CN103810254A - 基于云端的用户行为实时分析方法 - Google Patents

Abstract

本发明公开了基于云端的用户行为实时分析方法，包括如下步骤：步骤S1，若干个人设备在广域网通信环境中采集并存储数据；步骤S2，接收用户行为识别指令的个人设备向云端发出数据分析请求，并根据设定的无线通信方式将数据上传至云端；步骤S3，云端对数据进行存储和可视化；步骤S4，云端对可视化后的数据进行行为语义分析，存储分析结果，并向各个个人设备发送所述分析结果。本发明方法将云服务与个人设备数据采集结合起来，实现了设备协同，克服了个人设备在数据分析方面的不足，增强了对各个设备的有效使用，减轻了应用开发者在数据分析方面的负担，提高了数据分析的质量。

Description

基于云端的用户行为实时分析方法

技术领域

本发明涉及信息处理及交换领域，具体涉及基于云端的用户行为实时分析方法。

背景技术

随着经济社会的发展、科技的进步，人们所拥有的电子设备越来越多。在日常生活中，用户往往会携带多个个人设备，例如，智能手机、平板电脑、智能手表、智能眼镜等。这些个人设备实现某些特定的功能，能够提升人们的生活质量。然而，各式各样的设备所具有的计算能力受能耗、体积所限制，往往不强，在设备本身上进行数据处理将极大地消耗设备资源并且无法保证处理速度；而且数据处理往往需要涉及机器学习方面的知识，门槛较高，对于普通应用开发者来说，这是一个极大的开发负担，需要投入大量的时间精力。但是，我们又迫切地需要对设备采集到的数据进行分析，获取用户的行为语义，从而为用户提供更好的服务。

公开号为102867190A的专利文献公开了一种利用移动设备内置传感器进行行为识别的方法，通过移动设备内置传感器进行行为识别。但是这样的行为识别是基于单个设备在本地进行的，设备的计算能力有限，而且开发者需要付出极大的精力解决数据分析、行为识别问题。

公开号为103366020A的专利文献也公开了一种用户行为分析的系统，但是该系统是去主动收集用户在电脑上的使用数据（访问的网站、搜索的关键字、标签、电脑硬件信息等），并不是基于设备采集的数据去挖掘行为语义。

云计算，是一种基于互联网的计算方式，通过这种方式，共享的软硬件资源和信息可以按需求提供给计算机和其他设备。云服务能够为用户提供可观的存储与强大的计算能力。随着计算机技术和网络基础设施的发展，云服务在通信、资源、安全、价格等关键因素上达到了比较成熟的水准，正在被越来越多的个人用户与应用开发者所使用。

为此，我们希望将设备上采集到的数据上传到云端分析，利用云端计算能力较强的优势，实时地对数据进行分析，得到用户的行为语义，同时也向各个设备实时反馈结果，可用于人机交互等应用，亦可做到设备的协同。

这样一来，原先在设备上的分析工作被移到云端，个人设备的任务就减轻了很多，只需要进行数据采集，减轻了个人设备的能耗与开发人员的工作量。

而且，云端获取了各个个人设备的数据，分析得到了用户的行为语义并对其进行存储。对所存储的数据可以进行可视化，将数据和语义呈现给用户，使用户得以了解自身的状态；并且，行为语义可供给第三方调用，减轻开发负担。

相比较于在个人设备上的行为语义挖掘，云端挖掘具有计算能力更强、减少设备上的能耗、免去设备上的应用开发负担、供给第三方调用、可视化给用户等优势，但是，它也需要做到实时性，使得设备上的应用需要得到实时结果（如进行人机交互）时，云端就像本地应用一样迅捷提供服务。

用户个人在使用云服务时，需要解决好通信问题。然而，不同设备的通信能力有强有弱，例如，智能手机能够通过移动网络或者无线网络进行数据传输，具有比较强的通信能力；但是诸如脑电波采集器的可穿戴设备，却往往不具备强通信能力，只能通过蓝牙等近距通信方式进行数据传输。因此，针对不同设备的通信能力，我们需要设计不同的通信方式以保证其与云端的顺畅通信。

总之，本发明拟通过将感知数据的分析过程放到云端，一方面可减轻终端的计算能力需求和开发需求，使终端体积和能耗可进一步减小，也可降低开发人员的技术门槛；另一方面可实现感知数据的实时云端分析和备份，以及设备间的数据协同。

发明内容

为了弥补个人设备在计算能力上的不足，本发明的目的在于将个人设备从行为分析中解脱出来，交给云端去获取用户的行为语义。这些行为语义可迅速反馈给终端用于人机交互等应用，也可共享给其他设备进行数据协同。此过程需做到实时反馈，即设备需要分析时，就能够立即将数据传给云端，云端收到数据后，立即进行分析，并反馈结果。

基于此，目前存在的问题有：相关的个人设备数据采集、存储、通信、云端存储和分析等问题，以及分析结果向各个设备发送以作设备协同、对数据和语义的可视化以方便用户了解自身状态、开放接口以减轻第三方开发者的负担等问题。

本发明提供了一种基于云端的用户行为实时分析方法，将数据处理从终端剥离，减轻终端体积和计算负载，提高用户行为的分析效率。

一种基于云端的用户行为实时分析方法，包括如下步骤：

步骤S1，若干个人设备在广域网通信环境中采集并存储数据，其中个人设备对所采集到的数据仅进行存储；

步骤S2，接收用户行为识别指令的个人设备向云端发出数据分析请求，并根据设定的无线通信方式将数据上传至云端；

步骤S3，云端对数据进行存储和可视化；

步骤S4，云端对可视化后的数据进行行为语义分析，存储分析结果，并向各个个人设备发送所述分析结果，其中发送分析结果时所采用的无线通信方式与步骤2中所采用的无线通信方式对应。

本发明方法的用户工作环境包括用户的个人设备、网关和云端。其中，所述的个人设备为用户能够随身携带且具有一定通信能力的移动终端，个人设备只进行数据本地采集与存储，将数据的分析处理交给云端进行；所述的云端为具有一定通信、存储、计算能力的服务平台，能够提供分析与可视化服务并向第三方应用开放调用接口。

当用户携带个人设备时，各个个人设备能够实时采集数据进行本地存储，并向云端发送数据，云端接收数据后，对其进行处理分析，并把分析结果发送给个人设备。

其中，个人设备对数据仅进行采集、本地存储和上传，而对数据的分析处理则交给云端进行，且云端对数据的存储、可视化以及行为语义分析均为实时进行。对于采集到的数据，先进行本地存储，再将包含所采集数据的数据库文件上传到云端。其中，不同的设备在云端对应不同的目录，在接收到数据库文件后，云端立即将其存储到对应的目录。在步骤S3中，可视化是通过网页展现的，在网页中，云端搜寻相应目录下的数据库文件，对其中的数据进行展示。当存储的数据发生了变化时，用户访问网页看到的结果也是不同的。

在得到分析结果之后，在各个个人设备之间进行设备协同，从而使每个个人设备均获取基于某个个人设备得到的行为语义，云端在接收了数据后，触发用户行为语义分析，分析的就是当前接收的数据库文件中的数据。具体的各个设备会有对应的训练分析方法。

在步骤S1中，在个人设备采集数据之前，首先由用户采集样本数据进行训练，并将训练结果存储于云端的训练数据库中。

所述云端具有训练数据库，其中，得到的训练结果包括训练数据以及训练数据所对应的行为语义。云端为所有的训练数据建立了一个训练数据库，存储相关信息，训练数据库包括四项内容：训练结果对应的ID、训练结果所在的训练集存储目录、训练结果的存储目录、训练结果对应的训练方法描述。

所述广域网通信环境为Wifi无线通信环境，在步骤S2中，通信方式通过以下方式设定：个人设备能够通过Wifi进行无线通信，则直接与云端无线通信；否则，先与最近的能够进行Wifi通信的个人设备进行近距离无线通信，由接收到数据后的个人设备将数据上传至云端。

智能手机、智能眼镜等个人设备带有Wifi通信功能，直接利用Wifi无线通信网络，将其本地存储的数据上传至云端；而智能手环、脑电波采集器等个人设备不能够直接通过Wifi网络进行无线通信，通过用户设定，首先将个人设备上进行本地存储的数据发送至智能手机这类具有Wifi通信能力的个人设备，再由其转发至云端。

所述近距离无线通信的方式为蓝牙通信蓝牙通信具有短距离内稳定传输的特点。

所述个人设备具有原始数据库，在步骤S1中，个人设备在原始数据库中存储所采集到的数据、数据所对应的ID以及数据采集的时间。

原始数据库自动增长，生成数据所对应的ID。个人设备对数据的存储按照时间段切割，不同时间段有对应的原始数据库，定时上传数据后便会产生新的原始数据库，个人设备采集数据后将数据存储至当前的原始数据库。

所述云端具有原始数据信息库，在步骤S3中，云端在所述原始数据信息库中存储数据的ID、上传数据的个人设备名称、数据的接收时间、数据的存储目录。

在步骤S3中，对于每个个人设备所对应的数据，云端的可视化方法为：

步骤S3-1，从原始数据信息库查找上传数据的个人设备，根据个人设备的类型选择对应的图表类型，其中图表类型由用户根据个人设备预先设定；

步骤S3-2，根据数据的规模将数据进行分段，并求得各段数据的平均值，并在网页上采用所选择的图表类型显示各段数据的平均值。

个人设备所采集的数据为数值形式，每一项数据按照时间顺序在网页上展现，网页当前展示的为最近可视化后的数据。用户不断下拉网页，就能看到比较早的数据。其中在网页上采用图表形式展示数据，不同的个人设备对应不同的图表类型，用来区分来自不同个人设备的数据。图表类型包括：折线图、直方图以及分布图。

在步骤S4中，对可视化后的数据进行行为语义分析的方法为：根据可视化后的数据，选取训练数据库内对应的训练结果，采用多类SVM算法进行行为语义分析。

将可视化后的数据与在训练数据库中训练数据进行匹配，得到匹配的训练数据相对应的行为语义，从而实现用户的行为语义分析。数据不仅可以用来分析行为语义，也可以展现给用户，让用户更好地了解自己的行为状态。其中，分析得到的行为语义也以文字形式出现在网页上。

个人设备所采集的数据可能会很多，在图表中展示过密，故需要对数据进行分段，对各段取平均值，而且根据具体的数据规模来决定分段的大小，即在图上显示合适数量的点。

所述云端还具有分析结果数据库，在步骤S4中，云端在所述分析结果数据库中为每次得到的分析结果建立一个记录，记录内容包括：所得分析结果、分析结果对应的ID、行为开始时间、行为结束时间、上传数据的个人设备名称。

分析结果数据库被所有个人设备共享。由于分析结果来自于对各个个人设备在不同时间段所上传数据的分析，因此在分析结果数据库中存储所得分析结果时，同时存储上传相应数据的个人设备的名称。

由于每个分析结果均为用户的行为语义，即用于描述用户的行为，因此通过行为开始时间和行为结束时间来界定用户行为的发生时间范围。

所述基于云的个人设备数据分析方法还包括：

步骤S5，云端对外开放调用接口，由第三方应用开发者通过所述调用接口获取分析结果。

在分析结果数据库中还包括对分析结果的服务描述，第三方应用程序的开发者能够从云端获得所需的分析结果，进行第三方应用程序的开发。

利用本发明基于云的个人设备数据分析方法，能够有效克服用户设备计算能力不足、计算资源消耗过大、计算门槛过高的问题，利用云端的存储与计算能力，再结合为不同设备量身打造的通信方式，将数据分析功能放到云端，显著提高了对各个设备所采集数据的分析能力。同时，数据分析结果也会实时发还给原采集终端及其它设备，实现设备协同。最后，分析结果也能够为第三方开发者调用，为其提供技术支撑，减轻了第三方开发者的负担。

附图说明

图1为本发明一个实施例的装置组成原理示意图；

图2为当前实施例中基于云端的用户行为实时分析方法的流程图。

具体实施方式

为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的装置及方法进行详细说明。

本发明实施例的整体环境包括两部分：

第一部分为用户工作环境，其包括：用户的个人设备，其能够根据设定采集数据，并与云端进行通信；网关，其为个人设备提供与云端通信的网络接入口。其中，个人设备只进行数据的本地采集与存储，将数据的处理分析交给云端负责。

第二部分为云端，为用户提供数据存储、分析、可视化服务，并为第三方应用开放接口，使其能调用分析结果。

云端包含以下模块：

数据可视化模块，用于对各个设备的数据进行初步的处理并基于数据类型与处理结果进行可视化，并采用网页形式显示可视化后的数据；

数据分析模块，包含两个子单元：

1）训练单元，用于将样本数据进行训练并存储训练结果；

2）计算单元，基于事先的训练结果，用于分析接收的数据；

通信模块，用于接收用户工作环境的数据并发送分析结果；

数据管理模块：用于对训练单元的训练集与训练结果进行存储并为计算单元提供调用接口；用于对通信模块接收的数据进行存储并为数据可视化模块与分析模块提供调用接口；用于对分析模块的分析结果进行存储并为通信模块与服务管理模块提供调用接口；

服务管理模块：用于向第三方应用开放调用接口，使得第三方应用能够直接利用分析模块的分析结果进行后续的开发。

云端包含以下数据库：

训练数据库，为所有的训练数据建立一个数据库存储相关信息，数据库包括四项内容：训练数据对应的ID、训练数据所在训练集的存储目录、训练结果存储目录、训练结果对应的训练方法描述；

原始数据信息库，为所有接收到的数据建立一个数据库存储相关信息，数据库包括四项内容：数据对应的ID、上传数据的个人设备名称、数据的接收时间、数据的存储目录；

分析结果数据库，为所有生成的分析结果建立一个数据库进行存储，数据库包括九项内容：分析结果ID、分析结果所对应的数据ID、分析结果所对应的训练数据ID、分析的开始时间、分析的结束时间、分析结果的生成时间、分析结果、上传数据的个人设备名称、对分析结果的服务描述。

图1为本发明实施例的装置组成原理示意图，包括：Wifi路由器、智能手机、智能手环、智能眼镜、脑电波采集器及云服务器。在本实施例中，智能手机、智能眼镜接入Wifi网络，从而利用无线通信能力进行数据上传；智能手环、脑电波采集器通过蓝牙模块与智能手机相连，从而利用智能手机的通信能力将数据上传至云端。

Wifi路由器作为网关，被安置在室内，向四周发出信号，并保证室内各个角落均能接收到信号。智能手机、智能手表、智能眼镜通过Wifi路由器提供的无线通信环境与云服务器进行无线通信。本实施例中Wifi路由器采用TP-Link公司型号为TL-WR541G+的产品。

智能手环作为个人设备，佩戴在用户手腕上，监测用户的活动和睡眠情况，能通过自带的蓝牙模块与配对的其他设备通信，本实施例中的智能手环采用咕咚智能手环。

脑电波采集器作为个人设备，用以检测脑电波信号，反映用户的大脑状态，能通过自带的蓝牙模块与配对的其他设备通信。本实施例中的脑电波采集器采用NeuroSky的脑立方。

智能眼镜作为个人设备，可通过语音或动作操控完成多项功能，能通过自带的Wifi模块接入接入无线网络。在当前实施例中用户佩戴智能眼镜实时采集图像。本实施例中的智能眼镜采用Google Glass。

智能手机作为个人设备，可利用自身的多种传感器进行数据采集，并具有蓝牙、Wifi模块，通信能力较强，可作为数据传输的中转设备，在当前实施例中，智能手机实时采集用户的通信数据，例如语音通信流量。本实施例中的智能手机采用Google Nexus S。

云服务器（云端）对各类数据进行分析并存储用户的数据，随后将分析结果进行存储并回发至各个设备。本实施例中的云服务器采用WindowsAzure。

图2为如图1的实施例中基于云端的用户行为实时分析方法的流程图，其具体步骤如下：

步骤S1，若干个人设备在Wifi无线通信环境中采集并存储数据。

在个人设备采集数据之前，用户事先采集样本数据进行训练并更新训练数据数据库，其中，数据训练过程如下：以智能手环的数据训练过程为例，智能手环用于识别分析的数据类型为三轴加速度信号，在其数据训练阶段，首先对原始的三轴加速度信号进行快速傅里叶变换；然后对快速傅里叶变换后的信号提取信号特征，信号特征包括：x轴、y轴、z轴三个维度上的加速度时域上的方差，加速度两两维度上的相关度，x轴、y轴、z轴三个维度上的加速度频域上的交流分量的能量均值，x轴、y轴、z轴三个维度上的加速度频域上的交流分量的信息熵；在提取了信号特征之后，利用多类SVM算法进行数据训练。其他设备，根据各自的数据类型，分别进行数据的预处理，并提取特征对数据进行训练。

用户开启各个个人设备，依靠个人设备的自身感知能力进行数据采集并存储至原始数据库。原始数据库随着时间段的改变而不断建立，并且以采集的时间命名数据，不同时间采集到的数据存储至其所属时间段的原始数据库，字段说明如下：

字段名称	字段类型	说明
			ID	整形	原始数据库的主键标识
数据采集时间	时间	数据的采集时间
			原始数据	字符串	采集到的数据本身

步骤S2，接收用户行为识别指令的个人设备向云端发出数据分析请求，并根据设定的无线通信方式将数据上传至云端；

在进行上传前，先由用户对各个个人设备进行上传配置。在每次实施本发明方法时，只需要在首次数据上传前进行初始化配置一次，个人设备上的本地配置文件对通信方式进行设置，此后的数据上传即可按照初始化配置进行，使得该个人设备可在接收用户行为识别指令后即按照设定的方式进行数据上传。智能眼镜和智能手机通信能力较强，直接利用Wifi无线网络，将本地数据上传至云服务端；

脑电波采集器和智能手环缺乏远程通信能力，先利用近距离通信，将采集到的数据发送至智能手机，智能手机再利用Wifi无线网络将数据上传至云服务端。

步骤S3，云端对数据进行存储和可视化。

云端为每个个人设备创建唯一的目录，将接收到的数据库文件存储在对应目录下，并更新原始数据信息库，所有设备共享该原始数据信息库。原始数据信息库的字段说明如下：

字段名称	字段类型	说明
			ID	整形	原始数据信息库的主键标识
设备名	字符串	数据的来源设备
			接收时间	时间	数据的接收时间
原始数据存储目录	字符串	数据在云端的存储目录

数据的来源设备即上传数据的个人设备。云端根据个人设备名称从原始数据库中查询得到该个人设备的最新数据的存储目录，从而获取该个人设备上传的数据。个人设备采集到的数据为数值形式，由于个人设备所采集的数据可能会很多，在图表中展示过密，有必要对数据进行初步处理，初步处理的方式为数据进行分段，并对各段数据取平均值，继而对取平均值之后的数据采用合适的可视化方法对数据进行可视化。其中，可视化方法为在网页上以图表形式展示数据，图表类型包括：折线图、直方图以及分布图。

步骤S4，云端分析可视化后的数据，存储对应的分析结果，并向每个个人设备发送分析结果，个人设备存储分析结果。

云端对其中一个个人设备所上传的数据进行行为语义分析时，根据数据采集的时间，从原始数据信息库中查询得到其它个人设备的相关数据。并结合相关数据进行融合分析。其中，融合分析的过程如下：依据数据的不同类型，对数据进行预处理，并进行特征提取，选取在数据的训练阶段得到的训练结果，利用多类SVM算法进行对数据进行分析，得到的分析结果为用户的行为语义，该分析结果以字符串的形式存储在云端，反馈至个人设备，并在个人设备上展示。

云端对数据进行处理分析完毕后，将分析结果存入分析结果数据库。所有个人设备共享分析结果数据库，字段说明如下：

字段名称	字段类型	说明
			ID	整形	分析结果数据库的主键标识
设备名	字符串	原始数据的来源设备
			开始时间	时间	原始数据的采集开始时间
结束时间	时间	原始数据的采集结束时间
			生成时间	时间	分析结果的生成时间
原始数据ID	整形	外键，标识所分析的原始数据
			训练数据ID	整形	外键，标识训练用到的数据
分析结果	字符串	具体分析结果
			服务描述	字符串	具体服务描述，便于第三方调用

云端在分析完毕后，按用户事先设定的顺序向各个个人设备发送当前的分析结果，即选取分析结果数据库中最新插入的数据项内容发送给各个个人设备：

智能眼镜和智能手机均能直接接收分析结果，且智能手机将接收的脑电波采集器的数据分析结果通过蓝牙回发至脑电波采集器，将接收的智能手环数据的分析结果通过蓝牙回发至智能手环；

各个个人设备将接收到的分析结果存入本地分析结果数据库，字段说明如下：

字段名称	字段类型	说明
			ID	整形	本地分析结果数据库的主键标识
设备名	字符串	原始数据的来源设备
			开始时间	时间	原始数据的采集开始时间
结束时间	时间	原始数据的采集结束时间
			分析结果	字符串	具体分析结果

步骤S5，云端对外开放调用接口，由第三方应用开发者通过调用接口获取分析结果。

第三方应用开发者获取分析结果来实现服务；而各个个人设备向上开放调用接口，使得上层应用能够获取分析结果。

本发明基于云端的用户行为实时分析方法将云服务与个人设备数据采集结合起来，根据不同设备的通信能力设计了合适的通信方式，云端融合各个设备的数据进行分析并向各个设备反馈分析结果，实现了设备协同；通过对外开放调用接口，降低了数据分析对个人设备计算能力的要求，减轻了应用开发者在数据分析方面的负担，提高了数据分析的质量。

Claims (10)

1.一种基于云端的用户行为实时分析方法，其特征在于，包括如下步骤：

步骤S1，若干个人设备在广域网通信环境中采集并存储数据，其中个人设备对所采集到的数据仅进行存储；

步骤S2，接收用户行为识别指令的个人设备向云端发出数据分析请求，并根据设定的无线通信方式将数据上传至云端；

步骤S3，云端对数据进行存储和可视化；

步骤S4，云端对可视化后的数据进行行为语义分析，存储分析结果，并向各个个人设备发送所述分析结果，其中发送分析结果时所采用的无线通信方式与步骤2中所采用的无线通信方式对应。

2.如权利要求1所述基于云端的用户行为实时分析方法，其特征在于，在步骤S1中，在个人设备采集数据之前，首先由用户采集样本数据进行训练，并将训练结果存储于云端的训练数据库中。

3.如权利要求1所述基于云端的用户行为实时分析方法，其特征在于，所述广域网通信环境为Wifi无线通信环境，在步骤S2中，通信方式通过以下方式设定：个人设备能够通过Wifi进行无线通信，则直接与云端无线通信；否则，先与最近的能够进行Wifi通信的个人设备进行近距离无线通信，由接收到数据后的个人设备将数据上传至云端。

4.如权利要求3所述基于云端的用户行为实时分析方法，其特征在于，所述近距离无线通信的方式为蓝牙通信。

5.如权利要求1所述基于云端的用户行为实时分析方法，其特征在于，所述个人设备具有原始数据库，在步骤S1中，个人设备在原始数据库中存储所采集到的数据、数据所对应的ID以及数据采集的时间。

6.如权利要求1所述基于云端的用户行为实时分析方法，其特征在于，所述云端具有原始数据信息库，在步骤S3中，云端在所述原始数据信息库中存储数据的ID、上传数据的个人设备名称、数据的接收时间、数据的存储目录。

7.如权利要求6所述基于云端的用户行为实时分析方法，其特征在于，在步骤S3中，对于每个个人设备所对应的数据，云端的可视化方法为：

步骤S3-1，从原始数据信息库查找上传数据的个人设备，根据个人设备的类型选择对应的图表类型，其中图表类型由用户根据个人设备预先设定；

步骤S3-2，根据数据的规模将数据进行分段，并求得各段数据的平均值，并在网页上采用所选择的图表类型显示各段数据的平均值。

8.如权利要求2所述基于云端的用户行为实时分析方法，其特征在于，在步骤S4中，对可视化后的数据进行行为语义分析的方法为：根据可视化后的数据，选取训练数据库内对应的数据结果，采用多类SVM算法进行行为语义分析。

9.如权利要求1所述基于云端的用户行为实时分析方法，其特征在于，所述云端还具有分析结果数据库，在步骤S4中，云端在所述分析结果数据库中为每次得到的分析结果建立一个记录，记录内容包括：所得分析结果、分析结果对应的ID、行为开始时间、行为结束时间、上传数据的个人设备名称。

10.如权利要求1所述基于云端的用户行为实时分析方法，其特征在于，所述基于云的个人设备数据分析方法还包括：

步骤S5，云端对外开放调用接口，由第三方应用开发者通过所述调用接口获取分析结果。

Images