为预测方法的流程可以如下:
在101中,获取对应电子设备的时序数据序列,时序数据序列包括对应不同时间点的多个预设类型数据。
本申请实施例中,如图3所示,电子设备以当前时间点为起点,往前获取对应不同时间点的多个预设类型数据,由获取到的对应不同时间点的多个预设类型数据构成对应电子设备的时序数据序列。其中,相邻两个时间点的间隔可以相同,也可以不同,比如,电子设备可以当前时间点为起点,往前获取N个时间点的预设类型数据,其中,相邻两个时间点的间隔相同。
应当说明的是,本申请实施例中获取的预设类型数据包括外部环境相关的数据、用户状态相关的数据、电子设备状态相关的数据,其中,外部环境相关的数据比如温度、光照、地点、声音、天气等,用户状态相关的数据比如姿势、速度、手机使用习惯、个人基本信息等,电子设备状态相关的数据比如耗电量、资源使用状况、网络状况等。
在102中,根据不同时长的滑动时间窗口对时序数据序列进行数据提取,得到各滑动时间窗口对应的窗口数据。
本申请实施例中,电子设备在获取到时序数据序列之后,进一步根据预设个数不同时长的滑动时间窗口对获取到的时序数据序列进行数据提取,每个滑动时间窗口得到多个窗口数据,其中每个窗口数据包括多个时间点的预设类型数据。其中,任一窗口数据即反映了用户在该窗口数据对应的时间区间内的行为,比如起床、上班、坐地铁、开车、坐公交等等。
应当说明的是,电子设备在根据各滑动时间窗口进行数据提取时,进行数据提取的起始时间点可以相同,也可以不同。比如,电子设备根据时长为t+1个时间点的滑动时间窗口A、时长为3/2t+1个时间点的滑动时间窗口B以及时长为5t+1个时间点的滑动时间窗口C,将当前时间点作为共同的起始时间点对获取到的时序数据序列进行数据提取,其中,滑动时间窗口A提取到X个窗口数据(包括t+1个时间点的预设类型数据),滑动时间窗口B提取到Y个窗口数据(包括3/2t+1个时间点的预设类型数据),滑动时间窗口C提取到Z个窗口数据(包括5t+1个时间点的预设类型数据),可以看出,X>Y>Z。
在103中,对各滑动时间窗口对应的窗口数据进行特征提取,得到各滑动时间窗口对应的特征。
本申请实施例中,电子设备在提取到各滑动时间窗口对应的窗口数据之后,进一步采用预设的特征提取技术对各滑动时间窗口对应的窗口数据进行特征提取,由此得到各滑动时间窗口对应的特征。应当说明的是,本申请实施例中对于采用何种特征提取技术来进行特征提取不做具体限制,可由本领域普通技术人员根据实际需要进行选取,比如,可以采用神经网络的方式来进行特征提取。
在104中,根据各滑动时间窗口对应的特征以及预先训练的行为预测模型对用户进行行为预测,得到预测结果。
在本申请实施例中,还预先训练有用于对用户进行行为预测的行为预测模型,其中,该行为预测模型可以存储在电子设备本地,也可以存储在远端的服务器中。这样,电子设备在对各滑动时间窗口对应的窗口数据进行特征提取,得到各滑动时间窗口对应的特征之后,进一步从本地获取用于对用户进行行为预测的行为预测模型,或者,从远端的服务器获取用于对用户进行行为预测的行为预测模型。
在获取到预先训练的行为预测模型之后,电子设备即根据各滑动时间窗口对应的特征以及预先训练的行为预测模型对用户进行行为预测,得到预测结果,也即是根据用户在不同时长尺度下的历史行为序列,来预测用户即将发生的行为。
在得到对用户的预测结果之后,电子设备即可进一步根据该预测结果对用户通过智能化的服务,比如,得到的预测结果为用户即将“回家”,则可向用户推荐回家的路线,又比如,得到的预测结果为用户即将“吃饭”,则可向用户推荐附近的餐厅等。
由上可知,本申请实施例中,电子设备可以首先获取获取对应电子设备的时序数据序列,时序数据序列包括对应不同时间点的多个预设类型数据,然后根据不同时长的滑动时间窗口对时序数据序列进行数据提取,得到各滑动时间窗口对应的窗口数据,再对各滑动时间窗口对应的窗口数据进行特征提取,得到各滑动时间窗口对应的特征,最后根据各滑动时间窗口对应的特征以及预先训练的行为预测模型对用户进行行为预测,得到预测结果。由此,实现了对用户行为的预测,能够更好的为用户提供智能化的服务。
在一实施例中,“根据不同时长的滑动时间窗口对时序数据序列进行数据提取”,包括:
按照不同的起始时间点,根据各滑动时间窗口对时序数据序列进行数据提取。
本申请实施例中,电子设备在对时序数据序列进行数据提取时,各滑动时间窗口间采用不同的起始时间点,由此使得不同滑动时间窗口提取出的窗口数据有所交叉。
比如,本申请实施例中设置有时长为t+1个时间点的滑动时间窗口A、时长为3/2t+1个时间点的滑动时间窗口B以及时长为5t+1个时间点的滑动时间窗口C,其中,滑动时间窗口A以当前时间点为数据提取的起始时间点,滑动时间窗口B以当前时间点之前的第t/2个时间点为数据提取的起始时间点,滑动时间窗口C以当前时间段之前的第t个时间点为数据提取的起始时间点,如图4所示。
在一实施例中,“获取对应电子设备的时序数据序列”,包括:
(1)判断是否存在对应前述时间点的预设类型数据;
(2)若是,则获取对应前述时间点的预设类型数据;
(3)若否,则获取距离时间点最近的预设类型数据,作为对应前述时间点的预设类型数据。
根据以上实施例的相关描述,本领域普通技术人员可以理解的是,时序数据序列由时序上多个时间点所对应的预设类型数据组成。以下以获取一个时间点对应的预设类型数据为例,对如何获取对应电子设备的时序数据序列进行说明。
应当说明的是,对于预设类型数据所包括的外部环境相关的数据、用户状态相关的数据、电子设备状态相关的数据,各类型数据的回传频率可能并不一致,比如,用户状态相关的数据中的加速度传感器数据和陀螺仪传感器数据的回传频率不一致,这样,在某时间点将采集到加速度传感器数据,而未采集到陀螺仪传感器数据,或者采集到陀螺仪传感器数据,而未采集到加速度传感器数据。为此,本申请实施例中,电子设备在获取一时间点的预设类型数据时,首先判断是否存在对应该时间点的预设类型数据,若存在对应该时间点的预设类型数据,则获取到对应该时间点的预设类型数据,若不存在对应该时间点的预设类型数据,则获取到距离该时间点最近(可以是之前,也可以是之后)的预设类型数据,作为对应该时间点的预设类型数据。
比如,电子设备在获取一时间点的加速度传感器数据时,存在对应该时间点的加速度传感器数据,则电子设备直接获取到对应该时间点的加速度传感器数据,在获取该时间点的陀螺仪传感器数据时,不存在对应该时间点的陀螺仪传感器数据,则电子设备获取距离该时间点最近的陀螺仪传感器数据。
在一实施例中,“对各滑动时间窗口对应的窗口数据进行特征提取”,包括:
将各滑动时间窗口对应的窗口数据输入不同的编码器神经网络进行特征提取,其中,不同的编码器神经网络进行特征提取所输出的特征的数量相同。
本申请实施例中,对应于不同的滑动时间窗口,预先训练有对其提取的窗口数据进行特征提取的编码器神经网络,且在训练编码器神经网络时,通过参数设置,使得不同的编码器神经网络进行特征提取所输出的特征的数量相同。
比如,假设预先设置有滑动时间窗口A、对应于滑动时间窗口A的编码器神经网络A,滑动时间窗口B、对应于滑动时间窗口B的编码器神经网络B,以及滑动时间窗口C、对应于滑动时间窗口C的编码器神经网络C,其中,电子设备将滑动时间窗口A提取到的窗口数据输入到编码器神经网络A进行特征提取,将滑动时间窗口B提取到的窗口数据输入到编码器神经网络B进行特征提取,将滑动时间窗口C提取到的窗口数据输入到编码器神经网络C进行特征提取,虽然编码器神经网络A、编码器神经网络B以及编码器神经网络C各自输入的窗口数据的“长度”不同,但是编码器神经网络A、编码器神经网络B以及编码器神经网络C对各自输入的窗口数据进行特征提取所输出的特征的数量相同。
应当说明的是,本申请实施例中并不限定各编码器神经网络的具体模型和拓扑结构,可以采用单层的递归神经网络进行训练得到编码器神经网络,也可以采用多层的递归神经网络进行训练得到编码器神经网络,还可以采用卷积神经网络、或者其变种、或者其他网络结构的神经网络进行训练,得到编码器神经网络。比如,本申请实施例中可以采用循环神经网络来训练得到编码器神经网络。
在一实施例中,“获取对应电子设备的时序数据序列”之前,还包括:
(1)获取时序数据序列样本,时序数据序列样本为对应电子设备的历史时序数据序列;
(2)根据各滑动时间窗口对时序数据序列样本进行数据提取,得到各滑动时间窗口对应的窗口数据样本;
(3)对各滑动时间窗口对应的窗口数据样本进行特征提取,得到各滑动时间窗口对应的特征样本;
(4)根据各滑动窗口对应的特征样本进行模型训练,得到行为预测模型。
本申请实施例中,电子设备预先训练得到行为预测模型。其中,电子设备首先获取到对应电子设备的历史时序数据序列,作为训练行为预测模型的时序数据序列样本。
在获取到时序数据序列样本之后,电子设备进一步根据预设个数不同时长的滑动时间窗口对获取到的时序数据序列样本进行数据提取,每个滑动时间窗口得到多个窗口数据样本,其中每个窗口数据样本包括多个历史时间点的预设类型数据。其中,任一窗口数据样本即反映了用户在该窗口数据样本对应的历史时间区间内的行为,比如起床、上班、坐地铁、开车、坐公交等等。应当说明的是,电子设备对时序数据序列样本进行数据提取的方式与对前述时序数据序列进行数据提取的方式相同,此处不再赘述,具体可参照以上相关描述。
在提取到各滑动时间窗口对应的窗口数据样本之后,进一步采用预设的特征提取技术对各滑动时间窗口对应的窗口数据样本进行特征提取,由此得到各滑动时间窗口对应的特征样本。应当说明的是,电子设备对窗口数据样本进行特征提取的方式与对前述窗口数据进行特征提取的方式相同,此处不再赘述,具体可参照以上相关描述。
在获取到各滑动时间窗口对应的特征样本之后,电子设备即可根据各滑动时间窗口对应的特征样本,按照预先设定的训练算法来进行模型训练,以训练得到用于对用户进行行为预测的行为预测模型。
在一实施例中,“根据各滑动窗口对应的特征样本进行模型训练”,包括:
(1)构建循环神经网络,以及构建对应前述循环神经网络的损失函数;
(2)将各滑动窗口对应的特征样本输入前述循环神经网络,并根据前述损失函数获取前述循环神经网络的损失值,将损失值反向传播至前述循环神经网络。
本申请实施例中,在根据各滑动窗口对应的特征样本进行模型训练时,电子设备首先构建循环神经网络,并根据预设的训练目标以及所构建的循环神经网络的构型,进一步构建对应构建的循环神经网络的损失函数。
其中,对于构建的循环神经网络的构型以及损失函数的类型,本申请实施例中不做具体限制,可由本领域普通技术人员根据实际需要预先设置,比如,构建LSTM(LongShort-Term Memory,长短期记忆)循环神经网络模型,并构建对应LSTM循环神经网络模型的交叉熵损失函数。
此外,电子设备还接收人工标定的对应“各滑动窗口对应的特征样本”的用户行为,作为训练循环神经网络的输出标签。
然后,电子设备初始化前述循环神经网络的参数,将各滑动窗口对应的特征样本输入前述循环神经网络,并根据前述循环神经网络的实际输出、对应的输出标签以及构建的损失函数获取前述循环神经网络的损失值,将获取到的损失值反向传播至前述循环神经网络,对前述循环神经网络的参数进行更新。通过不断迭代输入各滑动窗口对应的特征样本至前述循环神经网络,对前述循环神经网络进行训练,直至满足预设的训练目标时,终止训练,将训练后的循环神经网络作为用于预测用户行为的行为预测模型。
应当说明的是,对前述循环神经网络进行训练只会改变前述循环神经网络的参数,而不会改变其构型,比如,构建的循环神经网络在完成训练仍然为循环神经网络,但其参数初始化参数有所改变。
在一实施例中,“将各滑动窗口对应的特征样本输入前述循环神经网络”之前,还包括:
对前述损失函数进行正则化处理。
本申请实施例中,电子设备在开始对前述循环神经网络进行训练之前,对构建的损失函数进行正则化处理,从而防止过拟合的发生。
其中,对于电子设备如何对构建的损失函数进行正则化处理,可由本领域技术人员根据实际需要预先在电子设备配置,本申请实施例中对此不做具体限制,比如,电子设备可以在构建的损失函数中加入L1正则项、L2正则项或者其它类型的正则项等,来实现对前述损失函数的正则化处理。
请参照图5,图5为本申请实施例提供的行为预测方法的另一种流程示意图。该行为预测方法可以应用于电子设备,该行为预测方法的流程可以包括:
在201中,电子设备获取对应电子设备的时序数据序列,时序数据序列包括对应不同时间点的多个预设类型数据。
本申请实施例中,如图3所示,电子设备以当前时间点为起点,往前获取对应不同时间点的多个预设类型数据,由获取到的对应不同时间点的多个预设类型数据构成对应电子设备的时序数据序列。其中,相邻两个时间点的间隔可以相同,也可以不同,比如,电子设备可以当前时间点为起点,往前获取N个时间点的预设类型数据,其中,相邻两个时间点的间隔相同。
应当说明的是,本申请实施例中获取的预设类型数据包括外部环境相关的数据、用户状态相关的数据、电子设备状态相关的数据,其中,外部环境相关的数据比如温度、光照、地点、声音、天气等,用户状态相关的数据比如姿势、速度、手机使用习惯、个人基本信息等,电子设备状态相关的数据比如耗电量、资源使用状况、网络状况等。
在202中,电子设备按照不同的起始时间点,根据不同时长的滑动时间窗口对时序数据序列进行数据提取,得到各滑动时间窗口对应的窗口数据。
本申请实施例中,电子设备在获取到时序数据序列之后,进一步根据预设个数不同时长的滑动时间窗口对获取到的时序数据序列进行数据提取,每个滑动时间窗口得到多个窗口数据,其中每个窗口数据包括多个时间点的预设类型数据。其中,任一窗口数据即反映了用户在该窗口数据对应的时间区间内的行为,比如起床、上班、坐地铁、开车、坐公交等等。
应当说明的是,电子设备在根据各滑动时间窗口进行数据提取时,进行数据提取的起始时间点不同。比如,本申请实施例中设置有时长为t+1个时间点的滑动时间窗口A、时长为3/2t+1个时间点的滑动时间窗口B以及时长为5t+1个时间点的滑动时间窗口C,其中,滑动时间窗口A以当前时间点为数据提取的起始时间点,滑动时间窗口B以当前时间点之前的第t/2个时间点为数据提取的起始时间点,滑动时间窗口C以当前时间段之前的第t个时间点为数据提取的起始时间点,如图4所示。其中,滑动时间窗口A提取到X个窗口数据(包括t+1个时间点的预设类型数据),滑动时间窗口B提取到Y个窗口数据(包括3/2t+1个时间点的预设类型数据),滑动时间窗口C提取到Z个窗口数据(包括5t+1个时间点的预设类型数据),可以看出,X>Y>Z。
在203中,电子设备将各滑动时间窗口对应的窗口数据输入不同的编码器神经网络进行特征提取,得到各滑动时间窗口对应的特征,其中,不同的编码器神经网络进行特征提取所输出的特征的数量相同。
本申请实施例中,对应于不同的滑动时间窗口,预先训练有对其提取的窗口数据进行特征提取的编码器神经网络,且在训练编码器神经网络时,通过参数设置,使得不同的编码器神经网络进行特征提取所输出的特征的数量相同。
本申请实施例中,电子设备在提取到各滑动时间窗口对应的窗口数据之后,进一步将各滑动时间窗口对应的窗口数据输入不同的编码器神经网络进行特征提取,得到各滑动时间窗口对应的特征。
比如,假设预先设置有滑动时间窗口A、对应于滑动时间窗口A的编码器神经网络A,滑动时间窗口B、对应于滑动时间窗口B的编码器神经网络B,以及滑动时间窗口C、对应于滑动时间窗口C的编码器神经网络C,其中,电子设备将滑动时间窗口A提取到的窗口数据输入到编码器神经网络A进行特征提取,将滑动时间窗口B提取到的窗口数据输入到编码器神经网络B进行特征提取,将滑动时间窗口C提取到的窗口数据输入到编码器神经网络C进行特征提取,虽然编码器神经网络A、编码器神经网络B以及编码器神经网络C各自输入的窗口数据的“长度”不同,但是编码器神经网络A、编码器神经网络B以及编码器神经网络C对各自输入的窗口数据进行特征提取所输出的特征的数量相同。
应当说明的是,本申请实施例中并不限定各编码器神经网络的具体模型和拓扑结构,可以采用单层的递归神经网络进行训练得到编码器神经网络,也可以采用多层的递归神经网络进行训练得到编码器神经网络,还可以采用卷积神经网络、或者其变种、或者其他网络结构的神经网络进行训练,得到编码器神经网络。比如,本申请实施例中可以采用循环神经网络来训练得到编码器神经网络
在204中,电子设备根据各滑动时间窗口对应的特征以及预先训练的行为预测模型对用户进行行为预测,得到预测结果。
在本申请实施例中,还预先训练有用于对用户进行行为预测的行为预测模型,其中,该行为预测模型可以存储在电子设备本地,也可以存储在远端的服务器中。这样,电子设备在对各滑动时间窗口对应的窗口数据进行特征提取,得到各滑动时间窗口对应的特征之后,进一步从本地获取用于对用户进行行为预测的行为预测模型,或者,从远端的服务器获取用于对用户进行行为预测的行为预测模型。
在获取到预先训练的行为预测模型之后,电子设备即根据各滑动时间窗口对应的特征以及预先训练的行为预测模型对用户进行行为预测,得到预测结果,也即是根据用户在不同时长尺度下的历史行为序列,来预测用户即将发生的行为。
在得到对用户的预测结果之后,电子设备即可进一步根据该预测结果对用户通过智能化的服务,比如,得到的预测结果为用户即将“回家”,则可向用户推荐回家的路线,又比如,得到的预测结果为用户即将“吃饭”,则可向用户推荐附近的餐厅等。
本申请实施例还提供一种行为预测装置。请参照图6,图6为本申请实施例提供的行为预测装置的结构示意图。其中该行为预测装置应用于电子设备,该行为预测装置包括数据获取模块301、数据提取模块302、特征提取模块303以及行为预测模块304,如下:
数据获取模块301,用于获取对应电子设备的时序数据序列,时序数据序列包括对应不同时间点的多个预设类型数据;
数据提取模块302,用于根据不同时长的滑动时间窗口对时序数据序列进行数据提取,得到各滑动时间窗口对应的窗口数据;
特征提取模块303,用于对各滑动时间窗口对应的窗口数据进行特征提取,得到各滑动时间窗口对应的特征;
行为预测模块304,用于根据各滑动时间窗口对应的特征以及预先训练的行为预测模型对用户进行行为预测,得到预测结果。
在一实施例中,在根据不同时长的滑动时间窗口对所述时序数据序列进行数据提取时,数据提取模块302可以用于:
按照不同的起始时间点,根据各滑动时间窗口对时序数据序列进行数据提取。
在一实施例中,在获取对应电子设备的时序数据序列时,数据获取模块301可以用于:
判断是否存在对应前述时间点的预设类型数据;
若是,则获取对应前述时间点的预设类型数据;
若否,则获取距离时间点最近的预设类型数据,作为对应前述时间点的预设类型数据。
在一实施例中,在对各滑动时间窗口对应的窗口数据进行特征提取时,特征提取模块303可以用于:
将各滑动时间窗口对应的窗口数据输入不同的编码器神经网络进行特征提取,其中,不同的编码器神经网络进行特征提取所输出的特征的数量相同。
在一实施例中,行为预测装置还包括模型训练模块,在获取对应电子设备的时序数据序列之前,
数据获取模块301还用于获取时序数据序列样本,时序数据序列样本为对应电子设备的历史时序数据序列;
数据提取模块302还用于根据各滑动时间窗口对时序数据序列样本进行数据提取,得到各滑动时间窗口对应的窗口数据样本;
特征提取模块303还用于对各滑动时间窗口对应的窗口数据样本进行特征提取,得到各滑动时间窗口对应的特征样本;
模型训练模块用于根据各滑动窗口对应的特征样本进行模型训练,得到行为预测模型。
在一实施例中,在根据各滑动窗口对应的特征样本进行模型训练时,模型训练模块可以用于:
构建循环神经网络,以及构建对应前述循环神经网络的损失函数;
将各滑动窗口对应的特征样本输入前述循环神经网络,并根据前述损失函数获取前述循环神经网络的损失值,将损失值反向传播至前述循环神经网络。
在一实施例中,在将各滑动窗口对应的特征样本输入前述循环神经网络之前,模型训练模块还用于:
对前述损失函数进行正则化处理。
应当说明的是,本申请实施例提供的行为预测装置与上文实施例中的行为预测方法属于同一构思,在行为预测装置上可以运行行为预测方法实施例中提供的任一方法,其具体实现过程详见行为预测方法实施例,此处不再赘述。
本申请实施例提供一种计算机可读的存储介质,其上存储有计算机程序,当其存储的计算机程序在计算机上执行时,使得计算机执行如本实施例提供的行为预测方法中的步骤。其中,存储介质可以是磁碟、光盘、只读存储器(Read Only Memory,ROM,)或者随机存取器(Random Access Memory,RAM)等。
本申请实施例还提供一种电子设备,包括存储器,处理器,处理器通过调用存储器中存储的计算机程序,执行本实施例提供的行为预测方法中的步骤。
在一实施例中,还提供一种电子设备。请参照图7,电子设备包括处理器401以及存储器402。其中,处理器401与存储器402电性连接。
处理器401是电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或加载存储在存储器402内的计算机程序,以及调用存储在存储器402内的数据,执行电子设备的各种功能并处理数据。
存储器402可用于存储软件程序以及模块,处理器401通过运行存储在存储器402的计算机程序以及模块,从而执行各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的计算机程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备的使用所创建的数据等。此外,存储器402可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器402还可以包括存储器控制器,以提供处理器401对存储器402的访问。
在本申请实施例中,电子设备中的处理器401会按照如下的步骤,将一个或一个以上的计算机程序的进程对应的指令加载到存储器402中,并由处理器401运行存储在存储器402中的计算机程序,从而实现各种功能,如下:
获取对应电子设备的时序数据序列,时序数据序列包括对应不同时间点的多个预设类型数据;
根据不同时长的滑动时间窗口对时序数据序列进行数据提取,得到各滑动时间窗口对应的窗口数据;
对各滑动时间窗口对应的窗口数据进行特征提取,得到各滑动时间窗口对应的特征;
根据各滑动时间窗口对应的特征以及预先训练的行为预测模型对用户进行行为预测,得到预测结果。
请参照图8,图8为本申请实施例提供的电子设备的另一结构示意图,与图7所示电子设备的区别在于,电子设备还包括输入单元403和输出单元404等组件。
其中,输入单元403可用于接收输入的数字、字符信息或用户特征信息(比如指纹),以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入等。
输出单元404可用于显示由用户输入的信息或提供给用户的信息,如屏幕。
在本申请实施例中,电子设备中的处理器401会按照如下的步骤,将一个或一个以上的计算机程序的进程对应的指令加载到存储器402中,并由处理器401运行存储在存储器402中的计算机程序,从而实现各种功能,如下:
获取对应电子设备的时序数据序列,时序数据序列包括对应不同时间点的多个预设类型数据;
根据不同时长的滑动时间窗口对时序数据序列进行数据提取,得到各滑动时间窗口对应的窗口数据;
对各滑动时间窗口对应的窗口数据进行特征提取,得到各滑动时间窗口对应的特征;
根据各滑动时间窗口对应的特征以及预先训练的行为预测模型对用户进行行为预测,得到预测结果。
在一实施例中,在根据不同时长的滑动时间窗口对所述时序数据序列进行数据提取时,处理器401可以执行:
按照不同的起始时间点,根据各滑动时间窗口对时序数据序列进行数据提取。
在一实施例中,在获取对应电子设备的时序数据序列时,处理器401可以执行:
判断是否存在对应前述时间点的预设类型数据;
若是,则获取对应前述时间点的预设类型数据;
若否,则获取距离时间点最近的预设类型数据,作为对应前述时间点的预设类型数据。
在一实施例中,在对各滑动时间窗口对应的窗口数据进行特征提取时,处理器401可以执行:
将各滑动时间窗口对应的窗口数据输入不同的编码器神经网络进行特征提取,其中,不同的编码器神经网络进行特征提取所输出的特征的数量相同。
在一实施例中,在获取对应电子设备的时序数据序列之前,处理器401可以执行:
获取时序数据序列样本,时序数据序列样本为对应电子设备的历史时序数据序列;
根据各滑动时间窗口对时序数据序列样本进行数据提取,得到各滑动时间窗口对应的窗口数据样本;
对各滑动时间窗口对应的窗口数据样本进行特征提取,得到各滑动时间窗口对应的特征样本;
根据各滑动窗口对应的特征样本进行模型训练,得到行为预测模型。
在一实施例中,在根据各滑动窗口对应的特征样本进行模型训练时,处理器401可以执行:
构建循环神经网络,以及构建对应前述循环神经网络的损失函数;
将各滑动窗口对应的特征样本输入前述循环神经网络,并根据前述损失函数获取前述循环神经网络的损失值,将损失值反向传播至前述循环神经网络。
在一实施例中,在将各滑动窗口对应的特征样本输入前述循环神经网络之前,处理器401可以执行:
对前述损失函数进行正则化处理。
应当说明的是,本申请实施例提供的电子设备与上文实施例中的行为预测方法属于同一构思,在电子设备上可以运行行为预测方法实施例中提供的任一方法,其具体实现过程详见行为预测方法实施例,此处不再赘述。
应当说明的是,对本申请实施例的行为预测方法而言,本领域普通技术人员可以理解实现本申请实施例的行为预测方法的全部或部分流程,是可以通过计算机程序来控制相关的硬件来完成,所述计算机程序可存储于一计算机可读取存储介质中,如存储在电子设备的存储器中,并被该电子设备内的至少一个处理器执行,在执行过程中可包括如行为预测方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储器、随机存取记忆体等。
对本申请实施例的行为预测装置而言,其各功能模块可以集成在一个处理芯片中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中,所述存储介质譬如为只读存储器,磁盘或光盘等。
以上对本申请实施例所提供的一种行为预测方法、装置、存储介质及电子设备进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种行为预测方法,应用于电子设备,其特征在于,包括:
获取对应所述电子设备的时序数据序列,所述时序数据序列包括对应不同时间点的多个预设类型数据;
根据不同时长的滑动时间窗口对所述时序数据序列进行数据提取,得到各滑动时间窗口对应的窗口数据;
对各所述滑动时间窗口对应的窗口数据进行特征提取,得到各所述滑动时间窗口对应的特征;
根据各所述滑动时间窗口对应的特征以及预先训练的行为预测模型对用户进行行为预测,得到预测结果。
2.根据权利要求1所述的行为预测方法,其特征在于,所述根据不同时长的滑动时间窗口对所述时序数据序列进行数据提取,包括:
按照不同的起始时间点,根据各所述滑动时间窗口对所述时序数据序列进行数据提取。
3.根据权利要求1所述的行为预测方法,其特征在于,所述获取对应所述电子设备的时序数据序列,包括:
判断是否存在对应所述时间点的预设类型数据;
若是,则获取对应所述时间点的预设类型数据;
若否,则获取距离所述时间点最近的预设类型数据,作为对应所述时间点的预设类型数据。
4.根据权利要求1所述的行为预测方法,其特征在于,所述对各所述滑动时间窗口对应的窗口数据进行特征提取,包括:
将各所述滑动时间窗口对应的窗口数据输入不同的编码器神经网络进行特征提取,其中,不同的编码器神经网络进行特征提取所输出的特征的数量相同。
5.根据权利要求1-4任一项所述的行为预测方法,其特征在于,所述获取对应所述电子设备的时序数据序列之前,还包括:
获取时序数据序列样本,所述时序数据序列样本为对应所述电子设备的历史时序数据序列;
根据各所述滑动时间窗口对所述时序数据序列样本进行数据提取,得到各所述滑动时间窗口对应的窗口数据样本;
对各所述滑动时间窗口对应的窗口数据样本进行特征提取,得到各所述滑动时间窗口对应的特征样本;
根据各所述滑动窗口对应的特征样本进行模型训练,得到所述行为预测模型。
6.根据权利要求5所述的行为预测方法,其特征在于,根据各所述滑动窗口对应的特征样本进行模型训练,包括:
构建循环神经网络,以及构建对应所述循环神经网络的损失函数;
将各所述滑动窗口对应的特征样本输入所述循环神经网络,并根据所述损失函数获取所述循环神经网络的损失值,将所述损失值反向传播至所述循环神经网络。
7.根据权利要求6所述的行为预测方法,其中,所述将各所述滑动窗口对应的特征样本输入所述循环神经网络之前,还包括:
对所述损失函数进行正则化处理。
8.一种行为预测装置,应用于电子设备,其特征在于,包括:
数据获取模块,用于获取对应所述电子设备的时序数据序列,所述时序数据序列包括对应不同时间点的多个预设类型数据;
数据提取模块,用于根据不同时长的滑动时间窗口对所述时序数据序列进行数据提取,得到各滑动时间窗口对应的窗口数据;
特征提取模块,用于对各所述滑动时间窗口对应的窗口数据进行特征提取,得到各所述滑动时间窗口对应的特征;
行为预测模块,用于根据各所述滑动时间窗口对应的特征以及预先训练的行为预测模型对用户进行行为预测,得到预测结果。
9.一种存储介质,其上存储有计算机程序,其特征在于,当所述计算机程序在计算机上运行时,使得所述计算机执行如权利要求1至7任一项所述的行为预测方法。
10.一种电子设备,包括处理器和存储器,所述存储器储存有计算机程序,其特征在于,所述处理器通过调用所述计算机程序,用于执行如权利要求1至7任一项所述的行为预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910282131.6A CN111798018B (zh) | 2019-04-09 | 行为预测方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910282131.6A CN111798018B (zh) | 2019-04-09 | 行为预测方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111798018A true CN111798018A (zh) | 2020-10-20 |
CN111798018B CN111798018B (zh) | 2024-08-02 |
Family
ID=
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113077292A (zh) * | 2021-04-20 | 2021-07-06 | 北京沃东天骏信息技术有限公司 | 一种用户分类方法、装置、存储介质及电子设备 |
CN113341919A (zh) * | 2021-05-31 | 2021-09-03 | 中国科学院重庆绿色智能技术研究院 | 一种基于时序数据长度优化的计算***故障预测方法 |
CN113409135A (zh) * | 2021-06-30 | 2021-09-17 | 中国工商银行股份有限公司 | 模型训练方法及装置、行为预测方法及装置、设备及介质 |
CN113469142A (zh) * | 2021-03-12 | 2021-10-01 | 山西长河科技股份有限公司 | 一种监控视频时空信息融合的分类方法、装置及终端 |
CN113971478A (zh) * | 2021-09-28 | 2022-01-25 | 北京百度网讯科技有限公司 | 地铁运行状态的预测方法、装置、电子设备及存储介质 |
CN114647853A (zh) * | 2022-03-01 | 2022-06-21 | 深圳开源互联网安全技术有限公司 | 提高分布式应用程序漏洞检测准确性的方法及*** |
CN114663691A (zh) * | 2022-05-24 | 2022-06-24 | 浙江大华技术股份有限公司 | 一种落脚点定位方法、装置及电子设备 |
CN115049015A (zh) * | 2022-07-14 | 2022-09-13 | 北京中科心研科技有限公司 | 时序数据的滑窗后对齐方法、装置及设备和存储介质 |
CN115422264A (zh) * | 2022-11-02 | 2022-12-02 | 苏州浪潮智能科技有限公司 | 一种时序数据处理方法、装置、设备及可读存储介质 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007223494A (ja) * | 2006-02-24 | 2007-09-06 | Fuji Heavy Ind Ltd | 車両挙動推定予測装置および車両安定化制御システム |
GB201603472D0 (en) * | 2016-02-29 | 2016-04-13 | Fujitsu Ltd | Method and apparatus for generating time series data sets for predictive analysis |
CN106529721A (zh) * | 2016-11-08 | 2017-03-22 | 安徽大学 | 一种深度特征提取的广告点击率预测***及其预测方法 |
CN106651030A (zh) * | 2016-12-21 | 2017-05-10 | 重庆邮电大学 | 一种改进的rbf神经网络热点话题用户参与行为预测方法 |
US20180041536A1 (en) * | 2016-08-02 | 2018-02-08 | Invincea, Inc. | Methods and apparatus for detecting and identifying malware by mapping feature data into a semantic space |
GB201800841D0 (en) * | 2017-04-07 | 2018-03-07 | Adobe Systems Inc | Forecasting multiple poses based on a graphical image |
CN108076224A (zh) * | 2017-12-21 | 2018-05-25 | 广东欧珀移动通信有限公司 | 应用程序控制方法、装置及存储介质和移动终端 |
CN108196998A (zh) * | 2018-01-02 | 2018-06-22 | 联想(北京)有限公司 | 一种状态识别方法、移动设备及服务器 |
CN108615096A (zh) * | 2018-05-10 | 2018-10-02 | 平安科技(深圳)有限公司 | 服务器、金融时序数据的处理方法及存储介质 |
WO2019007253A1 (zh) * | 2017-07-06 | 2019-01-10 | 阿里巴巴集团控股有限公司 | 图像识别方法、装置及设备、可读介质 |
CN109241946A (zh) * | 2018-10-11 | 2019-01-18 | 平安科技(深圳)有限公司 | 异常行为监控方法、装置、计算机设备及存储介质 |
CN109242207A (zh) * | 2018-10-10 | 2019-01-18 | 中山大学 | 一种基于深度强化学习的金融时序数据预测方法 |
US20190034937A1 (en) * | 2016-03-31 | 2019-01-31 | Alibaba Group Holding Limited | Problem Prediction Method and System |
CN109299812A (zh) * | 2018-08-23 | 2019-02-01 | 河海大学 | 一种基于深度学习模型和knn实时校正的洪水预测方法 |
US20190075123A1 (en) * | 2017-09-06 | 2019-03-07 | Rank Software Inc. | Systems and methods for cyber intrusion detection and prevention |
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007223494A (ja) * | 2006-02-24 | 2007-09-06 | Fuji Heavy Ind Ltd | 車両挙動推定予測装置および車両安定化制御システム |
GB201603472D0 (en) * | 2016-02-29 | 2016-04-13 | Fujitsu Ltd | Method and apparatus for generating time series data sets for predictive analysis |
US20190034937A1 (en) * | 2016-03-31 | 2019-01-31 | Alibaba Group Holding Limited | Problem Prediction Method and System |
US20180041536A1 (en) * | 2016-08-02 | 2018-02-08 | Invincea, Inc. | Methods and apparatus for detecting and identifying malware by mapping feature data into a semantic space |
CN106529721A (zh) * | 2016-11-08 | 2017-03-22 | 安徽大学 | 一种深度特征提取的广告点击率预测***及其预测方法 |
CN106651030A (zh) * | 2016-12-21 | 2017-05-10 | 重庆邮电大学 | 一种改进的rbf神经网络热点话题用户参与行为预测方法 |
GB201800841D0 (en) * | 2017-04-07 | 2018-03-07 | Adobe Systems Inc | Forecasting multiple poses based on a graphical image |
WO2019007253A1 (zh) * | 2017-07-06 | 2019-01-10 | 阿里巴巴集团控股有限公司 | 图像识别方法、装置及设备、可读介质 |
US20190075123A1 (en) * | 2017-09-06 | 2019-03-07 | Rank Software Inc. | Systems and methods for cyber intrusion detection and prevention |
CN108076224A (zh) * | 2017-12-21 | 2018-05-25 | 广东欧珀移动通信有限公司 | 应用程序控制方法、装置及存储介质和移动终端 |
CN108196998A (zh) * | 2018-01-02 | 2018-06-22 | 联想(北京)有限公司 | 一种状态识别方法、移动设备及服务器 |
CN108615096A (zh) * | 2018-05-10 | 2018-10-02 | 平安科技(深圳)有限公司 | 服务器、金融时序数据的处理方法及存储介质 |
CN109299812A (zh) * | 2018-08-23 | 2019-02-01 | 河海大学 | 一种基于深度学习模型和knn实时校正的洪水预测方法 |
CN109242207A (zh) * | 2018-10-10 | 2019-01-18 | 中山大学 | 一种基于深度强化学习的金融时序数据预测方法 |
CN109241946A (zh) * | 2018-10-11 | 2019-01-18 | 平安科技(深圳)有限公司 | 异常行为监控方法、装置、计算机设备及存储介质 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113469142A (zh) * | 2021-03-12 | 2021-10-01 | 山西长河科技股份有限公司 | 一种监控视频时空信息融合的分类方法、装置及终端 |
CN113469142B (zh) * | 2021-03-12 | 2022-01-14 | 山西长河科技股份有限公司 | 一种监控视频时空信息融合的分类方法、装置及终端 |
CN113077292A (zh) * | 2021-04-20 | 2021-07-06 | 北京沃东天骏信息技术有限公司 | 一种用户分类方法、装置、存储介质及电子设备 |
CN113341919A (zh) * | 2021-05-31 | 2021-09-03 | 中国科学院重庆绿色智能技术研究院 | 一种基于时序数据长度优化的计算***故障预测方法 |
CN113409135A (zh) * | 2021-06-30 | 2021-09-17 | 中国工商银行股份有限公司 | 模型训练方法及装置、行为预测方法及装置、设备及介质 |
CN113971478B (zh) * | 2021-09-28 | 2023-11-21 | 北京百度网讯科技有限公司 | 地铁运行状态的预测方法、装置、电子设备及存储介质 |
CN113971478A (zh) * | 2021-09-28 | 2022-01-25 | 北京百度网讯科技有限公司 | 地铁运行状态的预测方法、装置、电子设备及存储介质 |
CN114647853A (zh) * | 2022-03-01 | 2022-06-21 | 深圳开源互联网安全技术有限公司 | 提高分布式应用程序漏洞检测准确性的方法及*** |
CN114647853B (zh) * | 2022-03-01 | 2023-06-23 | 深圳开源互联网安全技术有限公司 | 提高分布式应用程序漏洞检测准确性的方法及*** |
CN114663691A (zh) * | 2022-05-24 | 2022-06-24 | 浙江大华技术股份有限公司 | 一种落脚点定位方法、装置及电子设备 |
CN115049015A (zh) * | 2022-07-14 | 2022-09-13 | 北京中科心研科技有限公司 | 时序数据的滑窗后对齐方法、装置及设备和存储介质 |
CN115049015B (zh) * | 2022-07-14 | 2023-04-18 | 北京中科心研科技有限公司 | 时序数据的滑窗后对齐方法、装置及设备和存储介质 |
CN115422264A (zh) * | 2022-11-02 | 2022-12-02 | 苏州浪潮智能科技有限公司 | 一种时序数据处理方法、装置、设备及可读存储介质 |
WO2024093207A1 (zh) * | 2022-11-02 | 2024-05-10 | 苏州元脑智能科技有限公司 | 一种时序数据处理方法、装置、设备及非易失性可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111797858A (zh) | 模型训练方法、行为预测方法、装置、存储介质及设备 | |
CN111813532A (zh) | 一种基于多任务机器学习模型的图像管理方法及装置 | |
CN111797288A (zh) | 数据筛选方法、装置、存储介质及电子设备 | |
CN111797861A (zh) | 信息处理方法、装置、存储介质及电子设备 | |
KR20180132493A (ko) | 스와이프 입력에 기초하여 입력 문자를 판단하는 시스템 및 방법 | |
CN111797302A (zh) | 模型处理方法、装置、存储介质及电子设备 | |
CN111797870A (zh) | 算法模型的优化方法、装置、存储介质及电子设备 | |
CN111797851A (zh) | 特征提取方法、装置、存储介质及电子设备 | |
CN111797867A (zh) | ***资源优化方法、装置、存储介质及电子设备 | |
CN111797874B (zh) | 行为预测方法、装置、存储介质及电子设备 | |
CN111798019B (zh) | 意图预测方法、装置、存储介质及电子设备 | |
CN111798018B (zh) | 行为预测方法、装置、存储介质及电子设备 | |
CN111797261A (zh) | 特征提取方法、装置、存储介质及电子设备 | |
CN111797986A (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN111798018A (zh) | 行为预测方法、装置、存储介质及电子设备 | |
CN111797080A (zh) | 模型训练方法、数据回收方法、装置、存储介质及设备 | |
CN111797878B (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN111800535B (zh) | 终端运行状态的评估方法、装置、存储介质及电子设备 | |
CN111796663B (zh) | 场景识别模型更新方法、装置、存储介质及电子设备 | |
CN111796992B (zh) | 行为偏好确定方法、装置、存储介质及电子设备 | |
CN111797301A (zh) | 活动预测方法、装置、存储介质及电子设备 | |
CN111797866A (zh) | 特征提取方法、装置、存储介质及电子设备 | |
CN111797289A (zh) | 模型处理方法、装置、存储介质和电子设备 | |
CN111797075A (zh) | 数据回收方法、装置、存储介质及电子设备 | |
CN111797863A (zh) | 模型训练方法、数据处理方法、装置、存储介质及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |