CN108965609A - 移动终端应用场景的识别方法和装置 - Google Patents

Abstract

本发明公开了一种移动终端应用场景的识别方法和装置，移动终端包括终端状态检测模块，其中识别方法包括：获取终端状态检测模块在预设应用场景下采集的第一时间序列状态数据；对第一时间序列状态数据以预设时间段为单位进行切分得到第一时间窗数据；将第一时间窗数据根据对应的预设应用场景设置对应的场景标签；训练深度神经网络模型得到场景预测模型；获取终端状态检测模块在待预测应用场景下采集的第二时间序列状态数据；对第二时间序列状态数据以预设时间段为单位进行切分得到第二时间窗数据；将第二时间窗数据输入场景预测模型得到待预测应用场景的场景标签。本发明具有数据处理过程简单，并且识别算法简单、识别准确率高的优点。

Description

移动终端应用场景的识别方法和装置

技术领域

本发明涉及数据处理领域，尤其涉及一种移动终端应用场景的识别方法和装置。

背景技术

场景信息的挖掘能够为上层的应用提供重要的环境信息。例如在通信过程中，移动终端设备需要在良好的环境中工作，不同的环境可能会影响通信的质量，对于运营商而言，场景识别可以有助于其网络性能诊断。而且现在的移动终端已经成为环境感知和人群通讯交流的重要平台，有效的室内外场景识别方法能够为终端设备应用提供有用的环境信息，从而有效提高移动终端的通信质量。例如，基于位置服务方面，GPS(全球定位系统)在室外环境可以给出比较精确的判断，然而在室内会由于卫星视距受阻的原因而表现很差。在移动数据服务方面，在室内，移动手机能够扫描到更多信号强度更强的Wi-Fi(一通无线通信技术)信号，而在室外，无线连接效果相对较差。

因此，如果能够比较准确地检测室内外场景，可以对于GPS和Wi-Fi的扫描和开关策略以及图像自动识别、场景和活动感知、室内外定位等依赖于工作场景的服务提供更多的指导，并有效降低设备的功耗。可见，室内外场景识别方法有很大的实用价值和研究价值。

目前主要有以下几类常用的移动终端的室内外场景识别方法：

第一类移动终端中添加一些具有识别作用的外设模块进行室内外场景识别。这种方法虽然可以完成识别任务，但是初始阶段部署代价较高，限制了系统的普遍应用。

第二类是通过图像处理和模式识别的方法来研究室内室外图片分类和自动图片标记。这种方法计算复杂度高，而且需要精准的用户输入，适用于特定的场景，难以普遍应用。

第三类是利用移动终端设备传感器的数据，提取出一些特征，然后根据人工经验设定一定的阈值，从而判断移动终端的室内外场景。这种方法因为先验信息有限，所以同样的阈值应用到不同环境中时，推广精度较差，数据的利用效率不高。

第四类是利用移动终端设备传感器的数据，把传感器数据进行数据处理，加工成高级的特征，然后使用支持向量机、决策树、朴素贝叶斯等机器学习分类算法对场景进行识别。这种方法可以更有效的利用数据，但仍有提高的空间，比如数据的上下文信息被浪费，在不同设备上可能表现不稳定等。

发明内容

本发明要解决的技术问题是为了克服现有技术中移动终端的室内外场景识别成本高、识别算法复杂以及识别准确率不高的缺陷，提供一种移动终端应用场景的识别方法和装置。

本发明是通过下述技术方案来解决上述技术问题：

一种移动终端应用场景的识别方法，所述移动终端包括终端状态检测模块，所述移动终端应用场景的识别方法包括：

获取所述终端状态检测模块在预设应用场景下采集的第一时间序列状态数据；

对所述第一时间序列状态数据以预设时间段为单位进行切分得到第一时间窗数据；

将所述第一时间窗数据根据对应的预设应用场景设置对应的场景标签；

以所述第一时间窗数据为输入，以对应的场景标签为输出训练深度神经网络模型得到场景预测模型；

获取所述终端状态检测模块在待预测应用场景下采集的第二时间序列状态数据；

对所述第二时间序列状态数据以所述预设时间段为单位进行切分得到第二时间窗数据；

将所述第二时间窗数据输入所述场景预测模型得到所述待预测应用场景的场景标签。

较佳地，所述对所述第一时间序列状态数据以预设时间段为单位进行切分得到第一时间窗数据的步骤还包括：

将所述第一时间窗数据进行滤波处理，所述滤波处理为低通滤波或中值滤波。

较佳地，所述预设应用场景包括室内外，和/或，所述移动终端的运动状态，所述运动状态包括静止、行走、运动、乘坐交通工具中的至少一种，和/或，所述移动终端的放置状态，所述放置状态包括手持、口袋、静置中的至少一种。

较佳地，当所述预设应用场景包括室内外、移动终端的运动状态和移动终端的放置状态中的至少两种时，所述深度神经网络模型为多任务深度神经网络模型，所述将所述第一时间窗数据根据对应的预设应用场景设置场景标签的步骤包括：

将所述第一时间窗数据根据对应的每一种预设应用场景均设置对应的场景标签；

所述以所述第一时间窗数据为输入，以对应的场景标签为输出训练深度神经网络模型得到场景预测模型的步骤包括：

以所述第一时间窗数据为输入，以对应的多种场景标签为输出训练所述多任务深度神经网络模型得到输出为多场景的场景预测模型。

较佳地，所述终端状态检测模块包括磁传感器、加速度传感器、气压传感器、亮度传感器、陀螺仪传感器、温度传感器、GPS定位模块、Wi-Fi模块、基站模块中的至少一种；

和/或，所述深度神经网络模型为RNN(一类用于处理序列数据的神经网络)网络和DNN(深度神经网络)网络；

和/或，所述深度神经网络模型的训练方法包括SGD(随机梯度下降法)、RMSprop(一种深度学习优化算法)和Adam(一种深度学习优化算法)中的一种。

一种移动终端应用场景的识别装置，所述移动终端包括终端状态检测模块，所述移动终端应用场景的识别装置包括样本采集模块、第一时间窗模块、标签设置模块、模型训练模块、预测数据采集模块、第二时间窗模块和预测模块；

所述样本采集模块用于获取所述终端状态检测模块在预设应用场景下采集的第一时间序列状态数据；

所述第一时间窗模块用于对所述第一时间序列状态数据以预设时间段为单位进行切分得到第一时间窗数据；

所述标签设置模块用于将所述第一时间窗数据根据对应的预设应用场景设置对应的场景标签；

所述模型训练模块用于以所述第一时间窗数据为输入，以对应的场景标签为输出训练深度神经网络模型得到场景预测模型；

所述预测数据采集模块用于获取所述终端状态检测模块在待预测应用场景下采集的第二时间序列状态数据；

所述第二时间窗模块用于对所述第二时间序列状态数据以所述预设时间段为单位进行切分得到第二时间窗数据；

所述预测模块用于将所述第二时间窗数据输入所述场景预测模型得到所述待预测应用场景的场景标签。

较佳地，所述第一时间窗模块还用于将所述第一时间窗数据进行滤波处理，所述滤波处理为低通滤波或中值滤波。

较佳地，所述预设应用场景包括室内外，和/或，所述移动终端的运动状态，所述运动状态包括静止、行走、运动、乘坐交通工具中的至少一种，和/或，所述移动终端的放置状态，所述放置状态包括手持、口袋、静置中的至少一种。

较佳地，当所述预设应用场景包括室内外、移动终端的运动状态和移动终端的放置状态中的至少两种时，所述深度神经网络模型为多任务深度神经网络模型，所述标签设置模块还用于将所述第一时间窗数据根据对应的每一种预设应用场景均设置对应的场景标签；

所述模型训练模块还用于以所述第一时间窗数据为输入，以对应的多种场景标签为输出训练所述多任务深度神经网络模型得到输出为多场景的场景预测模型。

较佳地，所述终端状态检测模块包括磁传感器、加速度传感器、气压传感器、亮度传感器、陀螺仪传感器、温度传感器、GPS定位模块、Wi-Fi模块、基站模块中的至少一种；

和/或，所述深度神经网络模型为RNN网络和DNN网络；

和/或，所述深度神经网络模型的训练方法包括SGD、RMSprop和Adam中的一种。

本发明的积极进步效果在于：本发明通过利用终端状态检测模块采集的第一时间序列状态数据和对应设置的场景标签训练深度神经网络模型，利用训练后的深度神经网络模型，对移动终端的待预测场景下的采集的第二时间序列状态数据进行预测得到移动终端待预测场景的场景标签，以达到移动终端的场景识别的目的，本发明借助移动终端上自带的终端状态检测模块，不需要额外配备专门的装置，使得移动终端场景识别成本低，而且本发明的方法具有数据处理过程简单，并且识别算法简单、识别准确率高的优点，可普遍的进行应用。

附图说明

图1为本发明的实施例1的移动终端应用场景的识别方法的流程图。

图2为本发明的实施例1的移动终端应用场景的识别方法的一种传感器的序列状态数据的切分示意图。

图3为本发明的实施例1的移动终端应用场景的识别方法的多种传感器的序列状态数据的切分示意图。

图4为本发明的实施例1的移动终端应用场景的识别方法的深度神经网络模型的结构示意图。

图5为本发明的实施例2的移动终端应用场景的识别方法的流程图。

图6为本发明的实施例2的移动终端应用场景的识别方法的多任务的深度神经网络模型的结构示意图。

图7为本发明的实施例3的移动终端应用场景的识别装置的模块示意图。

具体实施方式

下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。

实施例1

本实施例提供一种移动终端应用场景的识别方法，其中移动终端包括终端状态检测模块，如图1所示，移动终端应用场景的识别方法包括：

步骤101、获取终端状态检测模块在预设应用场景下采集的第一时间序列状态数据。

终端状态检测模块包括磁传感器、加速度传感器、气压传感器、亮度传感器、陀螺仪传感器、温度传感器、GPS定位模块、Wi-Fi模块、基站模块中的至少一种。

预设应用场景包括室内外，和/或，移动终端的运动状态，运动状态包括静止、行走、运动、乘坐交通工具中的至少一种，和/或，移动终端的放置状态，放置状态包括手持、口袋、静置中的至少一种。

可根据具体的应用场景选择以上终端状态检测模块中的部分或全部。以获取室内外场景下的状态数据为例，终端状态检测模块中的如基站模块，采集的数据可包括当前设备目前能搜索到的基站数量和信号强度，在室内室外不同的场景下，获取基站模块对应采集能搜索到的基站数量和信号强度；同样的，磁传感器比如霍尔传感器，可分别用于采集室内和室外的磁场强度，加速度传感器可用于采集室内和室外时移动终端的运动加速度数据，应用气压传感器可采集室内外环境下的空气的绝对压强值，应用亮度传感器可采集室内外环境下的光线的亮度，应用陀螺仪传感器可采集的数据包括角加速度数据，可分别用于采集室内外环境的角加速度，通过温度传感器可采集室内外环境下的温度，GPS定位模块采集在室内外应用场景下的位置以及接收到的GPS卫星的信号强度，Wi-Fi模块用于采集室内外应用场景下当前终端设备目前能搜索到信号强度，本领域的技术人员可以根据具体的使用场景，选择其他应用场景，以及选择其它的传感器信息，本实施例不做限定。

传感器目前在工业中已经很常见且安装方便，凡是可以获取应用所需信息的设置都可以认为是合适的终端。

时间序列状态数据是指，在不同时间点上所获取的终端状态检测模块中传感器或者其他检测设备采集的状态数据，时间序列状态数据反映了传感器或者其他检测设备的状态和环境随时间变化的情况。需要说明的是，对于不同的传感器，要使数据在时间上是对齐的，即在任意时刻，要同时拥有所需的各个状态数据。要实现这一点，可以从相同时间以相同的采样频率对各状态数据进行采样以获取多传感器和其他检测设备的时间序列状态数据。

步骤102、对第一时间序列状态数据以预设时间段为单位进行切分得到第一时间窗数据。

将第一时间窗数据进行滤波处理，滤波处理为低通滤波或中值滤波。

第一时间序列状态数据作为样本数据，首先进行时间窗的划分，然后对划分后的时间窗内的序列状态数据进行滤波处理，以减小序列状态数据中的噪声。序列状态数据的形式如图2所示，时间窗表示一段预设时间的数据，每个时间窗是一个基本的数据单元，比如说，如果采集室内外场景的数据，以对时间窗内的室内外场景进行预测判断。为表述方便，我们把第K个时间窗记为时间窗K即win_k，每个时间窗内含有一定量的数据，分别是t_kt_k+1t_k+2…时刻的状态数据，对于任意时刻t_k+i，其数据记为f_k+i。

为进一步提高场景预测模型的预测准确度，可选用多传感器采集各自对应的时间序列状态数据，比如说，移动终端应用第一加速度传感器和第二加速度传感器以及第一Wi-Fi无线传感器采集的时间序列状态数据的形式如图3所示。

步骤103、将第一时间窗数据根据对应的预设应用场景设置对应的场景标签。

比如预设应用场景为室内外，则设置的场景标签可以为室内、室外两种场景标签；又比如预设应用场景为移动终端的运动状态，实际应用中，运动状态可能包括静止、行走、运动、乘坐交通工具等，对应的可以设置场景标签为静止或者行走或者运动或者乘坐交通工具，在具体不同的实际应用中，可以包括其他的用户的运动状态，在本实施例中不作限定；再比如移动终端的放置状态，放置状态包括手持或者口袋或者静置，对应的可以设置场景标签为手持或者口袋或者静置，在具体不同的实际应用中，可以包括其他的移动终端的放置状态，在本实施例中也不作限定。

步骤104、以第一时间窗数据为输入，以对应的场景标签为输出训练深度神经网络模型得到场景预测模型。

深度神经网络模型的结构如图4所示，深度神经网络模型具体为RNN网络1+DNN网络2深度神经网络模型，图中RNN网络1可以由经典的RNN单元构成，也可以由LSTM、GRU等单元构成，可根据具体应用进行选择，这里不作限定。需要说明的是，图中的单层RNN网络仅作为示意使用，实际使用中根据业务情况可能是多层的RNN网络。至于模型参数训练的方法，可以使用标准的神经网络训练方法，如SGD、RMSprop、Adam等方法。这里的三种方法只是示例性的举例，可以是这三种中的一种，在实际应用中，训练方法还有很多，很多梯度下降类的方法都可以使用，在此不作限定。

本实施例中的时间序列状态数据，因为选用了RNN网络+DNN网络深度神经网络模型，并不需要对采集的状态数据进行大量的特征计算和处理，可直接利用时间序列状态数据进行建模，不同于一般的非时间序列数据的(需要通过一定的数据加工得到)建模过程，时间序列数据基本保持着采集时的状态，可以节省大量的算力和人工的干预，方便快捷。

步骤105、获取终端状态检测模块在待预测应用场景下采集的第二时间序列状态数据。

步骤106、对第二时间序列状态数据以预设时间段为单位进行切分得到第二时间窗数据。

步骤107、将第二时间窗数据输入场景预测模型得到待预测应用场景的场景标签。

在训练好模型参数以后，按照步骤105和步骤106的过程采集待预测应用场景下的第二时间序列状态数据，然后把第二时间序列状态数据输入到场景预测模型就可以得到应用场景的识别结果，在本实施例的实际使用模型的过程中预测室内外场景，即得到的应用场景的场景标签为室内或室外。

以温度传感器为例，在室外场景下采集一段时间的室外温度状态数据，在定内场景下采集相同时间段长度的室内温度状态数据，将采集到的室外温度状态数据和室内温度状态数据贴上对应的室内外标签，并将室内外状态数据和对应的室内外标签输入深度神经网络模型进行训练后，将移动终端放置于室外或者室内采集到的温度输入至场景预测网络模型即可预测移动终端是放置于室外还是室内，不同的用户携带移动终端的习惯以及环境均不相同，在实际应用中，可在用户行为习惯下的活动场所采集足够多的样本数据进行训练得到场景预测网络模型，用户需要使用终端的时候，就可以通过场景预测网络模型预测用户的使用场景，以供移动终端其他方面的应用，或者为用户的使用提供参考信息等。

本实施例采用时间序列建立深度神经网络模型，相对于一般机器学习的建立模型的过程，省去了大量的特征工程处理的过程，可直接利用时间序列状态数据进行建模，不同于一般的非时间序列数据的(需要通过一定的数据加工得到)建模过程，节约了建模时间和计算成本。而且时间序列数据保留了采集时状态数据随时间变化的信息，更加有效的利用了采集的状态数据，而RNN网络+DNN的深度神经网络模型有很好的函数表示能力，在训练数据足够的情况下，能够训练出效果优秀的模型，在预测阶段，使用深度神经网络模型，模型效果优于传统的机器学习方法，可提高应用场景的预测准确度，而且节省了算力，便于布置在移动终端上。

实施例2

本实施例提供一种移动终端应用场景的识别方法，当预设应用场景包括室内外、移动终端的运动状态和移动终端的放置状态中的至少两种时，深度神经网络模型为多任务深度神经网络模型，本实施例与实施例1的区别在于，如图5所示，步骤103包括：

103’、将第一时间窗数据根据对应的每一种预设应用场景均设置对应的场景标签。

步骤104包括：

104’、以第一时间窗数据为输入，以对应的多种场景标签为输出训练多任务深度神经网络模型得到输出为多场景的场景预测模型。

在训练阶段需要通过终端状态检测模块采集一定数量的状态数据，为了减少获取状态数据的成本和提高采集的状态数据的利用效率，这里采集的时候可采用多标签的形式记录数据，对应的使用多任务深度神经网络模型进行训练。比如预设应用场景包括室内外、移动终端的运动状态和移动终端的放置状态三种应用场景，这里的多任务标签则除了记录室内外场景信息，还记录移动终端的运动状态信息，包括但不限于静止、行走、运动、乘坐交通工具等，然后还记录移动终端的放置状态，如手持、口袋、静置等。这里为了表述方便，如图6所示，把场景标签、运动标签、放置标签分别用Y_t、Y_c、Y_i表示。那么对于每个时间窗内的数据win_k，都有对应标签Y_t、Y_c、Y_i。

当然，在具体使用中，使用多任务深度神经网络模型进行训练得到的多场景的场景预测模型，在预测阶段也可只使用单任务输出，即只用于预测单一场景，使用多任务深度神经网络模型进行训练可以提高深度神经网络模型在单一任务上的预测效果。

可以由多层DNN网络构成一个多任务输出的深度神经网络模型。深度神经网络模型的输入为一个时间窗内的数据win_k，输出为上述定义的几种标签。对于多任务的深度神经网络模型的构建，实际使用中可以使用其它如正则化约束等方法构建多任务模型，这里不作具体的限定。

在深度神经网络模型训练阶段使用多任务学习模式。因为状态数据采集过程费时费力，多任务学习模式可以在相同的数据量的情况下训练得到效果更好的模型。同时，多任务学习可以提高模型的鲁棒性，让模型在不同的设备和环境中有更好的稳定性和普适性。

实施例3

本实施例提供一种移动终端应用场景的识别装置，移动终端包括终端状态检测模块，如图7所示，移动终端应用场景的识别装置包括样本采集模块201、第一时间窗模块202、标签设置模块203、模型训练模块204、预测数据采集模块205、第二时间窗模块206和预测模块207。

样本采集模块201用于获取终端状态检测模块在预设应用场景下采集的第一时间序列状态数据。

终端状态检测模块包括磁传感器、加速度传感器、气压传感器、亮度传感器、陀螺仪传感器、温度传感器、GPS定位模块、Wi-Fi模块、基站模块中的至少一种。

预设应用场景包括室内外，和/或，移动终端的运动状态，运动状态包括静止、行走、运动、乘坐交通工具中的至少一种，和/或，移动终端的放置状态，放置状态包括手持、口袋、静置中的至少一种。

可根据具体的应用场景选择以上终端状态检测模块中的部分或全部。以获取室内外场景下的状态数据为例，终端状态检测模块中的如基站模块，采集的数据可包括当前设备目前能搜索到的基站数量和信号强度，在室内室外不同的场景下，获取基站模块对应采集能搜索到的基站数量和信号强度；同样的，磁传感器比如霍尔传感器，可分别用于采集室内和室外的磁场强度，加速度传感器可用于采集室内和室外时移动终端的运动加速度数据，应用陀螺仪传感器可采集的数据包括角加速度数据，可分别用于采集室内外环境的角加速度，应用气压传感器可采集室内外环境下的空气的绝对压强值，应用亮度传感器可采集室内外环境下的光线的亮度，通过温度传感器可采集室内外环境下的温度，GPS定位模块采集在室内外应用场景下的位置以及接收到的GPS卫星的信号强度，Wi-Fi模块用于采集室内外应用场景下当前终端设备目前能搜索到信号强度，本领域的技术人员可以根据具体的使用场景，选择其他的应用场景，以及选择其它的传感器信息，本实施例不做限定。

传感器目前在工业中已经很常见且安装方便，凡是可以获取应用所需信息的设置都可以认为是合适的终端。

时间序列状态数据是指，在不同时间点上所获取的终端状态检测模块中传感器或者其他检测设备采集的状态数据，时间序列状态数据反映了传感器或者其他检测设备的状态和环境随时间变化的情况。需要说明的是，对于不同的传感器，要使数据在时间上是对齐的，即在任意时刻，要同时拥有所需的各个状态数据。要实现这一点，可以从相同时间以相同的采样频率对各状态数据进行采样以获取多传感器和其他检测设备的时间序列状态数据。

第一时间窗模块202用于对第一时间序列状态数据以预设时间段为单位进行切分得到第一时间窗数据。

将第一时间窗数据进行滤波处理，滤波处理为低通滤波或中值滤波。

第一时间序列状态数据作为样本数据，首先进行时间窗的划分，然后对划分后的时间窗内的序列状态数据进行滤波处理，以减小序列状态数据中的噪声。序列状态数据的最终形式如图2所示，时间窗表示一段预设时间的数据，每个时间窗是一个基本的数据单元，比如说，如果采集室内外场景的数据，以对时间窗内的室内外场景进行预测判断。为表述方便，我们把第K个时间窗记为时间窗K即win_k，每个时间窗内含有一定量的数据，分别是t_k t_k+1t_k+2…时刻的状态数据，对于任意时刻t_k+i，其数据记为f_k+i。

为进一步提高场景预测模型的预测准确度，可选用多传感器采集各自对应的时间序列状态数据训练深度神经网络模型，比如说，移动终端应用第一加速度传感器和第二加速度传感器以及第一Wi-Fi无线传感器采集的时间序列状态数据的形式如图3所示，通过采集多传感器的状态数据训练深度神经网络模型得到的场景预测模型的预测准确度会更精确。

标签设置模块203用于将第一时间窗数据根据对应的预设应用场景设置对应的场景标签。

比如预设应用场景为室内外，则设置的场景标签可以为室内、室外两种场景标签；以比如预设应用场景为移动终端的运动状态，实际应用中，运动状态可能包括静止、行走、运动、乘坐交通工具等，对应的可以设置场景标签为静止或者行走或者运动或者乘坐交通工具，在具体不同的实际应用中，可以包括其他的用户的运动状态，在本实施例中不作限定；再比如移动终端的放置状态，放置状态包括手持或者口袋或者静置，对应的可以设置场景标签为手持或者口袋或者静置，在具体不同的实际应用中，可以包括其他的移动终端的放置状态，在本实施例中也不作限定。

模型训练模块204用于以第一时间窗数据为输入，以对应的场景标签为输出训练深度神经网络模型得到场景预测模型。

本实施例中的深度神经网络模型为RNN网络和DNN网络；深度神经网络模型的训练方法包括SGD、RMSprop和Adam中的一种。这里的三种方法只是示例性的举例，可以是这三种中的一种，在实际应用中，训练方法还有很多，很多梯度下降类的方法都可以使用，在此不作限定。

深度神经网络模型的结构如图4所示，深度神经网络模型具体为RNN网络1+DNN网络2深度神经网络模型，图中RNN网络可以由经典的RNN单元构成，也可以由LSTM、GRU等单元构成，可根据具体应用进行选择，这里不作限定。需要说明的是，图中的单层RNN网络仅作为示意使用，实际使用中根据业务情况可能是多层的RNN网络。

至于模型参数训练的方法，可以使用标准的神经网络训练方法，如SGD、RMSprop、Adam等方法。

本实施例中的时间序列状态数据，因为选用了RNN网络+DNN网络深度神经网络模型，并不需要对采集的状态数据进行大量的特征计算和处理，可直接利用时间序列状态数据进行建模，不同于一般的非时间序列数据的(需要通过一定的数据加工得到)建模过程，数据基本保持着采集时的状态，可以节省大量的算力和人工的干预，方便快捷。

预测数据采集模块205用于获取终端状态检测模块在待预测应用场景下采集的第二时间序列状态数据。

第二时间窗模块206用于对第二时间序列状态数据以预设时间段为单位进行切分得到第二时间窗数据。

预测模块207用于将第二时间窗数据输入场景预测模型得到待预测应用场景的场景标签。

在训练好模型参数以后，按照步骤105和106的过程采集待预测应用场景下的第二时间序列状态数据，然后把第二时间序列状态数据输入到场景预测模型就可以得到应用场景的识别结果。在本实施例的实际使用模型的过程中预测室内外场景，即得到的应用场景的场景标签为室内或室外。

以温度传感器为例，在室外场景下采集一段时间的室外温度状态数据，在定内场景下采集相同时间段长度的室内温度状态数据，将采集到的室外温度状态数据和室内温度状态数据贴上对应的室内外标签，并将室内外状态数据和对应的室内外标签输入深度神经网络模型进行训练后，将移动终端放置于室外或者室内采集到的温度输入至场景预测网络模型即可预测移动终端是放置于室外还是室内，不同的用户携带移动终端的习惯以及环境均不相同，在实际应用中，可在用户行为习惯下的活动场所采集足够多的样本数据进行训练得到场景预测网络模型，用户需要使用终端的时候，就可以通过场景预测网络模型预测用户的使用场景，以供移动终端其他方面的应用，或者为用户的使用提供参考信息等。

本实施例采用时间序列建立深度神经网络模型，相对于一般机器学习的建立模型的过程，省去了大量的人工特征工程处理的过程，可直接利用时间序列状态数据进行建模，不同于一般的非时间序列数据的(需要通过一定的数据加工得到)建模过程，节约了建模时间和计算成本。而且时间序列数据保留了采集的状态数据随时间变化的信息，更加有效的利用了采集的状态数据，而RNN网络+DNN的深度神经网络模型有很好的函数表示能力，在训练数据足够的情况下，能够训练出效果优秀的模型，在预测阶段，使用深度神经网络模型，模型效果优于传统的机器学习方法，可提高应用场景的预测准确度，而且节省了算力，便于布置在移动终端上。

实施例4

本实施例提供一种移动终端应用场景的识别装置，当预设应用场景包括室内外、移动终端的运动状态和移动终端的放置状态中的至少两种时，深度神经网络模型为多任务深度神经网络模型，本实施例与实施例3的区别在于，标签设置模块203还用于将第一时间窗数据根据对应的每一种预设应用场景均设置对应的场景标签；

模型训练模块204还用于以第一时间窗数据为输入，以对应的多种场景标签为输出训练多任务深度神经网络模型得到输出为多场景的场景预测模型。

在训练阶段需要通过终端状态检测模块采集一定数量的状态数据，为了减少获取状态数据的成本和提高采集的状态数据的利用效率，这里采集的时候采用多标签的形式记录数据，然后使用多任务深度神经网络模型进行训练。比如预设应用场景包括室内外、移动终端的运动状态和移动终端的放置状态三种应用场景，这里的多任务标签则除了记录室内外场景信息，还记录移动终端的运动状态信息，包括但不限于静止、行走、运动、乘坐交通工具等，然后还记录移动终端的放置状态，如手持、口袋、静置等。这里为了表述方便，如图6所示，把场景标签、运动标签、放置标签分别用Y_t、Y_c、Y_i表示。那么对于每个时间窗内的数据win_k，都有对应标签Y_t、Y_c、Y_i。

当然，在具体使用中，使用多任务深度神经网络模型进行训练得到的多场景的场景预测模型，在预测阶段也可只使用单任务输出，即只用于预测单一场景，使用多任务深度神经网络模型进行训练可以提高深度神经网络模型在单一任务上的预测效果。

可以由多层DNN网络构成一个多任务输出的深度神经网络模型。深度神经网络模型的输入为一个时间窗内的数据win_k，输出为上述定义的几种标签。对于多任务的深度神经网络模型的构建，实际使用中可以使用其它如正则化约束等方法构建多任务模型，这里不作具体的限定。

在深度神经网络模型训练阶段使用多任务学习模式。因为状态数据采集过程费时费力，多任务学习模式可以在相同的数据量的情况下训练得到效果更好的模型。同时，多任务学习可以提高模型的鲁棒性，让模型在不同的设备和环境中有更好的稳定性和普适性。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (10)

1.一种移动终端应用场景的识别方法，其特征在于，所述移动终端包括终端状态检测模块，所述移动终端应用场景的识别方法包括：

获取所述终端状态检测模块在预设应用场景下采集的第一时间序列状态数据；

对所述第一时间序列状态数据以预设时间段为单位进行切分得到第一时间窗数据；

将所述第一时间窗数据根据对应的预设应用场景设置对应的场景标签；

以所述第一时间窗数据为输入，以对应的场景标签为输出训练深度神经网络模型得到场景预测模型；

获取所述终端状态检测模块在待预测应用场景下采集的第二时间序列状态数据；

对所述第二时间序列状态数据以所述预设时间段为单位进行切分得到第二时间窗数据；

将所述第二时间窗数据输入所述场景预测模型得到所述待预测应用场景的场景标签。

2.如权利要求1所述的移动终端应用场景的识别方法，其特征在于，所述对所述第一时间序列状态数据以预设时间段为单位进行切分得到第一时间窗数据的步骤还包括：

将所述第一时间窗数据进行滤波处理，所述滤波处理为低通滤波或中值滤波。

3.如权利要求1所述的移动终端应用场景的识别方法，其特征在于，所述预设应用场景包括室内外，和/或，所述移动终端的运动状态，所述运动状态包括静止、行走、运动、乘坐交通工具中的至少一种，和/或，所述移动终端的放置状态，所述放置状态包括手持、口袋、静置中的至少一种。

4.如权利要求3所述的移动终端应用场景的识别方法，其特征在于，当所述预设应用场景包括室内外、移动终端的运动状态和移动终端的放置状态中的至少两种时，所述深度神经网络模型为多任务深度神经网络模型，所述将所述第一时间窗数据根据对应的预设应用场景设置场景标签的步骤包括：

将所述第一时间窗数据根据对应的每一种预设应用场景均设置对应的场景标签；

所述以所述第一时间窗数据为输入，以对应的场景标签为输出训练深度神经网络模型得到场景预测模型的步骤包括：

以所述第一时间窗数据为输入，以对应的多种场景标签为输出训练所述多任务深度神经网络模型得到输出为多场景的场景预测模型。

5.如权利要求1所述的移动终端应用场景的识别方法，其特征在于，所述终端状态检测模块包括磁传感器、加速度传感器、气压传感器、亮度传感器、陀螺仪传感器、温度传感器、GPS定位模块、Wi-Fi模块、基站模块中的至少一种；

和/或，所述深度神经网络模型为RNN网络和DNN网络；

和/或，所述深度神经网络模型的训练方法包括SGD、RMSprop和Adam中的一种。

6.一种移动终端应用场景的识别装置，其特征在于，所述移动终端包括终端状态检测模块，所述移动终端应用场景的识别装置包括样本采集模块、第一时间窗模块、标签设置模块、模型训练模块、预测数据采集模块、第二时间窗模块和预测模块；

所述样本采集模块用于获取所述终端状态检测模块在预设应用场景下采集的第一时间序列状态数据；

所述第一时间窗模块用于对所述第一时间序列状态数据以预设时间段为单位进行切分得到第一时间窗数据；

所述标签设置模块用于将所述第一时间窗数据根据对应的预设应用场景设置对应的场景标签；

所述模型训练模块用于以所述第一时间窗数据为输入，以对应的场景标签为输出训练深度神经网络模型得到场景预测模型；

所述预测数据采集模块用于获取所述终端状态检测模块在待预测应用场景下采集的第二时间序列状态数据；

所述第二时间窗模块用于对所述第二时间序列状态数据以所述预设时间段为单位进行切分得到第二时间窗数据；

所述预测模块用于将所述第二时间窗数据输入所述场景预测模型得到所述待预测应用场景的场景标签。

7.如权利要求6所述的移动终端应用场景的识别装置，其特征在于，所述第一时间窗模块还用于将所述第一时间窗数据进行滤波处理，所述滤波处理为低通滤波或中值滤波。

8.如权利要求6所述的移动终端应用场景的识别装置，其特征在于，所述预设应用场景包括室内外，和/或，所述移动终端的运动状态，所述运动状态包括静止、行走、运动、乘坐交通工具中的至少一种，和/或，所述移动终端的放置状态，所述放置状态包括手持、口袋、静置中的至少一种。

9.如权利要求8所述的移动终端应用场景的识别装置，其特征在于，当所述预设应用场景包括室内外、移动终端的运动状态和移动终端的放置状态中的至少两种时，所述深度神经网络模型为多任务深度神经网络模型，所述标签设置模块还用于将所述第一时间窗数据根据对应的每一种预设应用场景均设置对应的场景标签；

所述模型训练模块还用于以所述第一时间窗数据为输入，以对应的多种场景标签为输出训练所述多任务深度神经网络模型得到输出为多场景的场景预测模型。

10.如权利要求6所述的移动终端应用场景的识别装置，其特征在于，所述终端状态检测模块包括磁传感器、加速度传感器、气压传感器、亮度传感器、陀螺仪传感器、温度传感器、GPS定位模块、Wi-Fi模块、基站模块中的至少一种；

和/或，所述深度神经网络模型为RNN网络和DNN网络；

和/或，所述深度神经网络模型的训练方法包括SGD、RMSprop和Adam中的一种。