CN104348855B - 用户信息的处理方法、移动终端及服务器 - Google Patents

用户信息的处理方法、移动终端及服务器 Download PDF

Info

Publication number
CN104348855B
CN104348855B CN201310323861.9A CN201310323861A CN104348855B CN 104348855 B CN104348855 B CN 104348855B CN 201310323861 A CN201310323861 A CN 201310323861A CN 104348855 B CN104348855 B CN 104348855B
Authority
CN
China
Prior art keywords
user
mobile terminal
activity
terminal
information
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
Application number
CN201310323861.9A
Other languages
English (en)
Other versions
CN104348855A (zh
Inventor
王靓伟
张弓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Priority to CN201310323861.9A priority Critical patent/CN104348855B/zh
Priority to US14/341,311 priority patent/US9288306B2/en
Priority to EP14178878.6A priority patent/EP2833603B1/en
Publication of CN104348855A publication Critical patent/CN104348855A/zh
Application granted granted Critical
Publication of CN104348855B publication Critical patent/CN104348855B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M1/00—Substation equipment, e.g. for use by subscribers
    • H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
    • H04M1/724—User interfaces specially adapted for cordless or mobile telephones
    • H04M1/72448—User interfaces specially adapted for cordless or mobile telephones with means for adapting the functionality of the device according to specific conditions
    • H04M1/72454—User interfaces specially adapted for cordless or mobile telephones with means for adapting the functionality of the device according to specific conditions according to context-related or environment-related conditions
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/535—Tracking the activity of the user
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M1/00—Substation equipment, e.g. for use by subscribers
    • H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
    • H04M1/724—User interfaces specially adapted for cordless or mobile telephones
    • H04M1/72448—User interfaces specially adapted for cordless or mobile telephones with means for adapting the functionality of the device according to specific conditions
    • H04M1/72457—User interfaces specially adapted for cordless or mobile telephones with means for adapting the functionality of the device according to specific conditions according to geographic location
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services

Abstract

本发明实施例公开了用户信息的处理方法、移动终端及服务器，所述方法包括：移动终端采集终端信息，所述终端信息包括所述移动终端的位置；获得当前时间和位于所述位置下不同类型的用户活动的先验概率信息；根据所述先验概率信息和所述终端信息对使用所述移动终端的终端用户的活动进行识别或预测。本发明实施例除了结合终端用户自身的终端数据外，还结合不同类型的用户活动的先验概率信息对终端用户的活动进行识别或预测，由于识别或预测时，增加了数据样本的数量，从而提高了识别或预测的准确性；并且，应用本发明实施例的识别或预测结果向终端用户推送的信息与用户感兴趣的信息差别较小，从而可以提高用户的终端使用体验。

Description

用户信息的处理方法、移动终端及服务器
技术领域
本发明涉及通信技术领域，特别涉及用户信息的处理方法、移动终端及服务器。
背景技术
随着移动终端智能化程度的提高和普及，智能终端的使用与终端用户的日常生活紧密联系，从而使得终端的各种应用功能也逐渐增强。终端内通过设置传感器等装置，可以获得用户的各种应用数据，并依据这些应用数据对用户活动进行识别或预测，从而根据预测结果向用户推送信息，以提高终端用户的使用体验。
现有技术中，在对用户活动进行识别或预测时，通过传感器仅能采集到终端用户自身的应用数据，并将该应用数据与预先设置的活动分类模型进行匹配，从而实现对用户活动的识别或预测。但是，由于现有的识别或预测方式仅针对用户自身的应用数据，数据样本有限，使得识别或预测结果不准确，以及依据识别或预测结果向用户推送的信息与用户感兴趣的信息差别较大，从而导致终端用户的使用体验不高。
发明内容
本发明实施例中提供了用户信息的处理方法、移动终端及服务器，以一定程度上解决现有技术中对用户活动的识别和预测结果不准确，导致用户终端使用体验不高的问题。
为了解决上述技术问题，本发明实施例公开了如下技术方案：
第一方面，提供一种用户信息的处理方法，所述方法包括：
移动终端采集终端信息，所述终端信息包括所述移动终端的位置；
获得当前时间和位于所述位置下不同类型的用户活动的先验概率信息；
根据所述先验概率信息和所述终端信息对使用所述移动终端的终端用户的活动进行识别或预测。
结合第一方面，在第一方面的第一种可能的实现方式中，所述终端信息包括：终端传感信息和用户操作信息，其中，所述终端传感信息包括所述移动终端的位置；
所述移动终端采集终端信息，包括：
移动终端按照设置的时间周期采集所述终端传感信息和用户操作信息；或者，
移动终端接收到终端用户输入的采集命令时，采集所述终端传感信息和用户操作信息。
结合第一方面，或第一方面的第一种可能的实现方式，在第一方面的第二种可能的实现方式中，所述获得当前时间和位于所述位置下不同类型的用户活动的先验概率信息，包括：
移动终端向服务器发送采集到的所述移动终端的位置，以使所述服务器根据当前时间和所述位置检索人类活动分布数据库，得到不同类型的用户活动的先验概率信息；
接收所述服务器返回的所述不同类型的用户活动的先验概率信息。
结合第一方面，或第一方面的第一种可能的实现方式，或第一方面的第二种可能的实现方式，在第一方面的第三种可能的实现方式中，所述根据所述先验概率信息和所述终端信息对使用所述移动终端的终端用户的活动进行识别或预测，包括：
将所述先验概率信息和终端信息输入预先训练的用户活动分类模型，对所述用户活动分类模型采用预设算法进行训练，得到所述终端用户的活动识别结果；或者，
将所述先验概率信息和终端信息输入预先训练的用户活动预测模型，对所述用户活动预测模型采用预设算法进行训练，得到所述终端用户的活动预测结果。
结合第一方面的第三种可能的实现方式，在第一方面的第四种可能的实现方式中，所述方法还包括：
所述移动终端按照预设时间周期向所述服务器上报终端用户的活动信息，以使所述服务器根据所述活动信息对用户活动分类模型或用户活动预测模型进行更新；
接收所述服务器返回的更新后的所述用户活动分类模型和用户活动预测模型。
第二方面，提供一种用户信息的处理方法，所述方法包括：
服务器接收移动终端采集的终端信息，所述终端信息包括所述移动终端的位置；
获得当前时间和位于所述位置下不同类型的用户活动的先验概率信息；
向所述移动终端发送所述不同类型的用户活动的先验概率信息，以使所述移动终端根据所述先验概率信息和终端信息对使用所述移动终端的终端用户的活动进行识别或预测。
结合第二方面，在第二方面的第一种可能的实现方式中，所述终端信息包括：终端传感信息和用户操作信息，其中，所述终端传感信息包括所述移动终端的位置；
所述获得当前时间和位于所述位置下不同类型的用户活动的先验概率信息，包括：所述服务器以当前时间和所述移动终端的位置检索人类活动分布数据库，得到不同类型的用户活动的先验概率信息。
结合第二方面的第一种可能的实现方式，在第二方面的第二种可能的实现方式中，所述方法还包括：
服务器从网络信息中获取人类活动信息；
对所述人类活动信息进行分类统计，得到不同用户活动在不同时间和位置时的概率信息；
将所述概率信息作为用户活动的先验概率保存到所述人类活动分布数据库中。
结合第二方面，或第二方面的第一种可能的实现方式，或第二方面的第二种可能的实现方式，在第二方面的第三种可能的实现方式中，所述方法还包括：
所述服务器接收所述移动终端按照预设时间周期上报的终端用户的活动信息；
根据所述活动信息对用户活动分类模型和用户活动预测模型进行更新；
将更新后的所述用户活动分类模型和用户活动预测模型下发给所述移动终端。
第三方面，提供一种移动终端，所述移动终端包括：
采集单元，用于采集终端信息，所述终端信息包括所述移动终端的位置；
获得单元，用于获得当前时间和位于所述位置下不同类型的用户活动的先验概率信息；
处理单元，用于根据所述获得单元获得的先验概率信息和所述采集单元采集的终端信息对使用所述移动终端的终端用户的活动进行识别或预测。
结合第三方面，在第三方面的第一种可能的实现方式中，所述采集单元采集的终端信息包括：终端传感信息和用户操作信息，其中，所述终端传感信息包括所述移动终端的位置；
所述采集单元，具体用于按照设置的时间周期采集所述终端传感信息和用户操作信息，或者接收到终端用户输入的采集命令时，采集所述终端传感信息和用户操作信息。
结合第三方面，或第三方面的第一种可能的实现方式，在第三方面的第二种可能的实现方式中，所述获得单元包括：
信息发送子单元，用于向服务器发送所述采集单元采集到的所述移动终端的位置，以使所述服务器根据当前时间和所述位置检索人类活动分布数据库，得到不同类型的用户活动的先验概率信息；
概率接收子单元，用于接收所述服务器返回的所述不同类型的用户活动的先验概率信息。
结合第三方面，或第三方面的第一种可能的实现方式，或第三方面的第二种可能的实现方式，在第三方面的第三种可能的实现方式中，所述处理单元包括至少一个下述子单元：
活动识别子单元，用于将所述先验概率信息和终端信息输入预先训练的用户活动分类模型，对所述用户活动分类模型采用预设算法进行训练，得到所述终端用户的活动识别结果；
活动预测子单元，用于将所述先验概率信息和终端信息输入预先训练的用户活动预测模型，对所述用户活动预测模型采用预设算法进行训练，得到所述终端用户的活动预测结果。
结合第三方面的第三种可能的实现方式，在第三方面的第四种可能的实现方式中，所述移动终端还包括：
上报单元，用于按照预设时间周期向所述服务器上报终端用户的活动信息，以使所述服务器根据所述活动信息对用户活动分类模型或用户活动预测模型进行更新；
接收单元，用于接收所述服务器返回的更新后的所述用户活动分类模型和用户活动预测模型。
第四方面，提供一种服务器，所述服务器包括：
接收单元，用于接收移动终端采集的终端信息，所述终端信息包括所述移动终端的位置；
获得单元，用于获得当前时间和位于所述位置下不同类型的用户活动的先验概率信息；
发送单元，用于向所述移动终端发送所述获得单元获得的不同类型的用户活动的先验概率信息，以使所述移动终端根据所述先验概率信息和终端信息对使用所述移动终端的终端用户的活动进行识别或预测。
结合第四方面，在第四方面的第一种可能的实现方式中，所述终端信息包括：终端传感信息和用户操作信息，其中，所述终端传感信息包括所述移动终端的位置；
所述获得单元，具体用于以当前时间和所述移动终端的位置检索人类活动分布数据库，得到不同类型的而用户活动的先验概率信息。
结合第四方面的第一种可能的实现方式，在第四方面的第二种可能的实现方式中，所述服务器还包括：
获取单元，用于从网络信息中获取人类活动信息；
统计单元，用于对所述获取单元获取的人类活动信息进行分类统计，得到不同用户活动在不同时间和位置时的概率信息；
保存单元，用于将所述统计单元获得的概率信息作为用户活动的先验概率保存到所述人类活动分布数据库中。
结合第四方面，或第四方面的第一种可能的实现方式，或第四方面的第二种可能的实现方式，在第四方面的第三种可能的实现方式中，所述接收单元，还用于接收所述移动终端按照预设时间周期上报的终端用户的活动信息；
所述服务器还包括：
更新单元，用于根据所述接收单元接收的活动信息对用户活动分类模型和用户活动预测模型进行更新；
下发单元，用于将所述更新单元更新后的用户活动分类模型和用户活动预测模型下发给所述移动终端。
第五方面，提供一种移动终端，所述移动终端包括：传感装置、网络接口和处理器，其中，
所述传感装置，用于采集属于终端信息的终端传感信息，所述终端传感信息包括所述移动终端的位置；
所述处理器，用于采集属于终端信息的用户操作信息；
所述网络接口，用于与服务器建立通信连接，并从所述服务器获得当前时间和位于所述位置下不同类型的用户活动的先验概率信息；
所述处理器，还用于根据所述先验概率信息和所述终端信息对使用所述移动终端的终端用户的活动进行识别或预测。
结合第五方面，在第五方面的第一种可能的实现方式中，所述传感装置，具体用于按照设置的时间周期采集所述终端传感信息，或者接收到终端用户输入的采集命令时，采集所述终端传感信息，其中，所述终端传感信息包括所述移动终端的位置；
所述处理器，具体用于按照设置的时间周期采集所述用户操作信息，或者接收到终端用户输入的采集命令时，采集所述用户操作信息。
结合第五方面，或第五方面的第一种可能的实现方式，在第五方面的第二种可能的实现方式中，所述网络接口，具体用于向服务器发送所述移动终端的位置，以使所述服务器根据当前时间和所述位置检索人类活动分布数据库，得到不同类型的用户活动的先验概率信息，并接收所述服务器返回的所述不同类型的用户活动的先验概率信息。
结合第五方面，或第五方面的第一种可能的实现方式，或第五方面的第二种可能的实现方式，在第五方面的第三种可能的实现方式中，所述处理器，具体用于将所述先验概率信息和终端信息输入预先训练的用户活动分类模型，对所述用户活动分类模型采用预设算法进行训练，得到所述终端用户的活动识别结果，或者，将所述先验概率信息和终端信息输入预先训练的用户活动预测模型，对所述用户活动预测模型采用预设算法进行训练，得到所述终端用户的活动预测结果。
结合第五方面的第三种可能的实现方式，在第五方面的第四种可能的实现方式中，所述处理器，还用于通过所述网络接口，按照预设时间周期向所述服务器上报终端用户的活动信息，以使所述服务器根据所述活动信息对用户活动分类模型或用户活动预测模型进行更新，并通过所述网络接口接收所述服务器返回的更新后的所述用户活动分类模型和用户活动预测模型。
第六方面，提供一种服务器，所述服务器包括：网络接口和处理器，其中，
所述网络接口，用于接收移动终端采集的终端信息，所述终端信息包括所述移动终端的位置；
所述处理器，用于获得当前时间和位于所述位置下不同类型的用户活动的先验概率信息，并通过所述网络接口向所述移动终端发送所述不同类型的用户活动的先验概率信息，以使所述移动终端根据所述先验概率信息和终端信息对使用所述移动终端的终端用户的活动进行识别或预测。
结合第六方面，在第六方面的第一种可能的实现方式中，所述终端信息包括：终端传感信息和用户操作信息，其中，所述终端传感信息包括所述移动终端的位置；
所述处理器，具体用于以当前时间和所述移动终端的位置检索人类活动分布数据库，得到不同类型的用户活动的先验概率信息。
结合第六方面的第一种可能的实现方式，在第六方面的第二种可能的实现方式中，所述处理器，还用于从网络信息中获取人类活动信息，对所述人类活动信息进行分类统计，得到不同用户活动在不同时间和位置时的概率信息，并将所述概率信息作为用户活动的先验概率保存到所述人类活动分布数据库中。
结合第六方面，或第六方面的第一种可能的实现方式，或第六方面的第二种可能的实现方式，在第六方面的第三种可能的实现方式中，所述网络接口，还用于接收所述移动终端按照预设时间周期上报的终端用户的活动信息；
所述处理器，还用于根据所述活动信息对用户活动分类模型和用户活动预测模型进行更新，并将更新后的所述用户活动分类模型和用户活动预测模型通过所述网络接口下发给所述移动终端。
本发明实施例中，移动终端采集包括移动终端的位置在内的终端信息，从服务器获得当前时间和位于所述位置下不同类型的用户活动的先验概率信息，根据先验概率信息和终端信息对使用移动终端的终端用户的活动进行识别或预测。本发明实施例在对用户活动进行识别或预测时，除了结合终端用户自身的终端数据外，还结合不同类型的用户活动的先验概率信息对终端用户的活动进行识别或预测，由于识别或预测时，增加了数据样本的数量，从而提高了识别或预测的准确性；并且，应用本发明实施例的识别或预测结果向终端用户推送的信息与用户感兴趣的信息差别较小，从而可以提高用户的终端使用体验。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1A为本发明用户信息的处理方法的一个实施例流程图；
图1B为本发明用户信息的处理方法的另一个实施例流程图；
图2为应用本发明实施例的用户活动识别和预测系统架构示意图；
图3为本发明用户信息的处理方法的另一个实施例流程图；
图4为本发明移动终端的一个实施例框图；
图5为本发明移动终端的另一个实施例框图；
图6为本发明移动终端的另一个实施例框图；
图7为本发明服务器的一个实施例框图；
图8为本发明服务器的另一个实施例框图；
图9为本发明服务器的另一个实施例框图；
图10为本发明服务器的另一个实施例框图。
具体实施方式
本发明如下实施例提供了用户信息的处理方法、移动终端及服务器。
为了使本技术领域的人员更好地理解本发明实施例中的技术方案，并使本发明实施例的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明实施例中技术方案作进一步详细的说明。
参见图1A，为本发明用户信息的处理方法的一个实施例流程图，该实施例从移动终端侧描述的用户信息的处理过程：
步骤101：移动终端采集终端信息，终端信息包括移动终端的位置。
本实施例中，终端信息可以包括：终端传感信息和用户操作信息。其中，终端传感信息可以由移动终端上的各类传感设备进行采集，例如，传感装置可以包括速度传感器、加速度传感器、全球定位系统(Global Positioning System，GPS)、无线保真(WirelessFidelity，WiFi)装置等，终端传感信息除了包括移动终端的位置外，还可以包括移动终端的加速度、角度、光照和声音等；用户操作信息可以包括终端开启、终端充电、终端通信、终端流量使用、终端设置、终端摄像、终端拍照、终端录音、应用下载、应用使用、浏览器访问地址等。
本实施例中的位置指预先划分的各个地理区域范围，终端的位置指终端所在的某个地理区域范围，例如，位置可以包括CBD区域，市中心街道区域，大学城区域等。需要说明的是，上述仅是对位置划分的举例，实际应用中可以根据需要对位置进行灵活划分，对此本发明实施例不进行限制。
本实施例中，移动终端可以按照设置的时间周期采集终端传感信息和用户操作信息；或者，移动终端也可以在接收到终端用户输入的采集命令时，采集终端传感信息和用户操作信息。
步骤102：移动终端获得当前时间和位于该位置下不同类型的用户活动的先验概率信息。
本实施例中，移动终端可以向服务器发送采集到的移动终端的位置，由服务器根据当前时间和位置检索人类活动分布数据库，得到不同类型的用户活动在该时间和位置下的先验概率信息，并接收所述服务器返回的不同类型的用户活动的先验概率信息。其中，先验概率(prior probability)是指根据以往经验和历史数据分析得到的概率，本发明实施例中，人类活动分布数据库中保存了依据用户活动的历史数据计算得到的不同类型的用户活动在不同时间和不同位置下的概率，即不同类型的用户活动在不同时间和位置下的先验概率信息。
步骤103：移动终端根据先验概率信息和终端信息对使用终端用户的活动进行识别或预测。
本实施例中，移动终端可以在日常使用过程中，按照预设时间周期向服务器上报终端用户的活动信息，以使服务器根据这些活动信息对该移动终端的用户活动分类模型或用户活动预测模型进行更新，并接收服务器返回的更新后的用户活动分类模型和用户活动预测模型。
当移动终端需要对终端用户的活动进行识别时，可以将获取的先验概率信息和采集的终端信息输入预先训练的用户活动分类模型，对用户活动分类模型采用预设算法进行训练，得到终端用户的活动识别结果；当移动终端需要对终端用户的活动进行预测时，可以将获取的先验概率信息和采集的终端信息输入预先训练的用户活动预测模型，对用户活动预测模型采用预设算法进行训练，得到终端用户的活动预测结果。
本发明实施例在对用户活动分类模型或用户活动预测模型进行训练时，可以采用线性回归算法、决策树算法、条件随机场算法等，在采用这些算法对用户活动进行识别或预测时，与现有技术的主要不同在于，增加了人类活动的先验概率信息，从而可以提高识别或预测的准确性。
由上述实施例可见，本实施例在对用户活动进行识别或预测时，除了结合终端用户自身的终端数据外，还结合不同类型的用户活动的先验概率信息对终端用户的活动进行识别或预测，由于识别或预测时，增加了数据样本的数量，从而提高了识别或预测的准确性；并且，应用本发明实施例的识别或预测结果向终端用户推送的信息与用户感兴趣的信息差别较小，从而可以提高用户的终端使用体验。
参见图1B，为本发明用户信息的处理方法的一个实施例流程图，该实施例从服务器侧描述的用户信息的处理过程：
步骤111：服务器接收移动终端采集的终端信息，终端信息包括移动终端的位置。
本实施例中，终端信息可以包括：终端传感信息和用户操作信息。其中，终端传感信息可以由移动终端上的各类传感设备进行采集，例如，传感装置可以包括GPS、WIFI装置等，终端传感信息除了包括移动终端的位置外，还可以包括移动终端的加速度、角度、光照和声音等；用户操作信息可以包括终端开启、终端充电、终端通信、终端流量使用、终端设置、终端摄像、终端拍照、终端录音、应用下载、应用使用、浏览器访问地址等。
本实施例中的位置指预先划分的各个地理区域范围，终端的位置指终端所在的某个地理区域范围，例如，位置可以包括CBD区域，市中心街道区域，大学城区域等。需要说明的是，上述仅是对位置划分的举例，实际应用中可以根据需要对位置进行灵活划分，对此本发明实施例不进行限制。
本实施例中，服务器可以接收移动终端按照设置的时间周期采集的终端传感信息和用户操作信息；或者，服务器也可以接收移动终端也在接收到终端用户输入的采集命令时，采集的终端传感信息和用户操作信息。
步骤112：服务器获得当前时间和位于所述位置下不同类型的用户活动的先验概率信息。
本实施例中，服务器可以预先从海量的网络信息中获取人类活动信息，对人类活动信息进行分类统计，得到不同用户活动在不同时间和位置时的概率信息，将获得的概率信息作为用户活动的先验概率，以时间和位置为维度保存到人类活动分布数据库中。当服务器接收到移动终端发送的位置后，可以以当前时间和位置检索人类活动分布数据库，得到不同类型的用户活动的先验概率信息。
步骤113：服务器向移动终端发送不同类型的用户活动的先验概率信息，以使移动终端根据先验概率信息和终端信息对使用终端用户的活动进行识别或预测。
本实施例中，移动终端可以在日常使用过程中，按照预设时间周期向服务器上报终端用户的活动信息，服务器接收到终端用户的活动信息后，根据这些活动信息对该移动终端的用户活动分类模型和用户活动预测模型进行更新，并将更新后的用户活动分类模型和用户活动预测模型下发给该移动终端，以使该终端可以通过用户活动分类模型对终端用户的用户活动进行识别，或者通过用户活动预测模型对终端用户的用户活动进行预测。
由上述实施例可见，本实施例在对用户活动进行识别或预测时，除了结合终端用户自身的终端数据外，还结合不同类型的用户活动的先验概率信息对终端用户的活动进行识别或预测，由于识别或预测时，增加了数据样本的数量，从而提高了识别或预测的准确性；并且，应用本发明实施例的识别或预测结果向终端用户推送的信息与用户感兴趣的信息差别较小，从而可以提高用户的终端使用体验。
参见图2，为应用本发明实施例的终端与服务器的交互架构示意图：
图2中，服务器内包括人类活动数据管理模块和用户活动模型管理模块。其中，人类活动数据管理模块进一步包括人类活动采集分析子模块、人类活动分布检索子模块和人类活动分布数据库；用户活动模型管理模块进一步包括用户模型训练子模块、用户模型更新子模块和用户活动模型数据库；
终端内包括用户信息采集模块、活动分布获取模块和用户活动分析模块。其中用户活动分析模块可以进一步包括活动识别子模块和活动预测子模块。
对于服务器内的人类活动数据管理模块：
其中，人类活动采集分析子模块，可以通过设置的人类活动信息业务接口从海量的网络信息中获取人类活动信息，网络信息可以包括社交分享、在线签到、在线评论、生活日志等，人类活动信息可以包括活动时间、活动位置、活动内容(例如，文本、图片、签到地点名称)、用户特征(例如，居住地址、性别、年龄、职业)等；然后对人类活动信息进行分类统计，获得各种活动在不同活动时间、活动位置以及针对不同用户类型的概率信息不同活动时间、活动位置以及针对不同用户类型的概率信息，并将各种活动的概率信息按照时间、位置和用户类型保存到人类活动分布数据库中。
人类活动分布检索子模块，可以向终端内的活动分布获取模块提供检索接口，以使活动分布获取模块可以通过人类活动分布检索子模块从人类活动分布数据库中检索到某个特定时间、地点和用户类型对应的各种活动的概率信息，将检索到的概率信息作为对某个用户的用户活动进行识别或预测的先验概率，以便更准确地识别或预测该用户的活动。
对于服务器内的用户活动模型管理模块：
其中，用户活动模型数据库，用于通过服务器与终端的交互，分别从每个终端的用户信息采集模块获取并记录使用每个终端的终端用户的每一次的活动信息，活动信息可以包括活动日期、时间、位置、加速度、标注信息等。
用户模型训练子模块，用于从用户活动模型数据库中获得终端用户的活动信息记录，根据活动信息记录训练个人的用户活动分类模型和用户活动预测模型。其中，对于有标注信息的用户活动信息记录，可以根据这些用户活动信息对用户行为模式进行聚类，并计算用户行为模式的相似度，并在相似矩阵的约束下，通过标注信息对每个用户的行为模式进行训练获得个人的用户活动分类模型和用户活动预测模型，训练方法可以采用线性回归算法、决策树算法、条件随机场算法等分类算法等，并可以依据相似矩阵进行随机游走，以及对训练的中间结果进行迭代调整等；对于没有标注信息的用户活动信息记录，可以根据时间、地点和用户类型，通过人类活动分布检索子模块从人类活动分布数据库中检索到各种活动的先验概率信息，将这些先验概率信息作为特征对每个用户的行为模式进行训练获得个人的用户活动分类模型和用户活动预测模型。
用户模型更新子模块，用于将用户活动训练子模块训练得到每个终端用户的个人活动分类模型和个人活动预测模型更新到每个终端。
对于终端内的模块：
其中，用户信息采集模块，用于采集移动终端上设置的传感设备所获得的终端传感信息，终端传感信息可以包括终端的位置、加速度、角度、光照和声音；还可以采集用户对终端进行操作的用户操作信息，用户操作信息可以包括终端开启、终端充电、终端通信、终端流量使用、终端设置、终端摄像、终端拍照、终端录音、应用下载、应用使用、浏览器访问地址等。
活动分布获取模块，用于从用户信息采集模块获得通过传感设备采集的移动终端的位置，通过服务器内人类活动分布检索子模块提供的检索接口，以当前时间和位置索引，从人类活动分布数据库中检索根据在该时间和位置下，用户进行各类活动的概率信息。例如，用户在该时间和位置下，分别进行工作、聚餐、购物、开车、户外活动的概率。进一步的，如果人类活动分布数据库中各类用户活动的概率信息除了以时间和位置进行统计外，还可以增加以用户类型进行区分的维度，相应的，活动分布获取模块可以在获得当前时间和位置的基础上，进一步获取终端用户的用户类型，然后依据当前时间、位置和用户类型从人类活动分布数据库中获得该用户类型下的用户在该时间和位置进行各类活动的概率信息，从而提高对终端用户活动的识别或预测的准确性。
用户活动分析模块，其中活动识别子模块用于根据活动分布获取模块获取的概率信息和用户信息采集模块采集的信息作为用户活动分类模型的输入特征，通过线性回归、决策树、条件随机场等分类算法对用户活动分类模型进行训练，从而获得移动终端的用户活动的识别结果；活动预测子模块用于根据活动分布获取模块获取的概率信息和用户信息采集模块采集的信息作为用户活动预测模型的输入特征，通过先行回归、决策树、条件随机场等分类算法对用户活动预测模型进行训练，从而获得移动终端的用户活动的预测结果。
应用图2示出的架构，以对用户活动进行识别为例，假设移动终端获得了终端用户的位置为“CBD区”，时间为“周末晚上7点”，并且通过与服务器交互获得在周末晚上7点的CBD区，用户进行逛街和聚餐的先验概率最高，并且移动终端采集到终端加速度信息反映了终端用户当前走走停停，将上述概率信息和加速度信息输入到用户活动分类模型，通过对该模型进行训练可以识别用户在进行逛街；又以对用户活动进行预测为例，假设移动终端获得了终端用户的位置为“市中心街道”，时间为“工作日上午8点”，并且已经识别出终端用户当前进行的用户活动为开车，移动终端通过终端用户自身历史数据训练的预测模型预测终端用户的下一个活动为上班，同时移动终端通过与服务器交互获得在工作日上午8点的市中心街道上开车的终端用户先验概率最高的下一个活动为上班，则将上班的先验概率和通过终端用户自身历史数据训练的预测模型预测的下一个活动上班输入用户活动预测模型，通过对该模型进行训练可以预测用户的下一个活动为上班。
参见图3，为本发明用户信息的处理方法的另一个实施例流程图，该实施例结合实际应用详细描述了对用户活动进行识别或预测的过程：
步骤301：移动终端按照预设时间周期向服务器上报终端用户的活动信息。
本实施例中，为了实现对终端用户的用户活动进行识别或预测，服务器可以训练每个移动终端的终端用户的用户模型，包括用户活动分类模型和用户活动预测模型。在训练用户模型时，需要获得终端用户的历史活动数据，因此移动终端可以按照预设时间周期向服务器上报终端用户的活动信息，作为用户的历史活动数据。
步骤302：服务器根据活动信息对用户活动分类模型和用户活动预测模型进行更新。
在更新终端用户个人的用户活动分类模型时，对于同一移动终端上报的终端用户的活动信息，服务器可以分别以活动信息中的时间、位置、位置和时间的组合作为特征，采用梯度下降法，计算上述特征的因子大小，得到该终端用户个人的用户活动分类模型，如：
P1(a|l,t)＝σ(a*l+b*t+c*lt+D*acc+E*app-usage+F*wifi+G*Chg)；
上述用户活动分类模型中，l表示位置，a为l的因子；t表示时间，b为t的因子；lt表示位置和时间的组合，c为lt的因子；acc为从移动终端的传感装置获得的3D加速度数据中产生的特征，例如，单位时间片段的加速度强度、能量，三维方向上的加速度峰值、均值、方差等，D为acc的因子；app-usage表示移动终端使用的多个应用的特征，E为app-usage的因子；wifi表示读取到的WiFi MAC地址列表，F为wifi的因子，Chg为移动终端的充电状态，G为Chg的因子。
在更新终端用户个人的用户活动预测模型时，可以采用如下PY模型：
P(vi＝A|ti＝t，vi-1＝lk)＝P(vi＝A|vi-1＝lk)*N(h|μ，β*β)；
上述终端用户个人的用户活动预测模型中，P(vi＝A|ti＝t，vi-1＝lk)表示终端用户在I时刻的活动概率；vi-1＝lk为终端用户在I-1时刻的位置，N为正态分布公式；h表示以小时为单位的时间间隔；(μ，β*β)表示正态分布参数。对上述模型利用梯度下降法，采用移动终端上报的终端用户的活动信息训练上述PY模型，得到终端用户个人的用户活动预测模型。
需要说明的是，上述PY模型仅为在线学习算法的简单示例，也可以用adboost集成学习算法或其它在线学习算法更新用户活动预测模型，对此本发明实施例不进行限制。
步骤303：服务器将更新后的用户活动分类模型和用户活动预测模型下发给移动终端。
需要说明的是，由于移动终端会持续上报终端用户的活动信息，而终端用户的活动习惯也可能随着时间发生改变，因此服务器也可以按照一定的时间周期更新终端用户个人的用户活动分类模型和用户活动预测模型，并将更新后的用户活动分类模型和用户活动预测模型下发给移动终端。
步骤304：移动终端采集终端传感信息和用户操作信息，终端传感信息包括移动终端的位置。
本实施例中，当需要对终端用户的活动进行识别或预测时，移动终端对当前的终端传感信息和用户操作信息进行采集。其中，移动终端上可以设置各种传感装置，例如，速度传感器、加速度传感器、GPS、WiFi等，这些传感装置可以用来采集各种终端传感信息，例如，终端位置、加速度、角度、光照、声音等；同时，终端用户在对移动终端进行操作的过程中会产生各种用户操作信息，例如，终端开启、充电、通信、流量使用、终端设置信息、拍照、录音、应用下载、应用使用、浏览器访问等。
需要说明的是，上述仅是给出了终端传感信息和用户操作信息的具体示例，在进行用户活动的识别或预测时，可以根据实际用户模型需要的输入特征，利用上述信息中的部分信息或全部信息对用户活动进行识别或预测，对此本发明实施例不进行限制。
步骤305：移动终端向服务器发送采集到的移动终端的位置。
步骤306：服务器根据当前时间和位置检索人类活动分布数据库，得到不同类型的用户活动的先验概率信息。
本实施例中，服务器可以通过设置的人类活动信息业务接口从海量的网络信息中获取人类活动信息，网络信息可以包括社交分享、在线签到、在线评论、生活日志等，人类活动信息可以包括活动时间、活动位置、活动内容(例如，文本、图片、签到地点名称)、用户特征(例如，居住地址、性别、年龄、职业)等；然后对人类活动信息进行分类统计，获得各种活动在不同时间、位置，进一步以及针对不同用户类型的概率信息，并将各种活动的概率信息按照时间、位置，进一步按照用户类型保存到人类活动分布数据库中。
以按照时间和位置保存人类活动的概率信息为例，人类活动分布数据库中的概率信息记录示例如下：
在工作日的11:30至13:00，各个人类活动的概率从大到小排列依次为：午餐、工作、逛街；在工作日的19:00至23:00，各个人类活动的概率从大到小排列依次为：购物、聚餐、工作；在休息日9:00至10:00，各个人类活动的概率从大到小排列依次为：逛街、公园、住所。需要说明的是，上述概率信息仅为示例说明，实际应用各种可以统计更多类型的用户活动及概率信息，以便更精确的识别或预测用户活动。
当服务器接收到移动终端采集的位置信息时，可以以当前时间和该位置信息为索引检索人类活动分布数据库，获得不同类型的用户活动的先验概率信息，以便将先验概率信息作为识别或预测用户活动的参考信息，提高用户活动识别或预测的准确性。
步骤307：服务器向移动终端返回不同类型的用户活动的先验概率信息。
步骤308：移动终端判断对终端用户的活动进行分类或是预测，若进行分类，则执行步骤309；若进行预测，则执行步骤310。
步骤309：移动终端将先验概率信息和终端信息输入预先训练的用户活动分类模型，对用户活动分类模型采用预设算法进行训练，得到终端用户的活动识别结果，结束当前流程。
结合步骤302中更新的终端用户个人的用户活动分类模型，移动终端可以将当前采集的终端信息输入该终端用户个人的用户活动分类模型得到终端用户进行各类活动的概率，然后对如下全局的用户活动分类模型进行训练，得到终端用户的最终活动识别结果：
P(a|l,t)＝σ(m*P1(a|l,t)+n*P(pre|l,t)+g*cnt)；
上述用户活动分类模型为全局的log线性回归模型，其中，P1(a|l,t)为根据个人活动分类模型计算出各类活动的概率，P(pre|l,t)为各类活动的先验概率，cnt为终端用户的个人样本个数。
步骤310：移动终端将先验概率信息和终端信息输入预先训练的用户活动预测模型，对用户活动预测模型采用预设算法进行训练，得到终端用户的活动预测结果，结束当前流程。
结合步骤302中更新的终端用户个人的用户活动预测模型，移动终端可以将当前采集的终端信息输入该终端用户个人的用户活动分类模型得到终端用户下一步进行的各类活动的概率，然后对如下全局的用户活动预测模型进行训练，得到终端用户的最终下一步活动识别结果：
P(A|l,t，vi-1＝lk)＝σ(m*P1(A|l,t,vi-1＝lk)+n*P(pre|l,t,Ai-1)+g*cnt)；
上述用户活动预测模型为全局的log线性回归模型，其中，P1(A|l,t,vi-1＝lk)为根据个人活动预测模型计算出的终端用户下一步要进行的各类活动的概率，P(pre|l,t,Ai-1)为下一步进行各类活动的先验概率，cnt为终端用户的个人样本个数。
需要说明的是，上述log线性回归模型仅为在线学习算法的简单示例，也可以用adboost集成学习算法或其它在线学习算法对全局的用户活动预测模型进行训练得到活动识别结果，对此本发明实施例不进行限制。
需要说明的是，上述步骤309中的用户活动分类模型和步骤310中的用户活动预测模型中都可以进一步扩展用户特征和用户相似度特征，对此本发明实施例不进行限制。
由上述实施例可见，本实施例在对用户活动进行识别或预测时，除了结合终端用户自身的终端数据外，还结合不同类型的用户活动的先验概率信息对终端用户的活动进行识别或预测，由于识别或预测时，增加了数据样本的数量，从而提高了识别或预测的准确性；并且，应用本发明实施例的识别或预测结果向终端用户推送的信息与用户感兴趣的信息差别较小，从而可以提高用户的终端使用体验。
与本发明用户信息的处理方法的实施例相对应，本发明还提供了移动终端及服务器的实施例。
参见图4，为本发明移动终端的一个实施例框图：
该移动终端包括：采集单元410、获得单元420和处理单元430。
其中，采集单元410，用于采集终端信息，所述终端信息包括所述移动终端的位置；
获得单元420，用于获得当前时间和位于所述位置下不同类型的用户活动的先验概率信息；
处理单元430，用于根据所述获得单元420获得的先验概率信息和所述采集单元410采集的终端信息对使用所述移动终端的终端用户的活动进行识别或预测。
在一个可选的实现方式中，所述采集单元410采集的终端信息可以包括：终端传感信息和用户操作信息，其中，所述终端传感信息包括所述移动终端的位置；
所述采集单元410，可以具体用于按照设置的时间周期采集所述终端传感信息和用户操作信息，或者接收到终端用户输入的采集命令时，采集所述终端传感信息和用户操作信息。
在另一个可选的实现方式中，所述获得单元420可以包括(图4中未示出)：
信息发送子单元，用于向服务器发送所述采集单元410采集到的所述移动终端的位置，以使所述服务器根据当前时间和所述位置检索人类活动分布数据库，得到不同类型的用户活动的先验概率信息；
概率接收子单元，用于接收所述服务器返回的所述不同类型的用户活动的先验概率信息。
在另一个可选的实现方式中，所述处理单元430可以包括至少一个下述子单元(图4中未示出)：
活动识别子单元，用于将所述先验概率信息和终端信息输入预先训练的用户活动分类模型，对所述用户活动分类模型采用预设算法进行训练，得到所述终端用户的活动识别结果；
活动预测子单元，用于将所述先验概率信息和终端信息输入预先训练的用户活动预测模型，对所述用户活动预测模型采用预设算法进行训练，得到所述终端用户的活动预测结果。
参见图5，为本发明移动终端的另一个实施例框图：
该移动终端包括：上报单元510、接收单元520、采集单元530、获得单元540和处理单元550。
其中，上报单元510，用于按照预设时间周期向所述服务器上报终端用户的活动信息，以使所述服务器根据所述活动信息对用户活动分类模型或用户活动预测模型进行更新；
接收单元520，用于接收所述服务器返回的更新后的所述用户活动分类模型和用户活动预测模型；
采集单元530，用于采集终端信息，所述终端信息包括所述移动终端的位置；
获得单元540，用于获得当前时间和位于所述位置下不同类型的用户活动的先验概率信息；
处理单元550，用于根据所述获得单元540获得的先验概率信息和所述采集单元530采集的终端信息对使用所述移动终端的终端用户的活动进行识别或预测。
在一个可选的实现方式中，所述采集单元530采集的终端信息可以包括：终端传感信息和用户操作信息，其中，所述终端传感信息包括所述移动终端的位置；
所述采集单元530，可以具体用于按照设置的时间周期采集所述终端传感信息和用户操作信息，或者接收到终端用户输入的采集命令时，采集所述终端传感信息和用户操作信息。
在另一个可选的实现方式中，所述获得单元540可以包括(图5中未示出)：
信息发送子单元，用于向服务器发送所述采集单元530采集到的所述移动终端的位置发送至服务器，以使所述服务器根据当前时间和所述位置检索人类活动分布数据库，得到不同类型的用户活动的先验概率信息；
概率接收子单元，用于接收所述服务器返回的所述不同类型的用户活动的先验概率信息。
在另一个可选的实现方式中，所述处理单元550可以包括至少一个下述子单元(图5中未示出)：
活动识别子单元，用于将所述先验概率信息和终端信息输入预先训练的用户活动分类模型，对所述用户活动分类模型采用预设算法进行训练，得到所述终端用户的活动识别结果；
活动预测子单元，用于将所述先验概率信息和终端信息输入预先训练的用户活动预测模型，对所述用户活动预测模型采用预设算法进行训练，得到所述终端用户的活动预测结果。
参见图6，为本发明移动终端的另一个实施例框图：
所述移动终端包括：传感装置610、网络接口620和处理器630。
其中，所述传感装置610，用于采集属于终端信息的终端传感信息，所述终端传感信息包括所述移动终端的位置；
所述处理器630，用于采集属于终端信息的用户操作信息；
所述网络接口620，用于与服务器建立通信连接，并从所述服务器获得当前时间和位于所述位置下不同类型的用户活动的先验概率信息；
所述处理器630，还用于根据所述先验概率信息和所述终端信息对使用所述移动终端的终端用户的活动进行识别或预测。
在一个可选的实现方式中：
所述传感装置610，可以具体用于按照设置的时间周期采集所述终端传感信息，或者接收到终端用户输入的采集命令时，采集所述终端传感信息，其中，所述终端传感信息包括所述移动终端的位置；
所述处理器630，可以具体用于按照设置的时间周期采集所述用户操作信息，或者接收到终端用户输入的采集命令时，采集所述用户操作信息。
在另一个可选的实现方式中：
所述网络接口620，可以具体用于向服务器发送所述移动终端的位置，以使所述服务器根据当前时间和所述位置检索人类活动分布数据库，得到不同类型的用户活动的先验概率信息，并接收所述服务器返回的所述不同类型的用户活动的先验概率信息。
在另一个可选的实现方式中：
所述处理器630，可以具体用于将所述先验概率信息和终端信息输入预先训练的用户活动分类模型，对所述用户活动分类模型采用预设算法进行训练，得到所述终端用户的活动识别结果，或者，将所述先验概率信息和终端信息输入预先训练的用户活动预测模型，对所述用户活动预测模型采用预设算法进行训练，得到所述终端用户的活动预测结果。
在另一个可选的实现方式中：
所述处理器630，还可以用于通过所述网络接口620，按照预设时间周期向所述服务器上报终端用户的活动信息，以使所述服务器根据所述活动信息对用户活动分类模型或用户活动预测模型进行更新，并通过所述网络接口620接收所述服务器返回的更新后的所述用户活动分类模型和用户活动预测模型。
参见图7，为本发明服务器的一个实施例框图：
该服务器包括：接收单元710、获得单元720和发送单元730。
其中，接收单元710，用于接收移动终端采集的终端信息，所述终端信息包括所述移动终端的位置；
获得单元720，用于获得当前时间和位于所述位置下不同类型的用户活动的先验概率信息；
发送单元730，用于向所述移动终端发送所述获得单元720获得的不同类型的用户活动的先验概率信息，以使所述移动终端根据所述先验概率信息和终端信息对使用所述移动终端的终端用户的活动进行识别或预测。
可选的，所述终端信息可以包括：终端传感信息和用户操作信息，其中，所述终端传感信息包括所述移动终端的位置；
所述获得单元720，可以具体用于以当前时间和所述移动终端的位置检索人类活动分布数据库，得到不同类型的而用户活动的先验概率信息。
参见图8，为本发明服务器的另一个实施例框图：
该服务器包括：获取单元810、统计单元820、保存单元830、接收单元840、获得单元850和发送单元860。
其中，获取单元810，用于从网络信息中获取人类活动信息；
统计单元820，用于对所述获取单元810获取的人类活动信息进行分类统计，得到不同用户活动在不同时间和位置时的概率信息；
保存单元830，用于将所述统计单元820获得的概率信息作为用户活动的先验概率保存到所述人类活动分布数据库中；
接收单元840，用于接收移动终端采集的终端信息，所述终端信息包括所述移动终端的位置；
获得单元850，用于从所述人类活动分布数据库中获得当前时间和位于所述位置下不同类型的用户活动的先验概率信息；
发送单元860，用于将所述获得单元850获得的不同类型的用户活动的先验概率信息发送给所述移动终端，以使所述移动终端根据所述先验概率信息和终端信息对使用所述移动终端的终端用户的活动进行识别或预测。
可选的，所述终端信息可以包括：终端传感信息和用户操作信息；
所述获得单元850，可以具体用于以当前时间和所述终端传感信息中的位置检索人类活动分布数据库，获得不同类型的而用户活动的先验概率信息。
参见图9，为本发明服务器的另一个实施例框图：
该服务器包括：接收单元910、更新单元920、下发单元930、获得单元940和发送单元950。
其中，接收单元910，用于接收所述移动终端按照预设时间周期上报的终端用户的活动信息；
更新单元920，用于根据所述接收单元910接收的活动信息对用户活动分类模型和用户活动预测模型进行更新；
下发单元930，用于将所述更新单元920更新后的用户活动分类模型和用户活动预测模型下发给所述移动终端。
接收单元910，还用于接收移动终端采集的终端信息，所述终端信息包括所述移动终端的位置；
获得单元940，用于获得当前时间和位于所述位置下不同类型的用户活动的先验概率信息；
发送单元950，用于向所述移动终端发送所述获得单元940获得的不同类型的用户活动的先验概率信息，以使所述移动终端根据所述先验概率信息和终端信息对使用所述移动终端的终端用户的活动进行识别或预测。
可选的，所述终端信息可以包括：终端传感信息和用户操作信息；
所述获得单元940，可以具体用于以当前时间和所述终端传感信息中的位置检索人类活动分布数据库，得到不同类型的而用户活动的先验概率信息。
参见图10，为本发明服务器的另一个实施例框图：
该服务器包括：网络接口1010和处理器1020。
其中，所述网络接口1010，用于接收移动终端采集的终端信息，所述终端信息包括所述移动终端的位置；
所述处理器1020，用于获得当前时间和位于所述位置下不同类型的用户活动的先验概率信息，并通过所述网络接口向所述移动终端发送所述不同类型的用户活动的先验概率信息，以使所述移动终端根据所述先验概率信息和终端信息对使用所述移动终端的终端用户的活动进行识别或预测。
在一个可选的实现方式中，所述终端信息可以包括：终端传感信息和用户操作信息，其中，所述终端传感信息包括所述移动终端的位置；
所述处理器1020，可以具体用于以当前时间和所述移动终端的位置检索人类活动分布数据库，得到不同类型的用户活动的先验概率信息。
在另一个可选的实现方式中，所述处理器1020，还可以用于从网络信息中获取人类活动信息，对所述人类活动信息进行分类统计，得到不同用户活动在不同时间和位置时的概率信息，并将所述概率信息作为用户活动的先验概率保存到所述人类活动分布数据库中。
在另一个可选的实现方式中，所述网络接口1010，还可以用于接收所述移动终端按照预设时间周期上报的终端用户的活动信息；
所述处理器1020，还可以用于根据所述活动信息对用户活动分类模型和用户活动预测模型进行更新，并将更新后的所述用户活动分类模型和用户活动预测模型通过所述网络接口下发给所述移动终端。
由上述实施例可见，移动终端采集包括移动终端的位置在内的终端信息，从服务器获得当前时间和位于所述位置下不同类型的用户活动的先验概率信息，根据先验概率信息和终端信息对使用移动终端的终端用户的活动进行识别或预测。本发明实施例在对用户活动进行识别或预测时，除了结合终端用户自身的终端数据外，还结合不同类型的用户活动的先验概率信息对终端用户的活动进行识别或预测，由于识别或预测时，增加了数据样本的数量，从而提高了识别或预测的准确性；并且，应用本发明实施例的识别或预测结果向终端用户推送的信息与用户感兴趣的信息差别较小，从而可以提高用户的终端使用体验。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述的本发明实施方式，并不构成对本发明保护范围的限定。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (18)

1.一种用户信息的处理方法，其特征在于，所述方法包括：
移动终端采集终端信息，所述终端信息包括所述移动终端的位置；
获得当前时间和位于所述位置下不同类型的用户活动的先验概率信息；
根据所述先验概率信息和所述终端信息对使用所述移动终端的终端用户的活动进行识别或预测，包括：将所述先验概率信息和终端信息输入预先训练的用户活动分类模型，对所述用户活动分类模型采用预设算法进行训练，得到所述终端用户的活动识别结果；或者，
将所述先验概率信息和终端信息输入预先训练的用户活动预测模型，对所述用户活动预测模型采用预设算法进行训练，得到所述终端用户的活动预测结果；
所述移动终端按照预设时间周期向服务器上报终端用户的活动信息，以使所述服务器根据所述活动信息对用户活动分类模型或用户活动预测模型进行更新，服务器分别以所述活动信息中的时间、位置以及位置和时间的组合作为特征，使用梯度下降法，得到所述用户活动分类模型P1(a|l,t)＝σ(a*l+b*t+c*lt+D*acc+E*app-usage+F*wifi+G*Chg)，其中，l表示位置，a为l的因子，t表示时间，b为t的因子，lt表示位置和时间的组合，c为lt的因子，acc为从移动终端的传感装置获得的3D加速度数据中产生的特征，D为acc的因子，app-usage表示所述移动终端使用的多个应用的特征，E为app-usage的因子，wifi表示读取到的WiFi MAC地址列表，F为wifi的因子，Chg为移动终端的充电状态，G为Chg的因子；服务器使用梯度下降法，根据所述活动信息得到所述用户活动预测模型P(vi＝A|ti＝t，vi-1＝lk)＝P(vi＝A|vi-1＝lk)*N(h|μ，β*β)，其中，P(vi＝A|ti＝t，vi-1＝lk)表示所述移动终端的用户在I时刻的活动概率，vi-1＝lk为所述移动终端的用户在i-1时刻的位置，N为正态分布公式，h表示以小时为单位的时间间隔，(μ，β*β)表示正态分布参数；
接收所述服务器返回的更新后的所述用户活动分类模型和用户活动预测模型。
2.根据权利要求1所述的方法，其特征在于，所述终端信息包括：终端传感信息和用户操作信息，其中，所述终端传感信息包括所述移动终端的位置；
所述移动终端采集终端信息，包括：
移动终端按照设置的时间周期采集所述终端传感信息和用户操作信息；或者，
移动终端接收到终端用户输入的采集命令时，采集所述终端传感信息和用户操作信息。
3.根据权利要求1或2所述的方法，其特征在于，所述获得当前时间和位于所述位置下不同类型的用户活动的先验概率信息，包括：
移动终端向服务器发送采集到的所述移动终端的位置，以使所述服务器根据当前时间和所述位置检索人类活动分布数据库，得到不同类型的用户活动的先验概率信息；
接收所述服务器返回的所述不同类型的用户活动的先验概率信息。
4.一种用户信息的处理方法，其特征在于，所述方法包括：
服务器接收移动终端采集的终端信息，所述终端信息包括所述移动终端的位置；
获得当前时间和位于所述位置下不同类型的用户活动的先验概率信息；
向所述移动终端发送所述不同类型的用户活动的先验概率信息，以使所述移动终端根据所述先验概率信息和终端信息对使用所述移动终端的终端用户的活动进行识别或预测,包括：将所述先验概率信息和终端信息输入预先训练的用户活动分类模型，对所述用户活动分类模型采用预设算法进行训练，得到所述终端用户的活动识别结果；或者，将所述先验概率信息和终端信息输入预先训练的用户活动预测模型，对所述用户活动预测模型采用预设算法进行训练，得到所述终端用户的活动预测结果；
所述服务器接收所述移动终端按照预设时间周期上报的终端用户的活动信息；
根据所述活动信息对用户活动分类模型和用户活动预测模型进行更新，服务器分别以所述活动信息中的时间、位置以及位置和时间的组合作为特征，使用梯度下降法，得到所述用户活动分类模型P1(a|l,t)＝σ(a*l+b*t+c*lt+D*acc+E*app-usage+F*wifi+G*Chg)，其中，l表示位置，a为l的因子，t表示时间，b为t的因子，lt表示位置和时间的组合，c为lt的因子，acc为从移动终端的传感装置获得的3D加速度数据中产生的特征，D为acc的因子，app-usage表示所述移动终端使用的多个应用的特征，E为app-usage的因子，wifi表示读取到的WiFi MAC地址列表，F为wifi的因子，Chg为移动终端的充电状态，G为Chg的因子，服务器使用梯度下降法，根据所述活动信息得到所述用户活动预测模型P(vi＝A|ti＝t，vi-1＝lk)＝P(vi＝A|vi-1＝lk)*N(h|μ，β*β)，其中，P(vi＝A|ti＝t，vi-1＝lk)表示所述移动终端的用户在I时刻的活动概率，vi-1＝lk为所述移动终端的用户在i-1时刻的位置，N为正态分布公式，h表示以小时为单位的时间间隔，(μ，β*β)表示正态分布参数；
将更新后的所述用户活动分类模型和用户活动预测模型下发给所述移动终端。
5.根据权利要求4所述的方法，其特征在于，所述终端信息包括：终端传感信息和用户操作信息，其中，所述终端传感信息包括所述移动终端的位置；
所述获得当前时间和位于所述位置下不同类型的用户活动的先验概率信息，包括：所述服务器以当前时间和所述移动终端的位置检索人类活动分布数据库，得到不同类型的用户活动的先验概率信息。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
服务器从网络信息中获取人类活动信息；
对所述人类活动信息进行分类统计，得到不同用户活动在不同时间和位置时的概率信息；
将所述概率信息作为用户活动的先验概率保存到所述人类活动分布数据库中。
7.一种移动终端，其特征在于，所述移动终端包括：
采集单元，用于采集终端信息，所述终端信息包括所述移动终端的位置；
获得单元，用于获得当前时间和位于所述位置下不同类型的用户活动的先验概率信息；
处理单元，用于根据所述获得单元获得的先验概率信息和所述采集单元采集的终端信息对使用所述移动终端的终端用户的活动进行识别或预测，所述处理单元包括至少一个下述子单元：
活动识别子单元，用于将所述先验概率信息和终端信息输入预先训练的用户活动分类模型，对所述用户活动分类模型采用预设算法进行训练，得到所述终端用户的活动识别结果；
活动预测子单元，用于将所述先验概率信息和终端信息输入预先训练的用户活动预测模型，对所述用户活动预测模型采用预设算法进行训练，得到所述终端用户的活动预测结果；
上报单元，用于按照预设时间周期向服务器上报终端用户的活动信息，以使所述服务器根据所述活动信息对用户活动分类模型或用户活动预测模型进行更新，服务器分别以所述活动信息中的时间、位置以及位置和时间的组合作为特征，使用梯度下降法，得到所述用户活动分类模型P1(a|l,t)＝σ(a*l+b*t+c*lt+D*acc+E*app-usage+F*wifi+G*Chg)，其中，l表示位置，a为l的因子，t表示时间，b为t的因子，lt表示位置和时间的组合，c为lt的因子，acc为从移动终端的传感装置获得的3D加速度数据中产生的特征，D为acc的因子，app-usage表示所述移动终端使用的多个应用的特征，E为app-usage的因子，wifi表示读取到的WiFi MAC地址列表，F为wifi的因子，Chg为移动终端的充电状态，G为Chg的因子；服务器使用梯度下降法，根据所述活动信息得到所述用户活动预测模型P(vi＝A|ti＝t，vi-1＝lk)＝P(vi＝A|vi-1＝lk)*N(h|μ，β*β)，其中，P(vi＝A|ti＝t，vi-1＝lk)表示所述移动终端的用户在I时刻的活动概率，vi-1＝lk为所述移动终端的用户在i-1时刻的位置，N为正态分布公式，h表示以小时为单位的时间间隔，(μ，β*β)表示正态分布参数；
接收单元，用于接收所述服务器返回的更新后的所述用户活动分类模型和用户活动预测模型。
8.根据权利要求7所述的移动终端，其特征在于，所述采集单元采集的终端信息包括：终端传感信息和用户操作信息，其中，所述终端传感信息包括所述移动终端的位置；
所述采集单元，具体用于按照设置的时间周期采集所述终端传感信息和用户操作信息，或者接收到终端用户输入的采集命令时，采集所述终端传感信息和用户操作信息。
9.根据权利要求7或8所述的移动终端，其特征在于，所述获得单元包括：
信息发送子单元，用于向服务器发送所述采集单元采集到的所述移动终端的位置，以使所述服务器根据当前时间和所述位置检索人类活动分布数据库，得到不同类型的用户活动的先验概率信息；
概率接收子单元，用于接收所述服务器返回的所述不同类型的用户活动的先验概率信息。
10.一种服务器，其特征在于，所述服务器包括：
接收单元，用于接收移动终端采集的终端信息，所述终端信息包括所述移动终端的位置；
获得单元，用于获得当前时间和位于所述位置下不同类型的用户活动的先验概率信息；
发送单元，用于向所述移动终端发送所述获得单元获得的不同类型的用户活动的先验概率信息，以使所述移动终端根据所述先验概率信息和终端信息对使用所述移动终端的终端用户的活动进行识别或预测,包括：将所述先验概率信息和终端信息输入预先训练的用户活动分类模型，对所述用户活动分类模型采用预设算法进行训练，得到所述终端用户的活动识别结果；或者，将所述先验概率信息和终端信息输入预先训练的用户活动预测模型，对所述用户活动预测模型采用预设算法进行训练，得到所述终端用户的活动预测结果；
所述接收单元，还用于接收所述移动终端按照预设时间周期上报的终端用户的活动信息；
所述服务器还包括：
更新单元，用于根据所述接收单元接收的活动信息对用户活动分类模型和用户活动预测模型进行更新，其中，分别以所述活动信息中的时间、位置以及位置和时间的组合作为特征，使用梯度下降法，得到所述用户活动分类模型P1(a|l,t)＝σ(a*l+b*t+c*lt+D*acc+E*app-usage+F*wifi+G*Chg)，其中，l表示位置，a为l的因子，t表示时间，b为t的因子，lt表示位置和时间的组合，c为lt的因子，acc为从移动终端的传感装置获得的3D加速度数据中产生的特征，D为acc的因子，app-usage表示所述移动终端使用的多个应用的特征，E为app-usage的因子，wifi表示读取到的WiFi MAC地址列表，F为wifi的因子，Chg为移动终端的充电状态，G为Chg的因子；服务器使用梯度下降法，根据所述活动信息得到所述用户活动预测模型P(vi＝A|ti＝t，vi-1＝lk)＝P(vi＝A|vi-1＝lk)*N(h|μ，β*β)，其中，P(vi＝A|ti＝t，vi-1＝lk)表示所述移动终端的用户在I时刻的活动概率，vi-1＝lk为所述移动终端的用户在I-1时刻的位置，N为正态分布公式，h表示以小时为单位的时间间隔，(μ，β*β)表示正态分布参数；
下发单元，用于将所述更新单元更新后的用户活动分类模型和用户活动预测模型下发给所述移动终端。
11.根据权利要求10所述的服务器，其特征在于，所述终端信息包括：终端传感信息和用户操作信息，其中，所述终端传感信息包括所述移动终端的位置；
所述获得单元，具体用于以当前时间和所述移动终端的位置检索人类活动分布数据库，得到不同类型的用户活动的先验概率信息。
12.根据权利要求11所述的服务器，其特征在于，所述服务器还包括：
获取单元，用于从网络信息中获取人类活动信息；
统计单元，用于对所述获取单元获取的人类活动信息进行分类统计，得到不同用户活动在不同时间和位置时的概率信息；
保存单元，用于将所述统计单元获得的概率信息作为用户活动的先验概率保存到所述人类活动分布数据库中。
13.一种移动终端，其特征在于，所述移动终端包括：传感装置、网络接口和处理器，其中，
所述传感装置，用于采集属于终端信息的终端传感信息，所述终端传感信息包括所述移动终端的位置；
所述处理器，用于采集属于终端信息的用户操作信息；
所述网络接口，用于与服务器建立通信连接，并从所述服务器获得当前时间和位于所述位置下不同类型的用户活动的先验概率信息；
所述处理器，还用于根据所述先验概率信息和所述终端信息对使用所述移动终端的终端用户的活动进行识别或预测；
所述处理器，具体用于将所述先验概率信息和终端信息输入预先训练的用户活动分类模型，对所述用户活动分类模型采用预设算法进行训练，得到所述终端用户的活动识别结果；或者，将所述先验概率信息和终端信息输入预先训练的用户活动预测模型，对所述用户活动预测模型采用预设算法进行训练，得到所述终端用户的活动预测结果；
所述处理器，还用于通过所述网络接口，按照预设时间周期向所述服务器上报终端用户的活动信息，以使所述服务器根据所述活动信息对用户活动分类模型或用户活动预测模型进行更新，并通过所述网络接口接收所述服务器返回的更新后的所述用户活动分类模型和用户活动预测模型，所述服务器分别以所述活动信息中的时间、位置以及位置和时间的组合作为特征，使用梯度下降法，得到所述用户活动分类模型P1(a|l,t)＝σ(a*l+b*t+c*lt+D*acc+E*app-usage+F*wifi+G*Chg)，其中，l表示位置，a为l的因子，t表示时间，b为t的因子，lt表示位置和时间的组合，c为lt的因子，acc为从移动终端的传感装置获得的3D加速度数据中产生的特征，D为acc的因子，app-usage表示所述移动终端使用的多个应用的特征，E为app-usage的因子，wifi表示读取到的WiFi MAC地址列表，F为wifi的因子，Chg为移动终端的充电状态，G为Chg的因子；所述服务器使用梯度下降法，根据所述活动信息得到所述用户活动预测模型P(vi＝A|ti＝t，vi-1＝lk)＝P(vi＝A|vi-1＝lk)*N(h|μ，β*β)，其中，P(vi＝A|ti＝t，vi-1＝lk)表示所述移动终端的用户在I时刻的活动概率，vi-1＝lk为所述移动终端的用户在I-1时刻的位置，N为正态分布公式，h表示以小时为单位的时间间隔，(μ，β*β)表示正态分布参数。
14.根据权利要求13所述的移动终端，其特征在于，
所述传感装置，具体用于按照设置的时间周期采集所述终端传感信息，或者接收到终端用户输入的采集命令时，采集所述终端传感信息，其中，所述终端传感信息包括所述移动终端的位置；
所述处理器，具体用于按照设置的时间周期采集所述用户操作信息，或者接收到终端用户输入的采集命令时，采集所述用户操作信息。
15.根据权利要求13或14所述的移动终端，其特征在于，
所述网络接口，具体用于向服务器发送所述移动终端的位置，以使所述服务器根据当前时间和所述位置检索人类活动分布数据库，得到不同类型的用户活动的先验概率信息，并接收所述服务器返回的所述不同类型的用户活动的先验概率信息。
16.一种服务器，其特征在于，所述服务器包括：网络接口和处理器，其中，
所述网络接口，用于接收移动终端采集的终端信息，所述终端信息包括所述移动终端的位置；
所述处理器，用于获得当前时间和位于所述位置下不同类型的用户活动的先验概率信息，并通过所述网络接口向所述移动终端发送所述不同类型的用户活动的先验概率信息，以使所述移动终端根据所述先验概率信息和终端信息对使用所述移动终端的终端用户的活动进行识别或预测,包括：将所述先验概率信息和终端信息输入预先训练的用户活动分类模型，对所述用户活动分类模型采用预设算法进行训练，得到所述终端用户的活动识别结果；或者，将所述先验概率信息和终端信息输入预先训练的用户活动预测模型，对所述用户活动预测模型采用预设算法进行训练，得到所述终端用户的活动预测结果；
所述网络接口，还用于接收所述移动终端按照预设时间周期上报的终端用户的活动信息；
所述处理器，还用于根据所述活动信息对用户活动分类模型和用户活动预测模型进行更新，并将更新后的所述用户活动分类模型和用户活动预测模型通过所述网络接口下发给所述移动终端，所述处理器具体用于分别以所述活动信息中的时间、位置以及位置和时间的组合作为特征，使用梯度下降法，得到所述用户活动分类模型P1(a|l,t)＝σ(a*l+b*t+c*lt+D*acc+E*app-usage+F*wifi+G*Chg)，其中，l表示位置，a为l的因子，t表示时间，b为t的因子，lt表示位置和时间的组合，c为lt的因子，acc为从移动终端的传感装置获得的3D加速度数据中产生的特征，D为acc的因子，app-usage表示所述移动终端使用的多个应用的特征，E为app-usage的因子，wifi表示读取到的WiFi MAC地址列表，F为wifi的因子，Chg为移动终端的充电状态，G为Chg的因子；所述处理器还具体用于使用梯度下降法，根据所述活动信息得到所述用户活动预测模型P(vi＝A|ti＝t，vi-1＝lk)＝P(vi＝A|vi-1＝lk)*N(h|μ，β*β)，其中，P(vi＝A|ti＝t，vi-1＝lk)表示所述移动终端的用户在I时刻的活动概率，vi-1＝lk为所述移动终端的用户在I-1时刻的位置，N为正态分布公式，h表示以小时为单位的时间间隔，(μ，β*β)表示正态分布参数。
17.根据权利要求16所述的服务器，其特征在于，所述终端信息包括：终端传感信息和用户操作信息，其中，所述终端传感信息包括所述移动终端的位置；
所述处理器，具体用于以当前时间和所述移动终端的位置检索人类活动分布数据库，得到不同类型的用户活动的先验概率信息。
18.根据权利要求17所述的服务器，其特征在于，
所述处理器，还用于从网络信息中获取人类活动信息，对所述人类活动信息进行分类统计，得到不同用户活动在不同时间和位置时的概率信息，并将所述概率信息作为用户活动的先验概率保存到所述人类活动分布数据库中。
CN201310323861.9A 2013-07-29 2013-07-29 用户信息的处理方法、移动终端及服务器 Active CN104348855B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201310323861.9A CN104348855B (zh) 2013-07-29 2013-07-29 用户信息的处理方法、移动终端及服务器
US14/341,311 US9288306B2 (en) 2013-07-29 2014-07-25 Method for processing user information, mobile terminal, and server
EP14178878.6A EP2833603B1 (en) 2013-07-29 2014-07-29 Method for processing user information, mobile terminal, and server

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310323861.9A CN104348855B (zh) 2013-07-29 2013-07-29 用户信息的处理方法、移动终端及服务器

Publications (2)

Publication Number Publication Date
CN104348855A CN104348855A (zh) 2015-02-11
CN104348855B true CN104348855B (zh) 2018-04-27

Family

ID=51355417

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310323861.9A Active CN104348855B (zh) 2013-07-29 2013-07-29 用户信息的处理方法、移动终端及服务器

Country Status (3)

Country Link
US (1) US9288306B2 (zh)
EP (1) EP2833603B1 (zh)
CN (1) CN104348855B (zh)

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10223156B2 (en) 2013-06-09 2019-03-05 Apple Inc. Initiating background updates based on user activity
US9432796B2 (en) 2014-05-30 2016-08-30 Apple Inc. Dynamic adjustment of mobile device based on peer event data
CN106302965B (zh) * 2015-05-29 2020-03-17 北京智谷睿拓技术服务有限公司 充电机会信息确定方法和设备
CN106302599B (zh) * 2015-06-03 2020-05-05 腾讯科技（深圳）有限公司 一种用户状态提醒方法、装置、客户端、服务器及系统
WO2016196497A1 (en) * 2015-06-05 2016-12-08 Apple Inc. Prediction and notification of changes in the operating context of a computing device
US10594835B2 (en) 2015-06-05 2020-03-17 Apple Inc. Efficient context monitoring
CN106412796B (zh) * 2015-07-28 2019-10-15 中国移动通信集团湖北有限公司 一种推荐方法及系统
US20170061482A1 (en) * 2015-08-24 2017-03-02 TCL Research America Inc. Focal-point based recommendation method and system
WO2017039393A1 (en) * 2015-09-03 2017-03-09 Samsung Electronics Co., Ltd. Method and apparatus for adaptive cache management
CN106656917B (zh) * 2015-10-30 2020-09-04 阿里巴巴集团控股有限公司 一种账户权限的管理方法及设备
CN107274141A (zh) * 2016-04-07 2017-10-20 中国移动通信有限公司研究院 一种事件处理方法及网络设备
CN105873110B (zh) * 2016-05-27 2020-01-10 集道成科技(北京)有限公司 用户行为校正方法、装置
CN107480951A (zh) * 2017-08-16 2017-12-15 北京奇安信科技有限公司 用户行为处理方法及装置
CN109768869B (zh) * 2017-11-06 2022-05-31 中国移动通信有限公司研究院 一种业务预测方法、系统和计算机存储介质
CN110035302B (zh) * 2018-01-11 2021-06-15 斑马智行网络(香港)有限公司 信息推荐及模型训练方法和装置、计算设备、存储介质
CN108924341A (zh) * 2018-06-08 2018-11-30 联想(北京)有限公司 一种信息处理方法及装置
CN111629319B (zh) * 2019-02-28 2022-05-31 中国移动通信有限公司研究院 一种位置预测方法及设备
CN109893137B (zh) * 2019-03-07 2021-09-03 山东科技大学 基于移动终端在不同携带位置下改善步态检测的方法
CN111797848B (zh) * 2019-04-09 2023-10-24 成都鼎桥通信技术有限公司 用户分类方法、装置、设备及存储介质
CN110417869A (zh) * 2019-07-05 2019-11-05 广州华多网络科技有限公司 一种活动推送方法、装置及计算机设备
CN110956309A (zh) * 2019-10-30 2020-04-03 南京大学 基于crf和lstm的流程活动预测方法
CN116562926B (zh) * 2023-07-05 2024-04-16 荣耀终端有限公司 用户行为预测方法、终端、云端设备及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102667839A (zh) * 2009-12-15 2012-09-12 英特尔公司 在用户行为的趋势分析和简档建立以及基于模板的预测中使用概率技术以便提供推荐的系统、装置和方法

Family Cites Families (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6590529B2 (en) * 2000-02-14 2003-07-08 Mysky Communications Individualized, location specific weather forecasting system
JP2003316883A (ja) * 2002-04-19 2003-11-07 Omron Corp セキュリティサービス管理システム、セキュリティサービス管理端末、セキュリティサービス管理方法、セキュリティサービス管理プログラムならびにそれを記録したコンピュータ読み取り可能な記録媒体
JP4596728B2 (ja) * 2002-08-13 2010-12-15 ルネサスエレクトロニクス株式会社 外部モジュール及び移動体通信端末
JP2005070920A (ja) * 2003-08-20 2005-03-17 Nec Corp 消費者動態情報収集システム、消費者動態情報収集方法及び消費者動態情報収集プログラム
JP5028751B2 (ja) * 2005-06-09 2012-09-19 ソニー株式会社 行動認識装置
CN101051375A (zh) * 2006-04-04 2007-10-10 银河联动信息技术（北京）有限公司 用于用户信息收集分析及营销的系统及方法
US20090276700A1 (en) * 2008-04-30 2009-11-05 Nokia Corporation Method, apparatus, and computer program product for determining user status indicators
KR101541305B1 (ko) * 2009-05-21 2015-08-03 삼성전자주식회사 정보 보호를 위한 이동 단말 및 상기 이동 단말에서 수행되는 정보 보호 방법
JP5382436B2 (ja) * 2009-08-03 2014-01-08 ソニー株式会社 データ処理装置、データ処理方法、およびプログラム
KR20110019861A (ko) * 2009-08-21 2011-03-02 삼성전자주식회사 휴대 단말기의 화면 구성 방법 및 이를 이용하는 휴대 단말기
JP5234441B2 (ja) * 2010-03-19 2013-07-10 日本電気株式会社 情報処理装置、情報処理システム、情報処理方法及び情報処理プログラム
DE112010005736B4 (de) * 2010-07-13 2020-03-26 Lg Electronics Inc. Mobiles Endgerät und Konfigurationsverfahren für einen Ruhebildschirm desselben
JP5896303B2 (ja) * 2010-09-13 2016-03-30 日本電気株式会社 協調連携情報収集システム、協調連携情報収集方法、及びプログラム
US20130218974A1 (en) 2010-09-21 2013-08-22 Nokia Corporation Method and apparatus for collaborative context recognition
US20130246600A1 (en) * 2010-12-08 2013-09-19 Nec Corporation Communication service providing system, method of providing communication service and data center management system
KR20120080774A (ko) * 2011-01-10 2012-07-18 삼성전자주식회사 전계 정보 표시 방법과 시스템 및 이를 지원하는 휴대 단말기
WO2012131962A1 (ja) * 2011-03-30 2012-10-04 富士通株式会社 タスク実行制御装置、タスク実行制御システムおよびタスク実行制御方法
US8930300B2 (en) * 2011-03-31 2015-01-06 Qualcomm Incorporated Systems, methods, and apparatuses for classifying user activity using temporal combining in a mobile device
KR101491878B1 (ko) * 2011-08-31 2015-02-09 라인 가부시키가이샤 사용자 단말에서 취득한 정보를 기반으로 모바일 애플리케이션의 순위를 제공하는 시스템 및 방법
US8624725B1 (en) * 2011-09-22 2014-01-07 Amazon Technologies, Inc. Enhanced guidance for electronic devices having multiple tracking modes
US20130084882A1 (en) * 2011-09-30 2013-04-04 Qualcomm Incorporated Becoming more "aware" through use of crowdsourcing and device interaction
KR102004984B1 (ko) * 2011-12-06 2019-10-02 삼성전자주식회사 모바일 단말을 이용한 차량 관리 시스템 및 방법
KR102121525B1 (ko) * 2011-12-13 2020-06-18 삼성전자주식회사 동작 모드에 기초한 네비게이션 정보 제공 시스템 및 방법
WO2013104006A2 (en) * 2012-01-08 2013-07-11 Sensor Platforms, Inc. System and method for calibrating sensors for different operating environments
US8914051B2 (en) * 2012-12-07 2014-12-16 At&T Intellectual Property I, L.P. Intelligent subscriber notification including an implicit response to an alert message
KR20140075958A (ko) * 2012-12-11 2014-06-20 한국전자통신연구원 채널 정보 제공 방법과 채널정보제공 데이터베이스 서버 및 채널 정보 제공 시스템
US9582317B2 (en) * 2013-05-10 2017-02-28 Samsung Electronics Co., Ltd. Method of using use log of portable terminal and apparatus using the same

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102667839A (zh) * 2009-12-15 2012-09-12 英特尔公司 在用户行为的趋势分析和简档建立以及基于模板的预测中使用概率技术以便提供推荐的系统、装置和方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
COSAR: hybrid reasoning for context-aware activity recognition;Daniele Riboni et al.;《Personal and Ubiquitous Computing》;20100814;第15卷(第3期);第273-283、287页 *

Also Published As

Publication number Publication date
EP2833603B1 (en) 2018-03-21
CN104348855A (zh) 2015-02-11
US20150031312A1 (en) 2015-01-29
US9288306B2 (en) 2016-03-15
EP2833603A1 (en) 2015-02-04

Similar Documents

Publication Publication Date Title
CN104348855B (zh) 用户信息的处理方法、移动终端及服务器
Cuttone et al. Understanding predictability and exploration in human mobility
Lee et al. Activity space estimation with longitudinal observations of social media data
Noulas et al. Exploiting foursquare and cellular data to infer user activity in urban environments
Widhalm et al. Discovering urban activity patterns in cell phone data
Ratti et al. Mobile landscapes: using location data from cell phones for urban analysis
Zhong et al. Inferring building functions from a probabilistic model using public transportation data
Thums et al. How big data fast tracked human mobility research and the lessons for animal movement ecology
CN106464706B (zh) 用于通过可从电信网络获得的数据识别显著地点的方法和系统
CN105765565A (zh) 以场景感知、来自移动设备的实时信息为基础的问答
CN106663258A (zh) 通过混合的基于统计和用户测量方法测量多屏幕互联网用户概况、交易行为和用户群体结构
CN102298608A (zh) 信息处理装置、信息处理方法和程序
EP2608144A2 (en) Mobile device user categorisation based on location statistics
Doyle et al. Population mobility dynamics estimated from mobile telephony data
CN111554408B (zh) 城市内部登革热时空预测方法、系统及电子设备
CN108304935A (zh) 机器学习模型训练方法、装置和计算机设备
Olia et al. Optimizing the number and locations of freeway roadside equipment units for travel time estimation in a connected vehicle environment
CN107820214A (zh) 一种基于时间地理学的用户轨迹分析系统
Terroso-Saenz et al. Land use discovery based on Volunteer Geographic Information classification
CN111639786A (zh) 资源配置方法、装置、存储介质及计算机设备
CN107767153A (zh) 一种数据处理方法及装置
CN108062366A (zh) 公共文化信息推荐系统
CN110781256B (zh) 基于发送位置数据确定与Wi-Fi相匹配的POI的方法及装置
CN110502688A (zh) 一种基于大数据的信息收集分析系统
CN109857829A (zh) 一种地理信息数据融合系统

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant