CN109447324A - 行为活动预测方法、装置、设备及情绪预测方法 - Google Patents

Abstract

行为活动预测方法、装置、设备及情绪预测方法。本发明公开了一种基于机器学习的行为活动预测方法，包括步骤：获取第一预设时间内行为活动特征数据，得到第一训练样本集；根据第一训练样本集对行为活动预测模型进行训练，得到训练后的第一行为活动预测模型；获取用于预测的特征值，得到第一预测样本集；根据第一预测样本集和训练后的第一行为活动预测模型，进行行为活动预测。通过采集用户的行为活动数据，通过行为活动预测模型来预测用户当前的活动类型，预测过程无需用户参与，使用方便，操作更人性化。

Description

行为活动预测方法、装置、设备及情绪预测方法

技术领域

本发明涉及可穿戴设备领域，尤其是一种行为活动预测方法、装置、设备及情绪预测方法。

背景技术

近年来，可穿戴设备发展迅速，通过可穿戴设备采集人体数据进行智能分析是一大热点，由于人们在不同活动状态的情况下，例如工作、运动、饮食等，不同状态下采集的活动数据是不同的，因此需要在明确活动类型后进行数据采集，但是现有的活动类型分析都是靠用户自己进行活动类型设置或者根据提示进行选择，操作不方便，且交互过程需要用户参与，使用缺乏人性化，因此需要提出一种直接对传感器数据进行分析，来预测用户当前的活动类型的方法。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的一个目的是提供一种直接对传感器数据进行分析，来预测用户当前的活动类型的行为活动预测方法、装置、设备及情绪预测方法。

本发明所采用的技术方案是：

一种基于机器学习的行为活动预测方法，包括步骤：

S11：获取第一预设时间内行为活动特征数据，得到第一训练样本集；

S12：根据所述第一训练样本集对行为活动预测模型进行训练，得到训练后的第一行为活动预测模型；

S13：获取用于预测的特征值，得到第一预测样本集；

S14：根据所述第一预测样本集和所述训练后的第一行为活动预测模型，进行行为活动预测。

进一步地，步骤S11中行为活动特征数据包括时间特征、加速度特征和位置特征；

所述时间特征指活动的时间段处于一天24小时的哪个时间段，为一个24维特征，特征值为0或1；

所述加速度特征指活动的时间段中传感器的各轴加速度值的时域特征和频域特征；

所述位置特征指活动的时间段中活动时长最长的位置所在的经纬度。

进一步地，步骤S12中行为活动预测模型为2分类模型，具体为根据活动类型个数建立与所述活动类型个数对应的多个2分类模型；

所述2分类模型中定义一类活动为正类，其余活动为负类；

所述活动类型包括：通勤和/或饮食和/或教育和/或家庭和/或自我保养和/或专业服务和/或购物和/或社交休闲和/或运动和/或工作。

进一步地，步骤S12中根据所述第一训练样本集对行为活动预测模型进行训练，得到训练后的第一行为活动预测模型，所述训练过程通过逻辑回归模型进行活动预测模型的训练，所述逻辑回归模型为：

其中，n表示的特征值个数，h为正类活动类型的概率，ω_i为第i个特征值对应的权值参数，x_i为第i个特征值；

通过最小化加了惩罚项的损失函数来确定所述权值参数，所述损失函数具体为：

其中，num为样本数量，ω为权值参数，x⁽ⁱ⁾是第i个样本的特征向量，y⁽ⁱ⁾是第i个样本的目标量，取值包括1和-1，正类为1，负类为-1，α为惩罚因子，采用梯度下降法进行求解；

所述活动预测模型的训练过程具体为：

获取α的不同取值；

在每一个α的取值情况下，采用交叉验证的策略，即得到多个准确度评价指标值，获取平均值作为当前α的准确度评价指标；

对比α所有取值情况下的准确度评价指标值，选择准确度评价指标值最高的对应的α值，并采用第一训练样本集作为训练样本，训练2分类模型得到近似最优2分类模型；

所述准确度评价指标指预测对的样本数占总样本的比例。

进一步地，步骤S14中所述的进行行为活动预测为：根据多个近似最优2分类模型预测不同活动类型，并计算不同活动类型对应的次数和活动时长，具体为：

采集预测时间内的传感器信号构成预测样本，将预测样本分别输入所述多个近似最优2分类模型中，得到在每个模型中的活动类型概率，选择概率最大的活动类型作为预测时间内的活动类型，相应的记录活动时长。

另一方面，本发明还提供一种基于机器学习的行为活动预测装置，包括：

特征值获取模块，用于获取第一预设时间内行为活动特征数据，得到第一训练样本集；

训练模块，用于根据所述第一训练样本集对行为活动预测模型进行训练，得到训练后的第一行为活动预测模型；

预测样本获取模块，用于获取用于预测的特征值，得到第一预测样本集；

行为活动预测模块，用于根据所述第一预测样本集和所述训练后的第一行为活动预测模型，进行行为活动预测。

另一方面，本发明还提供一种基于机器学习的行为活动预测设备，包括：可穿戴设备、智能终端和云服务器；

所述可穿戴设备，用于采集行为活动特征数据；

所述智能终端，用于收集可穿戴设备采集的活动特征数据，发送给云服务器和/或接收云服务器发送的训练后的预测模型进行行为活动预测；

所述云服务器，用于接收智能终端发送的用于训练的活动特征数据执行如权利要求1至5任一项所述的基于机器学习的行为活动预测方法进行行为活动预测模型训练，并根据训练后的预测模型进行行为活动预测或将训练后的预测模型发送给智能终端进行行为活动预测。

另一方面，本发明还提供一种情绪预测方法，包括步骤：

S21：获取第一预设时间内的特征值，得到第一情绪训练样本集；

S22：根据所述第一情绪训练样本集对情绪预测模型进行训练，得到训练后的第一情绪预测模型；

S23：获取用于预测的特征值，得到第一情绪预测样本集；

S24：根据所述第一情绪预测样本集和所述训练后的第一情绪预测模型，进行情绪预测；

所述S21中，特征值包括：活动特征值；

所述活动特征值根据权利要求1至5任一种所述的基于机器学习的行为活动预测方法获得。

进一步地，所述特征值包括mood值特征，所述mood值特征具体为：

获取第一单位时间内emotion类型参数和每个emotion的持续时间参数；

对每个emotion参数值进行量化加权得到该单位时间内的mood值；

所述emotion参数包括高兴参数、兴奋参数、紧张参数、愤怒参数、悲伤参数、郁闷参数、困倦参数和放松参数；

所述mood值是一个二维特征值，所述二维特征值的第一维特征表示情绪极性，包括消极参数和积极参数，第二维特征表示情绪极性的程度参数。

进一步地，所述量化加权具体为：

其中，ne表示第一单位时间内的emotion参数的个数，Tmood是第一单位时间内的mood值，e_i是第一单位时间内的第i个emotion参数值，t_i是第i个emotion持续的时间。

进一步地，步骤S22中根据所述第一情绪训练样本集对情绪预测模型进行训练，所述情绪预测模型具体为：

其中，m表示的特征值个数，y_mood为预测的mood情绪，为二维参数，ω_i为第i个特征值对应的权值参数，x_i为第i个特征值；

所述情绪预测模型包括一般化情绪预测模型和/或个性化情绪预测模型；

对应的，所述步骤S21中的第一情绪训练样本集包括多个用户第一情绪训练样本集和/或单个用户第一情绪训练样本集。

进一步地，步骤S22中根据所述第一情绪训练样本集对情绪预测模型进行训练，所述训练过程通过岭回归模型进行训练，所述岭回归模型为：

其中，X是第一情绪训练样本集中所有参与训练的特征值构成的特征矩阵，Y是目标值矩阵，即预测的mood情绪y_mood组成的二维矩阵，α为惩罚因子，ω为权值参数，采用梯度下降法进行求解；

所述训练过程具体为：

获取α的不同取值；

在每一个α的取值情况下，采用交叉验证的策略，即得到多个评价指标值MSE，获取MSE的平均值作为当前α的值对应的MSE值；

对比α所有取值情况下的MSE，选择最小的MSE对应的α值，并采用第一情绪训练样本集作为训练样本，训练预测模型得到第一近似最优情绪预测模型；

所述评价指标值MSE为均方误差，具体为：

其中，num为第一情绪训练样本集样本数量，true_i为真实值，pred_i为预测值。

进一步地，所述第一预测样本集指对所述特征值通过序列前向选择法进行特征筛选后的特征值组成的样本构成的预测样本集，所述特征筛选过程具体为：

定义一个空的特征集合X；

分别对每一维特征进行训练，选出使模型近似最优时对应的这一维特征加入特征集合X中；

然后将剩余的特征依次加入特征集合X中，进行训练，选出使模型近似最优时对应的特征加入特征集合X中；

以此类推，直到加入任何一维剩余的特征，模型的MSE都会增加为止；

获得最终的特征集合X作为用于预测的特征集合。

进一步地，所述情绪预测过程具体为：

根据所述用于预测的特征集合X，获取第一预测样本集；

将第一预测样本集输入到第一近似最优情绪预测模型得到预测的mood值；

将预测的mood的二维特征值转化为一维的mood状态输出。

本发明的有益效果是：

本发明通过获取行为活动特征数据，得到训练样本集，根据训练样本集对行为活动预测模型进行训练，得到训练后的行为活动预测模型，并获取用于预测的特征值，得到预测样本集，最后根据预测样本集和训练后的行为活动预测模型，进行行为活动预测，通过采集用户的行为活动数据，通过行为活动预测模型来预测用户当前的活动类型，预测过程无需用户参与，使用方便，操作更人性化。本发明的行为活动预测方法还适用于情绪预测。

本发明可广泛应用于可穿戴设备领域。

附图说明

图1是本发明一种实施方式的基于机器学习的行为活动预测方法基本流程图；

图2是一种emotion参数模型；

图3是本发明一种实施方式的情绪预测方法基本流程图；

图4是本发明一种实施方式的情绪预测方法具体流程图；

图5是本发明一种实施方式的基于机器学习的行为活动预测装置结构框图；

图6是本发明一种实施方式的基于机器学习的行为活动预测设备结构框图。

具体实施方式

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

实施例一：

如图1所示为本实施例的基于机器学习的行为活动预测方法基本流程图，包括步骤：S11：获取第一预设时间内行为活动特征数据，得到第一训练样本集；S12：根据第一训练样本集对行为活动预测模型进行训练，得到训练后的第一行为活动预测模型；S13：获取用于预测的特征值，得到第一预测样本集；S14：根据第一预测样本集和训练后的第一行为活动预测模型，进行行为活动预测。

步骤S11中行为活动特征数据是采集加速度传感器以及GPS信号，其中行为活动特征数据包括时间特征、加速度特征和位置特征，，时间特征指活动的时间段处于一天24小时的哪个时间段，为一个24维特征，特征值为0或1；加速度特征指活动的时间段中传感器的各轴加速度值的时域特征和频域特征；位置特征指活动的时间段中活动时长最长的位置所在的经纬度。

在本实施例中，假设活动特征预测的目标量是20分钟的活动类型，而相应的活动特征数据包括时间特征、加速度特征和位置特征，其中1)时间特征指：这20分钟在一天24小时中的哪个时间段，是一个24维的特征，其每一个特征值要么是0要么是1，比如这20分钟的活动是在10:00到11:00之间，那么这个24为特征的第11维数值为1，其他维数值均为0；2)加速度特征指：这20分钟内采集设备的各轴加速度值的时域特征和频域特征，比如时域特征的平均值、方差等，频域特征的主频、傅里叶分析等；3)位置特征指：这个20分钟内活动时长最长的位置所在的经纬度。

在本实施例中，对30个用户进行为期60天的数据采集，即可训练出两种模型，一种为一般化模型，即用30个用户60天的数据训练出的模型，另一种是个性化模型，即用每个用户60天的数据，为每个用户训练出一个个性化模型，两者的训练过程一样，只是参与训练的训练样本集不同。例如收集了前3天的每个行为活动开始的时间点和持续时间、加速度传感器以及GPS信号，每20分钟提取一个样本，即可以提取大量样本构成训练样本集，可以直接训练活动预测的个性化模型。

本实施例中活动类型包括：通勤和/或饮食和/或教育和/或家庭和/或自我保养和/或专业服务和/或购物和/或社交休闲和/或运动和/或工作，行为活动预测模型为2分类模型，具体为根据活动类型个数建立与所述活动类型个数对应的多个2分类模型，2分类模型中定义一类活动为正类，其余活动为负类。

通过逻辑回归模型进行活动预测模型的训练，所述逻辑回归模型为：

其中，n表示的特征值个数，h为正类活动类型的概率，ω_i为第i个特征值对应的权值参数，x_i为第i个特征值；

通过最小化加了惩罚项的损失函数来确定所述权值参数，所述损失函数具体为：

其中，num为样本数量，ω为权值参数，x⁽ⁱ⁾是第i个样本的特征向量，y⁽ⁱ⁾是第i个样本的目标量，取值包括1和-1，正类为1，负类为-1，α为惩罚因子，用于防止过拟合，α越大，越不容易过拟合，采用梯度下降法进行求解；

根据活动类型个数建立与所述活动类型个数对应的多个2分类模型，2分类模型指：定义一类活动为正类，其余活动为负类，对每一个2分类模型进行活动预测模型训练过程。

活动预测模型的训练过程具体为：将第一训练样本集平均分成多份，将每一份样本都做一次验证集，将剩余的样本集作为训练集，构成多组训练集和验证集；获取α的不同取值；在每一个α的取值情况下，采用交叉验证的策略，即得到多个准确度评价指标值，获取平均值作为当前α的准确度评价指标；对比α所有取值情况下的准确度评价指标值，选择准确度评价指标值最高的对应的α值，并采用第一训练样本集作为训练样本，训练2分类模型得到近似最优2分类模型，准确度评价指标指预测对的样本数占总样本的比例。

在本实施例中，取第一预设时间t＝3天，以10个活动类型为例，包括：通勤、饮食、教育、家庭、自我保养、专业服务、购物、社交休闲、运动和工作，建立2分类模型时，分别取其中一类活动为正类，其余的活动为负类，共训练出10个2分类模型，每个模型的训练过程与实施例一中训练情绪预测模型的方法一致，采用交叉验证的策略，即将原始的训练样本集分成训练集和验证集，这里将训练样本分成均等的10份，然后其中每一份都做一次验证集，剩下的9份作为训练集，这样构成10组训练集和验证集，采用准确率评价指标，即预测对的样本占总样本的比例，通过交叉验证策略，选出准确率最高的那组对应的α，如α＝0.1，接下来在α＝0.1的基础上，以原始的训练样本集作为训练样本，训练出的模型作为t＝3下近似最优行为活动预测模型。

得到训练后的行为活动预测模型后，即进行行为活动过程预测，本实施例中，根据已有的训练集，得到1个一般化模型和30个个性化模型，如果要预测的是新用户，则采用一般化模型，而如果是对这30个人进行预测，那么就采用对应的个性化模型进行预测，两者预测的过程是一样的。

根据第一预设时间t，采集加速度传感器以及GPS信号，提取出每20分钟的时间特征、加速度特征以及位置特征，构成第一预测样本。由于训练阶段得到了10个活动的二分类模型，将预测样本分别输入到这10个行为活动预测模型中，选出其中概率最大的类别作为这20分钟的活动类型，例如训练出的10个二分类模型表示为：活动a与非活动a、获得b与非活动b等，将预测样本，输入到这10个模型中，即可得到是活动a、活动b、活动c等分别的概率，选出概率最大的那个，假设最大概率的是活动c，那么这个预测样本的活动类型就是活动c，这样就可以得到每20分钟的活动类型，进而计算得到每个活动开始时间以及持续时长。

实施例二：

由于实施例二是一种针对mood情绪预测的方法，因此下面详细介绍emotion参数和mood值之间的关系。

首先，mood情绪只有两种，积极和消极，每一种都会有不同的程度，如非常积极、一般积极等，但是mood无法通过表情展现出来，有可能通过人的一些行为动作展现出来，mood可能包含多种emotion，而emotion中有非常强烈的积极情绪如兴奋、一般强烈的积极情绪如高兴，类似的还有不同程度的消极情绪，因此可以将一段时间的所有emotion的加权平均作为这一段时间的mood值，这里权重是每一种emotion参数的持续时间，这样mood量化的问题就转化为emotion的量化问题，目前，常见的emotion参数模型为如图1所示的二维度的环形模型。

如图2所示，该模型主要描述emotion的主观感受，而非认知过程、生理变化和行为。它有两个维度，愉悦度和觉醒度，其中愉悦度是指人感受到愉悦的程度，觉醒度指人感受到觉醒的程度，每个emotion都在这个坐标系中，将相近的emotion进行合并，再从中选出一个有代表性的emotion，进而得出了八种emotion，即高兴参数(高愉悦度，无觉醒度)，兴奋参数(高愉悦度，高觉醒度)，紧张参数(无愉悦度，高觉醒度)，愤怒参数(低愉悦度，高觉醒度)，悲伤参数(低愉悦度，无觉醒度)，郁闷参数(低愉悦度，低觉醒度)，困倦参数(无愉悦度，低觉醒度)，放松参数(高愉悦度，低觉醒度)，而它们在坐标系上的位置分别是(1,0)、(1,1)、(0,1)、(-1,1)、(-1,0)、(-1,-1)、(0,-1)、(1,-1)，这个坐标可以任意取，只要能表达出它的位置就可以，取1为了方便计算，这只是表达了emotion的坐标，但没有体现出每个emotion的极性，即积极还是消极，以及积极或消极的程度，但从图2中可以看出，以纵轴为界，左边为消极情绪，右边为积极情绪，并且两边都是越靠上程度越高，所以从坐标上来讲，横坐标可以代表极性，纵坐标则代表程度。这里有两个特殊的点，就是纵轴上的点，紧张(0,1)和困倦(0,-1)，它们横坐标为0，可以认为它是个不定的emotion状态，即它既可以是积极的也可以是消极的，为了方便理解，认为它是中性emotion参数，中性emotion参数是没有极性的，也不存在程度，所以只要横坐标是0，那么就忽略它的纵坐标，只认为是中性emotion，这样emotion的极性和程度就都有了，将emotion的坐标作为它的量化值，如下表1所示：

表1emotion的量化值

而emotion参数信息的收集可以由用户本人记录，记录的方式是通过可与用户交互的智能设备如手机，可穿戴设备如手表、手环等，利用运行在设备上面的程序，每隔一段时间提醒用户在相应的界面上选择emotion类型参数和持续时间参数，界面上emotion的类型参数可以是上述的8种，也可以加入上表中相似的emotion类型参数，如果用户想输入的emotion参数不在上表中，则可提醒用户根据自身的感受选择上表中最为相似的emotion参数，这样保证用户输入的每一个emotion参数都有一个对应的emotion参数值。

有了emotion的量化值，那么一段时间内的mood值可以由这段时间所有emotion参数值来表示，其中mood值是一个二维特征值，第一维特征表示情绪极性，包括消极和积极，第二维特征表示情绪极性的程度，量化过程具体步骤为：

获取第一单位时间内emotion类型参数和每个emotion的持续时间；

对每个emotion参数值进行量化加权得到第一预测时间内的mood值具体为；

其中，ne表示第一单位时间内的emotion参数的个数，Tmood是第一单位时间内的mood值，e_i是第一单位时间内的第i个emotion参数值，t_i是第i个emotion持续的时间。

将实施例一中描述的行为活动预测方法应用在实施例二的情绪预测方法中，基本流程如图3所示，包括步骤：S21：获取第一预设时间内特征值，得到第一情绪训练样本集；S22：根据第一情绪训练样本集对情绪预测模型进行训练，得到训练后的第一情绪预测模型；S23：获取用于预测的特征值，得到第一情绪预测样本集；S24：根据所述第一情绪预测样本集和所述训练后的第一情绪预测模型，进行情绪预测。

由于要预测接下来一段时间的mood值，它可能跟之前的一些行为活动有关，假设预测下一天的mood值，则需要采集的特征就是当天或者当天加前几天的行为活动数据，步骤S21中，需要采集的特征值包括：活动特征值，还包括手机使用特征值、环境特征值和用户信息特征值。

其中活动特征值根据实施例一中的基于机器学习的行为活动预测方法获得，活动特征包括不同活动类型的次数和对应的活动时长，活动类型分为十大类包括通勤、饮食、教育、家庭、个人护理、专业服务、购物、社交休闲、运动和工作，而每一类都有具体的活动，如下表2所示。

表2每一类活动类型对应的具体活动

手机使用特征包括通话次数、相应的通话时长、短信次数、相应的短信字数、邮件次数、相应的邮件字数、使用最频繁的十个APP的使用次数、相应的使用最频繁的十个APP的使用时长、不同APP类型的使用次数、不同APP类型的使用时长和Web主页访问次数。

环境特征包括：最频繁的位置的访问次数、温度、湿度和星期。

用户信息特征包括：年龄、性别和最近两天的mood值。

获取上述特征值可以通过与用户交互的设备如手机、可穿戴设备等进行收集，其中活动特征数据根据预测方法得到，而手机使用情况的获取则是在经过用户授权的情况下，通过在手机上运行相应程序对手机一段时间的使用情况进行收集，因为涉及到用户隐私，需要会作加密处理，环境特征值可以通过手机应用程序获取或者可穿戴设备直接获得。

如图4所示，为本实施例中对情绪预测方法具体流程图，具体包括训练阶段和预测阶段。

训练阶段包括步骤：

S31：确定要预测的mood的时间周期T.

确定要预测的mood的时间周期T，即要预测多长时间的mood，时间周期T可以为1天或者几个小时等，当T一旦确定，则无论是训练阶段还是预测阶段都是不变的。在本实施例中，取T为1天，也就是要预测未来一天的mood值。

S32：记录时间周期内emotion的类型和每个emotion的持续时间，并计算该时间周期内的mood值。

由于睡眠期间不会有emotion的值，所以只记录白天醒着时间的emotion参数值，假设用户晚上10点睡，早上6点醒，在本实施例中，一天中分别在9:00、12:00、15:00、18:00和21:00进行记录。记录的方式是通过运行在手机上的应用程序提供的交互页面，提醒用户输入自己在前三小时的一个emotion状态，而每一个emotion持续的时间就是3小时，然后根据mood的量化公式，根据emotion参数值得到这一天的mood值。

S33：记录时间周期T的起始时间之前一段时间t内的手机使用特征、活动特征、环境特征和用户信息特征。

起始时间之前一段时间t一般会先给出一个初始值，在本实施例中，初始的t设为3天，即确定这一天的mood值后，再提取这一天之前3天的数据，实际上，每天都会记录数据，因此只需要按照不同的时间段t提取数据即可，活动类型及活动时间的记录是通过运行在手机上的应用程序提供的交互页面提醒用户每隔3小时输入一次自己当前或之前的活动状态，包括活动的类型和活动开始和结束时间，而手机使用的信息是通过在手机上运行的程序收集每一天手机使用情况，本实施例中可能会用到的特征如下表3所示。

表3实施例一中用到的特征值

S34：根据活动特征数据训练行为活动预测模型。

S35：提取出特征值构成训练用第一情绪训练样本集。

根据上表3列出的特征量，本实施例中提取出来的可能和mood有关的157维特征值，将这些特征值和步骤S32中计算出来的mood值构成一个训练样本，以x1～x157、y1和y2表示157维特征量和mood值的第一维和第二维数值，即该样本为(y1,y2,x1,x2,…,x157)。

S36：利用岭回归模型对情绪预测模型进行训练，得到训练后的情绪预测模型。

由于mood的二维数值都是连续值，因此采用回归模型建立mood的情绪预测模型，具体为：

其中，m表示的特征值个数，y_mood为预测的mood情绪，为二维参数，ω_i为第i个特征值对应的权值参数，x_i为第i个特征值。

情绪预测模型包括一般化情绪预测模型和/或个性化情绪预测模型，即第一情绪训练样本集包括多个用户第一情绪训练样本集和/或单个用户第一情绪训练样本集。在本实施例中，对30个用户进行为期60天的数据采集，即可训练出两种模型，一种为一般化模型，即用30个用户60天的数据训练出的模型，另一种是个性化模型，即用每个用户60天的数据，为每个用户训练出一个个性化模型，两者的训练过程一样，只是参与训练的情绪训练样本集不同，具体的训练过程如下所述。

为了确定预测模型中的权值参数ω和超参数α，因为不同的α求解出来的ω也是不同的，通过岭回归模型进行训练，岭回归模型为：

其中，X是第一情绪训练样本集中所有参与训练的特征值构成的特征矩阵，Y是目标值矩阵，即预测的mood情绪y_mood组成的二维矩阵，α为惩罚因子，ω为权值参数，采用梯度下降法进行求解。

训练过程具体为：

获取α的不同取值，在每一个α的取值情况下，采用交叉验证的策略，即将第一情绪训练样本集再进一步分成训练集和验证集，其中训练集用于训练模型得到参数ω，然后验证集用于验证参数ω，得到多个评价指标值MSE，获取MSE的平均值作为当前α的值对应的MSE值，对比α所有取值情况下的MSE，选择最小的MSE对应的α值，并采用第一情绪训练样本集作为训练样本，训练预测模型得到第一近似最优情绪预测模型，评价指标值MSE为均方误差，具体为：

其中，num为第一情绪训练样本集样本数量，true_i为真实值，pred_i为预测值。

在本实施例中，α的取值可以为{0.001,0.01,0.1,1,5,10}，在每一个α值的情况下，将训练样本集分成多组训练集和验证集，在训练一般化模型时，以一个用户的数据作为验证集，剩余用户的数据的作为训练集；而在训练个性化模型时，以一个用户一天的数据作为验证集，其余天的数据作为训练集。这样每一个α值下，通过交叉验证都可以得到多个MSE值，取这些MSE值的平均值，作为这个α值下的MSE值。对比不同α值下的MSE值，选出最小MSE对应的那个α，如α＝0.1，接下来在α＝0.1的基础上，以第一情绪训练样本集作为训练样本，训练出的模型作为t＝3下近似最优情绪预测模型，以上所有训练样本计算参数ω时采用的方法都是梯度下降法。

也可以改变步骤S31中第一预设时间的值，重新进行训练，得到不同取值对应的近似最优情绪预测模型，比较不同第一预设时间取值时，近似最优情绪预测模型对应的MSE，选择最小的MSE对应的近似最优情绪预测模型优化的近似最优情绪预测模型。

在本实施例中第一预设时间t＝3，还可以再变换t的取值，如再取{1，2，4，5}，再重复进行步骤S34至S36，比较不同第一预设时间t值下，上述交叉验证后输出的MSE值，再选出其中最小的MSE对应的t值，如此时最小的MSE值对应的第一预设时间t＝2，就将第一预设时间t＝2时训练的近似最优情绪预测模型作为优化的近似最优情绪预测模型。

由于参与训练的特征数量太多，因此需要对特征进行精简，本实施例还包括对特征值通过序列前向选择法进行特征筛选，筛选后的特征值组成的样本构成的预测样本集，特征筛选过程具体为：

定义一个空的特征集合X，分别对每一维特征进行训练，选出使模型近似最优时对应的这一维特征加入特征集合X中，然后将剩余的特征依次加入特征集合X中，进行训练，选出使模型近似最优时对应的特征加入特征集合X中，以此类推，直到加入任何一维剩余的特征，模型的MSE都会增加为止，获得最终的特征集合X作为用于预测的特征集合。

在本实施例中具体为，假设有一个特征集合X，一开始为空集，先分别对上表3的20组特征的每一组特征进行训练，即执行上面步骤S34至S36，选出近似最优情绪预测模型对应的那组特征加入特征集合X，再将剩余的19组特征中的每一组特征分别加入到特征集合X中，以这些特征重新进行训练，选出使预测模型达到近似最优的那组特征加入到特征子集X中，以此类推，直到再加入任何一组剩下的特征训练的预测模型的MSE都会增加，这时特征集合X中的特征就是筛选出来的特征，比如{通话次数，通话时长，活动次数，活动时长，mood值}。

训练过程还包括根据最终的特征集合X中的特征，组成的精简的训练样本对情绪预测模型进行训练，获取进一步优化的近似最优情绪预测模型。

得到近似最优情绪预测模型之后就进入预测阶段。

本实施例中，根据已有的训练集，得到1个一般化模型和30个个性化模型，如果要预测的是新用户，则采用一般化模型，而如果是对这30个人进行预测，那么就采用对应的个性化模型进行预测，两者预测的过程是一样的。预测阶段包括步骤：

S41：记录时间周期T的起始时间之前一段时间t内的手机使用特征、活动特征、环境特征和用户信息特征，其中活动特征数据是收集加速度传感器及GPS信号获得。

S42：根据活动特征数据进行行为活动预测，与实施例一预测方法相同。

S43：根据行动预测模型提取出特征值，构成预测样本集进行行为活动预测；

本实施例中，行为活动类型、每个活动开始时间以及持续时长是通过已经训练好的行为活动预测模型进行预测。预测过程如下：根据近似最优情绪预测模型确定的第一预设时间t，例如t＝2，采集前2天的加速度传感器以及GPS信号，提取出每20分钟的时间特征、加速度特征以及位置特征，构成预测样本。由于训练阶段得到了10个活动的二分类模型，将预测样本分别输入到这10个行为活动预测模型中，选出其中概率最大的类别作为这20分钟的活动类型，例如训练出的10个二分类模型表示为：活动a与非活动a、获得b与非活动b等，将预测样本，输入到这10个模型中，即可得到是活动a、活动b、活动c等分别的概率，选出概率最大的那个，假设最大概率的是活动c，那么这个预测样本的活动类型就是活动c，这样就可以得到每20分钟的活动类型，进而得到每个活动开始时间以及持续时长。

S44：根据预测的行为活动特征和情绪预测模型需要的特征值构成预测样本集，输入训练阶段训练的情绪预测模型中；

S45：输出预测的情绪mood值，并将其转换为显示状态。

假设近似最优情绪预测模型的第一预设时间t＝2，则根据预测模型需要的精简过的特征，比如{通话次数，通话时长，活动次数，活动时长，mood值}，那么收集用户2天前通话次数、通话时长、活动次数、活动时长和mood值这些特征数据，构成预测样本。其中数据收集的方法和训练时一致，只不过筛选过程中筛选掉的数据不需要收集，将预测样本输入到近似最优情绪预测模型中得到预测的mood值，并将其转换为显示状态，其中转换过程指将二维的mood值转化为一维的mood状态，这个一维mood状态类似于情绪分，假设是[-10,10]时，当然10也可以是换成其他值，其中转化方法是：先根据mood值的第一维，确定情绪极性，即正数表示积极参数，负数表示消极参数，再根据mood值的第二维情绪极性的程度参数，即10表示程度最高，-10表示程度最低，并根据上面提到的转换方法显示状态。

实施例三：

如图5所示，为本发明还提供了一种基于机器学习的行为活动预测装置结构框图，包括：特征值获取模块，用于获取第一预设时间内行为活动特征数据，得到第一训练样本集；训练模块，用于根据第一训练样本集对行为活动预测模型进行训练，得到训练后的第一行为活动预测模型；预测样本获取模块，用于获取用于预测的特征值，得到第一预测样本集；行为活动预测模块，用于根据第一预测样本集和训练后的第一行为活动预测模型，进行行为活动预测。

实施例四：

如图6所示，本实施例的一种基于机器学习的行为活动预测设备结构框图，包括：可穿戴设备、智能终端和云服务器；

可穿戴设备，用于采集行为活动特征数据；

智能终端，用于收集可穿戴设备采集的活动特征数据，发送给云服务器和/或接收云服务器发送的训练后的预测模型进行行为活动预测；

云服务器，用于接收智能终端发送的用于训练的活动特征数据执行如上述基于机器学习的行为活动预测方法进行行为活动预测模型训练，并根据预测模型进行行为活动预测或将预测模型发送给智能终端进行行为活动预测

本发明通过获取行为活动特征数据，得到训练样本集，根据训练样本集对行为活动预测模型进行训练，得到训练后的行为活动预测模型，并获取用于预测的特征值，得到预测样本集，最后根据预测样本集和训练后的行为活动预测模型，进行行为活动预测，通过采集用户的行为活动数据，通过行为活动预测模型来预测用户当前的活动类型，预测过程无需用户参与，使用方便，操作更人性化。本发明可广泛应用于可穿戴设备领域。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (14)

1.一种基于机器学习的行为活动预测方法，其特征在于，包括步骤：

S11：获取第一预设时间内行为活动特征数据，得到第一训练样本集；

S12：根据所述第一训练样本集对行为活动预测模型进行训练，得到训练后的第一行为活动预测模型；

S13：获取用于预测的特征值，得到第一预测样本集；

S14：根据所述第一预测样本集和所述训练后的第一行为活动预测模型，进行行为活动预测。

2.根据权利要求1所述的一种基于机器学习的行为活动预测方法，其特征在于，步骤S11中行为活动特征数据包括时间特征、加速度特征和位置特征；

所述时间特征指活动的时间段处于一天24小时的哪个时间段，为一个24维特征，特征值为0或1；

所述加速度特征指活动的时间段中传感器的各轴加速度值的时域特征和频域特征；

所述位置特征指活动的时间段中活动时长最长的位置所在的经纬度。

3.根据权利要求1所述的一种基于机器学习的行为活动预测方法，其特征在于，步骤S12中行为活动预测模型为2分类模型，具体为根据活动类型个数建立与所述活动类型个数对应的多个2分类模型；

所述2分类模型中定义一类活动为正类，其余活动为负类；

所述活动类型包括：通勤和/或饮食和/或教育和/或家庭和/或自我保养和/或专业服务和/或购物和/或社交休闲和/或运动和/或工作。

4.根据权利要求3所述的一种基于机器学习的行为活动预测方法，其特征在于，步骤S12中根据所述第一训练样本集对行为活动预测模型进行训练，得到训练后的第一行为活动预测模型，所述训练过程通过逻辑回归模型进行活动预测模型的训练，所述逻辑回归模型为：

其中，n表示的特征值个数，h为正类活动类型的概率，ω_i为第i个特征值对应的权值参数，x_i为第i个特征值；

通过最小化加了惩罚项的损失函数来确定所述权值参数，所述损失函数具体为：

其中，num为样本数量，ω为权值参数，x⁽ⁱ⁾是第i个样本的特征向量，y⁽ⁱ⁾是第i个样本的目标量，取值包括1和-1，正类为1，负类为-1，α为惩罚因子，采用梯度下降法进行求解；

所述活动预测模型的训练过程具体为：

获取α的不同取值；

在每一个α的取值情况下，采用交叉验证的策略，即得到多个准确度评价指标值，获取平均值作为当前α的准确度评价指标；

对比α所有取值情况下的准确度评价指标值，选择准确度评价指标值最高的对应的α值，并采用第一训练样本集作为训练样本，训练2分类模型得到近似最优2分类模型；

所述准确度评价指标指预测对的样本数占总样本的比例。

5.根据权利要求4所述的一种基于机器学习的行为活动预测方法，其特征在于，步骤S14中所述的进行行为活动预测为：根据多个近似最优2分类模型预测不同活动类型，并计算不同活动类型对应的次数和活动时长，具体为：

采集预测时间内的传感器信号构成预测样本，将预测样本分别输入所述多个近似最优2分类模型中，得到在每个模型中的活动类型概率，选择概率最大的活动类型作为预测时间内的活动类型，相应的记录活动时长。

6.一种基于机器学习的行为活动预测装置，其特征在于，包括：

特征值获取模块，用于获取第一预设时间内行为活动特征数据，得到第一训练样本集；

训练模块，用于根据所述第一训练样本集对行为活动预测模型进行训练，得到训练后的第一行为活动预测模型；

预测样本获取模块，用于获取用于预测的特征值，得到第一预测样本集；

行为活动预测模块，用于根据所述第一预测样本集和所述训练后的第一行为活动预测模型，进行行为活动预测。

7.一种基于机器学习的行为活动预测设备，其特征在于，包括：可穿戴设备、智能终端和云服务器；

所述可穿戴设备，用于采集行为活动特征数据；

所述智能终端，用于收集可穿戴设备采集的活动特征数据，发送给云服务器和/或接收云服务器发送的训练后的预测模型进行行为活动预测；

所述云服务器，用于接收智能终端发送的用于训练的活动特征数据执行如权利要求1至5任一项所述的基于机器学习的行为活动预测方法进行行为活动预测模型训练，并根据训练后的预测模型进行行为活动预测或将训练后的预测模型发送给智能终端进行行为活动预测。

8.一种情绪预测方法，其特征在于，包括步骤：

S21：获取第一预设时间内特征值，得到第一情绪训练样本集；

S22：根据所述第一情绪训练样本集对情绪预测模型进行训练，得到训练后的第一情绪预测模型；

S23：获取用于预测的特征值，得到第一情绪预测样本集；

S24：根据所述第一情绪预测样本集和所述训练后的第一情绪预测模型，进行情绪预测；

所述S21中，特征值包括：活动特征值；

所述活动特征值根据权利要求1至5任一种所述的基于机器学习的行为活动预测方法获得。

9.根据权利要求8所述的一种情绪预测方法，其特征在于，所述特征值包括mood值特征，所述mood值特征具体为：

获取第一单位时间内emotion类型参数和每个emotion的持续时间参数；

对每个emotion参数值进行量化加权得到该单位时间内的mood值；

所述emotion参数包括高兴参数、兴奋参数、紧张参数、愤怒参数、悲伤参数、郁闷参数、困倦参数和放松参数；

所述mood值是一个二维特征值，所述二维特征值的第一维特征表示情绪极性，包括消极参数和积极参数，第二维特征表示情绪极性的程度参数。

10.根据权利要求9所述的一种情绪预测方法，其特征在于，所述量化加权具体为：

其中，ne表示第一单位时间内的emotion参数的个数，Tmood是第一单位时间内的mood值，e_i是第一单位时间内的第i个emotion参数值，t_i是第i个emotion持续的时间。

11.根据权利要求10所述的一种情绪预测方法，其特征在于，步骤S22中根据所述第一情绪训练样本集对情绪预测模型进行训练，所述情绪预测模型具体为：

其中，m表示的特征值个数，y_mood为预测的mood情绪，为二维参数，ω_i为第i个特征值对应的权值参数，x_i为第i个特征值；

所述情绪预测模型包括一般化情绪预测模型和/或个性化情绪预测模型；

对应的，所述步骤S21中的第一情绪训练样本集包括多个用户第一情绪训练样本集和/或单个用户第一情绪训练样本集。

12.根据权利要求11所述的一种情绪预测方法，其特征在于，步骤S22中根据所述第一情绪训练样本集对情绪预测模型进行训练，所述训练过程通过岭回归模型进行训练，所述岭回归模型为：

其中，X是第一情绪训练样本集中所有参与训练的特征值构成的特征矩阵，Y是目标值矩阵，即预测的mood情绪y_mood组成的二维矩阵，α为惩罚因子，ω为权值参数，采用梯度下降法进行求解；

所述训练过程具体为：

获取α的不同取值；

在每一个α的取值情况下，采用交叉验证的策略，即得到多个评价指标值MSE，获取MSE的平均值作为当前α的值对应的MSE值；

对比α所有取值情况下的MSE，选择最小的MSE对应的α值，并采用第一情绪训练样本集作为训练样本，训练预测模型得到第一近似最优情绪预测模型；

所述评价指标值MSE为均方误差，具体为：

其中，num为第一情绪训练样本集样本数量，true_i为真实值，pred_i为预测值。

13.根据权利要求12所述的一种情绪预测方法，其特征在于，所述第一预测样本集指对所述特征值通过序列前向选择法进行特征筛选后的特征值组成的样本构成的预测样本集，所述特征筛选过程具体为：

定义一个空的特征集合X；

分别对每一维特征进行训练，选出使模型近似最优时对应的这一维特征加入特征集合X中；

然后将剩余的特征依次加入特征集合X中，进行训练，选出使模型近似最优时对应的特征加入特征集合X中；

以此类推，直到加入任何一维剩余的特征，模型的MSE都会增加为止；

获得最终的特征集合X作为用于预测的特征集合。

14.根据权利要求13所述的一种情绪预测方法，其特征在于，所述情绪预测过程具体为：

根据所述用于预测的特征集合X，获取第一预测样本集；

将第一预测样本集输入到第一近似最优情绪预测模型得到预测的mood值；

将预测的mood的二维特征值转化为一维的mood状态输出。