CN107241697A - 用于移动终端的用户行为确定方法、装置及移动终端 - Google Patents

Abstract

本发明提供了一种用于移动终端的用户行为确定方法、装置及移动终端，其中，用户行为的确定方法包括：基于用户随身携带的移动终端获取所述用户的当前活动状态信息；获取记录所述用户历史行为规律的历史轨迹，其中，所述历史轨迹根据所述移动终端的历史数据生成；将所述当前活动状态信息与所述历史轨迹进行匹配，确定所述用户的当前行为。由此可知，本发明实施例可以仅通过移动终端即可精准地确定用户当前的行为，进而可以更好地实现用户与移动终端之间的交互，同时还能够为用户提供全方位的推荐信息，为用户的日常生活提供了极大的便利。

Description

用于移动终端的用户行为确定方法、装置及移动终端

技术领域

本发明涉及互联网应用技术领域，特别是涉及一种用于移动终端的用户行为确定方法、装置及移动终端。

背景技术

随着互联网应用技术的发展，移动终端(如智能手机、平板电脑、智能手表等)已大量地出现在人们的日常生活中，其已成为人们日常生活、工作和学习不可缺少的工具。例如，用户可以通过移动终端来通话、拍照、阅读、听音乐、玩游戏，还可以实现包括定位、信息处理、指纹扫描、身份证扫描、条码扫描以及酒精含量检测等丰富的功能。

但是，在实际生活中，人们无法通过移动终端来获取更多与自身相关的信息，使得用户无法与移动终端进行更好地交互。比如，目前移动终端仅仅能够通过用户的活动统计出其行走步数，而无法获取与用户相关的其他信息。因此，现有技术中，移动终端还无法为用户提供与其自身活动密切相关的各种信息。

因此，现在亟需一种能够准确、灵活地确定用户行为的方法。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的用于移动终端的用户行为确定方法、相应的装置及移动终端。

依据本发明实施例的一个方面，提供了一种用于移动终端的用户行为确定方法，包括：

基于用户随身携带的移动终端获取所述用户的当前活动状态信息；

获取记录所述用户历史行为规律的历史轨迹，其中，所述历史轨迹根据所述移动终端的历史数据生成；

将所述当前活动状态信息与所述历史轨迹进行匹配，确定所述用户的当前行为。

可选地，基于用户随身携带的移动终端获取所述用户的当前活动状态信息，包括：

基于移动终端的传感器获取所述用户的当前行为所产生的传感器数据；

根据所述传感器数据确定所述用户的当前活动状态信息。

可选地，基于用户随身携带的移动终端获取所述用户的当前活动状态信息，还包括：

进一步获取所述移动终端的辅助识别信息，其中，所述辅助识别信息包括网络数据、位置信息和/或应用数据；

在所述传感器数据的基础上结合所述辅助识别信息，确定所述用户的当前活动状态信息。

可选地，所述移动终端的网络数据包括蓝牙数据和/或WIFI数据；所述移动终端的位置信息包括GPS信息。

可选地，将所述当前活动状态信息与所述历史轨迹进行匹配，确定所述用户的当前行为，包括：

沿所述历史轨迹的时间轴对应存在多个事件节点；

将所述当前活动状态信息与所述历史轨迹匹配，确定与所述当前活动状态信息匹配的轨迹点；

根据确定的所述轨迹点的邻近事件节点的事件信息确定所述用户的当前行为。

可选地，根据确定的所述轨迹点的邻近事件节点的事件信息确定所述用户的当前行为，包括：

根据当前时间点确定所述轨迹点在所述历史轨迹的行进方向；

在所述轨迹点的邻近事件节点选择与所述行进方向一致的事件节点；

根据与所述行进方向一致的事件节点的事件信息，确定所述用户的当前行为是完成与所述行进方向一致的事件节点的进程。

可选地，所述历史轨迹根据所述移动终端的历史数据生成，包括：

基于所述移动终端的历史数据获取所述用户在指定时长内的活动状态信息；

对所述指定时长内的活动状态信息进行分类解析，归纳出所述用户的不同行为的发生规律；

根据所述用户的不同行为的发生规律绘制所述历史轨迹。

可选地，将所述当前活动状态信息与所述历史轨迹进行匹配，确定所述用户的当前行为之后，还包括：

为所述用户推荐与所述用户的当前行为相关的推荐信息。

可选地，为所述用户推荐与所述用户的当前行为相关的推荐信息，包括：

获取所述用户的当前行为的所在地和/或目的地；

确定所述所在地和/或目的地的商业类型；

根据确定的商业类型为所述用户推荐相关的商业信息。

可选地，根据确定的商业类型为所述用户推荐相关的商业信息，包括：

根据确定的商业类型为所述用户推荐与本商业类型相关的商业信息；和/或

在所述所在地和/或目的地周边寻找与确定的商业类型不同的商业类型，将不同的商业类型推荐给所述用户。

可选地，为所述用户推荐与所述用户的当前行为相关的推荐信息，包括：若所述用户的当前活动状态为驾驶状态，为所述用户推送路况信息，和/或，在所述移动终端界面自动调起导航展示路线并显示。

可选地，所述基于用户随身携带的移动终端获取所述用户的当前活动状态信息，包括：

收集所述移动终端传感器采集的传感器数据，得到数据序列；

将所述数据序列作为训练样本提取其中的特征向量，将特征向量映射到用户活动状态的类别，使用机器学习算法训练从特征向量到用户活动状态的类别的分类模型。

可选地，所述传感器采集的数据包括多个方向上的数据，所述数据序列包括相应的各个方向上的数据序列。

可选地，当所述传感器包括多种类型的传感器时，收集所述移动终端传感器采集的传感器数据，得到数据序列包括：

对所述多种类型的传感器进行组合，得到多组传感器，其中，各组传感器中包含一类或多类传感器；

收集移动终端上的各组传感器采集的数据，得到各组传感器中各类传感器对应的数据序列。

可选地，将所述数据序列作为训练样本提取其中的特征向量，将特征向量映射到用户活动状态的类别，使用机器学习算法训练从特征向量到用户活动状态的类别的分类模型，包括：

将所述各组传感器中各类传感器对应的数据序列作为训练样本提取其中的特征向量，将特征向量映射到用户活动状态的类别，使用机器学习算法训练所述各组传感器的从特征向量到用户活动状态的类别的分类模型。

依据本发明实施例的另一个方面，提供了一种用于移动终端的用户行为确定装置，包括：

第一获取模块，适于基于用户随身携带的移动终端获取所述用户的当前活动状态信息；

第二获取模块，适于获取记录所述用户历史行为规律的历史轨迹，其中，所述历史轨迹根据所述移动终端的历史数据生成；

匹配确定模块，适于将所述当前活动状态信息与所述历史轨迹进行匹配，确定所述用户的当前行为。

可选地，所述第一获取模块，还适于：

基于移动终端的传感器获取所述用户的当前行为所产生的传感器数据；

根据所述传感器数据确定所述用户的当前活动状态信息。

可选地，所述第一获取模块，还适于：

进一步获取所述移动终端的辅助识别信息，其中，所述辅助识别信息包括网络数据、位置信息和/或应用数据；

在所述传感器数据的基础上结合所述辅助识别信息，确定所述用户的当前活动状态信息。

可选地，所述移动终端的网络数据包括蓝牙数据和/或WIFI数据；所述移动终端的位置信息包括GPS信息。

可选地，所述匹配确定模块，还适于：

沿所述历史轨迹的时间轴对应存在多个事件节点；

将所述当前活动状态信息与所述历史轨迹匹配，确定与所述当前活动状态信息匹配的轨迹点；

根据确定的所述轨迹点的邻近事件节点的事件信息确定所述用户的当前行为。

可选地，所述匹配确定模块，还适于：

根据当前时间点确定所述轨迹点在所述历史轨迹的行进方向；

在所述轨迹点的邻近事件节点选择与所述行进方向一致的事件节点；

根据与所述行进方向一致的事件节点的事件信息，确定所述用户的当前行为是完成与所述行进方向一致的事件节点的进程。

可选地，所述第二获取模块，还适于：

基于所述移动终端的历史数据获取所述用户在指定时长内的活动状态信息；

对所述指定时长内的活动状态信息进行分类解析，归纳出所述用户的不同行为的发生规律；

根据所述用户的不同行为的发生规律绘制所述历史轨迹。

可选地，应用的启动装置，还包括：

推荐模块，适于为所述用户推荐与所述用户的当前行为相关的推荐信息。

可选地，所述推荐模块，还适于：

获取所述用户的当前行为的所在地和/或目的地；

确定所述所在地和/或目的地的商业类型；

根据确定的商业类型为所述用户推荐相关的商业信息。

可选地，所述推荐模块，还适于：

根据确定的商业类型为所述用户推荐与本商业类型相关的商业信息；和/或

在所述所在地和/或目的地周边寻找与确定的商业类型不同的商业类型，将不同的商业类型推荐给所述用户。

可选地，所述推荐模块，还适于：若所述用户的当前活动状态为驾驶状态，为所述用户推送路况信息，和/或，在所述移动终端界面自动调起导航展示路线并显示。

可选地，所述第一获取模块，还适于：

收集所述移动终端传感器采集的传感器数据，得到数据序列；

将所述数据序列作为训练样本提取其中的特征向量，将特征向量映射到用户活动状态的类别，使用机器学习算法训练从特征向量到用户活动状态的类别的分类模型。

可选地，所述传感器采集的数据包括多个方向上的数据，所述数据序列包括相应的各个方向上的数据序列。

可选地，所述第一获取模块，还适于：

当所述传感器包括多种类型的传感器时，对所述多种类型的传感器进行组合，得到多组传感器，其中，各组传感器中包含一类或多类传感器；

收集移动终端上的各组传感器采集的数据，得到各组传感器中各类传感器对应的数据序列。

可选地，所述第一获取模块，还适于：

将所述各组传感器中各类传感器对应的数据序列作为训练样本提取其中的特征向量，将特征向量映射到用户活动状态的类别，使用机器学习算法训练所述各组传感器的从特征向量到用户活动状态的类别的分类模型。

依据本发明的又一个方面，提供了一种计算机程序，其包括计算机可读代码，当所述计算机可读代码在计算设备上运行时，导致所述计算设备执行所述的用于移动终端的用户行为确定方法。

依据本发明的又一个方面，提供了一种计算机可读介质，其中存储了所述的计算机程序。

依据本发明的再一个方面，提供了一种移动终端，包括处理器和存储器：

所述存储器用于存储执行上述任一项用于移动终端的用户行为确定方法的程序，

所述处理器被配置为用于执行所述存储器中存储的程序。

本发明实施例，为了能够实现通过移动终端确定用户当前的行为，可以首先基于用户随身携带的移动终端获取用户的当前活动状态信息。进而，在获取到用户当前活动状态信息的基础上，进一步获取记录用户历史行为规律的历史轨迹。其中，历史轨迹可以根据移动终端的历史数据生成。进一步地，在获取到上述信息后，将当前活动状态信息与历史轨迹进行匹配，进而，根据匹配结果确定用户的当前行为。由此可知，本发明实施例通过利用移动终端本身的设备可以获取用户的多种活动状态信息，其较现有技术中仅能通过移动终端获取用户的步数统计信息有了极大提高。并且，本发明实施例的移动终端是基于用户随身携带的，其能够实时记录用户的各种活动信息，进而提高获取的用户活动状态信息的准确性。此外，本发明实施例还可以通过移动终端获取记录用户行为规律的历史轨迹，该历史轨迹通过结合大数据分析而生成，对用户的日常行为作出了详细统计。更多地，本发明实施例还可以通过将获取的当前活动状态信息与移动终端上的历史轨迹进行匹配，以达到确定用户行为的目的。本发明实施例仅通过移动终端即可精准地确定用户当前的行为，进而可以更好地实现用户与移动终端之间的交互，同时为用户提供全方位的推荐信息，为用户的日常生活提供了极大的便利。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

根据下文结合附图对本发明具体实施例的详细描述，本领域技术人员将会更加明了本发明的上述以及其他目的、优点和特征。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1是根据本发明一个实施例的用于移动终端的用户行为确定方法的处理流程图；

图2是根据本发明一个实施例的用于移动终端的用户当前活动状态识别方法的处理流程图；

图3是根据本发明一个实施例的分类模型的训练方法的处理流程图；

图4A是根据本发明一个实施例的常停留点作为搜索建议词进行推荐的第一种示意图；

图4B是根据本发明一个实施例的常停留点作为搜索建议词进行推荐的第二种示意图；

图5是根据本发明一个实施例的确定用户行为之后的推荐信息示意图；

图6是根据本发明一个实施例的展示导航路线的示意图；

图7是根据本发明一个实施例的移动终端上加速度传感器的数据轨迹图；

图8是根据本发明一个实施例的用户个性标签的示意图；

图9是根据本发明一个实施例的用于移动终端的用户行为确定装置的示意性框图；

图10是根据本发明一个实施例的用于移动终端的用户行为确定装置的另一个示意性框图；

图11是根据本发明一个实施例的移动终端的结构示意图；

图12是根据本发明一个实施例的用于执行根据本发明的用于移动终端的用户行为确定方法的计算设备的框图；以及

图13是根据本发明一个实施例的用于保持或者携带实现根据本发明的用于移动终端的用户行为确定方法的程序代码的存储单元。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

为解决上述技术问题，本发明实施例提供了一种用于移动终端的用户行为确定方法。图1是根据本发明一个实施例的用于移动终端的用户行为确定方法的处理流程图。如图1所示，用户行为的确定方法至少包括步骤S102至步骤S106：

步骤S102、基于用户随身携带的移动终端获取用户的当前活动状态信息；

步骤S104、获取记录用户历史行为规律的历史轨迹，其中，历史轨迹根据移动终端的历史数据生成；

步骤S106、将当前活动状态信息与历史轨迹进行匹配，确定用户的当前行为。

本发明实施例，为了能够实现通过移动终端确定用户当前的行为，可以首先基于用户随身携带的移动终端获取用户的当前活动状态信息。进而，在获取到用户当前活动状态信息的基础上，进一步获取记录用户历史行为规律的历史轨迹。其中，历史轨迹可以根据移动终端的历史数据生成。进一步地，在获取到上述信息后，将当前活动状态信息与历史轨迹进行匹配，进而，根据匹配结果确定用户的当前行为。由此可知，本发明实施例通过利用移动终端本身的设备可以获取用户的多种活动状态信息，其较现有技术中仅能通过移动终端获取用户的步数统计信息有了极大提高。并且，本发明实施例的移动终端是基于用户随身携带的，其能够实时记录用户的各种活动信息，进而提高获取的用户活动状态信息的准确定。此外，本发明实施例还可以通过移动终端获取记录用户行为规律的历史轨迹，该历史轨迹通过结合大数据分析而生成，对用户的日常行为做出了详细统计。更多地，本发明实施例还可以通过将获取的当前活动状态信息与移动终端上的历史轨迹进行匹配，以达到确定用户行为的目的。本发明实施例仅通过移动终端即可精准地确定用户当前的行为，进而可以更好地实现用户与移动终端之间的交互，同时为用户提供全方位的推荐信息，为用户的日常生活提供了极大的便利。

上文步骤S102中提及的移动终端可以包括智能手机、平板电脑、智能手表、笔记本电脑、移动POS机等，其目前已在人们的日常生活中得到了广泛地运用。根据本发明实施例，可以基于用户随身携带的移动终端获取用户的当前活动状态信息。

具体地，在执行步骤S102时，可以基于移动终端的传感器获取用户的当前行为所产生的传感器数据。移动终端的传感器可以是加速度计(accelerometer)、磁力计(magnetometer)、陀螺仪(gyroscope)等，本发明实施例不限于此。这些传感器使得移动终端具备多种多样的功能，其中，本发明实施例对用户活动状态的识别即用到了移动终端中各传感器的测量数据。相应地，加速度计是测量运载体线加速度的仪表，其是活动识别最主要的传感器，其测量作用于设备的三个轴方向(x，y，z)的加速度(m/s²)，包含了重力加速度。磁力计测量作用于设备三个轴方向(x，y，z)的磁场强度值(A/m)。陀螺仪测量设备绕三个轴(x，y，z)旋转的速度(rad/s)。移动终端的各传感器能够对用户的不同行为进行数据的测量和收集。

在根据移动终端的传感器获取到用户的当前行为所产生的传感器数据后，可以根据获取的传感器数据确定用户的当前活动状态信息。具体地，图2示出了根据本发明一个实施例的用于移动终端的用户活动状态识别方法的流程示意图，在图2中，该方法至少可以包括以下步骤S202至步骤S204：

步骤S202、提取当前的传感器数据中的特征向量，并输入从特征向量到用户活动状态的类别的分类模型。

步骤S204、利用上述分类模型识别出当前的传感器数据对应的用户活动状态的类别。

可以看到，本发明实施例充分利用了移动终端本身具备的传感器，读取传感器采集的传感器数据，并基于传感器数据和分类模型能够识别出使用该移动终端的用户的日常活动状态。并且，本发明实施例在对传感器数据处理时，针对性地提取其中的特征向量，能够提高识别结果的精确度。

本发明实施例，在读取到传感器数据之后，执行步骤S202，从读取的传感器数据中提取特征向量，然后将提取的特征向量输入分类模型中进而识别用户活动状态的类别，如静止、步行、骑行、跑步、登山、驾车、坐公交、坐地铁、坐火车等等。分类模型中的特征向量与提取的特征向量是对应的，因此，本发明实施例首先介绍分类模型的训练步骤，图3示出了根据本发明一个实施例的分类模型的训练方法的流程示意图，在图3中，该方法至少可以包括以下步骤S302至步骤S304：

步骤S302、收集移动终端上传感器采集的数据，得到数据序列；

步骤S304、将数据序列作为训练样本提取其中的特征向量，将特征向量映射到用户活动状态的类别，使用机器学习算法训练从特征向量到用户活动状态的类别的分类模型。

上述的步骤S302和步骤S304主要可以包括数据收集、预处理、数据分割、特征提取以及机器学习，详细介绍如下。

在数据收集步骤中，收集移动终端上传感器采集的数据，得到数据序列。即，从前面介绍的各传感器中可以获得用户活动期间的传感器数据序列，具体可以以恒定采样频率(如50赫兹等)来采样得到数据。并且，传感器采集的数据可以包括多个方向上的数据，这样，数据序列也可以包括相应的各个方向上的数据序列。例如，加速度计、地磁传感器、陀螺仪都有三个轴的读数，因而对于每个传感器，都会得到三个轴x、y、z的信号值序列。在数据收集过程中，本发明实施例对前述的各个类别的用户活动状态都需要收集充分的样本，同一类别的用户活动状态，也可以考虑移动终端的姿态等各种不同的情况。

在预处理步骤中，有些移动终端不一定支持所有的传感器，因此，本发明实施例从收集的数据中，提取不同传感器组合的数据。即，对多种类型的传感器进行组合，得到多组传感器。其中，各组传感器中包含一类或多类传感器，进而收集移动终端上的各组传感器采集的数据，得到各组传感器中各类传感器对应的数据序列。由于加速度计是最主要的传感器，本发明实施例选择以下三种可能的组合：(1)加速度计；(2)加速度计和地磁传感器；(3)加速度计、地磁传感器和陀螺仪，对这三种情况的数据将分别进行训练。

在数据分割步骤中，将传感器数据序列分割成子序列，每个子序列映射到一个对应的活动标签。对于加速度计、地磁传感器和陀螺仪这些以恒定采样频率采样的数据，本发明实施例将整个传感器数据序列分割为时间间隔相等的子序列。选择最佳的时间窗口大小或时间间隔是影响识别效果的关键因素之一，因此，本发明实施例分别选择1至6秒的不同间隔进行分割得到子序列，后面通过机器学习分类时，对不同尺度的数据分别进行学习，得到基于不同时间窗口大小的识别模型，然后对不同的模型评测其识别效果，以选择最佳的分割间隔。需要说明的是，这里选取的1至6秒的时间间隔仅是示意性的，并不对本发明实施例进行限制，在实际应用中，还可以选取7或8秒等时间间隔来对序列进行分割。

数据分割完毕后得到的样本集中，可以选取一部分作为后续机器学习的输入，剩下的部分作为测试集，用来评测分类模型的分类效果。

在本发明的可选实施例中，在利用各个时间窗口对数据序列进行分割处理时，每时间窗口生成一个子序列，子序列之间互不重叠，得到该时间窗口对应的多个子序列作为训练样本；或者，将各个时间窗口在数据序列上进行滑动，每滑动指定时长生成当前时间窗口对应的子序列，得到各个时间窗口各自对应的多个子序列作为训练样本。

在特征提取步骤中，对于分割后的传感器数据子序列，本发明实施例举例以下公式来计算以下特征量来得到序列的特征向量，但需要说明的是，本发明保护的技术方案并不局限以下及说明书中列的各个公式实现的方案，本领域技术人员能够想到通过合理变化、增减比例、调整系数、增加权重等方式依然可以实现本发明技术方案，而这些未穷举的方案也都在本发明保护范围内。

1)均值(mean)

对于大小为n的序列S，其均值为n个信号值相加的总和除以序列大小，计算公式如下：

Mean(S)＝Sum(S)/n

2)标准差(standard deviation)

标准差是各信号值与均值离差平方的算术平均数的平方根，可以反映样本的变化度。

对于大小为n的序列x₁,x₂...x_n，其均值为μ，标准差公式为：

3)中位数(median)

中位数为数据序列按顺序排列后位于中间位置的数。对于大小为n的序列，将该序列按升序排序，如果n为奇数，则取(n+1)/2个数为中位数；如果n为偶数，则取第n/2个数和第n/2+1个数的平均数为中位数。

4)中位数绝对偏差(median absolute deviation)

当存在异常值可能影响平均值的一些情况下，中位数绝对偏差相对标准差可以提供更好的变化度测量。将序列的各项减去序列的中位数后求绝对值，得到新序列，对于新序列求中位数，即可以得到中位数绝对偏差。

对于序列x₁,x₂...x_n，中位数绝对偏差为：

MAD＝Median(|x_i-Median(X)|)

5)零交叉(zero crossing)

零交叉为信号值与中位置相交的次数，这个特征量用于区分快运动和慢运动。计算方法是遍历序列的各项值，如果中位数大于当前项且小于后一项，或者小于当前项且大于后一项，则零交叉次数加1。

6)相关性(correlation)

多分量的传感器，其各个分量之间存在相关性，如加速度计的x、y、z三个方向相互之间的相关性。不同的活动状态各分量的相关性可能存在差异。对于大小为n的序列x和y，其相关性的计算公式如下：

7)峰-峰振幅

该值表示信号的峰值到谷值之差，即数据序列的最大值与最小值之差，计算公式如下：

P2PA(S)＝Max(S)-Min(S)

8)信号能量

信号能量指信号曲线与时间轴之间构成的区域的面积，对于传感器数值序列，信号能量可以表示为平方值之和：

以上介绍了本发明实施例从数据序列或子序列中主要提取的特征向量，当然本发明并不限于此。

接下来，在机器学习步骤中，本发明实施例使用监督学习方法，将特征向量映射到用户活动状态的类别，建立从特征向量到用户活动状态的类别的分类模型。这里，如前文介绍，数据序列对应有用户活动状态的类别的标签，这样在将特征向量映射到用户活动状态的类别时，可以将数据序列对应的用户活动状态的类别的标签作为其特征向量的标签，从而将数据序列的特征向量映射到用户活动状态的类别。

针对不同的传感器组合，本发明实施例将训练不同的分类模型，之后就可以利用这些分类模型，识别新的样本对应的用户活动状态的类别。

不同的监督学习算法对活动的识别效果有明显的差异，本发明实施例选取支持向量机(Support Vector Machine，SVM)作为主要的监督学习方法。SVM的目标是使预测精度最大化而又不会引起数据的过拟合，对于二元分类，SVM算法在特征空间里建立一个区域模型，将数据(特征向量)在多维空间中分隔成两个不同的类别，使分类边界离最近的数据点的距离尽量远。对活动进行分类属于多类别问题，多类别问题可以分解为多个二元分类问题，本发明实施例选择一对一方法，即最大赢选举法(maximum-wins voting)来处理活动分类问题，对每对不同的活动类别，训练一个SVM模型，最终得到K(K-1)/2个SVM分类器，对新样本分类时，每个分类器将得出一个分类，记录每个类别的得票数，得票最多的分类胜出，即确定为新样本对应的用户活动状态的类别。

需要说明的是，此处列举的机器学习SVM算法仅是示意性的，本发明实施例还可以使用决策树、人工神经网络、朴素贝叶斯等算法来实现分类，并且还可以对比评估不同学习算法的效果，从而选择合适的学习算法。具体地，利用测试样本集可以实现学习效果的评测，本发明实施例选择召回率、准确率、F-Score作为评测指标，通过不断调整训练样本、特征向量等相关参数以达到更佳的标准，优化识别效果。

在训练得到分类模型之后，接下来就可以利用分类模型来识别用户活动状态的类别。即，在步骤S202中从读取的传感器数据中提取特征向量，并输入从特征向量到用户活动状态的类别的分类模型，在步骤S204中利用上述分类模型识别读取的传感器数据对应的用户活动状态的类别。这里，在读取传感器数据时，可以以固定时间间隔生成样本，有以下两种生成样本的方式：

第一，假设样本所需持续时间为5秒，每5秒生成一个样本，样本之间互相不重叠；

第二，假设样本所需持续时间为5秒，每1秒生成一个样本，取之前5秒内的数据，样本之间会相互重叠。

在提取特征向量时，提取的特征向量与训练时相同，即，可以利用上文特征提取步骤中提及的方法计算数据序列或子序列的均值、标准差、中位数、中位数绝对偏差、零交叉、相关性、峰-峰振幅、信号能量，将这些特征值作为序列的特征向量。接下来，根据移动终端支持的传感器，选择合适的分类模型，使得训练好的分类模型对样本进行分类，识别出读取的传感器数据对应的用户活动状态的类别。

在本发明的可选实施例中，为了进一步提高识别的准确率，可以在确定用户的当前活动状态信息之前，进一步获取移动终端的辅助识别信息，进而利用辅助识别信息来调整识别出的用户活动状态的类别。本发明实施例中，辅助识别信息可以是网络数据、位置信息和/或应用数据。更多地，移动终端的网络数据可以是蓝牙数据和/或WIFI数据，移动终端的位置信息可以是GPS信息等，本发明实施例对此不做具体限定。同时，本发明实施例所提供的方法，将利用分类模型识别用户活动状态的类别称为初步识别，进而，还可以利用辅助识别信息来调整初步识别的识别结果。

在利用辅助识别信息来调整识别出的用户活动状态的类别时，本发明实施例可以判断移动终端上的指定通信模块(如蓝牙、WIFI等，本发明实施例不限于此)是否接入相应协议类型的通信设备。若是，则获取移动终端上的通信模块接入的通信设备的相关信息，进而基于获取的相关信息来调整识别出的用户活动状态的类别。下面通过几个实例来详细介绍。

情况一，蓝牙连接状态

本发明实施例可以获取蓝牙连接状态及连接的蓝牙设备类型，查看连接的蓝牙设备类型可以识别车载蓝牙设备，当确认移动终端连接了车载蓝牙设备，且初步识别的用户活动状态为驾车或与驾车接近的状态，则可以确认或纠正为驾车状态。

情况二，周边蓝牙设备

通过蓝牙扫描可以得到周边的蓝牙设备列表，分析其中的设备类型及数量，统计发现驾车时扫描到的蓝牙设备数量通过不会太多。因此，可以设定数量阈值，如果该数量超过了数量阈值且无车载蓝牙设备，而初步识别为驾车，则认为是误识别。

情况三，GPS

通过GPS可以获得当前的位置及移动速度，通过设定速度阈值，可以确认是否在行驶的车辆上。由于GPS长时间使用功耗较高，因此，本发明实施例仅在用户活动状态可能发生切换，进行确认时才使用GPS辅助判断。

情况四，WIFI

目前，许多公交车上都会安装WIFI，这些WIFI通常都有较明显的特征(如名称等)，通过数据收集与分析可以提取这些特征，如果移动终端连接了WIFI，通过判断当前连接的WIFI的特征，可以辅助判断是否在公交车上。

情况五，历史状态

历史状态用于状态切换，在判断是否可以切换到新的状态时，需要考察历史状态，确认新的状态是否已经持续了指定时长，若是，则确认切换到新的状态；若否，则不认为切换到新的状态。

在利用辅助识别信息来调整识别出的用户活动状态的类别时，本发明实施例还可以获取移动终端上的指定应用程序的业务数据，进而基于获取的业务数据来调整识别出的用户活动状态的类别。例如，用户开启指定应用程序，利用指定应用程序打开自行车车锁，然后进入骑行状态，该指定应用程序从开锁到关锁一直会记录用户的骑行时间，本发明实施例从指定应用程序获取到这些业务数据时，则确认用户活动状态为骑行状态。又例如，用户开启刷公共交通卡功能，刷卡之后，该公共交通卡功能会记录用户乘坐公共交通的时间或站点，本发明实施例从公共交通卡功能处获取到这些业务数据时，则确认用户活动状态为乘坐公共交通状态。

在本发明的可选实施例中，当发生调整识别出的用户活动状态的类别的事件时，获取调整后的用户活动状态的类别，进而利用传感器数据中的特征向量与调整后的用户活动状态的类别对分类模型进行训练，以修正分类模型。

在步骤S102执行结束之后，可以获取到用户的当前活动状态信息，其中，用户活动状态的类别可以包括静止、步行、跑步、驾车、乘坐公共交通等，本发明不限于此。此外，本发明实施例，在获取到用户当前的活动状态信息时，还可以确定用户的活动状态是否发生切换。具体地，在识别出用户活动状态的类别之后，可以判断本次识别是否为初次识别操作。若是，则将本次识别出的用户活动状态的类别作为本次确定的用户活动状态的类别。若否，则获取上一次确定的用户活动状态的类别，并基于上一次确定的用户活动状态的类别与本次识别出的用户活动状态的类别，确定本次用户的活动状态是否发生切换。

进一步地，若上一次确定的用户活动状态的类别与本次识别出的用户活动状态的类别相同，则确定本次用户活动状态未发生切换。若上一次确定的用户活动状态的类别与本次识别出的用户活动状态的类别不相同，则将上一次确定的用户活动状态的类别称为第一类别，本次识别出的用户活动状态的类别称为第二类别，并继续进行上述的读取、识别操作。当后续识别出的用户活动状态的类别为第二类别的次数超出阈值，则确定超出阈值时对应的用户活动状态发生切换。

比如，通过上述步骤识别出用户的活动状态的类别为静止状态，为了确定用户活动状态是否发生切换，首先判断本次识别是否为初次识别操作，若是，则将本次识别出的用户活动状态的类别作为本次确定的用户活动状态的类别；若否，则获取到上一次确定的用户活动状态的类别为步行，此时不会立即确定用户活动状态切换为静止状态，而是继续执行上述步骤识别出用户活动状态的类别，若通过多次识别用户活动状态的类别为静止，则确定用户活动状态切换为静止状态。

在本发明的可选实施例中，当确定用户活动状态为第一活动状态后，从移动终端的传感器处读取当前的传感器数据，并基于当前的传感器数据识别出用户活动状态为第二活动状态；若第二活动状态与第一活动状态不相同、且用户活动状态为第二活动状态的持续时长大于第一指定时间阈值，则确定用户活动状态从第一活动状态切换为第二活动状态。这里的第一指定时间阈值可以基于第一活动状态和第二活动状态来确定。

若第二活动状态与第一活动状态不相同、且用户活动状态为第二活动状态的持续时长小于第一指定时间阈值，则继续从移动终端的传感器处读取当前的传感器数据，并基于当前的传感器数据识别出用户活动状态为第三活动状态。若第三活动状态与第一活动状态、第二活动状态不相同，并且用户活动状态为第三活动状态的持续时长大于第二指定时间阈值，则确定用户活动状态从第一活动状态切换为第三活动状态。这里的第二指定时间阈值可以基于第一活动状态和第三活动状态来确定，也可以基于第一活动状态、第二活动状态以及第三活动状态来确定。

通过上面介绍可以看到，本发明实施例在状态发生变化时，进入新的状态前，需要一段时间进行确认，以确保状态的准确性，以下是状态切换时的基本策略。

首先是初始状态。在初次识别之前，由于还无法确定状态，可以将状态设为未知。

其次是状态进入。无论原先是未知状态或其它已识别的状态，进入新的状态都需要持续一段时间的稳定状态，才确认切换到新的状态。

再次是状态退出。通常有三种情况会退出原来的状态：

a.进入新的状态；

b.未确认进入新状态，但已经连续有一段时间识别的状态不符合旧的状态。对于简单的状态，这个时间相对较短(如30秒)；对于复杂的状态(如驾车、公交等)，这些状态持续期间通常会包含其它状态，如等红绿灯时静止，因此只有持续较长时间(如5分钟)未识别为原来的状态才退出；

c.系统或应用退出。

最后是状态维持。进入新的状态之后，将一直维持该状态，直到满足退出条件。

接下来针对各种状态，详细描述其切换条件。

1)关于静止状态

从未知、步行、跑步等状态到静止状态，只需要静止状态持续稳定一段时间(如5-15秒)，即可确认切换到静止状态。

从驾车状态到静止状态，为避免等红绿灯这类情况下状态变化，需要静止的稳定持续时间更长(如超过2分钟)才会切换状态。

从坐公交状态到静止状态，通常不应该从坐公交状态直接切换到静止状态，为避免异常情况，设置一个较长的确认时间即可(如5分钟以上)。

2)关于步行、跑步状态

从未知、静止等状态到步行或跑步状态，只需步行或跑步状态持续稳定一段时间(如5-15秒)，即可确认切换到新状态。

步行和跑步之间的切换，为避免像快走和慢跑等这类很接近的状态导致状态来回变化，步行与跑步之间的状态切换需要的确认时间更长(如15-30秒)。

从驾车状态到步行、跑步状态，因驾车状态较为复杂，而且驾车过程中经过颠簸道路时，有可能误识别为步行等其它状态，因此从驾车状态切换到步行或跑步状态，需要确保新状态稳定持续了较长时间(如30秒以上)。在驾车和步行之间通常存在停车静止状态(时间较短未切换到静止)，如果步行状态之前存在静止状态，可适当降低确认时间。为了确保准确性，还可以利用GPS确认当前速度没有超过步行的速度。

从坐公交状态到步行、跑步状态，乘坐公交时，因可能在车厢内走动，还可能站立，因此进入步行、跑步状态需要确保新状态持续较长时间(如30秒以上)。为了确保准确性，还可以利用GPS确认当前速度没有超过步行的速度。

3)关于驾车状态

从未知、静止状态到驾车状态，需要驾驶状态稳定持续较长的时间(如30秒以上)，且在确认期间开启GPS获取当前速度，如果连续一段时间(如15秒内)速度太低(如小于10千米每小时)或无GPS信号，则不进入驾车状态。

从步行、跑步状态到驾车状态，进入的条件类似从未知或静止进入驾车，但相比上一种情况，从步行或跑步到驾车状态之间，刚进入车内还未开动时，通常会有一段时间的静止状态(时间太短未切换到静止)，因此需额外再增加驾车状态前的静止状态判断，如不存在静止状态，需要适当增加确认时间。

从坐公交到驾车状态，通常不允许从坐公交状态直接切换为驾车状态。

4)坐公交、地铁

坐公交相比驾车是更复杂的状态，因其状态相对更不稳定，比如乘客可坐可站，也可能频繁操作移动终端等，因此仅仅通过初步识别的状态结合WIFI、GPS等，还不足以准确识别，需要进一步结合公交站点及线路数据来进行判断。

具体地，在本发明的可选实施例中，当基于移动终端的传感器数据识别出用户活动状态为预设状态时，获取移动终端用户所在的第一位置信息；随后，将第一位置信息与公共交通站点和线路数据进行匹配，若匹配上，则在指定时长后获取移动终端用户所在的第二位置信息和移动速度；之后，将第二位置信息与公共交通站点和线路数据进行匹配，若匹配上，且移动速度符合预设条件，则确定用户活动状态为乘坐公共交通状态。

在确定上述的指定时长时，若第一位置信息匹配上公共交通站点，则基于匹配上的公共交通站点的类型确定指定时长，其中，公共交通站点的类型包括起始站点、中间站点以及结束站点中任意之一；若第一位置信息匹配上公共交通线路，则基于匹配上的公共交通线路的相关信息确定指定时长，其中，公共交通线路的相关信息包括红绿灯情况和/或实时路况。

从未知、步行、跑步状态到乘坐公共交通状态，上车时通常会识别为步行，因此从步行状态切换为乘坐公共交通是进入乘坐公共交通状态比较普遍的方式。在确认是否进入乘坐公共交通状态期间，本发明实施例开启移动终端上的GPS，通过开启的GPS获取移动终端用户所在的第一位置信息。接着，将第一位置信息与公共交通站点和线路数据进行匹配，判断当前是否在公共交通站点或其附近，或者是否沿公共交通线路行驶，若匹配上，则在指定时长后获取移动终端用户所在的第二位置信息和移动速度，若匹配上，且移动速度符合预设条件，则确定用户活动状态为乘坐公共交通状态。

从静止到乘坐公共交通状态，通过定位位置结合公共交通站点和线路数据，判断当前是否在公共交通站点附近及站点是否为始发站，如果不是从始发站上车，通常不会存在静止状态，即便存在，也可能持续时间很短，因此设定阈值，静止时间超过阈值则不认为是乘坐公共交通状态；如果是始发站，则该阈值可以设为较长的时间，同时还需要判断静止之前的历史状态，需存在步行状态才可以识别为乘坐公共交通状态。

在确定用户活动状态是否发生切换时，本发明实施例还可以基于移动终端的状态变化来确定。具体地，当移动终端的状态发生变化时，获取移动终端上的用于识别用户活动状态的相关数据，并基于获取的相关数据识别用户活动状态为待定活动状态；接着，判断在待定活动状态之前是否存在已确定的第一活动状态；若存在，则基于待定活动状态与第一活动状态，确定用户的第二活动状态。这里，移动终端的状态发生变化可以是多种情况，例如，从移动终端的传感器处读取传感器数据，若读取的传感器数据的振幅变化大于幅度阈值，则确定移动终端的状态发生变化；又例如，当监测到移动终端上的指定通信模块接入相应协议类型的通信设备，则确定移动终端的状态发生变化，等等，本发明实施例不限于此。

进一步，在基于待定活动状态与第一活动状态确定用户的第二活动状态时，若用户活动状态为待定活动状态的持续时长大于时间阈值，则将待定活动状态确定为用户的第二活动状态。若用户活动状态为待定活动状态的持续时长小于时间阈值，则继续监测移动终端的状态是否发生变化。

举例来说，若从移动终端的传感器处读取传感器数据，若读取的传感器数据的振幅变化大于幅度阈值，此时移动终端的状态发生变化，则获取移动终端上的用于识别用户活动状态的相关数据，并基于获取的相关数据识别用户活动状态为待定活动状态，具体为静止状态。若在静止状态之前存在已确定的第一活动状态，具体为步行状态。如果用户活动状态为静止状态的持续时长大于时间阈值(如15秒)，则确定用户的第二活动状态为静止状态。如果用户活动状态为静止状态的持续时长小于15秒，则继续监测移动终端的状态是否发生变化。若监测到移动终端上的指定通信模块接入相应协议类型的通信设备，此时移动终端的状态发生变化，则基于接入的通信设备的相关信息识别出用户活动状态为待定活动状态，具体为驾车状态。如果用户活动状态为驾车状态的持续时长大于时间阈值(如30秒)，则确定用户的第二活动状态为驾车状态。如果用户活动状态为驾车状态的持续时长小于30秒，则继续监测移动终端的状态是否发生变化，以此类推。

此外，本发明实施例还可以通过移动终端采集与识别出的用户的活动状态信息相对应的时间信息。进而，基于收集的用户活动状态的类别和相应的时间信息，确定用户活动状态为静止状态的时间区间。随之，当到达该时间区间时，获取用户所在的地理位置信息。然后，将获取的地理位置信息所在地点作为用户的常停留点。

在确定了用户的常停留点之后，本发明实施例还可以在搜索框中将这些常停留点作为搜索建议词进行推荐，如图4A和4B所示。在图4A中，“输入地点”所在位置为搜索框，“搜索发现”部分为推荐的常停留点，当光标置于“输入地点”时，用户点击“北京邮电大学”，则将“北京邮电大学”复制到搜索框中，再点击“搜索”按钮就可以进行相关搜索。

在图4B中，“我的位置”和“输入终点”所在位置均为输入框，“搜索发现”部分为推荐的常停留点，当光标置于“输入终点”时，用户点击“小月河”，则将“小月河”复制到输入框中，发起路线搜索。

在本发明的可选实施例中，还可以定时或不定时地向用户推荐与这些常停留点相关的推荐信息，如商家信息、实时新闻等。

更多地，在获取到用户的活动状态如静止、步行、骑行、跑步、登山、驾车、坐公交、坐地铁、坐火车等等时，本发明实施例还可以针对不同的用户活动状态提供相应的地图内容。比如，当用户活动状态为步行状态时，可以突出显示包含购物、餐饮、卫生间等信息的地图内容；当用户活动状态为坐公交状态时，可以突出显示包含公交路线和站点等信息的地图内容；当用户活动状态为驾车状态时，可以突出显示包含加油站、维修站、停车场等信息的地图内容，等等。

本发明实施例，在获取到用户的活动状态信息时，还可以通过移动终端采集与识别出的用户的活动状态信息相对应的时间信息，进而获取相应时间区间内用户所在的地理位置信息。最后，将上述获取到的相关信息记录到移动终端，进一步结合移动终端的大数据统计分析用户的日常行为，并将统计结果作为移动终端的历史数据。

进一步，执行步骤S104，根据移动终端的历史数据生成记录用户历史行为规律的历史轨迹。具体地，在生成历史轨迹时，可以首先基于移动终端的历史数据获取用户在指定时长内的活动状态信息。进而，对指定时长内的活动状态信息进行分类解析，归纳出用户的不同行为的发生规律。该不同行为发生规律的统计是基于用户随身携带的移动终端对用户活动状态较长时间的实时记录，并结合大数据分析而得到的，其对移动终端进一步确定用户行为奠定了良好的基础。并且，用户的移动终端是其随身携带的，由此获取的不同行为的发生规律对用户而言有较强的针对性，且该规律可以作为用户的隐私存储在移动终端，保障了用户信息的安全性。进一步，本发明实施例可以根据用户的不同行为的发生规律绘制相应的历史轨迹。

进一步地，执行步骤S106，将获取的用户当前活动状态信息与历史轨迹进行匹配，以确定用户当前的具体行为。在本发明实施例中，沿历史轨迹的时间轴可以对应存在多个事件节点，比如在历史轨迹的时间轴上可以对应存在吃饭、工作、运动、娱乐、购物等等不同的事件节点。进而，将用户当前的活动状态信息与历史轨迹进行匹配，确定与当前活动状态信息匹配的轨迹点。然后，根据确定的轨迹点的邻近事件节点的事件信息确定用户的当前行为。

具体地，在根据确定的轨迹点的邻近事件节点的事件信息确定用户的当前行为时，可以首先根据当前时间点确定轨迹点在历史轨迹的行进方向，然后在轨迹点的邻近事件节点选择与行进方向一致的事件节点，进而，根据与行进方向一致的事件节点的事件信息，确定用户的当前行为是完成与行进方向一致的事件节点的进程。

进一步地，本发明实施例，在将当前活动状态信息与历史轨迹进行匹配，确定用户的当前行为之后，还可以为用户推荐与用户的当前行为相关的推荐信息。在实际应用中，可以获取用户的当前行为的所在地和/或目的地，进而根据获取到的信息确定用户所在地和/或目的地的商业类型，然后，根据确定的商业类型为用户推荐相关的商业信息。

相应地，在根据确定的商业类型为用户推荐相关的商业信息时，可以根据确定的商业类型为用户推荐与本商业类型相关的商业信息，还可以在用户所在地和/或目的地周边寻找与确定的商业类型不同的商业类型，进而将该不同的商业类型推荐给用户。

在本发明实施例中，为用户推荐与用户的当前行为相关的推荐信息时，如果用户的当前活动状态为驾驶状态，此时，可以为用户推送路况信息，还可以进一步地在移动终端的界面自动调起导航展示路线并显示，更多地，还可以调起移动终端上的语音交互驾驶模式，等等。

此外，本发明实施例提供的方法，还可以在识别出的用户活动状态为静止、步行、骑行、跑步、登山、坐公交、坐地铁、坐火车等等时，能够针对不同的用户活动状态结合历史数据确定出不同的用户行为，进而为其提供相应的推荐内容。例如，当用户活动状态为步行状态时，可以结合用户移动终端的历史轨迹以及在该活动状态时对应的时间信息确定用户的具体行为。比如当确定用户当前正在去往某家早餐店时，可以确定用户此刻准备去吃早餐，进而为其推荐该家早餐店的热门套餐以供用户选择等。

采用上述提供的用于移动终端的用户行为的确定方法，除了上述几个例子外，还存在许多不同的应用场景。现提供几个具体的实施例对本发明实施例所提供的用于移动终端的用户行为确定方法进行详细阐述。

实施例一

本实施例以用户当前的活动状态为跑步状态为例，且该用户近半年来每天坚持在晚上八点到九点到旧宫地铁站附近跑步。

具体地，根据本发明实施例所提供的用户行为确定方法，当用户的当前活动状态为跑步状态时，可以结合用户移动终端的历史数据进一步确定用户当前的具体行为。

由于该用户近半年来每天晚上八点到九点都会坚持到旧宫地铁站附近跑步，因此，在移动终端进行大数据统计分析后，已成功在移动终端为该用户建立晚上八点到九点这一时间区间的轨迹点，具体地，这一轨迹点还将被锁定在旧宫地铁站附近，并且锁定为用户处于跑步锻炼身体的状态。此时，当用户处于跑步状态时，可以结合当前的时间(如晚上八点半)及地点(如旧宫地铁站)，在移动终端上根据历史轨迹确定出该用户当前正在跑步锻炼身体。

在确定到用户当前正在跑步锻炼身体后，根据本发明实施例所提供的方法，还可以为用户提供相应的推荐信息。如图5所示，“搜索内容”所在位置为搜索框，“搜索发现”部分为推荐的与用户行为相关的信息。本例中，用户可以在移动终端的搜索界面获取到与旧宫、运动、健康等相关的推荐信息。当用户点击“健康食谱”时，则将“健康食谱”复制到搜索框中，再点击“搜索”按钮即可进行相关搜索，为用户提供了极大的便利。

实施例二

本实施例以用户当前的活动状态为驾驶状态为例。

具体地，根据本发明实施例所提供的用于移动终端的用户行为确定方法，当用户的当前活动状态为驾驶状态时，结合移动终端的历史轨迹及其他数据，确定用户当前正在驾车回家的路上，且当前正处于希格玛公寓附近，用户的住处在生命科学园地铁站附近。此时，在用户交互上，可以为其推荐由希格玛公寓到生命科学园地铁站这一路段的路况信息，还可以直接点亮移动终端的屏幕，显示地图导航功能，并显示导航路线。如图6所示，在图6中，三角形所在位置为用户当前驾车所处的位置，当确定用户处于驾车状态时，直接点亮移动终端的屏幕，显示图6所示的导航路线。

此外，当用户的活动状态为驾车状态时，还可以调起移动终端上的语音交互驾驶模式。具体地，可以启动移动终端的操作系统控制功能，利用操作系统控制功能将移动终端的操作系统以及其上运行的各应用调整为语音交互驾驶模式，这里的语音交互驾驶模式是指应用能够接收用户的语音指令并执行。

相应地，在调起移动终端上的语音交互驾驶模式时，还可以启动移动终端的操作系统控制功能，利用操作系统控制功能开启移动终端上的具有将各应用调整为语音交互驾驶模式的应用程序，由该应用程序启动语音交互驾驶模式。此时，用户无需手动操作移动终端即可对其进行控制，为用户驾车提供了方便。

实施例三

本实施例以从用户随身携带的移动终端上获取到用户当前的速度为6km/h，且获取到加速度传感器数据轨迹图7为例。如图7所示，本例可以获取到作用于移动终端的三个轴方向(x，y，z)的加速度(m/s²)。如图7所示，三个轴方向(x，y，z)的加速度轨迹都处于比较平缓的状态。进一步，提取当前获取的加速度传感器数据中的特征向量，并输入从特征向量到用户活动状态的类别的分类模型。利用分类模型识别出当前的传感器数据对应的用户活动状态的类别。本例中，结合用户移动终端的上述信息，可以识别出当前用户的活动状态为步行。

在获取到用户的活动状态为步行时，进一步通过移动终端采集到当前的时间为早上八点，用户的当前位置为“希格玛公寓”附近，且正在朝向“加州牛肉面”早餐店的方向运动。并且，通过用户移动终端上的历史轨迹可以看到该用户通常在每天早上八点时对应的坐标均为“加州牛肉面”早餐店。

此时，将获取到的当前活动状态等信息，与用户移动终端上的历史轨迹进行匹配，可以得知用户此时正在准备去吃早餐。本发明实施例，在确定用户准备去吃早餐时，可以由移动终端为其推荐附近评价较好的早餐店，还可以为其推荐附近各早餐店的早餐类别及销售情况等。该推荐信息为用户提供了更多选择，给用户提供了方便。

上文的实施例中所提供的结果仅仅为例举，本发明实施例提供的用于移动终端的用户行为确定方法还可以应用于其他不同场景中，上述实施例对其并未做具体限定，比如，采用本发明实施例提供的方法，还可以根据识别出的用户活动状态，结合移动终端已生成的历史轨迹及其他信息，确定用户当前的行为。进而，可以确定用户的个性标签，如购物狂、美食、电影、旅游、读书、运动等，如图8所示，并给用户进行个性化的信息推荐。

因此，采用本发明实施例所提供的用于移动终端的用户行为确定方法，可以通过利用移动终端本身的设备获取用户的多种活动状态信息，其较现有技术中仅能通过移动终端获取用户的步数统计信息有了极大提高。并且，本发明实施例的移动终端是基于用户随身携带的，其能够实时记录用户的各种活动信息，进而提高获取的用户活动状态信息的准确定。此外，本发明实施例还可以通过移动终端获取记录用户行为规律的历史轨迹，该历史轨迹通过结合大数据分析而生成，对用户的日常行为作出了详细统计。更多地，本发明实施例还可以通过将获取的当前活动状态信息与移动终端上的历史轨迹进行匹配，以达到确定用户行为的目的。本发明实施例仅通过移动终端即可精准地确定用户当前的行为，进而可以更好地实现用户与移动终端之间的交互，同时为用户提供全方位的推荐信息，为用户的日常生活提供了极大的便利。

需要说明的是，实际应用中，上述所有可选实施方式可以采用结合的方式任意组合，形成本发明的可选实施例，在此不再一一赘述。

基于同一发明构思，本发明实施例还提供了一种用于移动终端的用户行为确定装置。图9是根据本发明一个实施例的用于移动终端的用户行为确定装置的第一种示意性框图。如图9所示，用于移动终端的用户行为确定装置至少包括：

第一获取模块910，适于基于用户随身携带的移动终端获取用户的当前活动状态信息；

第二获取模块920，与第一获取模块910耦合，适于获取记录用户历史行为规律的历史轨迹，其中，历史轨迹根据移动终端的历史数据生成；

匹配确定模块930，与第二获取模块920耦合，适于将当前活动状态信息与历史轨迹进行匹配，确定用户的当前行为。

在一个优选的实施例中，第一获取模块910，还适于：

基于移动终端的传感器获取用户的当前行为所产生的传感器数据；

根据传感器数据确定用户的当前活动状态信息。

在一个优选的实施例中，第一获取模块910，还适于：

进一步获取移动终端的辅助识别信息，其中，辅助识别信息包括网络数据、位置信息和/或应用数据；

在传感器数据的基础上结合辅助识别信息，确定用户的当前活动状态信息。

在一个优选的实施例中，移动终端的网络数据包括蓝牙数据和/或WIFI数据；移动终端的位置信息包括GPS信息。

在一个优选的实施例中，匹配确定模块930，还适于：

沿历史轨迹的时间轴对应存在多个事件节点；

将当前活动状态信息与历史轨迹匹配，确定与当前活动状态信息匹配的轨迹点；

根据确定的轨迹点的邻近事件节点的事件信息确定用户的当前行为。

在一个优选的实施例中，匹配确定模块930，还适于：

根据当前时间点确定轨迹点在历史轨迹的行进方向；

在轨迹点的邻近事件节点选择与行进方向一致的事件节点；

根据与行进方向一致的事件节点的事件信息，确定用户的当前行为是完成与行进方向一致的事件节点的进程。

在一个优选的实施例中，第二获取模块920，还适于：

基于移动终端的历史数据获取用户在指定时长内的活动状态信息；

对指定时长内的活动状态信息进行分类解析，归纳出用户的不同行为的发生规律；

根据用户的不同行为的发生规律绘制历史轨迹。

在一个优选的实施例中，如图10所示，用于移动终端的用户行为确定装置，还包括：

推荐模块940，与匹配确定模块930耦合，适于为用户推荐与用户的当前行为相关的推荐信息。

在一个优选的实施例中，推荐模块940，还适于：

获取用户的当前行为的所在地和/或目的地；

确定所在地和/或目的地的商业类型；

根据确定的商业类型为用户推荐相关的商业信息。

在一个优选的实施例中，推荐模块940，还适于：

根据确定的商业类型为用户推荐与本商业类型相关的商业信息；和/或

在所在地和/或目的地周边寻找与确定的商业类型不同的商业类型，将不同的商业类型推荐给用户。

在一个优选的实施例中，推荐模块940，还适于：若用户的当前活动状态为驾驶状态，为用户推送路况信息，和/或，在移动终端界面自动调起导航展示路线并显示。

在一个优选的实施例中，第一获取模块910，还适于：

收集移动终端传感器采集的传感器数据，得到数据序列；

将数据序列作为训练样本提取其中的特征向量，将特征向量映射到用户活动状态的类别，使用机器学习算法训练从特征向量到用户活动状态的类别的分类模型。

在一个优选的实施例中，传感器采集的数据包括多个方向上的数据，数据序列包括相应的各个方向上的数据序列。

在一个优选的实施例中，第一获取模块910，还适于：

当传感器包括多种类型的传感器时，对多种类型的传感器进行组合，得到多组传感器，其中，各组传感器中包含一类或多类传感器；

收集移动终端上的各组传感器采集的数据，得到各组传感器中各类传感器对应的数据序列。

在一个优选的实施例中，第一获取模块910，还适于：

将各组传感器中各类传感器对应的数据序列作为训练样本提取其中的特征向量，将特征向量映射到用户活动状态的类别，使用机器学习算法训练各组传感器的从特征向量到用户活动状态的类别的分类模型。

此外，本发明实施例还提供了一种移动终端，如图11所示，包括处理器1180和存储器1120：存储器1120用于存储执行上述任意一个优选的实施例或其组合所提供的用于移动终端的用户行为确定方法的程序；

处理器1180被配置为用于执行存储器1120中存储的程序。

为了便于说明，图11仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该移动终端可以包括手机、平板电脑、PDA(PersonalDigital Assistant，个人数字处理)、POS(Point of Sales，销售终端)、车载电脑等任意终端设备，以终端为手机为例：

图11示出的是与本发明实施例提供的移动终端相关的手机的部分结构的框图。参考图11，手机包括：射频(Radio Frequency，RF)电路1110、存储器1120、输入单元1130、显示单元1140、传感器1150、音频电路1160、无线保真(wireless fidelity，WiFi)模块1170、处理器1180、以及电源1190等部件。本领域技术人员可以理解，图11中示出的手机结构并不构成对手机的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

下面结合图11对手机的各个构成部件进行具体的介绍：

RF电路1110可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，给处理器1180处理；另外，将设计上行的数据发送给基站。通常，RF电路1110包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(Low NoiseAmplifier，LNA)、双工器等。此外，RF电路1110还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(GlobalSystem of Mobile communication，GSM)、通用分组无线服务(General Packet RadioService，GPRS)、码分多址(Code Division Multiple Access，CDMA)、宽带码分多址(Wideband Code Division Multiple Access,WCDMA)、长期演进(Long Term Evolution，LTE)、电子邮件、短消息服务(Short Messaging Service，SMS)等。

存储器1120可用于存储软件程序以及模块，处理器1180通过运行存储在存储器1120的软件程序以及模块，从而执行手机的各种功能应用以及数据处理。存储器1120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系统、至少一个功能所需的应用程序(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手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器1120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。

输入单元1130可用于接收输入的数字或字符信息，以及产生与手机的用户设置以及功能控制有关的键信号输入。具体地，输入单元1130可包括触控面板1131以及其他输入设备1132。触控面板1131，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板1131上或在触控面板1131附近的操作)，并根据预先设定的程式驱动相应的连接装置。可选的，触控面板1131可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器1180，并能接收处理器1180发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板1131。除了触控面板1131，输入单元1130还可以包括其他输入设备1132。具体地，其他输入设备1132可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。

显示单元1140可用于显示由用户输入的信息或提供给用户的信息以及手机的各种菜单。显示单元1140可包括显示面板1141，可选的，可以采用液晶显示器(LiquidCrystal Display，LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板1141。进一步的，触控面板1131可覆盖显示面板1141，当触控面板1131检测到在其上或附近的触摸操作后，传送给处理器1180以确定触摸事件的类型，随后处理器1180根据触摸事件的类型在显示面板1141上提供相应的视觉输出。虽然在图11中，触控面板1131与显示面板1141是作为两个独立的部件来实现手机的输入和输入功能，但是在某些实施例中，可以将触控面板1131与显示面板1141集成而实现手机的输入和输出功能。

手机还可包括至少一种传感器1150，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板1141的亮度，接近传感器可在手机移动到耳边时，关闭显示面板1141和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；至于手机还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。

音频电路1160、扬声器1161，传声器1162可提供用户与手机之间的音频接口。音频电路1160可将接收到的音频数据转换后的电信号，传输到扬声器1161，由扬声器1161转换为声音信号输出；另一方面，传声器1162将收集的声音信号转换为电信号，由音频电路1160接收后转换为音频数据，再将音频数据输出处理器1180处理后，经RF电路1110以发送给比如另一手机，或者将音频数据输出至存储器1120以便进一步处理。

WiFi属于短距离无线传输技术，手机通过WiFi模块1170可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图11示出了WiFi模块1170，但是可以理解的是，其并不属于手机的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。

处理器1180是手机的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器1120内的软件程序和/或模块，以及调用存储在存储器1120内的数据，执行手机的各种功能和处理数据，从而对手机进行整体监控。可选的，处理器1180可包括一个或多个处理单元；优选的，处理器1180可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器1180中。

手机还包括给各个部件供电的电源1190(比如电池)，优选的，电源可以通过电源管理系统与处理器1180逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。

尽管未示出，手机还可以包括摄像头、蓝牙模块等，在此不再赘述。

采用本发明实施例提供的用于移动终端的用户行为确定方法、装置及移动终端能够达到如下有益效果：

本发明实施例，为了能够实现通过移动终端确定用户当前的行为，可以首先基于用户随身携带的移动终端获取用户的当前活动状态信息。进而，在获取到用户当前活动状态信息的基础上，进一步获取记录用户历史行为规律的历史轨迹。其中，历史轨迹可以根据移动终端的历史数据生成。进一步地，在获取到上述信息后，将当前活动状态信息与历史轨迹进行匹配，进而，根据匹配结果确定用户的当前行为。由此可知，本发明实施例通过利用移动终端本身的设备可以获取用户的多种活动状态信息，其较现有技术中仅能通过移动终端获取用户的步数统计信息有了极大提高。并且，本发明实施例的移动终端是基于用户随身携带的，其能够实时记录用户的各种活动信息，进而提高获取的用户活动状态信息的准确定。此外，本发明实施例还可以通过移动终端获取记录用户行为规律的历史轨迹，该历史轨迹通过结合大数据分析而生成，为用户的日常行为作出了详细统计。更多地，本发明实施例还可以通过将获取的当前活动状态信息与移动终端上的历史轨迹进行匹配，以达到确定用户行为的目的。本发明实施例仅通过移动终端即可精准地确定用户当前的行为，进而可以更好地实现用户与移动终端之间的交互，同时为用户提供全方位的推荐信息，为用户的日常生活提供了极大的便利。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的装置、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的装置解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何装置或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的用于移动终端的用户行为确定设备中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的装置的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

例如，图12示出了可以实现根据本发明的用于移动终端的用户行为确定方法的计算设备的框图。该计算设备传统上包括处理器1210和以存储器1220形式的计算机程序产品或者计算机可读介质。存储器1220可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器1220具有存储用于执行上述方法中的任何方法步骤的程序代码1231的存储空间1230。例如，存储用于程序代码的存储空间1230可以存储分别用于实现上面的方法中的各种步骤的各个程序代码1231。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘，紧致盘(CD)、存储卡或者软盘之类的程序代码载体。这样的计算机程序产品通常为如参考图13所示的便携式或者固定存储单元。该存储单元可以具有与图12的计算设备中的存储器1220类似布置的存储段、存储空间等。程序代码可以例如以适当形式进行压缩。通常，存储单元包括存储有用于执行根据本发明的方法步骤的计算机可读程序代码1231’，即可以由例如诸如1210之类的处理器读取的程序代码，当这些程序代码当由计算设备运行时，导致该计算设备执行上面所描述的方法中的各个步骤。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

至此，本领域技术人员应认识到，虽然本文已详尽示出和描述了本发明的多个示例性实施例，但是，在不脱离本发明精神和范围的情况下，仍可根据本发明公开的内容直接确定或推导出符合本发明原理的许多其他变型或修改。因此，本发明的范围应被理解和认定为覆盖了所有这些其他变型或修改。

Claims (10)

1.一种用于移动终端的用户行为确定方法，包括：

基于用户随身携带的移动终端获取所述用户的当前活动状态信息；

获取记录所述用户历史行为规律的历史轨迹，其中，所述历史轨迹根据所述移动终端的历史数据生成；

将所述当前活动状态信息与所述历史轨迹进行匹配，确定所述用户的当前行为。

2.根据权利要求1所述的方法，其中，基于用户随身携带的移动终端获取所述用户的当前活动状态信息，包括：

基于移动终端的传感器获取所述用户的当前行为所产生的传感器数据；

根据所述传感器数据确定所述用户的当前活动状态信息。

3.根据权利要求1-2任一项所述的方法，其中，基于用户随身携带的移动终端获取所述用户的当前活动状态信息，还包括：

进一步获取所述移动终端的辅助识别信息，其中，所述辅助识别信息包括网络数据、位置信息和/或应用数据；

在所述传感器数据的基础上结合所述辅助识别信息，确定所述用户的当前活动状态信息。

4.根据权利要求1-3任一项所述的方法，其中，所述移动终端的网络数据包括蓝牙数据和/或WIFI数据；所述移动终端的位置信息包括GPS信息。

5.根据权利要求1-4任一项所述的方法，其中，将所述当前活动状态信息与所述历史轨迹进行匹配，确定所述用户的当前行为，包括：

沿所述历史轨迹的时间轴对应存在多个事件节点；

将所述当前活动状态信息与所述历史轨迹匹配，确定与所述当前活动状态信息匹配的轨迹点；

根据确定的所述轨迹点的邻近事件节点的事件信息确定所述用户的当前行为。

6.根据权利要求1-5任一项所述的方法，其中，根据确定的所述轨迹点的邻近事件节点的事件信息确定所述用户的当前行为，包括：

根据当前时间点确定所述轨迹点在所述历史轨迹的行进方向；

在所述轨迹点的邻近事件节点选择与所述行进方向一致的事件节点；

根据与所述行进方向一致的事件节点的事件信息，确定所述用户的当前行为是完成与所述行进方向一致的事件节点的进程。

7.一种用于移动终端的用户行为确定装置，包括：

第一获取模块，适于基于用户随身携带的移动终端获取所述用户的当前活动状态信息；

第二获取模块，适于获取记录所述用户历史行为规律的历史轨迹，其中，所述历史轨迹根据所述移动终端的历史数据生成；

匹配确定模块，适于将所述当前活动状态信息与所述历史轨迹进行匹配，确定所述用户的当前行为。

8.一种计算机程序，包括计算机可读代码，当所述计算机可读代码在计算设备上运行时，导致所述计算设备执行根据权利要求1-6中的任一个所述的用于移动终端的用户行为确定方法。

9.一种计算机可读介质，其中存储了如权利要求8所述的计算机程序。

10.一种移动终端，包括处理器和存储器：

所述存储器用于存储执行权利要求1-6任一项方法的程序，

所述处理器被配置为用于执行所述存储器中存储的程序。