CN104601817A

CN104601817A - 一种基于智能手机加速度传感器的用户基础属性预测方法

Info

Publication number: CN104601817A
Application number: CN201510027973.9A
Authority: CN
Inventors: 程红蓉; 唐远洋; 秦臻
Original assignee: University of Electronic Science and Technology of China
Current assignee: University of Electronic Science and Technology of China
Priority date: 2015-01-20
Filing date: 2015-01-20
Publication date: 2015-05-06

Abstract

本发明通过分析用户智能手机返回的加速度传感器数据，预测用户的年龄和性别等基础属性。根据用户在一段时间里加速度传感器返回的数据，进行统计分析，计算并提取特征值，最终得到特征向量。通过用户ID将用户的基础属性和特征向量关联起来，分析加速度传感器数据与用户基础属性之间的关系，达到依据加速度传感器数据预测用户基础属性的目的。采用SVM模型实现对用户的基础属性的分类预测。本发明将用户的性别作为男和女的二分类问题处理，年龄分段之后作为多分类问题处理。本发明实施例的有益效果是，通过分析用户智能手机的流量数据可以对用户的性别、年龄等基础属性做出预测，经过实验能够获得有效的预测效果。

Description

一种基于智能手机加速度传感器的用户基础属性预测方法

技术领域

本发明涉及移动互联网技术，具体涉及一种基于智能手机加速度传感器的用户基础属性预测方法的实现方法。

背景技术

随着web2.0的到来和移动互联网的飞速发展，用户的基础属性在网络应用中扮演的角色越来越重要，例如：Google提供的个性化搜索服务(是根据用户的地理位置信息和用户的搜索历史记录为用户返回个性化的搜索列表，给用户提供个性化的搜索服务)。用户基础属性预测就是通过分析用户的浏览行为和搜索内容来预测用户的年龄、性别、收入状况、地理位置、文化程度、宗教信仰等基础属性。

对用户基础属性预测的研究主要集中在用户的网络日志和用户的搜索内容上。对用户的网络日志的研究主要是通过研究用户网络日志的书写习惯和用语习惯预测作者的性别和年龄，采取的方法主要是基于文本的分类方法。对用户的搜索内容研究主要是分析用户的搜索内容和用户的基础属性之间的联系，以实现对用户的基础属性预测目的，采取的方法一般是统计分析和关联规则分析。然而，随着移动互联网的飞速发展，基于移动终端的对用户基础属性的预测也越来越重要。

发明内容

本发明的目的是提供基于智能手机加速度传感器的用户基础属性预测方法的实现方法。使用本发明提供的实施例，可以通过分析用户智能手机加速度传感器数据，对用户的基础属性进行预测。

本发明通过分析在特定的运动状态下，用户智能手机返回的加速度传感器数据，预测用户的年龄和性别等基础属性。根据智能手机操作系统提供的API(Application Programming Interface)，打开加速度传感器，并且选择延迟20ms，即采样率为50Hz。在用户处于某一特定运动状态下，记录智能手机一段时间里加速度传感器返回的数据。其中加速度传感器数据的单位是加速度的单位m/s^2(米每二次方秒)，有三个方向的值分别是加速度x轴方向、加速度y轴方向、加速度z轴方向加速度。并且x,y,z方向的定义是以水平放置在的手机的中心为参照系坐标原点(如图2)，x方向就是手机的水平方向，右为正；y方向就是手机的水平垂直方向，前为正；y方向就是手机的空间垂直方向，天空的方向为正，地球的方向为负。

对用户不同的运动状态进行标识，走路标识为1，跑步标识为2，上楼标识为3，下楼标识为4等等。同时计算出用户在该运动状态下加速度传感器的数据特征。由于不同属性的用户在同一运动状态下具有不同的数据特征，同一属性的用户在不同运动状态具有不同的数据特征，且同一属性的用户在同一运动状态下具有类似的数据特征，故本发明以此为依据来预测用户的基础属性。

具体计算过程如下：根据用户在这一段时间里的加速度传感器数据，进行统计分析，计算并提取特征值。特征值包括三个方向加速度值x,y,z(如图3)的平均值、标准差，合成加速度值的平均值、标准差，三个方向加速度值x,y,z峰值间时间差的平均值、标准差，三个方向加速度值x,y,z的最高值与最低值。将加速度传感器数据所提取的特征值作为特征向量，最终得到特征向量(用户ID，运动状态，特征值1，特征值2，…，特征值20)_1×22，通过用户ID(Identity)将用户的基础属性和用户智能手机得到的特征向量关联起来，分析加速度传感器数据与用户基础属性之间的关系，从而达到依据用户智能手机的加速度传感器数据预测用户基础属性的目的。采用SVM(Support VectorMachine)模型实现对用户的基础属性的分类预测。本发明将用户的性别作为男和女的二分类问题处理，年龄分段之后作为多分类问题处理。

该方法的步骤包括：

1、用户处于某一特定运动状态下，使用智能手机操作系统提供的API，打开加速度传感器，记录智能手机一段时间里加速度传感器返回的数据；

2、对用户不同的运动状态进行标识，走路标识为1，跑步标识为2，上楼标识为3，下楼标识为4等等；

3、根据用户在一段时间里的加速度传感器数据，进行统计分析，计算并提取特征值，最终得到特征向量(用户ID，运动状态，特征值1，特征值2，…，特征值20)_1×22；

4、将加速度传感器数据的特征向量(用户ID，运动状态，特征值1，特征值2，…，特征值20)_1×22转化为用户的特征值矩阵R；

5、通过关键字用户ID，将用户的特征值矩阵和用户的基础属性关联，将用户的基础属性设置为类标；

6、用训练数据训练SVM分类模型；

7、训练好的SVM模型分类预测测试样本；

8、输出对测试样本的测试结果。

最后，实施本发明具有以下有益效果：

本发明实施例的有益效果是，通过分析用户智能手机的流量数据可以对用户的性别、年龄等基础属性做出预测，经过实验能够获得有效的预测效果。

附图说明

图1是本发明提出的一种基于智能手机流量数据的用户基础属性预测方法的算法流程。

图2是本发明涉及到的智能手机加速度传感器数据的三个加速度方向的示意图。

图3是本发明涉及到的智能手机在一段连续时间里加速度传感器数据的三个加速度值的示意图。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。

在本实施例中，如图所示，提供本发明提出的方法的算法流程：

步骤101、用户处于某一特定运动状态下，使用智能手机操作系统提供的API，打开加速度传感器，记录智能手机一段时间里加速度传感器返回的数据。

用户携带智能手机，在处于某一特定运动状态的情况下，使用Android操作系统(实验采用的手机操作系统)提供的加速度传感器API接口，实时监测一段时间里智能手机运动的情况，即用户运动的情况，并且记录下来。

步骤102、对用户不同的运动状态进行标识，走路标识为1，跑步标识为2，上楼标识为3，下楼标识为4等等。

根据用户运动状态的不同，标识运动状态，其中走路标识为1，跑步标识为2，上楼标识为3，下楼标识为4等等。

步骤103、根据用户在一段时间里的加速度传感器数据，进行统计分析，计算并提取特征值，最终得到特征向量(用户ID，运动状态，特征值1，特征值2，…，特征值20)_1×22。

对用户在一段时间里的加速度传感器数据进行统计分析，并且计算出20类特征值，包括三个方向加速度值x,y,z的平均值、标准差，合成加速度值平均值、标准差，三个方向加速度值x,y,z峰值间时间差的平均值、标准差，三个方向加速度值x,y,z的最高值与最低值。最终得到特征向量(用户ID，运动状态，特征值1，特征值2，…，特征值20)_1×22。并且特征向量代表该用户在某一运动状态下的运动特征，不同属性的用户在同一运动状态下具有不同的特征向量，同一属性的用户在不同运动状态下具有不同的特征向量，但同一属性的用户在同一运动状态下具有类似的特征向量。

步骤104、将加速度传感器数据的特征向量(用户ID，运动状态，特征值1，特征值2，…，特征值20)_1×22转化为用户的特征值矩阵R。

计算得到特征向量(用户ID，运动状态，特征值1，特征值2，…，特征值20)_1×22，按用户ID统计成一列，最后得到用户的特征值矩阵。

步骤105、通过关键字用户ID，将用户的特征值矩阵和用户的基础属性关联，将用户的基础属性设置为类标。

用户的性别为男和女两类，用户的年龄为青少年(<18岁)、少年(18-24)、青年(25-34)、中年(35-49)和老年(>50)五类。

步骤106、将数据随机等分为训练集和测试集，训练集用于训练SVM分类模型。

将数据随机等分，一份用于训练，一分用于测试，SVM采用RBF核函数，对于性别和年龄分别训练SVM模型。

步骤107、训练好的SVM模型预测测试集。

用训练的SVM性别分类模型和年龄分类模型分别测试测试集的数据。

步骤108、输出对测试样本的预测测试结果。

对预测结果进行输出。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利求限定和确定的本发明精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims

1.一种基于智能手机加速度传感器的用户基础属性预测方法：其特征在于，首先在用户处于特定运动状态下，使用智能手机操作系统提供的API，记录智能手机一段时间里加速度传感器返回的数据；对用户不同的运动状态进行标识；计算并提取特征值，得到特征向量(用户ID，运动状态，特征值1，特征值2，…，特征值20)_1×22；将用户加速度传感器数据的特征向量(用户ID，运动状态，特征值1，特征值2，…，特征值20)_1×22转化为用户的特征值矩阵；通过用户ID关联用户的基础属性，将用户的基础属性作为类标；将数据随机分为训练集和测试集，对性别和年龄分别训练SVM预测模型，SVM模型中采用RBF核函数；用训练的模型预测测试集，并对测试结果输出。