CN109272432A - 用户行为监测方法和系统、计算机设备、计算机存储介质 - Google Patents
用户行为监测方法和系统、计算机设备、计算机存储介质 Download PDFInfo
- Publication number
- CN109272432A CN109272432A CN201810897892.8A CN201810897892A CN109272432A CN 109272432 A CN109272432 A CN 109272432A CN 201810897892 A CN201810897892 A CN 201810897892A CN 109272432 A CN109272432 A CN 109272432A
- Authority
- CN
- China
- Prior art keywords
- behavior
- user
- time cycle
- acceleration
- confidence interval
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 230000001133 acceleration Effects 0.000 claims abstract description 62
- 230000002159 abnormal effect Effects 0.000 claims abstract description 11
- 230000006399 behavior Effects 0.000 claims description 296
- 230000002123 temporal effect Effects 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 22
- 230000003542 behavioural effect Effects 0.000 claims description 20
- 230000007613 environmental effect Effects 0.000 claims description 20
- 238000005259 measurement Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Computer Security & Cryptography (AREA)
- Epidemiology (AREA)
- Development Economics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Public Health (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Alarm Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种用户行为监测方法和系统、计算机设备、计算机存储介质。上述用户行为监测方法包括:获取用户当前行为对应的实时加速度,根据所述实时加速度识别行为类型,并获取用户实施该次行为的实施时间段;判断所述实施时间段是否属于该用户实施该种行为的行为置信区间;其中,所述行为置信区间为记录一个时间周期内用户实施一种行为的时间区间;若否,则判定用户当前行为异常。上述用户行为监测方法根据实时加速度识别行为类型,还获取用户实施该次行为的实施时间段,通过判断上述实施时间段是否属于该用户相应行为类型对应的行为置信区间,实现用户行为监测,减小了用户行为监测过程中的工作量,提高了相应的监测效率。
Description
技术领域
本发明涉及信息处理技术领域,特别是涉及一种用户行为监测方法和系统、计算机设备、计算机存储介质。
背景技术
用户行为监测对管理人们的日常的出行、生活等方面具有重要作用,尤其是针对不能完全辩认自己行为的人(如精神障碍患者)进行用户行为监测,可以有效预防某些意外状况或者事故的发生;如2017年某省发生70余宗严重精神障碍患者肇事肇祸案件,致数十人死亡,严重影响地方社会安定,若能对其中相关用户的行为进行监测,在发现用户行为异常时及时采取相应措施,便可以避免类似事件的发生,较大程度地降低损失。
传统方案通常需要通过监控视频或者特定看护人看护等方式监测用户行为,使实现相应行为监控的工作量大。
发明内容
基于此,有必要针对传统方案实现用户行为监控的工作量大的技术问题,提供一种用户行为监测方法和系统、计算机设备、计算机存储介质。
一种用户行为监测方法,包括:
获取用户当前行为对应的实时加速度,根据所述实时加速度识别行为类型,并获取用户实施该次行为的实施时间段;
判断所述实施时间段是否属于该用户实施该种行为的行为置信区间;其中,所述行为置信区间为记录一个时间周期内用户实施一种行为的时间区间;
若否,则判定用户当前行为异常。
上述用户行为监测方法,可以根据所述实时加速度识别行为类型,还可以获取用户实施该次行为的实施时间段,通过判断上述实施时间段是否属于该用户相应行为类型对应的行为置信区间,实现用户行为监测,极大程度地减小了用户行为监测过程中的工作量,提高了相应的监测效率。
在其中一个实施例中,所述获取用户当前行为对应的实时加速度的过程包括:
获取用户当前行为在第一参考方向的第一加速度分量、在第二参考方向的第二加速度分量以及在第三参考方向的第三加速度分量;
根据所述第一加速度分量、第二加速度分量和第三加速度分量计算实时加速度。
本实施例可以保证所确定的实时加速度的准确性。
在其中一个实施例中,所述判断所述实施时间段是否属于所述行为类型对应的行为置信区间的过程之前,还包括:
获取用户在设定时段的各个时间周期中实施一种行为的行为持续时间;
根据所述行为持续时间计算用户实施该种行为的持续时间均值和加权时间均值;
根据所述持续时间均值和加权时间均值确定该种行为在一个时间周期中的行为置信区间。
本实施例分别依据相应用户在设定时段的各个时间周期中实施相应行为的行为持续时间确定该种行为在一个时间周期中的行为置信区间,保证了所确定的行为置信区间的准确性。
作为一个实施例,所述持续时间均值为:
所述加权时间均值为:
其中,timei表示设定时段内第i个时间周期中一种行为的行为持续时间,n表示设定时段内的时间周期数,表示持续时间均值,ωi表示第i个时间周期中该种行为的权重,表示加权时间均值;
和/或,
所述根据所述持续时间均值和加权时间均值确定该种行为在一个时间周期中的行为置信区间的过程包括:
根据所述持续时间均值计算各个行为持续时间对应的标准差,根据所述标准差和加权时间均值的标准差确定最小置信区间;
识别所述最小置信区间的区间长度,根据所述区间长度设置行为缓冲参数;
根据所述最小置信区间和行为缓冲参数确定行为置信区间。
作为一个实施例,所述最小置信区间为:
所述行为置信区间为:
其中,表示加权时间均值,T=tα2(n-1)表示为自由度为n-1的t分布关于α/2的上侧分位数,α表示置信度,表示标准差,n表示设定时段内的时间周期数,buffer表示行为缓冲参数。
作为一个实施例,所述第i个时间周期中该种行为的权重的确定过程包括:
分别获取第i个时间周期中用户实施该种行为时的预测属性向量和实测属性向量;其中,所述预测属性向量为记录用户实施相应行为时的多个预测环境参数的向量;所述实测属性向量为记录用户实施相应行为时的多个实测环境参数的向量;
根据所述预测属性向量和实测属性向量计算第i个时间周期的属性相关参数;
根据第i个时间周期的属性相关参数计算第i个时间周期中该种行为的权重。
本实施例通过对用户实施相应行为的环境场景中的环境参数进行矢量化定义,确定预测属性向量和实测属性向量,从而得到上述行为行为的权重,进行用户相应行为活动的安全监测,一旦用户实施上述行为的时间不符合以往的规律(即实施时间段不属于行为置信区间),则确定用户当前行为异常,具有较高的监测效率。
作为一个实施例,所述根据第i个时间周期的属性相关参数计算第i个时间周期中该种行为的权重的过程包括:
分别获取各个时间周期中该种行为的属性相关参数;
根据所述权重计算公式计算第i个时间周期中该种行为的权重;其中,所述权重计算公式为:
式中,ωi表示第i个时间周期中该种行为的权重,ri表示第i个时间周期中该种行为的属性相关参数,rk表示第k个时间周期中该种行为的属性相关参数,n表示设定时段内的时间周期数。
本实施例可以对第i个时间周期中相应行为的权重进行准确计算。
在一个实施例中,在判定用户当前行为异常之后,还包括:
将用户行为异常信息发送至目标终端。
上述目标终端可以为手机或者平板电脑等由相关看护人管理,其所收到的信息能够看护人及时获取的智能终端设备,具体可以将用户行为异常信息通过短信、邮件或者语音电话等形式发送至目标终端,使相应的看护人能够及时获知,以便采取相应措施。
一种用户行为监测系统,包括:
第一获取模块,用于获取用户当前行为对应的实时加速度,根据所述实时加速度识别行为类型,并获取用户实施该次行为的实施时间段;
判断模块,用于判断所述实施时间段是否属于该用户实施该种行为的行为置信区间;其中,所述行为置信区间为记录一个时间周期内用户实施一种行为的时间区间;
判定模块,用于若否,则判定用户当前行为异常。
上述用户行为监测系统,可以根据所述实时加速度识别行为类型,还可以获取用户实施该次行为的实施时间段,通过判断上述实施时间段是否属于该用户相应行为类型对应的行为置信区间,实现用户行为监测,极大程度地减小了用户行为监测过程中的工作量,提高了相应的监测效率。
一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任一实施例提供的用户行为监测方法。
一种计算机存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现上述任一实施例提供的用户行为监测方法。
根据本发明的用户行为监测方法,本发明还提供一种计算机设备和计算机存储介质,用于通过程序实现上述用户行为监测方法。上述计算机设备和计算机存储介质能够减小用户行为监测过程中的工作量,提高了监测效率。
附图说明
图1为一个实施例的用户行为监测方法流程图;
图2为一个实施例的用户行为监测系统结构示意图;
图3为一个实施例的计算机系统模块图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不限定本发明的保护范围。
需要说明的是,本发明实施例所涉及的术语“第一\第二\第三”仅仅是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
本发明实施例的术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、系统、产品或设备没有限定于已列出的步骤或模块,而是可选地还包括没有列出的步骤或模块,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
在本文中提及的“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
参考图1所示,图1为一个实施例的用户行为监测方法流程图,包括:
S10,获取用户当前行为对应的实时加速度,根据所述实时加速度识别行为类型,并获取用户实施该次行为的实施时间段;
上述步骤可以通过智能穿戴设备等可以被用户携带的智能设备获取用户当前行为对应的实时加速度,具体可以获取加速度大小和加速度方向。在获取到用户的实时加速度后,可以对上述实时加速度进行分析处理,识别该实时该速度对应的行为类型;比如,可以依据用户的各类行为设置行为类型识别表,以记录各类行为分别对应的加速度大小和加速度方向,在获取到实时加速度后通过查表的方式确定相应的行为类型。某次行为的实施时间段包括开始实施该次行为的起始时刻至结束实施该次行为的结束时刻之间的时间段,可以通过识别用户实施该次行为的起始时刻和结束时刻,以确定实施时间段。
S20,判断所述实施时间段是否属于该用户实施该种行为的行为置信区间;其中,所述行为置信区间为记录一个时间周期内用户实施一种行为的时间区间;
上述一个时间周期内可以为一天,某行为类型对应的行为置信区间为用户在一天中实施该种行为的时间区间或时间段。具体地,某用户的各种行为均具有相应的行为置信区间,可以依据该用户在一段时间中各时间周期内实施某种行为的时间特征构建该用户实施该种行为的行为置信区间。
S30,若否,则判定用户当前行为异常。
若实施时间段属于该用户实施该种行为的行为置信区间,则表明用户当前行为正常;若实施时间段不属于该用户实施该种行为的行为置信区间,则表明用户当前行为异常。在识别到户当前行为异常后,可以通过报警、短信或者电话等方式通知将用户行为的异常信息通知相关看护人,使其及时获取上述异常信息,进行相应处理。
本实施例提供的户行为监测方法,可以根据所述实时加速度识别行为类型,还可以获取用户实施该次行为的实施时间段,通过判断上述实施时间段是否属于该用户相应行为类型对应的行为置信区间,实现用户行为监测,极大程度地减小了用户行为监测过程中的工作量,提高了相应的监测效率。
在一个实施例中,所述获取用户当前行为对应的实时加速度的过程包括:
获取用户当前行为在第一参考方向的第一加速度分量、在第二参考方向的第二加速度分量以及在第三参考方向的第三加速度分量;
根据所述第一加速度分量、第二加速度分量和第三加速度分量计算实时加速度。
上述第一参考方向、第二参考方向和第三参考方向可以分别为依据实施相应行为的环境情景设置的三维直角坐标系中三个坐标轴的方向,一般情况下,第一参考方向可以为水平方向的坐标轴正方向,第二参考方向可以为竖直方向的坐标轴正方向,第三参考方向可以为垂直于水平方向和竖直方向的坐标轴的正方向。具体地,上述实时加速度b可以为:
式中,b表示实时加速度,bx表示第一加速度分量,by表示第二加速度分量,bz表示第三加速度分量。
本实施例可以保证所确定的实时加速度的准确性。
在一个实施例中,所述判断所述实施时间段是否属于所述行为类型对应的行为置信区间的过程之前,还包括:
获取用户在设定时段的各个时间周期中实施一种行为的行为持续时间;
根据所述行为持续时间计算用户实施该种行为的持续时间均值和加权时间均值;
根据所述持续时间均值和加权时间均值确定该种行为在一个时间周期中的行为置信区间。
上述设定时段可以依据用户行为类型的特征设置,如设置为确定行为置信区间的前3个月等时段。时间周期可以为天,行为持续时间的单位可以为分钟,相应地,设定时段的各个时间周期为设定时段内的各天。上述用户实施的行为可以包括刷牙、吃饭、散步等日常行为,每个用户的任意一种行为均具有对应的加速度,可以依据加速度识别该用户的行为类型。行为持续时间为用户实施相应行为所持续的时间。在获取到用户在设定时段的各个时间周期中实施一种行为的行为持续时间后,可以对上述各个行为持续时间进行清洗,去除其中存在明显偏差(如格式错误、数组明显偏大或者偏小等)的噪声数据,再根据清洗后的持续时间计算用户实施该种行为的持续时间均值和加权时间均值,以保证所得到的持续时间均值和加权时间均值的准确性。
本实施例分别依据相应用户在设定时段的各个时间周期中实施相应行为的行为持续时间确定该种行为在一个时间周期中的行为置信区间,保证了所确定的行为置信区间的准确性。
在一个实施例中,所述持续时间均值为:
所述加权时间均值为:
其中,timei表示设定时段内第i个时间周期中一种行为的行为持续时间,n表示设定时段内的时间周期数,表示持续时间均值,ωi表示第i个时间周期中该种行为的权重,上述权重ωi可以依据设定时段内用户实施相应行为的环境场景的相关度确定,表示加权时间均值。
本实施例所确定的持续时间均值和加权时间均值具有较高的准确性。
作为一个实施例,所述根据所述持续时间均值和加权时间均值确定该种行为在一个时间周期中的行为置信区间的过程包括:
根据所述持续时间均值计算各个行为持续时间对应的标准差,根据所述标准差和加权时间均值的标准差确定最小置信区间;
识别所述最小置信区间的区间长度,根据所述区间长度设置行为缓冲参数;
根据所述最小置信区间和行为缓冲参数确定行为置信区间。
上述标准差可以为:
式中,表示标准差,n表示设定时段内的时间周期数,timei表示设定时段内第i个时间周期中相应行为的行为持续时间,表示持续时间均值。
作为一个实施例,所述最小置信区间为:
所述行为置信区间为:
其中,表示加权时间均值,T=tα/2(n-1)表示为自由度为n-1的t分布关于α/2的上侧分位数,α表示置信度,α的取值可以为95%,表示标准差,n表示设定时段内的时间周期数,buffer表示行为缓冲参数。
具体地,上述行为缓冲参数buffer可以为:
buffer=bu·l,
式中bu表示敏感程度系数,bu的大小可以依据用户实施相应行为的环境情景确定,常规的环境情景下,bu的取值范围可以为0.1-0.5,若当时的环境情景为容易出现生命危险等异常情况的敏感情景,bu的取值范围可以为0.01-0.1;上述l表示区间长度:
作为一个实施例,所述第i个时间周期中该种行为的权重的确定过程包括:
分别获取第i个时间周期中用户实施该种行为时的预测属性向量和实测属性向量;其中,所述预测属性向量为记录用户实施相应行为时的多个预测环境参数的向量;所述实测属性向量为记录用户实施相应行为时的多个实测环境参数的向量;
根据所述预测属性向量和实测属性向量计算第i个时间周期的属性相关参数;
根据第i个时间周期的属性相关参数计算第i个时间周期中该种行为的权重。
上述预测环境参数为通过预报等方式得到的环境参数,如预测的温度、湿度等环境参数;上述实测环境参数为在用户实施相应行为的场景中测量得到的环境参数,如当时测量得到的温度、湿度等。上述第i个时间周期中用户实施相应行为的预测属性向量可以写为:
contexti=[Vi1,Vi2,…,Vim],
式中,contexti表示第i个时间周期中用户实施相应行为的预测属性向量,m表示预测属性向量所记录的环境参数个数,Vi1表示相应预测属性向量中的第1个环境参数,Vi2表示相应预测属性向量中的第2个环境参数,Vim表示相应预测属性向量中的第m个环境参数。
上述第i个时间周期的属性相关参数可以为:
ri=REL(contexti,contextnow),
式中,ri表示第i个时间周期中该种行为的属性相关参数,contexti表示第i个时间周期中用户实施相应行为的预测属性向量,contextnow表示第i个时间周期中用户实施相应行为的实测属性向量,REL()表示求属性相关参数。
具体地,上述属性相关参数的求解函数REL()的确定过程可以包括:
Rijk=1-H(Vik,Vjk),
其中,Vmax表示设定时段内用户实施相应行为的环境场景中各个环境参数的最大值,Vmin表示设定时段内用户实施相应行为的环境场景中各个环境参数的最小值,Vik表示设定时段内第i个时间周期的第k个环境参数,Vjk表示设定时段内第j个时间周期的第k个环境参数。
本实施例通过对用户实施相应行为的环境场景中的环境参数进行矢量化定义,确定预测属性向量和实测属性向量,从而得到上述行为行为的权重,进行用户相应行为活动的安全监测,一旦用户实施上述行为的时间不符合以往的规律(即实施时间段不属于行为置信区间),则确定用户当前行为异常,具有较高的监测效率。
作为一个实施例,所述根据第i个时间周期的属性相关参数计算第i个时间周期中该种行为的权重的过程包括:
分别获取各个时间周期中该种行为的属性相关参数;
根据所述权重计算公式计算第i个时间周期中该种行为的权重;其中,所述权重计算公式为:
式中,ωi表示第i个时间周期中该种行为的权重,ri表示第i个时间周期中该种行为的属性相关参数,rk表示第k个时间周期中该种行为的属性相关参数,n表示设定时段内的时间周期数。
本实施例可以对第i个时间周期中相应行为的权重进行准确计算。
在一个实施例中,在判定用户当前行为异常之后,还包括:
将用户行为异常信息发送至目标终端。
上述目标终端可以为手机或者平板电脑等由相关看护人管理,其所收到的信息能够看护人及时获取的智能终端设备,具体可以将用户行为异常信息通过短信、邮件或者语音电话等形式发送至目标终端,使相应的看护人能够及时获知,以便采取相应措施。
参考图2,图2所示为一个实施例的用户行为监测系统结构示意图,包括:
第一获取模块10,用于获取用户当前行为对应的实时加速度,根据所述实时加速度识别行为类型,并获取用户实施该次行为的实施时间段;
判断模块20,用于判断所述实施时间段是否属于该用户实施该种行为的行为置信区间;其中,所述行为置信区间为记录一个时间周期内用户实施一种行为的时间区间;
判定模块30,用于若否,则判定用户当前行为异常。
在一个实施例中,上述第一获取模块进一步用于:
获取用户当前行为在第一参考方向的第一加速度分量、在第二参考方向的第二加速度分量以及在第三参考方向的第三加速度分量;
根据所述第一加速度分量、第二加速度分量和第三加速度分量计算实时加速度。
在一个实施例中,上述用户行为监测系统,还包括:
第二获取模块,用于获取用户在设定时段的各个时间周期中实施一种行为的行为持续时间;
计算模块,用于根据所述行为持续时间计算用户实施该种行为的持续时间均值和加权时间均值;
确定模块,用于根据所述持续时间均值和加权时间均值确定该种行为在一个时间周期中的行为置信区间。
作为一个实施例,所述持续时间均值为:
所述加权时间均值为:
其中,timei表示设定时段内第i个时间周期中一种行为的行为持续时间,n表示设定时段内的时间周期数,表示持续时间均值,ωi表示第i个时间周期中该种行为的权重,表示加权时间均值;
和/或,
所述确定模块进一步用于:
根据所述持续时间均值计算各个行为持续时间对应的标准差,根据所述标准差和加权时间均值的标准差确定最小置信区间;
识别所述最小置信区间的区间长度,根据所述区间长度设置行为缓冲参数;
根据所述最小置信区间和行为缓冲参数确定行为置信区间。
作为一个实施例,所述最小置信区间为:
所述行为置信区间为:
其中,表示加权时间均值,T=tα/2(n-1)表示为自由度为n-1的t分布关于α/2的上侧分位数,α表示置信度,表示标准差,n表示设定时段内的时间周期数,buffer表示行为缓冲参数。
作为一个实施例,所述第i个时间周期中该种行为的权重的确定过程包括:
分别获取第i个时间周期中用户实施该种行为时的预测属性向量和实测属性向量;其中,所述预测属性向量为记录用户实施相应行为时的多个预测环境参数的向量;所述实测属性向量为记录用户实施相应行为时的多个实测环境参数的向量;
根据所述预测属性向量和实测属性向量计算第i个时间周期的属性相关参数;
根据第i个时间周期的属性相关参数计算第i个时间周期中该种行为的权重。
作为一个实施例,所述根据第i个时间周期的属性相关参数计算第i个时间周期中该种行为的权重的过程包括:
分别获取各个时间周期中该种行为的属性相关参数;
根据所述权重计算公式计算第i个时间周期中该种行为的权重;其中,所述权重计算公式为:
式中,ωi表示第i个时间周期中该种行为的权重,ri表示第i个时间周期中该种行为的属性相关参数,rk表示第k个时间周期中该种行为的属性相关参数,n表示设定时段内的时间周期数。
在一个实施例中,上述用户行为监测系统,还包括:
发送模块,用于将用户行为异常信息发送至目标终端。
图3为能实现本发明实施例的一个计算机系统1000的模块图。该计算机系统1000只是一个适用于本发明的计算机环境的示例,不能认为是提出了对本发明的使用范围的任何限制。计算机系统1000也不能解释为需要依赖于或具有图示的示例性的计算机系统1000中的一个或多个部件的组合。
图3中示出的计算机系统1000是一个适合用于本发明的计算机系统的例子。具有不同子系统配置的其它架构也可以使用。例如有大众所熟知的台式计算机、笔记本等类似设备可以适用于本发明的一些实施例。但不限于以上所列举的设备。
如图3所示,计算机系统1000包括处理器1010、存储器1020和系统总线1022。包括存储器1020和处理器1010在内的各种系统组件连接到系统总线1022上。处理器1010是一个用来通过计算机系统中基本的算术和逻辑运算来执行计算机程序指令的硬件。存储器1020是一个用于临时或永久性存储计算程序或数据(例如,程序状态信息)的物理设备。系统总线1020可以为以下几种类型的总线结构中的任意一种,包括存储器总线或存储控制器、外设总线和局部总线。处理器1010和存储器1020可以通过系统总线1022进行数据通信。其中存储器1020包括只读存储器(ROM)或闪存(图中都未示出),以及随机存取存储器(RAM),RAM通常是指加载了操作系统和应用程序的主存储器。
计算机系统1000还包括显示接口1030(例如,图形处理单元)、显示设备1040(例如,液晶显示器)、音频接口1050(例如,声卡)以及音频设备1060(例如,扬声器)。显示设备1040可以用于相关行为异常信息的显示。
计算机系统1000一般包括一个存储设备1070。存储设备1070可以从多种计算机可读介质中选择,计算机可读介质是指可以通过计算机系统1000访问的任何可利用的介质,包括移动的和固定的两种介质。例如,计算机可读介质包括但不限于,闪速存储器(微型SD卡),CD-ROM,数字通用光盘(DVD)或其它光盘存储、磁带盒、磁带、磁盘存储或其它磁存储设备,或者可用于存储所需信息并可由计算机系统1000访问的任何其它介质。
计算机系统1000还包括输入装置1080和输入接口1090(例如,IO控制器)。用户可以通过输入装置1080,如键盘、鼠标、显示装置1040上的触摸面板设备,输入指令和信息到计算机系统1000中。输入装置1080通常是通过输入接口1090连接到系统总线1022上的,但也可以通过其它接口或总线结构相连接,如通用串行总线(USB)。
计算机系统1000可在网络环境中与一个或者多个网络设备进行逻辑连接。网络设备可以是个人电脑、服务器、路由器、平板电脑或者其它公共网络节点。计算机系统1000通过局域网(LAN)接口1100或者移动通信单元1110与网络设备相连接。局域网(LAN)是指在有限区域内,例如家庭、学校、计算机实验室、或者使用网络媒体的办公楼,互联组成的计算机网络。WiFi和双绞线布线以太网是最常用的构建局域网的两种技术。WiFi是一种能使计算机系统1000间交换数据或通过无线电波连接到无线网络的技术。移动通信单元1110能在一个广阔的地理区域内移动的同时通过无线电通信线路接听和拨打电话。除了通话以外,移动通信单元1110也支持在提供移动数据服务的2G,3G或4G蜂窝通信系统中进行互联网访问。
应当指出的是,其它包括比计算机系统1000更多或更少的子系统的计算机系统也能适用于发明。如上面详细描述的,适用于本发明的计算机系统1000能执行用户行为监测方法的指定操作。计算机系统1000通过处理器1010运行在计算机可读介质中的软件指令的形式来执行这些操作。这些软件指令可以从存储设备1070或者通过局域网接口1100从另一设备读入到存储器1020中。存储在存储器1020中的软件指令使得处理器1010执行上述的用户行为监测方法。此外,通过硬件电路或者硬件电路结合软件指令也能同样实现本发明。因此,实现本发明并不限于任何特定硬件电路和软件的组合。
本发明的用户行为监测系统与本发明的用户行为监测方法一一对应,在上述用户行为监测方法的实施例阐述的技术特征及其有益效果均适用于用户行为监测系统的实施例中。
基于如上所述的示例,在一个实施例中还提供一种计算机设备,该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,处理器执行所述程序时实现如上述各实施例中的任意一种用户行为监测方法。
上述计算机设备,通过所述处理器上运行的计算机程序,实现了用户行为监测效率的提升。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性的计算机可读取存储介质中,如本发明实施例中,该程序可存储于计算机系统的存储介质中,并被该计算机系统中的至少一个处理器执行,以实现包括如上述用户行为监测方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
据此,在一个实施例中还提供一种计算机存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如上述各实施例中的任意一种用户行为监测方法。
上述计算机存储介质,通过其存储的计算机程序,能够减小用户行为监测过程中的工作量,提高相应的监测效率。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种用户行为监测方法,其特征在于,包括:
获取用户当前行为对应的实时加速度,根据所述实时加速度识别行为类型,并获取用户实施该次行为的实施时间段;
判断所述实施时间段是否属于该用户实施该种行为的行为置信区间;其中,所述行为置信区间为记录一个时间周期内用户实施一种行为的时间区间;
若否,则判定用户当前行为异常。
2.根据权利要求1所述的用户行为监测方法,其特征在于,所述获取用户当前行为对应的实时加速度的过程包括:
获取用户当前行为在第一参考方向的第一加速度分量、在第二参考方向的第二加速度分量以及在第三参考方向的第三加速度分量;
根据所述第一加速度分量、第二加速度分量和第三加速度分量计算实时加速度。
3.根据权利要求1或2所述的用户行为监测方法,其特征在于,所述判断所述实施时间段是否属于所述行为类型对应的行为置信区间的过程之前,还包括:
获取用户在设定时段的各个时间周期中实施一种行为的行为持续时间;
根据所述行为持续时间计算用户实施该种行为的持续时间均值和加权时间均值;
根据所述持续时间均值和加权时间均值确定该种行为在一个时间周期中的行为置信区间。
4.根据权利要求3所述的用户行为监测方法,其特征在于,所述持续时间均值为:
所述加权时间均值为:
其中,timei表示设定时段内第i个时间周期中一种行为的行为持续时间,n表示设定时段内的时间周期数,表示持续时间均值,ωi表示第i个时间周期中该种行为的权重,表示加权时间均值;
和/或,
所述根据所述持续时间均值和加权时间均值确定该种行为在一个时间周期中的行为置信区间的过程包括:
根据所述持续时间均值计算各个行为持续时间对应的标准差,根据所述标准差和加权时间均值的标准差确定最小置信区间;
识别所述最小置信区间的区间长度,根据所述区间长度设置行为缓冲参数;
根据所述最小置信区间和行为缓冲参数确定行为置信区间。
5.根据权利要求4所述的用户行为监测方法,其特征在于,所述最小置信区间为:
所述行为置信区间为:
其中,表示加权时间均值,T=tα/2(n-1)表示为自由度为n-1的t分布关于α/2的上侧分位数,α表示置信度,表示标准差,n表示设定时段内的时间周期数,buffer表示行为缓冲参数。
6.根据权利要求4所述的用户行为监测方法,其特征在于,所述第i个时间周期中该种行为的权重的确定过程包括:
分别获取第i个时间周期中用户实施该种行为时的预测属性向量和实测属性向量;其中,所述预测属性向量为记录用户实施相应行为时的多个预测环境参数的向量;所述实测属性向量为记录用户实施相应行为时的多个实测环境参数的向量;
根据所述预测属性向量和实测属性向量计算第i个时间周期的属性相关参数;
根据第i个时间周期的属性相关参数计算第i个时间周期中该种行为的权重。
7.根据权利要求6所述的用户行为监测方法,其特征在于,所述根据第i个时间周期的属性相关参数计算第i个时间周期中该种行为的权重的过程包括:
分别获取各个时间周期中该种行为的属性相关参数;
根据所述权重计算公式计算第i个时间周期中该种行为的权重;其中,所述权重计算公式为:
式中,ωi表示第i个时间周期中该种行为的权重,ri表示第i个时间周期中该种行为的属性相关参数,rk表示第k个时间周期中该种行为的属性相关参数,n表示设定时段内的时间周期数。
8.一种用户行为监测系统,其特征在于,包括:
第一获取模块,用于获取用户当前行为对应的实时加速度,根据所述实时加速度识别行为类型,并获取用户实施该次行为的实施时间段;
判断模块,用于判断所述实施时间段是否属于该用户实施该种行为的行为置信区间;其中,所述行为置信区间为记录一个时间周期内用户实施一种行为的时间区间;
判定模块,用于若否,则判定用户当前行为异常。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任意一项所述用户行为监测方法。
10.一种计算机存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至7任意一项所述用户行为监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810897892.8A CN109272432B (zh) | 2018-08-08 | 2018-08-08 | 用户行为监测方法和系统、计算机设备、计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810897892.8A CN109272432B (zh) | 2018-08-08 | 2018-08-08 | 用户行为监测方法和系统、计算机设备、计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109272432A true CN109272432A (zh) | 2019-01-25 |
CN109272432B CN109272432B (zh) | 2020-11-13 |
Family
ID=65153218
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810897892.8A Active CN109272432B (zh) | 2018-08-08 | 2018-08-08 | 用户行为监测方法和系统、计算机设备、计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109272432B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010068574A1 (en) * | 2008-12-12 | 2010-06-17 | Immersion Corporation | Method and apparatus for providing a haptic monitoring system using multiple sensors |
CN102014031A (zh) * | 2010-12-31 | 2011-04-13 | 湖南神州祥网科技有限公司 | 一种网络流量异常检测方法及系统 |
CN103282258A (zh) * | 2011-01-06 | 2013-09-04 | 阿奎亚企业株式会社 | 移动过程预测系统及计算机程序 |
CN103530978A (zh) * | 2013-10-18 | 2014-01-22 | 南京大学 | 一种面向特殊人群的危险感知与报警系统 |
CN104269025A (zh) * | 2014-09-29 | 2015-01-07 | 南京信息工程大学 | 面向户外摔倒监测的穿戴式单节点特征及位置选取方法 |
CN104318138A (zh) * | 2014-09-30 | 2015-01-28 | 杭州同盾科技有限公司 | 一种验证用户身份的方法和装置 |
CN104462445A (zh) * | 2014-12-15 | 2015-03-25 | 北京国双科技有限公司 | 网页访问数据的处理方法和装置 |
CN105574471A (zh) * | 2014-10-10 | 2016-05-11 | 中国移动通信集团公司 | 用户行为数据的上传方法、用户行为的识别方法及装置 |
-
2018
- 2018-08-08 CN CN201810897892.8A patent/CN109272432B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010068574A1 (en) * | 2008-12-12 | 2010-06-17 | Immersion Corporation | Method and apparatus for providing a haptic monitoring system using multiple sensors |
CN102014031A (zh) * | 2010-12-31 | 2011-04-13 | 湖南神州祥网科技有限公司 | 一种网络流量异常检测方法及系统 |
CN103282258A (zh) * | 2011-01-06 | 2013-09-04 | 阿奎亚企业株式会社 | 移动过程预测系统及计算机程序 |
CN103530978A (zh) * | 2013-10-18 | 2014-01-22 | 南京大学 | 一种面向特殊人群的危险感知与报警系统 |
CN104269025A (zh) * | 2014-09-29 | 2015-01-07 | 南京信息工程大学 | 面向户外摔倒监测的穿戴式单节点特征及位置选取方法 |
CN104318138A (zh) * | 2014-09-30 | 2015-01-28 | 杭州同盾科技有限公司 | 一种验证用户身份的方法和装置 |
CN105574471A (zh) * | 2014-10-10 | 2016-05-11 | 中国移动通信集团公司 | 用户行为数据的上传方法、用户行为的识别方法及装置 |
CN104462445A (zh) * | 2014-12-15 | 2015-03-25 | 北京国双科技有限公司 | 网页访问数据的处理方法和装置 |
Non-Patent Citations (1)
Title |
---|
黄国俊: ""基于行程时间预测的城市公交导航服务系统及其关键技"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN109272432B (zh) | 2020-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110674019B (zh) | 一种预测系统故障的方法、装置及电子设备 | |
CN109960395B (zh) | 资源调度方法和计算机设备 | |
CN106293914B (zh) | 一种任务调度的方法及终端 | |
CN106062661A (zh) | 用于常开常听的语音识别系统的位置感知功率管理方案 | |
CN107885545B (zh) | 应用管理方法、装置、存储介质及电子设备 | |
JP2017174375A (ja) | リスク早期警報方法、および装置 | |
CN107548568A (zh) | 用于设备功能的场境发现的系统和方法 | |
CN111538852B (zh) | 多媒体资源处理方法、装置、存储介质及设备 | |
CN109992473A (zh) | 应用系统的监控方法、装置、设备及存储介质 | |
CN107729081A (zh) | 应用管理方法、装置、存储介质及电子设备 | |
WO2012059836A1 (en) | Method and apparatus for building a user behavior model | |
CN104809054B (zh) | 实现程序测试的方法和系统 | |
CN107943570B (zh) | 应用管理方法、装置、存储介质及电子设备 | |
CN110363654A (zh) | 一种优惠信息推送方法、装置和电子设备 | |
CN107832848B (zh) | 应用管理方法、装置、存储介质及电子设备 | |
CN104112056B (zh) | 数据处理的故障检测方法和系统 | |
CN112016701A (zh) | 一种融合时序和属性行为的异常变化检测方法及系统 | |
CN109272432A (zh) | 用户行为监测方法和系统、计算机设备、计算机存储介质 | |
CN106815765A (zh) | 一种资产分配方法和设备 | |
CN111797867A (zh) | 系统资源优化方法、装置、存储介质及电子设备 | |
CN107870791B (zh) | 应用管理方法、装置、存储介质及电子设备 | |
CN113439263A (zh) | 应用清理方法、装置、存储介质及电子设备 | |
CN115641198A (zh) | 用户运营方法、装置、电子设备和存储介质 | |
CN115187364A (zh) | 银行分布式场景下保证金风险监控的方法及装置 | |
CN112199781A (zh) | 船舶主机控制系统偶发性故障检测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |