CN108171550A - 行为数据分析方法、装置及存储介质 - Google Patents

Abstract

本发明实施例提供行为数据分析方法、装置及存储介质，包括：获取历史行为数据；根据所述历史行为数据，确定预设时间期间内各次行为事件分别对应的行为开始时间和行为结束时间；根据所述各次行为事件对应的行为开始时间和行为结束时间确定参考点的坐标，并确定各次行为事件与所述参考点之间的距离，通过所述距离确定所述各次行为事件的分组；根据各组内对应包含的各次行为事件的行为开始时间和行为结束时间，分别确定所述各组对应的行为习惯时长。通过根据用户的历史行为数据进行分析，确定分组和各组对应行为习惯时长，可以分析出用户完成对应行为事件的习惯。

Description

行为数据分析方法、装置及存储介质

技术领域

本发明涉及一种大数据技术领域，特别涉及一种行为数据分析方法、装置及存储介质。

背景技术

随着物联网技术、大数据计算、传感器技术等技术的发展，作为在互联网影响之下物联化的体现，智能家居更加贴近人们的生活。智能家居通过物联网技术将家中的各种家电设备连接在一起，为用户提供信息交互功能，并且为各种能源费用节约资金。然而，目前智能家居无法对用户的行为进行预测或者对用户行为的预测不够准确，不能很好的体现其智能性。

以电热水器为例，电热水器已成为家中普遍使用的电器。用户在使用电热水器时很大的一个问题是每次使用之前都需要手动进行设置，且经常不知道如何根据实时的情况优化设置电热水器的加热温度，往往会出现设置的温度过低导致洗澡热水不足，洗澡过程中水温越来越冷，不得不提前终止洗漱；而设置温度过高又会出现洗澡后热水器内胆水温过高，浪费能源。

相关技术中，对于以上问题，尚无有效解决方案。

发明内容

为解决现有存在的技术问题，本发明实施例提供一种能够对用户行为预测更为准确的行为数据分析方法、装置及存储介质。

为达到上述目的，本发明实施例的技术方案是这样实现的：

一种行为数据分析方法，包括：获取历史行为数据；根据所述历史行为数据，确定预设时间期间内各次行为事件分别对应的行为开始时间和行为结束时间；根据所述各次行为事件对应的行为开始时间和行为结束时间确定参考点的坐标，并确定各次行为事件与所述参考点之间的距离，通过所述距离确定所述各次行为事件的分组；根据各组内对应包含的各次行为事件的行为开始时间和行为结束时间，分别确定所述各组对应的行为习惯时长。

一种行为数据分析装置，包括：获取模块，用于获取历史行为数据；事件确定模块，用于根据所述历史行为数据，确定预设时间期间内各次行为事件分别对应的行为开始时间和行为结束时间；分组模块，用于根据所述各次行为事件对应的行为开始时间和行为结束时间确定参考点的坐标，并确定各次行为事件与所述参考点之间的距离，通过所述距离确定所述各次行为事件的分组；时长确定模块，用于根据各组内对应包含的各次行为事件的行为开始时间和行为结束时间，分别确定所述各组对应的行为习惯时长。

一种行为数据分析装置，包括处理器和用于存储能够在处理器上运行的计算机程序的存储器；其中，所述处理器，用于在运行所述计算机程序时，实现本发明任一实施例所提供的行为数据分析方法。

一种存储介质，该存储介质中存储有计算机可执行指令，所述计算机可执行指令用于执行本发明任一实施例所提供的行为数据分析方法。

本发明实施例提供的行为数据分析方法、装置及存储介质，通过获取用户的历史行为数据，对历史行为数据中用户完成各次行为事件的时间数据进行分析，确定参考点并根据各次行为事件与参考点之间的距离而确定分组，通过分组对用户的习惯进行更加精确的分段区分统计，通过各组包含的行为事件确定各组对应的行为习惯时长，从而确定用户不同分段内完成对应的行为事件所习惯需要的时间，该行为习惯时长可以用于更加准确的预测用户下一次完成该对应的行为事件需要的时间，行为习惯时长可以作为对用户下一次使用该家电终端完成对应的行为事件时，家电终端建议用户如何使用或者服务器如何自动控制该家电终端提供更加科学合理使用建议的重要参考依据，提高家电终端的智能性。

附图说明

图1为本发明一实施例中行为数据分析方法的应用环境图；

图2本发明一实施例中行为数据分析方法的流程图；

图3为本发明另一实施例中行为数据分析方法的流程图；

图4为一实施例中行为数据分析装置的结构示意图；

图5为本发明另一实施例中行为数据分析装置的结构示意图。

具体实施方式

以下结合说明书附图及具体实施例对本发明技术方案做进一步的详细阐述。

图1所示为本申请一个实施例中行为数据分析方法的应用环境图，服务器100通过网络与家电终端200连接。其中，该家电终端200可以是一个或者多个，该家电终端200特别是指能够为用户完成某行为事件提供资源的常用家电设备，如用于为用户完成洗漱提供热水资源的电热水器等。其中，家电终端200记录用户完成对应行为事件的行为并形成历史行为数据。服务器100获取家电终端200发送的历史行为数据，通过对历史行为数据进行分析，确定用户在不同的预设时间期间内完成对应的行为事件的个性化的习惯特征，分析出用户习惯在哪些不同时间段内完成对应的行为事件所分别习惯花费的时间，从而便于服务器100结合用户的个性化的习惯特征对用户再次使用该家电终端200完成对应行为事件的需求进行更准确的预测，优化对家电终端200的控制，使得家电终端200能够自动为用户再次完成对应行为事件提供最佳的使用策略，确保为用户提供更加科学合理数量的资源，避免提供资源数量过少而导致影响用户使用的舒适度、或者提供资源数量过多而导致浪费能源。服务器100可以为独立的物理服务器或者物理服务器集群。

请参阅图2，为本发明一实施例提供的行为数据分析方法的流程图，可应用于图1中所示的服务器，包括如下步骤：

步骤101，获取历史行为数据。

行为通常是指有目的的活动，是由一系列简单动作构成的，在日常生活中所表现出来的一切动作的统称。行为事件是指由完成同一目的的一组相关动作构成的能够对日常生活产生一定影响的事情。本发明实施例中，行为事件是指在用户日常生活中使用家电终端完成的、能够实现其特定目的一组相关动作构成的事情。以家电终端为电热水器为例，使用电热水器完成的能够实现其特定目的的事情主要包括洗漱。历史行为数据主要包括用于表征用户当前已完成的对应行为事件的相关动作的数据信息，如动作开始时间、动作结束时间、动作产生日期、及完成动作所采用家电终端的设备标识。如以用户使用电热水器进行洗漱为例，用户完成洗漱的相关动作主要包括开始洗漱时打开电热水器以及洗漱完成时关闭电热水器，历史行为数据则主要包括表征用户每次开始洗漱时打开电热水器的出水开始时间、洗漱完成时关闭电热水器的出水结束时间、每次洗漱对应的日期、每次洗漱所采用的电热水器的设备标识、每次洗漱使用的热水温度等数据信息。

步骤103，根据所述历史行为数据，确定预设时间期间内的各次行为事件分别对应的行为开始时间和行为结束时间。

其中，预设时间期间可以根据实际需求确定，实际需求包括但不限于待分析的历史行为数据的数据量大小、对用户的行为习惯希望进行区别分析的时间周期等。可以理解的，该预设时间期间也可以是指从能够开始形成有历史行为数据到当前为止的所有时间。在一个具体实施例中，步骤103，根据所述历史行为数据，确定预设时间期间内的各次行为事件分别对应的行为开始时间和行为结束时间，包括：根据所述历史行为数据对应的形成时间，确定工作日期间内的各次行为事件分别对应的行为开始时间和行为结束时间。在另一个具体的实施例中，步骤103，根据所述历史行为数据，确定预设时间期间内的各次行为事件分别对应的行为开始时间和行为结束时间，包括：根据所述历史行为数据对应的行为时间，确定非工作日期间内的各次行为事件分别对应的行为开始时间和行为结束时间。通常用户于工作日期间和非工作日期间的行为习惯会有明显的不同，完成同一行为事件的规律也会有明显的不同，针对工作日期间需要在固定时间外出的用户而言尤其如此，因此可以将工作日期间、非工作日期间分别作为预设时间期间，分别得到适用于用户在工作日期间完成该行为事件的分析结果、和适用于用户在非工作日期间完成该行为事件的分析结果，提高分析的准确性。

根据历史行为数据，确定工作期间内的各次行为事件分别对应的行为开始时间和行为结束时间可以表格的形式进行记录，如下表格一所示：

日期	行为开始时间	行为结束时间	行为开始时间	行为结束时间
					20170801(周二)	7:20:36	7:40:12	19:20:30	19:56:01
20170802(周三)	7:22:35	7:41:09	19:30:26	20:00:36
					20170803(周四)	7:21:16	7:42:20	19:26:24	19:57:31
20170804(周五)	7:19:12	7:41:34	19:21:33	20:00:36
					20170807(周一)	7:24:36	7:50:12	19:20:36	19:58:31

表格一

步骤105，根据所述各次行为事件对应的行为开始时间和行为结束时间确定参考点的坐标，并确定各次行为事件与所述参考点之间的距离，通过所述距离确定所述各次行为事件的分组。

将各次行为事件对应的行为开始时间和行为结束时间分别作为横坐标和纵坐标，将各次行为事件转换为点的形式p(x,y)进行对应表示。以上述表格一为例，将各次行为事件对应的行为开始时间和行为结束时间分别作为横坐标和纵坐标，各行为事件可以依次表示如下表格二所示：

表格二

通过确定参考点的坐标，根据所述各次行为事件对应的坐标和参考点的坐标计算各次行为事件与参考点之间的距离，根据各次行为事件与参考点之间的距离的大小所形成的梯度，如距离之间的差值不超过预设值视为一个梯度来确定分组。分组是指将行为开始时间和行为结束时间具有更高相似度的行为事件进行归类划分至相同的组别中。通过分组将具有更高相似度的行为开始时间和行为结束时间的行为事件进行归类，从而相同组别中包含的行为事件是指用户习惯在某个相同的时间段内进行的对应行为事件，一个组别即表示用户进行对应行为事件的一个规律性时间段。

步骤107，根据各组内对应包含的各次行为事件的行为开始时间和行为结束时间，分别确定所述各组对应的行为习惯时长。

各组对应的行为习惯时长是指用户分别在各组对应的时间段内完成该行为事件所习惯花费的时间长度。根据步骤105所确定的分组中，由于通过行为事件与参考点之间的点距离的大小而将行为开始时间、行为结束时间具有更大相似性的行为事件划分至同一组别中，从而相同的组别所包含的行为事件可表示用户每天在同一时间段内完成的对应行为事件，相应的，确定各组对应的行为习惯时长是指确定用户每天在不同的时间段内分别完成对应行为事件所习惯需要的时间。

本发明上述实施例所提供的行为数据分析方法，服务器通过从家电终端获取用户的历史行为数据，根据历史行为数据对用户完成各次行为事件的数据进行分析，确定参考点并根据各次行为事件与参考点之间的距离而确定分组，通过分组对用户的习惯进行更加精确的分段区分统计，根据分组的结果确定行为习惯时长，行为习惯时长表示用户每天在不同分组所对应的期间内完成对应的行为事件所习惯需要的时间，通过利用该行为习惯时长，可以用于更加准确的预测用户下一次完成该对应的行为事件需要的时间，作为形成对用户下一次使用该家电终端完成对应的行为事件时提供更加科学合理使用建议的重要参考依据，提高家电终端的智能性。

在一个实施例中，步骤105，根据所述各次行为事件对应的行为开始时间和行为结束时间确定参考点的坐标，并确定各次行为事件与所述参考点之间的距离，通过所述距离确定所述各次行为事件的分组，包括：

从所述各次行为事件中任意选取多个行为事件作为参考点，以选取的所述多个行为事件对应的行为开始时间和行为结束时间分别作为所述参考点的坐标，计算其它行为事件与所述参考点之间的点距离；

根据所述点距离的大小确定所述各次行为事件的分组。

根据所述各次行为事件对应的行为开始时间和行为结束时间确定参考点的坐标，可以是随机选取多个行为事件并以其对应的行为开始时间和行为结束时间作为参考点的坐标。以所述参考点的数量为两个为例，根据行为事件的坐标与参考点的坐标计算行为事件与参考点之间的点距离可以根据任意已知的计算两点之间距离的计算方式进行确定，如勾股定理公式、夹角余弦公式等。以勾股定理公式为例，其中，L表示行为事件与参考点之间的距离，x₁、y₁分别是指行为事件的横坐标和纵坐标；x、y分别是指参考点的横坐标和纵坐标。以夹角余弦公式为例，其中，cosθ表示行为事件与参考点之间的距离，x₁、y₁分别是指行为事件的横坐标和纵坐标；x、y分别是指参考点的横坐标和纵坐标。其中，为了便于描述和区别，将其它行为事件与参考点之间的距离称为点距离，根据各行为事件与参考点之间的点距离大小，将点距离与对应参考点之间的差值或者将点距离与点距离之间的差值不超过预设值的行为事件归类为同一组别，从而确定所述各次行为事件的分组。

以上述表格二为例，从所述各次行为事件中任意选取两个行为事件p1、p2作为参考点，根据勾股定理公式分别计算其它行为事件与参考点p1、p2之间的点距离，得到所述点距离如下表格三所示：

点距离	参考点p1	参考点p2
			p3	17	0.22
p4	0.23	16.5
			p5	16.7	0.24
p6	0.25	17.1
			p7	17.1	0.25
p8	0.26	16.9
			p9	16.9	0.24
p10	0.23	17.1

表格三

从表格三可知，根据所述点距离的大小，可以将各行为事件分为两组，将与参考点p1比较相近的行为事件为组A，将与参考点p2比较相近的行为事件作为组B，其中，组A包括p1、p3、p5、p7、p9，组B包括p2、p4、p6、p8、p10。组A表示用户进行对应的行为事件的一个规律性时间段，组B表示用户进行对应的行为事件的另一个规律性时间段。

其中，参考点的数量并不限于上述实施例中所述的两个，其也可以是两个以上的其它多个，当选取的参考点的数量大于两个时，可以将参考点两两组合而分别确定行为事件与参考点之间的点距离，根据所得到的点距离的大小确定分组。其次，根据点距离的大小确定分组的过程中，分组的数量也不限于上述实施例中所述的两组，其也可以是根据实际计算所得的点距离的大小之间的差值情况而形成两组以上的多个分组。

在另一个实施例中，所述根据所述点距离的大小确定所述各次行为事件的分组之后，还包括：

将根据所述点距离的大小确定所述各次行为事件的分组作为参考分组；

根据各参考分组内对应包含的各次行为事件的行为开始时间、以及行为结束时间分别确定所述各参考分组对应的参考点的坐标，计算所述各次行为事件与所述各参考分组对应的参考点之间的组距离；

根据所述组距离的大小确定所述各次行为事件的实时分组；

当所述实时分组与所述参考分组相同时，将所述实时分组作为所述各次行为事件的分组。

通过确定所述各参考分组对应的参考点的坐标，计算各次行为事件与所述各参考分组对应的参考点之间的组距离，当根据组距离再次确定各行为事件的分组与根据点距离确定各行为事件的分组相同时，再将当前的分组结果作为最终的分组结果，其中，为了便于描述和区别，将初始确定参考点(即指任意选取多个行为事件的坐标作为参考点坐标)并计算各行为事件与参考点之间的距离称为点距离，将根据点距离的大小确定各行为事件的分组称为参考分组，将各次行为事件与所述各参考分组对应的参考点之间的距离称为组距离，将根据组距离的大小确定各行为事件的分组称为实时分组。当实时分组与参考分组相同时，视为各行为事件的分组结果已经收敛而稳定，此时再将当前分组结果作为最终的分组结果，从而可以确保各行为事件的分组结果的准确性。

各参考分组对应的参考点的坐标根据各参考分组内对应包含的行为事件的坐标确定。具体的，可以将参考分组内对应包含的各行为事件的行为开始时间的平均值作为对应参考分组的参考点的横坐标，将参考分组内对应包含的各行为事件的行为结束时间的平均值作为对应参考分组的参考点的纵坐标。如根据上述表格三，组A包括p1、p3、p5、p7、p9，组B包括p2、p4、p6、p8、p10为例，确定组A对应的参考点pa的坐标时，参考点pa的横坐标为p1、p3、p5、p7、p9的横坐标的平均值((7.2+7.22+7.21+7.19+7.24)/5)，pa的纵坐标为p2、p4、p6、p8、p10的纵坐标的平均值((7.4+7.41+7.42+7.41+7.5)/5))，即pa(7.21，7.43)；确定组B对应的参考点pb的坐标时，参考点pb的横坐标为p2、p4、p6、p8、p10的横坐标的平均值((19.2+19.3+19.26+19.21+19.2)/5)，pb的纵坐标为p2、p4、p6、p8、p10的纵坐标的平均值((19.56+20+19.57+20+19.58)/5))，即pb(19.25，19.58)。可以理解的，根据各参考分组内对应包含的行为事件的坐标确定各参考分组对应的参考点的坐标时，还可以是将参考分组内对应包含的各行为事件的行为开始时间、行为结束时间分别对应的加权平均值、或者去掉端值后的平均值等方式来计算对应参考分组的参考点的坐标。

其中，当所述实时分组与所述参考分组不相同时，将所述实时分组作为更新后的参考分组，并返回所述根据各参考分组内对应包含的各次行为事件的行为开始时间、以及行为结束时间分别确定所述各参考分组对应的参考点的坐标，计算所述各次行为事件与所述各参考分组对应的参考点之间的组距离的步骤。

当实时分组与参考分组不相同时，则表示可能因为得到的参考分组或者实时分组的结果中，由于参考点的选取不够合理而导致分组结果不准确，此时各行为事件的当前分组结果不稳定，因此，将当前分组结果得到的实时分组作为新的参考分组进入重新分组的下一循环。下一循环的步骤包括：将当前所得到的实时分组作为更新的参考分组后，返回分别确定参考分组对应的参考点的坐标，根据更新后的参考分组对应的参考点的坐标，重新计算各行为事件与参考分组之间的组距离并进行分组，得到更新的实时分组，再通过比较更新的实时分组与更新的参考分组之间是否相同，当更新的实时分组与更新的参考分组相同时，将更新的实时分组作为所述各次行为事件的分组；当更新的实时分组与更新的参考分组不相同时，则将当前分组结果得到的实时分组作为新的参考分组再次进入重新分组的下一循环。如此往复循环，直至根据当前分组得到的分组结果与前一次分组的分结果相同，视为各行为事件的分组结果已经收敛而稳定，再将当前分组得到的分组结果作为最终的分组结果，从而可以确保各行为事件的分组结果的准确性。

在一个实施例中，步骤105，根据所述各次行为事件对应的行为开始时间和行为结束时间确定参考点的坐标，并确定各次行为事件与所述参考点之间的距离，通过所述距离确定所述各次行为事件的分组之后，还包括：根据各组内对应包含的各次行为事件的行为开始时间和行为结束时间，分别确定所述各组对应的行为习惯起始时间。

由于分组是由各行为事件与所确定的参考点之间的距离所确定的，因此分组结果中组别的数量是指用户完成对应行为事件的习惯性时间段，即用户习惯在每天中的哪些时间段去完成对应的行为事件。通过分组的划分，根据用户的历史行为数据所确定的与各组所对应的各时间段中，用户在其中一个时间段完成对应的行为事件的行为习惯时长与另一个时间段完成对应的行为事件的行为习惯时长不同。其中，分组结果中的组数即对应该用户习惯在每天的哪些时间段去完成对应的行为事件中的时间段的数量，各组对应的行为习惯起始时间即指各时间段的起始时间，各组对应的行为习惯时长即指用户在各时间段内完成对应的行为事件所习惯采用的时间长度。如根据上述表格三，组A包括p1、p3、p5、p7、p9，组B包括p2、p4、p6、p8、p10为例，分组结果包括组A和组B两个分组，表示用户习惯在每天的两个时间段内，具体如在组A和组B所对应的时间段内分别做对应的行为事件，组A包含的时间段的起始时间即指组A对应的行为习惯起始时间，组B包含的时间段的起始时间即指组B对应的行为习惯起始时间。

在一个具体的实施例中，根据各组内对应包含的各次行为事件的行为开始时间和行为结束时间，分别确定所述各组对应的行为习惯时长，可以是根据各组对应包含的各次行为事件所分别采用的时长进行排列、将时长中的中位值作为各组对应的行为习惯时长。以上述组A包括p1、p3、p5、p7、p9，组B包括p2、p4、p6、p8、p10为例，根据组A中各行为事件p1、p3、p5、p7、p9分别所采用的时长进行排列为【19，19，20，21，22】，根据组B中各行为事件p2、p4、p6、p8、p10所分别采用的时长进行排列为【30，31，36，38，39】，分别将组A中时长的中位值20作为组A对应的行为习惯时长，组B中的时长的中位值36作为组B对应的行为习惯时长。

在一个具体的实施例中，根据各组内对应包含的各次行为事件的行为开始时间和行为结束时间，分别确定所述各组对应的行为习惯起始时间，可以是将各组内对应包含的各次行为事件中的最小行为开始时间和最大行为结束时间来作为各组对应的行为习惯起始时间。以上述组A包括p1、p3、p5、p7、p9，组B包括p2、p4、p6、p8、p10为例，组A包括的各行为事件p1、p3、p5、p7、p9中，最小行为开始时间为7:19:12，最大行为结束时间为7:50:12；组B包括的各行为事件p2、p4、p6、p8、p10中，最小行为开始时间为19:20:30，最大行为结束时间为20:00:36，因此，组A对应的行为习惯起始时间为(7:19:12，7:50:12)，组B对应的行为习惯起始时间为(19:20:30，19:20:30)。

本申请上述实施例所提供的行为数据分析方法，通过获取用户的历史行为数据，对历史行为数据中用户完成各次行为事件的时间数据进行分析，确定参考点并根据各次行为事件与参考点之间的距离而确定分组，根据分组的结果确定行为习惯起始时间以及行为习惯时长，根据行为习惯起始时间确定用户习惯每天在哪些时间段完成对应的行为事件、以及根据行为习惯时长确定用户在各时间段分别完成对应的行为事件习惯采用的时间长度，从而能够根据用户的历史使用习惯对用户未来再次完成该对应的行为事件进行更加准确的预测。将本申请实施例中所提供的行为习惯分析方法所得到的行为习惯起始时间以及行为习惯时长存储到数据库中，可以供家电终端为用户提供更加科学合理的使用策略时进行调用，作为形成对用户更加科学合理使用建议的重要参考依据，提高家电终端的智能性。

在一可选的实施例中，家电终端获取用户完成相应行为事件的行为习惯起始时间以及行为习惯时长为用户提供更加科学合理的使用策略，具体包括：家电终端获取用户用于进行相应行为事件的开启指令；家电终端根据当前接收到开启指令的时间与所述行为习惯起始时间进行匹配，确定所述开启指令所对应的行为习惯起始时间；家电终端根据所述行为习惯起始时间确定对应的行为习惯时长，并根据所述行为习惯时长自动设置完成本次行为事件的工作参数。如此，家电终端基于对用户的历史使用数据分析而获得的行为习惯起始时间和行为习惯时长而自动设置工作参数，不需要用户手动设置工作参数，能够更加符合用户的个性化特点，且家电终端自动设置工作参数的过程中还可以结合家电终端的工作性能、当前环境因素等客观条件的影响，从而更加科学和智能，避免手动设置不当造成家电终端为完成当前行为事件储备资源不足或者能源浪费等情况。

在另一可选的实施例中，家电终端获取用户完成相应行为事件的行为习惯起始时间以及行为习惯时长为所述用户提供更加科学合理的使用策略，具体包括：家电终端根据行为习惯起始时间分别确定时间段，根据每一时间段及对应的行为习惯时长确定用户分别在各个时间段内完成相应的行为事件的工作参数，并于每一时间段的行为开始时间之前分别自动设置工作参数。如此，家电终端基于对用户的历史使用数据分析而获得的行为习惯起始时间和行为习惯时长而自动设置工作参数，不需要用户手动设置家电终端的工作参数，更加符合用户的个性化特点，且家电终端自动设置工作参数的过程中还可以结合家电终端的工作性能、当前环境因素等客观条件的影响，从而更加科学和智能，避免手动设置不当造成家电终端为完成当前行为事件储备资源不足或者能源浪费等情况。

本申请实施例所提供的行为数据分析方法，可以对包括多个行为事件的历史行为数据分别进行分析，如，服务器可以获取分别对应不同行为事件的多个家电终端发送的历史行为数据，根据得到历史行为数据的家电终端的设备标识区分不同行为事件，并对所述历史行为数据分别根据不同行为事件进行对应分析，分别得到对应于不同行为事件的分组及与各组对应的行为习惯时长，从而可确定用户每天分别完成不同行为事件的对应时间段和在不同时间段所分别采用的行为习惯时长。进一步的，该行为数据分析方法还包括：将所述各组对应的行为习惯起始时间、所述行为习惯时长与得到所述历史行为数据的设备标识对应存储到数据库中。

如，家电终端还可以包括指定照明灯具，使用该指定照明灯具完成的能够实现其特定目的的事情为睡前阅读。根据本申请实施例所提供的行为数据分析方法，服务器可以从指定照明灯具获取用户每天完成睡前阅读的历史行为数据进行分析，得到用户完成睡前阅读的习惯相关数据，具体的，行为事件为用户采用指定照明灯具进行睡前阅读时，用户完成睡前阅读的相关动作主要包括开始阅读时打开指定灯具以及阅读完成时关闭指定灯具，其中，完成睡前阅读的指定照明灯具的关闭通常是指由用户预先设置阅读时间长度，当阅读时间长度到达时指定灯具自动熄灭，该预先设置的阅读时间长度通常根据用户由开始睡前阅读到进入睡眠状态所需的时间进行确定，该预先设置的阅读时间长度过长或者过短都可能会影响用户顺利地进入睡眠状态。进行睡前阅读的历史行为数据主要包括表征用户开始睡前阅读的灯具点亮时间、表征用户睡前阅读完成的灯具熄灭时间、该指定照明灯具的设备标识、各次睡前阅读对应的日期等。服务器通过对从指定照明灯具获取的历史行为数据进行分析确定分组及对应各组的行为习惯时长、行为习惯起始时间，可以用于为指定照明灯具根据用户的阅读和睡眠习惯自动设置该指定照明灯具的开启时间和关闭时间，尤其根据行为习惯时长自动设置指定照明灯具的关闭时间，能够为用户由睡前阅读到顺利进入到睡眠状态提供更好的体验。

如，家电终端还可以包括指定智能空调，使用该指定智能空调完成的能够实现其特定目的的事情可以为睡眠期间、工作日期间内、或非工作日期间内的制冷或者制热。服务器可以从指定智能空凋获取用户每天使用空调的历史行为数据进行分析，确定分组及各组对应的行为习惯时长、行为习惯起始时间。从而可以根据分析所得的用户使用指定智能空凋的行为习惯时长、行为习惯起始时间，结合实时环境温度、空凋的工作效率等情况，分别得出适合用户使用习惯的睡眠期间内空凋的自动控制策略、工作日期间内空凋的自动控制策略、非工作日期间内空调的自动策略等。

为了更好的理解和说明本申请实施例所提供的行为数据分析方法的实现流程，请参阅图3，以下以行为事件、获取历史行为数据为获取电热水器发送的历史用水数据为例，对行为数据分析方法的步骤进行说明：

S1，获取电热水器发送的历史用水数据；其中，电热水器的设备标识例如可以为140737488408902，用户每天使用该电热水器进行早上与晚上的洗漱；

S2，根据所述历史用水数据，确定预设时间期间内的各次用水事件分别对应的电热水器的出水开始时间和出水结束时间；将所述出水开始时间和所述出水结束时间分别作为行为开始时间和行为结束时间；将电热水器的出水开始时间和出水结束时间分别作为行为开始时间和行为结束时间，可以获得用户每天完成洗漱的实际所采用的时间；

S3，将各次用水事件对应的出水开始时间和出水结束时间分别作为横坐标和纵坐标，以坐标点的形式描述各次用水事件，从各次用水事件中随机选取两个坐标点作为参考点，并计算其它用水事件与参考点之间的点距离，根据点距离的大小，将与参考点之间的点距离小于预设值的用水事件与参考点对应的行为事件划分为同一组得到参考分组；

S4，根据参考分组内分别包括的用水事件所对应的出水开始时间和出水结束时间，分别确定参考分组对应的参考点，并计算各次用水事件与参考点之间的组距离，根据组距离的大小，将与参考点之间的组距离小于预设值的用水事件与参考点对应的参考分组划分为同一组得到实时分组；

S5，判断参考分组与实时分组内分别包括的用水事件是否相同；

S6，当参考分组与实时分组内分别包括的用水事件不相同时，将当前得到的实时分组作为更新的参考分组，并返回S4；

S7，当参考分组与实时分组内分别包括的用水事件相同时，表示分组结果准确，将当前分组结果中的实时分组作为各次用水事件的分组；从而确定各组对应的行为习惯起始时间和行为习惯时长，即确定用户每天习惯在哪些时间段内进行洗漱、以及在不同时间段内洗漱所分别习惯采用的时间长度；

S8，将电热水器的设备标识、行为习惯起始时间和行为习惯时长进行对应存储。服务器或者电热水器可以调用该行为习惯起始时间和行为习惯时长，根据用户的行为习惯起始时间和行为习惯时长，结合电热水器对应使用年限的折旧系数、实时的环境温度等能够影响完成对应用水事件的储备热水量的特定客观实时因素，确定用户各次洗漱的时间以及完成各次洗漱所分别需要的时间长度。在一个可选的实施例中，当用户打开电热水器开始洗漱时，电热水器根据当前时间确定用户完成当前洗漱对应的行为习惯起始时间及对应的行为习惯时长，并确定完成当前洗漱所需要的时间长度；电热水器根据完成当前洗漱所需要的时间长度，可以自动设置工作参数，准备好适量和适宜温度的热水供用户使用，避免储备热水量过多导致能源浪费或者储备热水量过少导致影响用户使用，提高电热水器的智能化以及提升用户的体验。由于电热水器通常处于电源接通状态，在另一个可选的实施例中，电热水器根据所确定的用户各次洗漱的时间以及完成各次洗漱所分别需要的时间长度，自动设置工作参数，分别于预测用户下一次打开电热水器前准备好适量和适宜温度的热水供用户使用，从而避免储备热水量过多导致能源浪费或者储备热水量过少导致影响用户使用，提高电热水器的智能化以及提升用户的体验。

由此可知，通过本申请实施例所提供的行为数据分析方法，家电终端可以根据用户的历史使用习惯，为用户提供更加准确、科学合理的使用策略，提升家电终端的智能化。

本发明实施例提供的行为数据分析方法可以采用服务器侧实施，也可以采用家电终端侧实施，其中当行为数据分析方法采用家电终端侧实施时，则家电终端可以获取本端所采集的用户完成对应的行为事件的历史行为数据，采用本发明实施例所提供的行为数据分析方法进行分析，用于实现该行为数据分析方法的行为数据分析装置具体可以为服务器或者家电终端，就行为数据分析装置的硬件结构而言，请参阅图4，为行为数据分析装置的一个可选的硬件结构示意图，包括处理器110和用于存储能够在处理器110上运行的计算机程序的存储器113；所述处理器110，用于在运行所述计算机程序时，实现本申请任一实施例所提供的行为数据分析方法。

在示意性的实施例中，请参阅图5，是本发明一实施例提供的行为数据分析装置的结构示意图，该行为数据分析装置包括：获取模块11、事件确定模块13、分组模块15及时长确定模块17。其中获取模块11，用于获取历史行为数据；事件确定模块13，用于根据所述历史行为数据，确定预设时间期间内各次行为事件分别对应的行为开始时间和行为结束时间；分组模块15，用于根据所述各次行为事件对应的行为开始时间和行为结束时间确定参考点的坐标，并确定各次行为事件与所述参考点之间的距离，通过所述距离确定所述各次行为事件的分组；时长确定模块17，用于根据各组内对应包含的各次行为事件的行为开始时间和行为结束时间，分别确定所述各组对应的行为习惯时长。

在一个实施例中，所述分组模块15包括点距离确定单元151、第一分组单元152。所述点距离确定单元151，用于从所述各次行为事件中任意选取多个行为事件作为参考点，以选取的所述多个行为事件对应的行为开始时间和行为结束时间分别作为所述参考点的坐标，计算其它行为事件与所述参考点之间的点距离；所述第一分组单元152，用于根据所述点距离的大小确定所述各次行为事件的分组。

所述分组模块15还包括参考分组确定单元153、组距离确定单元154、实时分组确定单元155、及分组确定单元156。所述参考分组确定单元153，用于将根据所述点距离的大小确定所述各次行为事件的分组作为参考分组；所述组距离确定单元154，用于根据各参考分组内对应包含的各次行为事件的行为开始时间、以及行为结束时间分别确定所述各参考分组对应的参考点的坐标，计算所述各次行为事件与所述各参考分组对应的参考点之间的组距离；所述实时分组确定单元155，用于根据所述组距离的大小确定所述各次行为事件的实时分组；所述分组确定单元156，用于当所述实时分组与所述参考分组相同时，将所述实时分组作为所述各次行为事件的分组。

所述分组模块15还包括返回单元157，用于当所述实时分组与所述参考分组不相同时，将所述实时分组作为更新后的参考分组，并返回所述根据各参考分组内对应包含的各次行为事件的行为开始时间、以及行为结束时间分别确定所述各参考分组对应的参考点的坐标，计算所述各次行为事件与所述各参考分组对应的参考点之间的组距离的步骤。

所述事件确定模块13包括第一事件确定单元131和第二事件确定单元132。所述第一事件确定单元131，用于根据所述历史行为数据对应的形成时间，确定工作日期间内的各次行为事件分别对应的行为开始时间和行为结束时间。所述第二事件确定单元132，用于根据所述历史行为数据对应的行为时间，确定非工作日期间内的各次行为事件分别对应的行为开始时间和行为结束时间。

所述装置还包括组长确定模块18，用于根据各组内对应包含的各次行为事件的行为开始时间和行为结束时间，分别确定所述各组对应的行为习惯起始时间。

所述行为事件为用水事件，所述获取模块11，具体用于获取电热水器发送的历史用水数据。所述事件确定模块13，具体用于根据所述历史用水数据，确定预设时间期间内的各次用水事件分别对应的电热水器的出水开始时间和出水结束时间，将所述出水开始时间和所述出水结束时间分别作为行为开始时间和行为结束时间。

在示例性实施例中，本发明实施例还提供了一种可读存储介质，例如包括可执行程序的存储器，上述可执行程序可由处理器执行，以完成本申请任一实施例所提供的行为数据分析方法的步骤。可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、Flash Memory、磁表面存储器、光盘、或CD-ROM等存储器；也可以是包括上述存储器之一或任意组合的各种设备，如计算机设备等。

以上所述仅为本发明具体实施例，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。本发明的保护范围应以所述权利要求的保护范围以准。

Claims (10)

1.一种行为数据分析方法，其特征在于，包括：

获取历史行为数据；

根据所述历史行为数据，确定预设时间期间内各次行为事件分别对应的行为开始时间和行为结束时间；

根据所述各次行为事件对应的行为开始时间和行为结束时间确定参考点的坐标，并确定各次行为事件与所述参考点之间的距离，通过所述距离确定所述各次行为事件的分组；

根据各组内对应包含的各次行为事件的行为开始时间和行为结束时间，分别确定所述各组对应的行为习惯时长。

2.如权利要求1所述的行为数据分析方法，其特征在于，所述根据所述各次行为事件对应的行为开始时间和行为结束时间确定参考点的坐标，并确定各次行为事件与所述参考点之间的距离，通过所述距离确定所述各次行为事件的分组，包括：

从所述各次行为事件中任意选取多个行为事件作为参考点，以选取的所述多个行为事件对应的行为开始时间和行为结束时间分别作为所述参考点的坐标，计算其它行为事件与所述参考点之间的点距离；

根据所述点距离的大小确定所述各次行为事件的分组。

3.如权利要求2所述的行为数据分析方法，其特征在于，所述根据所述点距离的大小确定所述各次行为事件的分组之后，还包括：

将根据所述点距离的大小确定所述各次行为事件的分组作为参考分组；

根据各参考分组内对应包含的各次行为事件的行为开始时间、以及行为结束时间分别确定所述各参考分组对应的参考点的坐标，计算所述各次行为事件与所述各参考分组对应的参考点之间的组距离；

根据所述组距离的大小确定所述各次行为事件的实时分组；

当所述实时分组与所述参考分组相同时，将所述实时分组作为所述各次行为事件的分组。

4.如权利要求3所述的行为数据分析方法，其特征在于，所述方法还包括：当所述实时分组与所述参考分组不相同时，将所述实时分组作为更新后的参考分组，并返回所述根据各参考分组内对应包含的各次行为事件的行为开始时间、以及行为结束时间分别确定所述各参考分组对应的参考点的坐标，计算所述各次行为事件与所述各参考分组对应的参考点之间的组距离的步骤。

5.如权利要求1所述的行为数据分析方法，其特征在于，所述根据所述历史行为数据，确定预设时间期间内各次行为事件分别对应的行为开始时间和行为结束时间，包括：

根据所述历史行为数据对应的形成时间，确定工作日期间内的各次行为事件分别对应的行为开始时间和行为结束时间；或者

根据所述历史行为数据对应的行为时间，确定非工作日期间内的各次行为事件分别对应的行为开始时间和行为结束时间。

6.如权利要求1-5中任一项所述的行为数据分析方法，其特征在于，所述根据所述各次行为事件对应的行为开始时间和行为结束时间确定参考点的坐标，并确定各次行为事件与所述参考点之间的距离，通过所述距离确定所述各次行为事件的分组之后，还包括：根据各组内对应包含的各次行为事件的行为开始时间和行为结束时间，分别确定所述各组对应的行为习惯起始时间。

7.如权利要求6所述的行为数据分析方法，其特征在于，所述行为事件为用水事件，所述获取历史行为数据，具体包括：获取电热水器发送的历史用水数据；

所述根据所述历史行为数据，确定预设时间期间内各次行为事件分别对应的行为开始时间和行为结束时间，具体包括：根据所述历史用水数据，确定预设时间期间内的各次用水事件分别对应的电热水器的出水开始时间和出水结束时间，将所述出水开始时间和所述出水结束时间分别作为行为开始时间和行为结束时间。

8.一种行为数据分析装置，其特征在于，包括：

获取模块，用于获取历史行为数据；

事件确定模块，用于根据所述历史行为数据，确定预设时间期间内各次行为事件分别对应的行为开始时间和行为结束时间；

分组模块，用于根据所述各次行为事件对应的行为开始时间和行为结束时间确定参考点的坐标，并确定各次行为事件与所述参考点之间的距离，通过所述距离确定所述各次行为事件的分组；

时长确定模块，用于根据各组内对应包含的各次行为事件的行为开始时间和行为结束时间，分别确定所述各组对应的行为习惯时长。

9.一种行为数据分析装置，其特征在于，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器；其中，所述处理器，用于在运行所述计算机程序时，实现如权利要求1-7中任意一项所述的行为数据分析方法。

10.一种存储介质，该存储介质中存储有计算机可执行指令，所述计算机可执行指令用于执行如权利要求1至7中任一项所述的行为数据分析方法。