CN111860661B - 基于用户行为的数据分析方法、装置、电子设备及介质 - Google Patents
基于用户行为的数据分析方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN111860661B CN111860661B CN202010723062.0A CN202010723062A CN111860661B CN 111860661 B CN111860661 B CN 111860661B CN 202010723062 A CN202010723062 A CN 202010723062A CN 111860661 B CN111860661 B CN 111860661B
- Authority
- CN
- China
- Prior art keywords
- data
- feature
- behavior
- data set
- user
- 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.)
- Active
Links
- 230000006399 behavior Effects 0.000 title claims abstract description 231
- 238000007405 data analysis Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000000605 extraction Methods 0.000 claims abstract description 58
- 238000001914 filtration Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000005457 optimization Methods 0.000 claims abstract description 18
- 238000009499 grossing Methods 0.000 claims abstract description 13
- 230000003542 behavioural effect Effects 0.000 claims abstract description 12
- 238000005070 sampling Methods 0.000 claims description 40
- 238000004422 calculation algorithm Methods 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 23
- 238000010801 machine learning Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000000007 visual effect Effects 0.000 description 109
- 230000004913 activation Effects 0.000 description 16
- 230000008569 process Effects 0.000 description 12
- 230000008859 change Effects 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及数据处理技术,揭露了一种基于用户行为的数据分析方法,包括:获取用户的行为数据集并进行平滑滤波处理,得到无噪点数据集;识别无噪点数据集中的切换点,根据所述切换点将无噪点数据集划分为多个无噪点数据子集;利用特征提取网络对多个无噪点数据子集进行特征提取,得到特征数据集;将特征数据集中的特征数据进行特征优选,得到优选特征集;利用分类器对优选特征集中的优选特征进行分类,得到用户的行为特征集;计算行为特征集中行为特征的得分,基于得分确定用户的行为类型。此外,本发明还涉及区块链技术,行为数据集和/或特征数据集可存储于区块链节点中。本发明可以解决基于用户行为的数据分析效率低和精确度低的问题。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种基于用户行为的数据分析方法、装置、电子设备及计算机可读存储介质。
背景技术
现有对于用户行为数据分析的技术中,主要通过视频进行行为分析。例如对行车记录仪中存储的驾驶视频进行视频分析来获取所述驾驶习惯等数据,在具体分析时,通过对驾驶视频中一段时间内用户急刹车的次数进行统计,来判定用户是否存在着喜欢急刹车的习惯;再比如通过对驾驶视频中一段时间内用户超速行驶的时长进行统计,来判断用户是否存在着喜欢超速行驶的习惯。但视频分析的过程中需要进行海量的图像数据处理,会占用大量计算资源,且由于外界环境因素,或者视频的清晰度不高也会导致分析出来的结果精确度不高,因此,如何提高对用户的行为数据进行分析的效率和精确度,成为了越来越重要的需求。
发明内容
本发明提供一种基于用户行为的数据分析方法、装置、电子设备及计算机可读存储介质,其主要目的在于提供一种提高对用户的行为数据进行分析的效率和精确度的数据分析方法。
为实现上述目的,本发明提供的一种基于用户行为的数据分析方法,包括:
获取用户的行为数据集,对所述行为数据集进行平滑滤波处理,得到无噪点数据集;
识别所述无噪点数据集中的切换点,根据所述切换点将所述无噪点数据集划分为多个无噪点数据子集;
利用特征提取网络对所述多个无噪点数据子集进行特征提取,得到特征数据集;
将所述特征数据集中的特征数据进行特征优选,得到优选特征集;
利用预设的分类器对所述优选特征集中的优选特征进行分类,得到所述用户的行为特征集;
分别计算所述行为特征集中各个行为特征的得分,基于所述得分确定所述用户的行为类型。
可选地,所述识别所述无噪点数据集中的切换点,包括:
利用多个预设可调节长度的时间窗口对所述无噪点数据集进行数据采样,得到采样数据集;
利用预设的能量值算法计算所述采样数据集的能量值;
判断所述采样数据集中第一采样数据和第二采样数据的能量值之差是否大于预设能量阈值,其中,所述第一采样数据和所述第二采样数据为连续的不同时间窗口分别采集到的数据;
若所述采样数据集中第一采样数据和第二采样数据的能量值之差大于预设能量阈值,确定所述连续的不同时间窗口的中点位置为切换点。
可选地,所述能量值算法为:
其中,E为所述能量值,s(k)为所述采样数据集中任一采样数据的值,μ为所述采样数据集中所有采样数据的均值,δ为所述采样数据集中所有采样数据的标准差,m为所述时间窗口的长度。
可选地,所述将所述特征数据集中的特征数据进行特征优选,得到优选特征集,包括:
对所述特征数据集中的特征数据进行权重计算,得到特征权重;
从所述特征数据集中选取所述特征权重大于权重阈值的目标特征数据,将所述目标特征数据汇集为所述优选特征集。
可选地,所述分别计算所述行为特征集中各个行为特征的得分,基于所述得分确定所述用户的行为类型,包括:
利用得分算法计算所述行为特征集中每个行为特征的得分;
将所述行为特征集中每个行为特征的得分进行加权平均,得到用户总体行为得分;
根据所述用户总体行为得分确定所述用户的行为类型。
可选地,所述对所述行为数据集进行平滑滤波处理,得到无噪点数据集,包括:
剔除所述行为数据集中频率大于滤波模型的截止频率阈值的数据,剔除完成后得到所述无噪点数据集。
可选地,所述利用特征提取网络对所述多个无噪点数据子集进行特征提取包括:
描述多个无噪点数据子集中无噪点数据的数据特征;
利用机器学习算法对所述数据特征进行特征提取,得到特征数据。
为了解决上述问题,本发明还提供一种基于用户行为的数据分析装置,所述装置包括:
数据去噪模块,用于获取用户的行为数据集,对所述行为数据集进行平滑滤波处理,得到无噪点数据集;
数据划分模块,用于识别所述无噪点数据集中的切换点,根据所述切换点将所述无噪点数据集划分为多个无噪点数据子集;
特征提取模块,用于利用特征提取网络对所述多个无噪点数据子集进行特征提取,得到特征数据集;
特征优选模块,用于将所述特征数据集中的特征数据进行特征优选,得到优选特征集;
特征分类模块,用于利用预设的分类器对所述优选特征集中的优选特征进行分类,得到所述用户的行为特征集;
类型判别模块,用于分别计算所述行为特征集中各个行为特征的得分,基于所述得分确定所述用户的行为类型。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现上述中任意一项所述的基于用户行为的数据分析方法。
为了解决上述问题,本发明还一种计算机可读存储介质,包括存储数据区和存储程序区,存储数据区存储创建的数据,存储程序区存储有计算机程序;其中,所述计算机程序被处理器执行时实现上述中任一项所述的基于用户行为的数据分析方法。
本发明实施例通过对行为数据集进行平滑滤波,去除数据中的噪点,提高数据分析的准确性;通过识别切换点,能够精确地识别用户行为的变化,进一步提高数据分析的准确性;通过提取多个无噪点数据子集的特征,并进行优选,筛选出更具有代表性的特征,减少了无效数据,增加了有效数据,提高数据分析的准确度,且提高数据处理的效率;通过计算不同行为特征的得分,基于得分确定用户行为分类,通过量化的方式精准确定用户行为分类,提高了分析结果的准确性。因此本发明提出的基于用户行为的数据分析方法、装置及计算机可读存储介质,可以实现提高对用户的行为数据进行分析的效率和精确度的目的。
附图说明
图1为本发明一实施例提供的基于用户行为的数据分析方法的流程示意图;
图2为本发明一实施例提供的基于用户行为的数据分析装置的模块示意图;
图3为本发明一实施例提供的实现基于用户行为的数据分析方法的电子设备的内部结构示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
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。
本申请实施例提供的基于用户行为的数据分析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于用户行为的数据分析方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
本发明提供一种基于用户行为的数据分析方法。参照图1所示,为本发明一实施例提供的基于用户行为的数据分析方法的流程示意图。该方法可以由一个装置执行,该装置可以由软件和/或硬件实现。
在本实施例中,基于用户行为的数据分析方法包括:
S1、获取用户的行为数据集,对所述行为数据集进行平滑滤波处理,得到无噪点数据集。
本发明实施例中,所述用户的行为数据集包含用户某一类行为的行为数据集合,例如所述用户行为数据集包括用户在驾驶汽车等交通工具时的驾驶行为数据,其中,所述驾驶行为数据包括但不限于实时行驶速度,刹车时速度,车辆变道速度,车辆转向速度。
在接下来的说明中,以行为数据为驾驶行为数据为例进行说明。
可选的,本发明实施例中,可从汽车上自带的行车记录仪和/或街道上用于监控车辆的摄像头等设备中获取所述行为数据集,或从用于存储所述行为数据集的区块链节点中获取,利用区块链的大数据吞吐性来提高获取所述行为数据的效率。
可选的,本发明实施例通过滤波模型对所述行为数据集进行平滑滤波处理,所述滤波模型可以为低通滤波器等具有平滑滤波功能的仪器。
具体地,所述对所述行为数据集进行平滑滤波处理,得到无噪点数据集,包括:
剔除所述行为数据集中频率大于滤波模型的截止频率阈值的数据,剔除完成后得到所述无噪点数据集。
本实施例中通过对行为数据集进行平滑滤波处理,能够去除行为数据集中的噪声数据,提高数据分析的准确度。
S2、识别所述无噪点数据集中的切换点,根据所述切换点将所述无噪点数据集划分为多个无噪点数据子集。
详细地,所述切换点是指从一种行为切换到另一种行为的时间节点。本实施例中,切换点可指用户在驾驶过程中从一种驾驶状态切换到另一种驾驶状态的时间节点,如用户的驾驶状态从正常行驶状态切换为加速行驶状态的时间节点,或者用户的驾驶状态从正常行驶状态切换为熄火状态的时间节点等。
本实施例中,根据切换点将无噪点数据集划分为多个无噪点数据子集是指,以切换点为界限,将切换点与切换之间的无噪点数据作为一个无噪点数据子集。例如,从开始时间到第一个切换点之间的无噪点数据集合为一个无噪点数据子集,将第一个切换点到第二个切换之间的无噪点数据集合为一个无噪点数据子集,以此类推,得到多个无噪点数据子集。
在实际的驾驶过程中,不同的驾驶状态拥着对应的数据波形,所述数据波形的形状会随着驾驶状态的改变而改变,且所述驾驶状态可能会随时发生改变,但各类不同的驾驶状态在一小段时间内的变化的相似度很高,为了精确的找到所述驾驶状态切换的时间节点,优选的,本发明实施例利用预设算法识别所述无噪点数据集中的切换点。
较佳地,所述识别所述无噪点数据集中的切换点,包括:
利用多个预设可调节长度的时间窗口对所述无噪点数据集进行数据采样,得到采样数据集;
利用预设的能量值算法计算所述采样数据集的能量值;
判断所述采样数据集中第一采样数据和第二采样数据的能量值之差是否大于预设能量阈值,其中,所述第一采样数据和所述第二采样数据为连续的不同时间窗口分别采集到的数据;
若所述采样数据集中第一采样数据和第二采样数据的能量值之差大于预设能量阈值,确定所述连续的不同时间窗口的中点位置为切换点。
具体地,可利用采样器设置可调节长度的时间窗口,利用所述时间窗口对所述无噪点数据集进行数据采样。
优选的,所述能量值算法为:
其中,E为所述能量值,s(k)为所述采样数据集中任一采样数据的值,μ为所述采样数据集中所有采样数据的均值,δ为所述采样数据集中所有采样数据的标准差,m为所述时间窗口的长度。
本发明实施例通过得到的能量值的大小,对用户的驾驶状态是否发生了改变进行判断,得到判断结果,根据判断的结果来确定用户在行驶过程中切换行驶状态的切换点,进而根据所述切换点对所述无噪点数据集进行切分,得到多个无噪点数据子集。
S3、利用特征提取网络对所述多个无噪点数据子集进行特征提取,得到特征数据集。
具体地,对多个无噪点数据子集中各个无噪点数据进行特征提取。
较佳地,所述特征提取网络包括多个可视层和多个隐藏层,其中,所述可视层包含多个可视单元,所述隐藏层包含多个隐藏单元,且多个可视层和多个隐藏层的数目对应,多个可视单元与多个隐藏单元的数目对应。
利用特征提取网络对所述多个无噪点数据子集进行特征提取包括:
描述多个无噪点数据子集中无噪点数据的数据特征;
利用机器学习算法对所述数据特征进行特征提取,得到特征数据。
详细地,在进行特征提取的过程中,通过特征提取网络的可视层中的每个可视单元描述所述无噪点数据子集中一个无噪点数据的特征,通过特征提取网络的隐藏层中的每个隐藏单元提取与所述数据特征,所述隐藏层中的每个隐藏单元基于机器学习算法提取与所述隐藏单元相匹配的可视单元描述的特征。
具体的,所述可视单元和所述隐藏单元的状态由布尔值进行表示,如,0和1,其中,0表示未激活状态,1表示激活状态。当所述可视单元和/或所述隐藏单元被激活函数激活后,才可将可视单元包含的数据传输至与所述可视单元相匹配的隐藏单元中。
具体地,所述可视单元和/或所述隐藏单元的激活函数如下:
其中,E(v,h,θ)为激活值,I为所述可视层中可视单元的数目,J为所述隐藏层中隐藏单元的数目,a为所述可视层的偏置向量,b为所述隐藏层的偏置向量,w为所述可视层与所述隐藏层直接的权值矩阵,v为所述可视层中任一可视单元,h为所述隐藏层中任一隐藏单元,θ为预设的误差参数。
当所述激活函数的激活值大于激活阈值时,所述可视单元和/或所述隐藏单元被激活函数激活。在所述可视单元和/或所述隐藏单元被激活函数激活后,将所述可视单元和/或所述隐藏单元中包含的数据传输至与所述可视单元相匹配的隐藏单元中。
优选的,本发明实施例通过如下匹配算法将所述可视层中的可视单元与所述隐藏层中的隐藏单元进行匹配:
其中,P(v,h,θ)为匹配值,v为所述可视层中任一可视单元,h为所述隐藏层中任一隐藏单元,θ为预设的误差参数,Z为所述特征提取网络的归一化因子,exp(-E(v,h,θ))为可视单元v与隐藏单元h匹配的期望。
较佳地,只有在所述可视层中的可视单元与所述隐藏层中的隐藏单元匹配完成后,被激活的可视层才可将数据传输给与所述可视层相匹配且已被激活的隐藏层。
进一步地,当给定所述可视层中的可视单元被激活后,对应的所述隐藏层中的隐藏单元也被激活的概率为P(vj=1|h;θ):
其中,vj为所述隐藏层中的第j个隐藏单元,h为所述隐藏层中任一隐藏单元,θ为预设的误差参数,J为所述隐藏层中隐藏单元的数目,w为所述可视层与所述隐藏层直接的权值矩阵,b为所述隐藏层的偏置向量,δ为预设的概率系数。
当给定所述隐藏层中的隐藏单元被激活后,对应的所述可视层中的可视单元也被激活的概率为P(hi=1|v;θ):
其中,hi为所述可视层中的第i个可视单元,v为所述可视层中任一可视单元,θ为预设的误差参数,I为所述可视层中可视单元的数目,w为所述可视层与所述隐藏层直接的权值矩阵,a为所述可视层的偏置向量,δ为预设的概率系数。
本发明实施例中,当给定所述可视层/隐藏层中的可视单元/隐藏单元被激活后,只有当与所述可视单元/隐藏单元相匹配的隐藏单元/可视单元被激活的概率为1时,表明所述隐藏单元/可视单元被激活。
本发明实施例中,利用多个所述特征提取网络中的多个可视层和隐藏层进行叠加,以实现更加精准地对所述时域进行特征提取。
具体地,所述隐藏层利用机器学习算法对所述可视层描述的数据特征进行特征提取,得到特征数据,包括:
利用如下所述机器学习算法对所述可视层描述的数据特征进行特征提取,得到特征数据h:
其中,Y为无噪点数据子集中的无噪点数据,w为所述可视层与所述隐藏层之间的权值矩阵,b为所述隐藏层的偏置向量。
当多个无噪点数据子集中的无噪点数据均完成上述特征提取过程后,得到多个特征数据,将所述多个特征数据汇集为所述特征数据集。
S4、将所述特征数据集中的特征数据进行特征优选,得到优选特征集。
本发明实施例中,所述将所述特征数据集中的特征数据进行特征优选,得到优选特征集,包括:
对所述特征数据集中的特征数据进行权重计算,得到特征权重;
从所述特征数据集中选取所述特征权重大于权重阈值的目标特征数据,将所述目标特征数据汇集为所述优选特征集。
具体地,所述对所述特征数据集中的特征数据进行权重计算,得到特征权重,包括:
利用如下所述权重算法计算所述特征权重X:
其中,V为所述特征数据集中任一特征数据,为预先对用户不同的行为状态设定的权重系数,f为预设权重函数。
较佳地,所述无噪点数据子集在特征提取时,可能会提取出多个特征,如在行驶过程中的速度特征,行驶过程中的路口拥堵特征,然而并非所有的特征都具有代表性,本发明通过对所述特征数据集中的特征数据进行特征优选来选择出具有代表性的特征数据,从而实现更精准的对用户的行为数据进行分析。
S5、利用预设的分类器对所述优选特征集中的优选特征进行分类,得到所述用户的行为特征集。
本发明实施例中,所述分类包括但不限于:正常行驶,加速行驶,超速行驶,变道行驶,刹车,熄火。
详细地,所述利用预设的分类器对所述优选特征集中的优选特征进行分类,得到用户的行为特征,包括:
利用softmax分类器对所述优选特征集中的优选特征进行分类。例如,利用softmax分类器将所述优选特征中行驶速度小于或等于预速度阈值的优选特征划分为超速行驶等,当所述优选特征集中所有的优选特征均完成分类后,得到所述用户的行为特征集。
S6、分别计算所述行为特征集中各个行为特征的得分,基于所述得分确定所述用户的行为类型。
具体地,所述分别计算所述行为特征集中各个行为特征的得分,基于所述得分确定所述用户的行为类型,包括:
利用得分算法计算所述行为特征集中每个行为特征的得分;
将所述行为特征集中每个行为特征的得分进行加权平均,得到用户总体行为得分;
根据所述用户总体行为得分确定所述用户的行为类型。
详细地,本发明实施例中,所述得分算法为:
Score=asg(ks,-log(psi))
其中,Score为行为特征的得分,ks为所述行为特征,psi为得分误差因子,asg为得分运算符。
当获得所述行为特征集中每个行为特征的得分后,本发明实施例将所述行为特征集中每个行为特征的得分进行加权平均,最终得到的得分作为用户总体行为得分,并根据所述用户总体行为得分对用户进行分类。
例如,将得分在(a,b]之间的用户的行为类型确定为有较多危险行为类,将得分在(b,c]之间的用户的行为类型确定为有一些危险行为类,将得分在(c,d]之间的用户的行为类型确定为几乎没有危险行为类。
进一步地,本发明实施例还包括将所述行为特征集中每个行为特征的得分及基于所述得分确定的用户行为类型推送给用户,如利用手机短信和/或用户手机上的app等方式进行推送。通过消息推送的方式可以让用户可以根据接收到的推送数据来改善自身的驾驶习惯。
本发明实施例通过对行为数据集进行平滑滤波,去除数据中的噪点,提高数据分析的准确性;通过识别切换点,能够精确地识别用户行为的变化,进一步提高数据分析的准确性;通过提取多个无噪点数据子集的特征,并进行优选,筛选出更具有代表性的特征,减少了无效数据,增加了有效数据,提高数据分析的准确度,且提高数据处理的效率;通过计算不同行为特征的得分,基于得分确定用户行为分类,通过量化的方式精准确定用户行为分类,提高了分析结果的准确性。因此本发明提出的基于用户行为的数据分析方法,可以实现提高对用户的行为数据进行分析的效率和精确度的目的。
如图2所示,是本发明基于用户行为的数据分析装置的模块示意图。
本发明所述基于用户行为的数据分析装置100可以安装于电子设备中。根据实现的功能,所述基于用户行为的数据分析装置可以包括数据去噪模块101、数据划分模块102、特征提取模块103、特征优选模块104、特征分类模块105和类型判别模块106。本发所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述数据去噪模块101,用于获取用户的行为数据集,对所述行为数据集进行平滑滤波处理,得到无噪点数据集;
所述数据划分模块102,用于识别所述无噪点数据集中的切换点,根据所述切换点将所述无噪点数据集划分为多个无噪点数据子集;
所述特征提取模块103,用于利用特征提取网络对所述多个无噪点数据子集进行特征提取,得到特征数据集;
所述特征优选模块104,用于将所述特征数据集中的特征数据进行特征优选,得到优选特征集;
所述特征分类模块105,用于利用预设的分类器对所述优选特征集中的优选特征进行分类,得到所述用户的行为特征集;
所述类型判别模块106,用于分别计算所述行为特征集中各个行为特征的得分,基于所述得分确定所述用户的行为类型。
详细地,所述图像中文本内容提取生成装置各模块的具体实施步骤如下:
所述数据去噪模块101,用于获取用户的行为数据集,对所述行为数据集进行平滑滤波处理,得到无噪点数据集。
本发明实施例中,所述用户的行为数据集包含用户某一类行为的行为数据集合,例如所述用户行为数据集包括用户在驾驶汽车等交通工具时的驾驶行为数据,其中,所述驾驶行为数据包括但不限于实时行驶速度,刹车时速度,车辆变道速度,车辆转向速度。
在接下来的说明中,以行为数据为驾驶行为数据为例进行说明。
可选的,本发明实施例中,可从汽车上自带的行车记录仪和/或街道上用于监控车辆的摄像头等设备中获取所述行为数据集。
可选的,本发明实施例通过滤波模型对所述行为数据集进行平滑滤波处理,所述滤波模型可以为低通滤波器等具有平滑滤波功能的仪器。
具体地,所述对所述行为数据集进行平滑滤波处理,得到无噪点数据集,包括:
剔除所述行为数据集中频率大于滤波模型的截止频率阈值的数据,剔除完成后得到所述无噪点数据集。
本实施例中通过对行为数据集进行平滑滤波处理,能够去除行为数据集中的噪声数据,提高数据分析的准确度。
所述数据划分模块102,用于识别所述无噪点数据集中的切换点,根据所述切换点将所述无噪点数据集划分为多个无噪点数据子集。
详细地,所述切换点是指从一种行为切换到另一种行为的时间节点。本实施例中,切换点可指用户在驾驶过程中从一种驾驶状态切换到另一种驾驶状态的时间节点,如用户的驾驶状态从正常行驶状态切换为加速行驶状态的时间节点,或者用户的驾驶状态从正常行驶状态切换为熄火状态的时间节点等。
本实施例中,根据切换点将无噪点数据集划分为多个无噪点数据子集是指,以切换点为界限,将切换点与切换之间的无噪点数据作为一个无噪点数据子集。例如,从开始时间到第一个切换点之间的无噪点数据集合为一个无噪点数据子集,将第一个切换点到第二个切换之间的无噪点数据集合为一个无噪点数据子集,以此类推,得到多个无噪点数据子集。
在实际的驾驶过程中,不同的驾驶状态拥着对应的数据波形,所述数据波形的形状会随着驾驶状态的改变而改变,且所述驾驶状态可能会随时发生改变,但各类不同的驾驶状态在一小段时间内的变化的相似度很高,为了精确的找到所述驾驶状态切换的时间节点,优选的,本发明实施例利用预设算法识别所述无噪点数据集中的切换点。
较佳地,所述数据划分模块102具体用于:
利用多个预设可调节长度的时间窗口对所述无噪点数据集进行数据采样,得到采样数据集;
利用预设的能量值算法计算所述采样数据集的能量值;
判断所述采样数据集中第一采样数据和第二采样数据的能量值之差是否大于预设能量阈值,其中,所述第一采样数据和所述第二采样数据为连续的不同时间窗口分别采集到的数据;
若所述采样数据集中第一采样数据和第二采样数据的能量值之差大于预设能量阈值,确定所述连续的不同时间窗口的中点位置为切换点;
根据所述切换点将所述无噪点数据集划分为多个无噪点数据子集。
具体地,可利用采样器设置可调节长度的时间窗口,利用所述时间窗口对所述无噪点数据集进行数据采样。
优选的,所述能量值算法为:
其中,E为所述能量值,s(k)为所述采样数据集中任一采样数据的值,μ为所述采样数据集中所有采样数据的均值,δ为所述采样数据集中所有采样数据的标准差,m为所述时间窗口的长度。
本发明实施例通过得到的能量值的大小,对用户的驾驶状态是否发生了改变进行判断,得到判断结果,根据判断的结果来确定用户在行驶过程中切换行驶状态的切换点,进而根据所述切换点对所述无噪点数据集进行切分,得到多个无噪点数据子集。
所述特征提取模块103,用于利用特征提取网络对所述多个无噪点数据子集进行特征提取,得到特征数据集。
具体地,对多个无噪点数据子集中各个无噪点数据进行特征提取。
较佳地,所述特征提取网络包括多个可视层和多个隐藏层,其中,所述可视层包含多个可视单元,所述隐藏层包含多个隐藏单元,且多个可视层和多个隐藏层的数目对应,多个可视单元与多个隐藏单元的数目对应。
所述利用特征提取网络对所述多个无噪点数据子集进行特征提取包括:
描述多个无噪点数据子集中无噪点数据的数据特征;
利用机器学习算法对所述数据特征进行特征提取,得到特征数据。
详细地,在进行特征提取的过程中,通过特征提取网络的可视层中的每个可视单元描述所述无噪点数据子集中一个无噪点数据的特征,通过特征提取网络的隐藏层中的每个隐藏单元提取与所述数据特征,所述隐藏层中的每个隐藏单元基于机器学习算法提取与所述隐藏单元相匹配的可视单元描述的特征。
具体的,所述可视单元和所述隐藏单元的状态由布尔值进行表示,如,0和1,其中,0表示未激活状态,1表示激活状态。当所述可视单元和/或所述隐藏单元被激活函数激活后,才可将可视单元包含的数据传输至与可视单元相匹配的隐藏单元中。
具体地,所述可视单元和/或所述隐藏单元的激活函数如下:
其中,E(v,h,θ)为激活值,I为所述可视层中可视单元的数目,J为所述隐藏层中隐藏单元的数目,a为所述可视层的偏置向量,b为所述隐藏层的偏置向量,w为所述可视层与所述隐藏层直接的权值矩阵,v为所述可视层中任一可视单元,h为所述隐藏层中任一隐藏单元,θ为预设的误差参数。
当所述激活函数的激活值大于激活阈值时,所述可视单元和/或所述隐藏单元被激活函数激活。在所述可视单元和/或所述隐藏单元被激活函数激活后,将所述可视单元和/或所述隐藏单元中包含的数据传输至与所述可视单元相匹配的隐藏单元中。
优选的,本发明实施例通过如下匹配算法将所述可视层中的可视单元与所述隐藏层中的隐藏单元进行匹配:
其中,P(v,h,θ)为匹配值,v为所述可视层中任一可视单元,h为所述隐藏层中任一隐藏单元,θ为预设的误差参数,Z为所述特征提取网络的归一化因子,exp(-E(v,h,θ))为可视单元v与隐藏单元h匹配的期望。
较佳地,只有在所述可视层中的可视单元与所述隐藏层中的隐藏单元匹配完成后,被激活的可视层才可将数据传输给与所述可视层相匹配且已被激活的隐藏层。
进一步地,当给定所述可视层中的可视单元被激活后,对应的所述隐藏层中的隐藏单元也被激活的概率为P(vj=1|h;θ):
其中,vj为所述隐藏层中的第j个隐藏单元,h为所述隐藏层中任一隐藏单元,θ为预设的误差参数,J为所述隐藏层中隐藏单元的数目,w为所述可视层与所述隐藏层直接的权值矩阵,b为所述隐藏层的偏置向量,δ为预设的概率系数。
当给定所述隐藏层中的隐藏单元被激活后,对应的所述可视层中的可视单元也被激活的概率为P(hi=1|v;θ):
其中,hi为所述可视层中的第i个可视单元,v为所述可视层中任一可视单元,θ为预设的误差参数,I为所述可视层中可视单元的数目,w为所述可视层与所述隐藏层直接的权值矩阵,a为所述可视层的偏置向量,δ为预设的概率系数。
本发明实施例中,当给定所述可视层/隐藏层中的可视单元/隐藏单元被激活后,只有当与所述可视单元/隐藏单元相匹配的隐藏单元/可视单元被激活的概率为1时,表明所述隐藏单元/可视单元被激活。
本发明实施例中,利用多个所述特征提取网络中的多个可视层和隐藏层进行叠加,以实现更加精准地对所述时域进行特征提取。
具体地,所述隐藏层利用机器学习算法对所述可视层描述的数据特征进行特征提取,得到特征数据,包括:
利用如下所述机器学习算法对所述可视层描述的数据特征进行特征提取,得到特征数据h:
其中,Y为无噪点数据子集中的无噪点数据,w为所述可视层与所述隐藏层之间的权值矩阵,b为所述隐藏层的偏置向量。
当多个无噪点数据子集中的无噪点数据均完成上述特征提取过程后,得到多个特征数据,将所述多个特征数据汇集为所述特征数据集。
所述特征优选模块104,用于将所述特征数据集中的特征数据进行特征优选,得到优选特征集。
本发明实施例中,所述将所述特征数据集中的特征数据进行特征优选,得到优选特征集,包括:
对所述特征数据集中的特征数据进行权重计算,得到特征权重;
从所述特征数据集中选取所述特征权重大于权重阈值的目标特征数据,将所述目标特征数据汇集为所述优选特征集。
具体地,所述对所述特征数据集中的特征数据进行权重计算,得到特征权重,包括:
利用如下所述权重算法计算所述特征权重X:
其中,V为所述特征数据集中任一特征数据,为预先对用户不同的行为状态设定的权重系数,f为预设权重函数。
较佳地,所述无噪点数据子集在特征提取时,可能会提取出多个特征,如在行驶过程中的速度特征,行驶过程中的路口拥堵特征,然而并非所有的特征都具有代表性,本发明通过对所述特征数据集中的特征数据进行特征优选来选择出具有代表性的特征数据,从而实现更精准的对用户的行为数据进行分析。
所述特征分类模块105,用于利用预设的分类器对所述优选特征集中的优选特征进行分类,得到所述用户的行为特征集。
本发明实施例中,所述分类包括但不限于:正常行驶,加速行驶,超速行驶,变道行驶,刹车,熄火。
详细地,所述利用预设的分类器对所述优选特征集中的优选特征进行分类,得到用户的行为特征,包括:
利用softmax分类器对所述优选特征集中的优选特征进行分类。例如,利用softmax分类器将所述优选特征中行驶速度小于或等于预速度阈值的优选特征划分为超速行驶等,当所述优选特征集中所有的优选特征均完成分类后,得到所述用户的行为特征集。
所述类型判别模块106,用于分别计算所述行为特征集中各个行为特征的得分,基于所述得分确定所述用户的行为类型。
具体地,所述类型判别模块106具体用于:
利用得分算法计算所述行为特征集中每个行为特征的得分;
将所述行为特征集中每个行为特征的得分进行加权平均,得到用户总体行为得分;
根据所述用户总体行为得分确定所述用户的行为类型。
详细地,本发明实施例中,所述得分算法为:
Score=asg(ks,-log(psi))
其中,Score为行为特征的得分,ks为所述行为特征,psi为得分误差因子,asg为得分运算符。
当获得所述行为特征集中每个行为特征的得分后,本发明实施例将所述行为特征集中每个行为特征的得分进行加权平均,最终得到的得分作为用户总体行为得分,并根据所述用户总体行为得分对用户进行分类。
例如,将得分在(a,b]之间的用户的行为类型确定为有较多危险行为类,将得分在(b,c]之间的用户的行为类型确定为有一些危险行为类,将得分在(c,d]之间的用户的行为类型确定为几乎没有危险行为类。
进一步地,本发明实施例还包括将所述行为特征集中每个行为特征的得分及基于所述得分确定的用户行为类型推送给用户,如利用手机短信和/或用户手机上的app等方式进行推送。通过消息推送的方式可以让用户可以根据接收到的推送数据来改善自身的驾驶习惯。
本发明实施例通过对行为数据集进行平滑滤波,去除数据中的噪点,提高数据分析的准确性;通过识别切换点,能够精确地识别用户行为的变化,进一步提高数据分析的准确性;通过提取多个无噪点数据子集的特征,并进行优选,筛选出更具有代表性的特征,减少了无效数据,增加了有效数据,提高数据分析的准确度,且提高数据处理的效率;通过计算不同行为特征的得分,基于得分确定用户行为分类,通过量化的方式精准确定用户行为分类,提高了分析结果的准确性。因此本发明提出的基于用户行为的数据分析方法,可以实现提高对用户的行为数据进行分析的效率和精确度的目的。
如图3所示,是本发明实现基于用户行为的数据分析方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如基于用户行为的数据分析程序12。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如基于用户行为的数据分析程序12的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于用户行为的数据分析程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
本发明实施例中的电子设备1获取用户的行为数据集,对所述行为数据集进行平滑滤波处理,得到无噪点数据集;识别所述无噪点数据集中的切换点,根据所述切换点将所述无噪点数据集划分为多个无噪点数据子集;利用特征提取网络对所述多个无噪点数据子集进行特征提取,得到特征数据集;将所述特征数据集中的特征数据进行特征优选,得到优选特征集;利用预设的分类器对所述优选特征集中的优选特征进行分类,得到所述用户的行为特征集;分别计算所述行为特征集中各个行为特征的得分,基于所述得分确定所述用户的行为类型。通过对行为数据集进行平滑滤波,去除数据中的噪点,提高数据分析的准确性;通过识别切换点,能够精确地识别用户行为的变化,进一步提高数据分析的准确性;通过提取多个无噪点数据子集的特征,并进行优选,筛选出更具有代表性的特征,减少了无效数据,增加了有效数据,提高数据分析的准确度,且提高数据处理的效率;通过计算不同行为特征的得分,基于得分确定用户行为分类,通过量化的方式精准确定用户行为分类,提高了分析结果的准确性。因此本发明提出的基于用户行为的数据分析装置,可以实现提高对用户的行为数据进行分析的效率和精确度的目的。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于用户行为的数据分析程序12是多个指令的组合,在所述处理器10中运行时,可以实现:
获取用户的行为数据集,对所述行为数据集进行平滑滤波处理,得到无噪点数据集;
识别所述无噪点数据集中的切换点,根据所述切换点将所述无噪点数据集划分为多个无噪点数据子集;
利用特征提取网络对所述多个无噪点数据子集进行特征提取,得到特征数据集;
将所述特征数据集中的特征数据进行特征优选,得到优选特征集;
利用预设的分类器对所述优选特征集中的优选特征进行分类,得到所述用户的行为特征集;
分别计算所述行为特征集中各个行为特征的得分,基于所述得分确定所述用户的行为类型。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
进一步地,所述计算机可用存储介质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应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图表记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (6)
1.一种基于用户行为的数据分析方法,其特征在于,所述方法包括:
获取用户的行为数据集,对所述行为数据集进行平滑滤波处理,得到无噪点数据集;
识别所述无噪点数据集中的切换点,根据所述切换点将所述无噪点数据集划分为多个无噪点数据子集;
利用特征提取网络对所述多个无噪点数据子集进行特征提取,得到特征数据集;
将所述特征数据集中的特征数据进行特征优选,得到优选特征集;
利用预设的分类器对所述优选特征集中的优选特征进行分类,得到所述用户的行为特征集;
分别计算所述行为特征集中各个行为特征的得分,基于所述得分确定所述用户的行为类型;
其中,所述识别所述无噪点数据集中的切换点,包括:利用多个预设可调节长度的时间窗口对所述无噪点数据集进行数据采样,得到采样数据集;利用预设的能量值算法计算所述采样数据集的能量值;判断所述采样数据集中第一采样数据和第二采样数据的能量值之差是否大于预设能量阈值,其中,所述第一采样数据和所述第二采样数据为连续的不同时间窗口分别采集到的数据;若所述采样数据集中第一采样数据和第二采样数据的能量值之差大于预设能量阈值,确定所述连续的不同时间窗口的中点位置为切换点;
所述能量值算法为:
其中,E为所述能量值,为所述采样数据集中任一采样数据的值,μ为所述采样数据集中所有采样数据的均值,δ为所述采样数据集中所有采样数据的标准差,/>为所述时间窗口的长度;
所述将所述特征数据集中的特征数据进行特征优选,得到优选特征集,包括:对所述特征数据集中的特征数据进行权重计算,得到特征权重X;从所述特征数据集中选取所述特征权重X大于权重阈值的目标特征数据,将所述目标特征数据汇集为所述优选特征集;
所述分别计算所述行为特征集中各个行为特征的得分,基于所述得分确定所述用户的行为类型,包括:利用得分算法计算所述行为特征集中每个行为特征的得分;将所述行为特征集中每个行为特征的得分进行加权平均,得到用户总体行为得分;根据所述用户总体行为得分确定所述用户的行为类型;
所述得分算法为:Score = asg(ks,-log(psi))
其中,Score为行为特征的得分,ks为所述行为特征,psi为得分误差因子,asg为得分运算符;
所述特征权重X的权重算法为:X=φ(f·V)
其中,V为所述特征数据集中任一特征数据,φ为预先对用户不同的行为状态设定的权重系数,f为预设权重函数。
2.如权利要求1所述的基于用户行为的数据分析方法,其特征在于,所述对所述行为数据集进行平滑滤波处理,得到无噪点数据集,包括:
剔除所述行为数据集中频率大于滤波模型的截止频率阈值的数据,剔除完成后得到所述无噪点数据集。
3.如权利要求1所述的基于用户行为的数据分析方法,其特征在于,所述利用特征提取网络对所述多个无噪点数据子集进行特征提取包括:
描述多个无噪点数据子集中无噪点数据的数据特征;
利用机器学习算法对所述数据特征进行特征提取,得到特征数据。
4.一种基于用户行为的数据分析装置,用于实现如权利要求1至3中任一所述的基于用户行为的数据分析方法,其特征在于,所述装置包括:
数据去噪模块,用于获取用户的行为数据集,对所述行为数据集进行平滑滤波处理,得到无噪点数据集;
数据划分模块,用于识别所述无噪点数据集中的切换点,根据所述切换点将所述无噪点数据集划分为多个无噪点数据子集;
特征提取模块,用于利用特征提取网络对所述多个无噪点数据子集进行特征提取,得到特征数据集;
特征优选模块,用于将所述特征数据集中的特征数据进行特征优选,得到优选特征集;
特征分类模块,用于利用预设的分类器对所述优选特征集中的优选特征进行分类,得到所述用户的行为特征集;
类型判别模块,用于分别计算所述行为特征集中各个行为特征的得分,基于所述得分确定所述用户的行为类型。
5.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至3中任一所述的基于用户行为的数据分析方法。
6.一种计算机可读存储介质,包括存储数据区和存储程序区,存储数据区存储创建的数据,存储程序区存储有计算机程序;其中,所述计算机程序被处理器执行时实现如权利要求1至3中任一所述的基于用户行为的数据分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010723062.0A CN111860661B (zh) | 2020-07-24 | 2020-07-24 | 基于用户行为的数据分析方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010723062.0A CN111860661B (zh) | 2020-07-24 | 2020-07-24 | 基于用户行为的数据分析方法、装置、电子设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111860661A CN111860661A (zh) | 2020-10-30 |
CN111860661B true CN111860661B (zh) | 2024-04-30 |
Family
ID=72950962
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010723062.0A Active CN111860661B (zh) | 2020-07-24 | 2020-07-24 | 基于用户行为的数据分析方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111860661B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112380870A (zh) * | 2020-11-19 | 2021-02-19 | 平安科技(深圳)有限公司 | 用户意图分析方法、装置、电子设备及计算机存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105975573A (zh) * | 2016-05-04 | 2016-09-28 | 北京广利核***工程有限公司 | 一种基于knn的文本分类方法 |
CN106127803A (zh) * | 2016-06-17 | 2016-11-16 | 北京交通大学 | 人体运动捕捉数据行为分割方法及*** |
CN107045503A (zh) * | 2016-02-05 | 2017-08-15 | 华为技术有限公司 | 一种特征集确定的方法及装置 |
CN108182382A (zh) * | 2017-12-06 | 2018-06-19 | 东南大学 | 基于图相似的行为识别方法及*** |
CN108694407A (zh) * | 2017-04-11 | 2018-10-23 | 西安邮电大学 | 一种基于移动终端的驾驶行为识别方法 |
CN110633733A (zh) * | 2019-08-14 | 2019-12-31 | 中国平安财产保险股份有限公司 | 图像智能匹配方法、装置及计算机可读存储介质 |
CN110687395A (zh) * | 2019-09-23 | 2020-01-14 | 南京理工大学 | 基于深度置信网络的含分布式电源的配电网故障选线方法 |
CN111144455A (zh) * | 2019-12-12 | 2020-05-12 | 中国平安财产保险股份有限公司 | 数据处理方法、装置、设备及可读存储介质 |
CN111291071A (zh) * | 2020-01-21 | 2020-06-16 | 北京字节跳动网络技术有限公司 | 数据处理方法、装置及电子设备 |
CN111339072A (zh) * | 2020-02-23 | 2020-06-26 | 中国平安财产保险股份有限公司 | 基于用户行为的变化值分析方法、装置、电子设备及介质 |
CN111402068A (zh) * | 2020-02-22 | 2020-07-10 | 中国平安财产保险股份有限公司 | 基于大数据的保费数据分析方法、装置及存储介质 |
-
2020
- 2020-07-24 CN CN202010723062.0A patent/CN111860661B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107045503A (zh) * | 2016-02-05 | 2017-08-15 | 华为技术有限公司 | 一种特征集确定的方法及装置 |
CN105975573A (zh) * | 2016-05-04 | 2016-09-28 | 北京广利核***工程有限公司 | 一种基于knn的文本分类方法 |
CN106127803A (zh) * | 2016-06-17 | 2016-11-16 | 北京交通大学 | 人体运动捕捉数据行为分割方法及*** |
CN108694407A (zh) * | 2017-04-11 | 2018-10-23 | 西安邮电大学 | 一种基于移动终端的驾驶行为识别方法 |
CN108182382A (zh) * | 2017-12-06 | 2018-06-19 | 东南大学 | 基于图相似的行为识别方法及*** |
CN110633733A (zh) * | 2019-08-14 | 2019-12-31 | 中国平安财产保险股份有限公司 | 图像智能匹配方法、装置及计算机可读存储介质 |
CN110687395A (zh) * | 2019-09-23 | 2020-01-14 | 南京理工大学 | 基于深度置信网络的含分布式电源的配电网故障选线方法 |
CN111144455A (zh) * | 2019-12-12 | 2020-05-12 | 中国平安财产保险股份有限公司 | 数据处理方法、装置、设备及可读存储介质 |
CN111291071A (zh) * | 2020-01-21 | 2020-06-16 | 北京字节跳动网络技术有限公司 | 数据处理方法、装置及电子设备 |
CN111402068A (zh) * | 2020-02-22 | 2020-07-10 | 中国平安财产保险股份有限公司 | 基于大数据的保费数据分析方法、装置及存储介质 |
CN111339072A (zh) * | 2020-02-23 | 2020-06-26 | 中国平安财产保险股份有限公司 | 基于用户行为的变化值分析方法、装置、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111860661A (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112395978B (zh) | 行为检测方法、装置及计算机可读存储介质 | |
CN111782900B (zh) | 异常业务检测方法、装置、电子设备及存储介质 | |
CN112447189A (zh) | 语音事件检测方法、装置、电子设备及计算机存储介质 | |
CN111914939B (zh) | 识别模糊图像的方法、装置、设备及计算机可读存储介质 | |
WO2022141858A1 (zh) | 行人检测方法、装置、电子设备及存储介质 | |
CN111523677A (zh) | 实现对机器学习模型的预测结果进行解释的方法及装置 | |
CN113570867B (zh) | 一种城市交通状态预测方法、装置、设备及可读存储介质 | |
CN113806434B (zh) | 大数据处理方法、装置、设备及介质 | |
CN112883730B (zh) | 相似文本匹配方法、装置、电子设备及存储介质 | |
CN111860661B (zh) | 基于用户行为的数据分析方法、装置、电子设备及介质 | |
CN111950707B (zh) | 基于行为共现网络的行为预测方法、装置、设备及介质 | |
CN111738290B (zh) | 图像检测方法、模型构建和训练方法、装置、设备和介质 | |
CN113360305A (zh) | 计算机设备及其异常操作检测方法、装置、存储介质 | |
CN113515591B (zh) | 文本不良信息识别方法、装置、电子设备及存储介质 | |
US20230058076A1 (en) | Method and system for auto generating automotive data quality marker | |
CN115037790A (zh) | 异常注册识别方法、装置、设备及存储介质 | |
CN111583215B (zh) | 损伤图像智能定损方法、装置、电子设备及存储介质 | |
CN115114992A (zh) | 分类模型训练的方法、装置、设备及存储介质 | |
CN111444159B (zh) | 精算数据处理方法、装置、电子设备及存储介质 | |
CN114513355A (zh) | 恶意域名检测方法、装置、设备及存储介质 | |
CN113723554B (zh) | 模型调度方法、装置、电子设备及计算机可读存储介质 | |
CN113688924B (zh) | 异常订单检测方法、装置、设备及介质 | |
CN112101279B (zh) | 目标物异常检测方法、装置、电子设备及存储介质 | |
CN112231196B (zh) | App埋点行为分类方法、装置、计算机设备及存储介质 | |
CN113051475B (zh) | 内容推荐方法、装置、电子设备及可读存储介质 |
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 | ||
GR01 | Patent grant |