CN109740091B - 一种基于行为认知的用户网络行为的预测系统及方法 - Google Patents
一种基于行为认知的用户网络行为的预测系统及方法 Download PDFInfo
- Publication number
- CN109740091B CN109740091B CN201811600043.8A CN201811600043A CN109740091B CN 109740091 B CN109740091 B CN 109740091B CN 201811600043 A CN201811600043 A CN 201811600043A CN 109740091 B CN109740091 B CN 109740091B
- Authority
- CN
- China
- Prior art keywords
- behavior
- information
- user
- cognition
- network
- 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.)
- Active
Links
Images
Landscapes
- Telephonic Communication Services (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供了一种基于行为认知的用户网络行为的预测系统及方法,其中的系统包括:用于收集用户的历史行为信息以及采集用户的当前行为信息的行为知识收集点,用于管理行为知识收集点收集的历史行为信息的分布式行为数据库管理组件,用于管理节点行为模型库的行为模型库管理组件,用于提供预先构建好的认知知识和认知库的行为认知库管理组件以及用于将当前行为信息与预先构建好的认知知识和认知库进行对比,确定出用户的当前行为后,将用户的当前行为与节点行为模型库中对应的预测算法模型进行匹配,并基于对应的预测算法模型预测出用户的网络行为的行为认知预测组件。本发明实现了对用户网络行为进行预测以及优化网络的技术效果。
Description
技术领域
本发明涉及识别技术领域,具体涉及一种基于行为认知的用户网络行为的预测系统及方法。
背景技术
人体行为识别是一种通过获取和分析人体行为相关数据,判断人体行为状态的技术。通过获知人体基础行为活动,该技术能够为运动追踪、健康监测、跌倒检测、老年人监护、病人恢复训练、复杂行为识别、辅助工业制造、人机交互、增强现实、室内定位及导航、个人特征识别、城市化计算等众多领域的研究和应用提供人体相关信息,因此具有重要的应用价值和研究意义。
现有技术中,通常采用移动设备(例如传感器、GPS、六轴陀螺仪等)来采集人体的相关数据,然后通过识别模型来进行人体行为的识别。
本发明申请人在实施本发明的过程中,发现现有技术中至少存在如下技术问题:
现有方法中,仅能识别人体的运动行为,例如走路、跑步、静止等,而无法对人体的其他行为进行识别或预测。
由此可知,现有技术中存在无法对用户的网络行为进行预测的问题。
发明内容
有鉴于此,本发明实施例提供了一种基于行为认知的用户网络行为的预测系统及方法,用以解决或者至少解决现有技术中存在无法对用户的网络行为进行预测的问题。
第一方面,本发明提供了一种基于行为认知的用户网络行为的预测系统,包括:
行为知识收集点,用于收集用户的历史行为信息以及采集用户的当前行为信息,其中,用户的当前行为信息包括网络节点使用信息;
分布式行为数据库管理组件,用于管理行为知识收集点收集的历史行为信息;
行为模型库管理组件,用于管理节点行为模型库,其中,节点行为模型库中预先存储预测算法模型;
行为认知库管理组件,用于提供预先构建好的认知知识和认知库;
行为认知预测组件,用于将当前行为信息与预先构建好的认知知识和认知库进行对比,确定出用户的当前行为,将用户的当前行为与节点行为模型库中对应的预测算法模型进行匹配,并基于对应的预测算法模型预测出用户的网络行为。
在一种实施方式中,本发明提供的系统中,历史行为信息包括以下信息中的一种或多种:
GPS信息、移动信息、时间信息和使用信息。
在一种实施方式中,本发明提供的系统还包括行为认知决策组件,用于:
对系统的跨层优化提供算法判断。
在一种实施方式中,本发明提供的系统中,行为知识收集点还用于:
对收集的历史行为信息采用元数据的方式进行建模。
在一种实施方式中,本发明提供的系统中,使用信息包括网络节点使用信息,行为知识收集点具体用于:
从节点底层获取网络节点使用信息,并根据网络节点使用信息确定当前的通讯方式;
为当前的通讯方式建立一个四维数据向量,该四维数据向量表示为状态变量[Sst,Trt,Fmin,Fmax],其中,Sst表示服务类型,Trt表示实时流量,Fmin表示流量区间最低值,Fmax表示流量区间最高值。
在一种实施方式中,本发明提供的系统中,行为认知预测组件,具体用于:
对采集的当前行为信息进行归一化处理;
对归一化处理后的数据进行特征识别;
根据特征识别的结果与认知知识和认知库进行对比,确定出用户的当前行为。
在一种实施方式中,本发明提供的系统还包括网络优化模块,用于根据预测出的用户的网络行为,对移动网络进行优化。
基于同样的发明构思,本发明第二方面提供了一种基于行为认知的用户网络行为的预测方法,包括:
通过行为知识收集点收集用户的历史行为信息以及采集用户的当前行为信息,其中,用户的当前行为信息包括网络节点使用信息;
通过分布式行为数据库管理组件管理行为知识收集点收集的历史行为信息;
通过行为模型库管理组件节点行为模型库,其中,节点行为模型库中预先存储预测算法模型;
通过行为认知库管理组件提供预先构建好的认知知识和认知库;
通过行为认知预测组件将当前行为信息与预先构建好的认知知识和认知库进行对比,确定出用户的当前行为后,将用户的当前行为与节点行为模型库中对应的预测算法模型进行匹配,并基于对应的预测算法模型预测出用户的网络行为。
在一种实施方式中,所述方法还包括:
通过行为认知决策组件对系统的跨层优化提供算法判断。
在一种实施方式中,在预测出用户的网络行为之后,所述方法还包括:
根据预测出的用户的网络行为,对移动网络进行优化。
本申请实施例中的上述一个或多个技术方案,至少具有如下一种或多种技术效果:
在本发明提供的系统,包括行为知识收集点、分布式行为数据库管理组件、行为模型库管理组件、行为认知库管理组件和行为认知预测组件。
相对于现有技术中仅能通过移动设备采集用户的行为数据,再根据行为数据对人体的运动行为进行识别而言,本发明提供的系统,可以通过行为知识收集点,收集用户的历史行为信息以及采集用户的当前行为信息,其中,用户的当前行为信息包括网络节点使用信息;并通过行为认知预测组件将当前行为信息与预先构建好的认知知识和认知库进行对比,确定出用户的当前行为,然后将用户的当前行为与模型库中对应的预测算法模型进行匹配,再基于对应的预测算法模型预测出用户的网络行为,也就是说,本发明的系统,可以根据采集的用户的当前行为信息,预测出用户未来的网络行为,从而解决了现有技术中存在无法对用户的网络行为进行预测的问题,为网络的优化提供了基础。
并且,本发明提供的系统,可以将用户的当前行为与模型库中对应的预测算法模型进行匹配,即可以为不同的用户行为匹配对应的预测算法,从而提高了系统的灵活性,可以预测出用户的网络行为,并根据预测出的网络行为提前对网络进行布局或者调整,提高了无线通信网络的灵活性,可以节省设备的能耗,有助于提升用户的体验。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种实施例中基于行为认知的用户网络行为的预测系统的结构框图;
图2为本发明实施例中用户的历史行为信息的层次结构图;
图3为本发明另一种实施例中预测系统的结构示意图;
图4为本发明实施例中基于行为认知的用户网络行为的预测方法的流程图。
具体实施方式
本发明实施例提供了一种基于行为认知的用户网络行为的预测系统及方法,用以改善现有技术中存在无法对用户的网络行为进行预测的问题。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
本实施例提供了一种基于行为认知的用户网络行为的预测系统,该系统包括:
行为知识收集点101,用于收集用户的历史行为信息以及采集用户的当前行为信息,其中,用户的当前行为信息包括网络节点使用信息。
具体来说,行为知识收集点(Behavior Knowledge Collect Point,BKCP),主要用来收集行为知识数据,这些行为知识数据包括用户的历史行为信息以及用户的当前行为信息。
在一种实施方式中,历史行为信息包括以下信息中的一种或多种:
GPS信息、移动信息、时间信息和使用信息。
具体来说,移动信息包括方向和速度。使用信息包括网络节点使用信息,即通讯行为,请参见图2,为历史行为信息的层次结构图。
在一种实施方式中,行为知识收集点还用于:
对收集的历史行为信息采用元数据的方式进行建模。
具体来说,行为认知包括几类重要的信息:GPS信息、移动信息、时间信息和使用信息,对应空间行为、移动行为、时间行为、使用行为。
在本实施方式中将采用元数据(Metadata)方式的进行建模,元数据主要是描述数据属性(property)的信息,用来支持如指示存储位置、历史数据、资源查找、文件记录等功能。元数据算是一种电子式目录,为了达到编制目录的目的,必须在描述并收藏数据的内容或特色,进而达成协助数据检索的目的通过对这些模型的特点进行对比后,因此,可以将MANET网络中节点按照层次式的数据结构构建行为认知,其中包括位置、能量、运行状态(速度)、传输能力、使用行为、空间行为和簇首属性等信息,同时,按照统一化的形式构建通用的元数据文件。
需要说明的是,节点与节点之间除了通过Member信息(分簇组网中使用)进行分簇组网自适应维护和管理外,还需要通过认知节点来收集、解释、汇总、推理和分析行为认知,为行为预测和后期性能优化调整提供依据。系统元数据结构图即图2的历史行为信息的层次结构图。
下面具体介绍建模的过程,针对节点用户行为建模,首先针对移动行为进行建模,建模需要使用一些度量标准:
θi(t):在t时刻节点i和x-坐标轴构成的角度。
Di,j(t):在t时刻节点i和节点j之间的欧氏距离。
R:移动节点的传输范围。
N:移动节点的数量。
T:仿真时间。
random():返回一个在间隔[-1,1]上均匀分布的值。
以上这些度量指标对节点移动性进行建模的基本要数,本发明针对节点的移动性分别用以下一些表示方式进行度量。
当节点i和节点j以大致相同的方向且几乎相同的速度移动时Dspacial值是高的。且通过实验发现,从空间依赖性的角度而言,一个节点的移动很少与相距较远的节点相关联,因此加上下述条件,
空间相关性的平均程度这是对所有节点间和时刻满足一定条件的Dspacial(i,j,t)的值取平均得到的。因此,若移动节点间的移动是相互独立的,那么移动方式的值均值会较小。此外,若节点的移动受到中心节点的调控,或受到邻近节点的影响,以至于这些节点是以相同的方向以相同的速度移动,则移动方式的均值会较大。这个度量指标用于描述移动空间的空间相关性方面的特征。
②时间的相关性程度用于衡量在两个时间段t和t′(t和t′相距很近)内节点速度的相近程度。它是移动节点的加速度和地域限制的函数。从形式上看,有若在一定的时间间隔内,节点大致在一个方向上且几乎以一样的速度移动时,则Dtemporal(i,t,t′)的值较大。与讨论时相类似,加上条件:
时间相关性的平均这是对满足一定条件的节点和时刻,对Dtemporal(i,t,t′)取平均后得到的值。因此,若节点当前时刻的速度与它先前时刻的速度完全独立,则移动方式的值较小。然而,若节点当前时刻的速度强烈地依赖于它先前时刻的速度,则移动方式的值较大。这个度量指标用于描述移动空间的时间相关性方面的特征。
④节点使用行为:首先建立节点网络使用行为采集,从节点底层获取当前进行的通讯方式和通讯方式建立一个四维数据向量,其状态变量表示表示为状态变量(Sst,Trt,Fmin,Fmin),初始化Sst表示服务类型;
Trt表示实时流量;
Fmin表示流量区间最低值;
Fmin表示流量区间最高值。
在具体的实施过程中,通过一个时间段的数据可以计算出网络流量平均使用量及统计数据。
分布式行为数据库管理组件102,用于管理行为知识收集点收集的历史行为信息。
具体来说,可以通过节点行为历史数据库存储历史行为信息,然后通过分布式行为数据库管理组件来对节点行为历史数据库进行管理。
行为模型库管理组件103,用于管理节点行为模型库,其中,节点行为模型库中预先存储预测算法模型。
具体来说,节点行为模型库是一种算法库,存储有预先构建好的预测算法模型。
行为认知库管理组件104,用于提供预先构建好的认知知识和认知库。
具体来说,预先构建好的认知知识和认知库,主要用于对用户的行为进行匹配和识别。
行为认知预测组件105,用于将当前行为信息与预先构建好的认知知识和认知库进行对比,确定出用户的当前行为,将用户的当前行为与节点行为模型库中对应的预测算法模型进行匹配,并基于对应的预测算法模型预测出用户的网络行为。
具体来说,行为认知预测组件是本系统的核心组件,主要用于利用其他组件对用户的当前行为进行识别,并对未来可能产生的行为进行预测。
在具体的实施过程中,可以通过采集用户的当前行为,其中包括网络节点使用信息,通过移动设备采集人体的运动状态信息,再结合网络节点使用信息,预测出用户的网络行为。
举例来说,通过六轴陀螺仪和GPS可以计算人体运动行为,再结合网络行为就可以对用户进行分类,比如是在移动打电话,还是车上打电话,还是高铁打电话,不同的方式网络可以使用不同的协议方式,比如高铁就使用跳线方式,来提升用户的体验,如果用户在公交车看电影,系统就可以基站周围瞬间给足够的电影传输,这样离基站很远就可以不通讯,用户看电影不受影响。
在一种实施方式中,系统还包括行为认知决策组件,用于:
对系统的跨层优化提供算法判断。
具体来说,认知决策组件可以对系统进行优化,例如对预测结果的准确性进行计算,然后对系统进行优化,进一步提高预测的准确性。
在一种实施方式中,使用信息包括网络节点使用信息,行为知识收集点101具体用于:
从节点底层获取网络节点使用信息,并根据网络节点使用信息确定当前的通讯方式;
为当前的通讯方式建立一个四维数据向量,该四维数据向量表示为状态变量[Sst,Trt,Fmin,Fmax],其中,Sst表示服务类型,Trt表示实时流量,Fmin表示流量区间最低值,Fmax表示流量区间最高值。
在一种实施方式中,行为认知预测组件105,具体用于:
对采集的当前行为信息进行归一化处理;
对归一化处理后的数据进行特征识别;
根据特征识别的结果与认知知识和认知库进行对比,确定出用户的当前行为。
具体来说,可以采用聚类算法从历史行为信息中提取表示该节点行为的关键特征向量,然后结合系统中的节点行为集,对当前的行为记性进行特征识别,然后将其进行节点行为分类。再与认知知识和认知库进行对比,如果该用户的行为属于认知知识和认知库中的预设行为习惯的子集,则可以确定出用户的当前行为,并且可以对该行为习惯的特征向量进行扩展,从而产生出相似行为和相关行为,使得认知知识和认知库进行实时更新。
其中,特征识别主要是时域和频域特征,具体可以采用滑动窗口提取特征,比如平均数、方差、过零率等,还有傅里叶变换后的幅度、频率、均值等。在对节点行为进行分类时,可以采用预设分类算法,例如马尔科夫链或者其他深度网络模型:LSTM、CNN-LSTM或者ConvLSTM,LSTM(Long Short-Term Memory)是长短期记忆网络。
在一种实施方式中,所述系统还包括网络优化模块,用于根据预测出的用户的网络行为,对移动网络进行优化。
具体来说,通过前述的方法可以预测出用户的网络行为,即预测出用户的意图,那么进一步地,可以对该行为及时给予准确的响应。例如用户在公交车上看电影,系统识别就可以提前进行网络布局,可以优化网络,有助于提升用户体验。
基于同一发明构思,本申请还提供了一种与实施例一中基于行为认知的用户网络行为的预测系统对应的方法,详见实施例二。
实施例二
本实施例提供了一种基于行为认知的用户网络行为的预测方法,请参见图4,该方法包括:
步骤S401:通过行为知识收集点收集用户的历史行为信息以及采集用户的当前行为信息,其中,用户的当前行为信息包括网络节点使用信息;
步骤S402:通过分布式行为数据库管理组件管理行为知识收集点收集的历史行为信息;
步骤S403:通过行为模型库管理组件节点行为模型库,其中,节点行为模型库中预先存储预测算法模型;
步骤S404:通过行为认知库管理组件提供预先构建好的认知知识和认知库;
步骤S405:通过行为认知预测组件将当前行为信息与预先构建好的认知知识和认知库进行对比,确定出用户的当前行为后,将用户的当前行为与节点行为模型库中对应的预测算法模型进行匹配,并基于对应的预测算法模型预测出用户的网络行为。
在一种实施方式中,所述方法还包括:
通过行为认知决策组件对系统的跨层优化提供算法判断。
在一种实施方式中,在预测出用户的网络行为之后,所述方法还包括:
根据预测出的用户的网络行为,对移动网络进行优化。
由于本发明实施例二所介绍的基于行为认知的用户网络行为的预测方法,为基于实施例一中的基于行为认知的用户网络行为的预测系统所实现的方法,故而基于本发明实施例一所介绍的系统,本领域所属人员能够了解该方法的具体实施方式及其变形,故而在此不再赘述。凡是基于实施例一中的基于行为认知的用户网络行为的预测系统所实现的方法都属于本发明所欲保护的范围。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样,倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (3)
1.一种基于行为认知的用户网络行为的预测系统,其特征在于,包括:
行为知识收集点,用于收集用户的历史行为信息以及采集用户的当前行为信息,对收集的历史行为信息采用元数据的方式进行建模,其中,用户的当前行为信息包括网络节点使用信息,历史行为信息包括以下信息中的一种或多种:GPS信息、移动信息、时间信息和使用信息,分别对应空间行为、移动行为、时间行为和使用行为;
分布式行为数据库管理组件,用于管理行为知识收集点收集的历史行为信息;
行为模型库管理组件,用于管理节点行为模型库,其中,节点行为模型库中预先存储预测算法模型;
行为认知库管理组件,用于提供预先构建好的认知知识和认知库;
行为认知预测组件,用于将当前行为信息与预先构建好的认知知识和认知库进行对比,确定出用户的当前行为,将用户的当前行为与节点行为模型库中对应的预测算法模型进行匹配,并基于对应的预测算法模型预测出用户的网络行为;
其中,使用信息包括网络节点使用信息,行为知识收集点具体用于:
从节点底层获取网络节点使用信息,并根据网络节点使用信息确定当前的通讯方式;
为当前的通讯方式建立一个四维数据向量,该四维数据向量表示为状态变量[Sst,Trt,Fmin,Fmax],其中,Sst表示服务类型,Trt表示实时流量,Fmin表示流量区间最低值,Fmax表示流量区间最高值;
其中,行为认知预测组件,还用于:
对采集的当前行为信息进行归一化处理;
对归一化处理后的数据进行特征识别;
根据特征识别的结果与认知知识和认知库进行对比,确定出用户的当前行为;
所述系统还包括网络优化模块,用于根据预测出的用户的网络行为,对移动网络进行优化。
2.如权利要求1所述的系统,其特征在于,还包括行为认知决策组件,用于:
对系统的跨层优化提供算法判断。
3.一种基于行为认知的用户网络行为的预测方法,其特征在于,包括:
通过行为知识收集点收集用户的历史行为信息以及采集用户的当前行为信息,对收集的历史行为信息采用元数据的方式进行建模,其中,用户的当前行为信息包括网络节点使用信息,历史行为信息包括以下信息中的一种或多种:GPS信息、移动信息、时间信息和使用信息,分别对应空间行为、移动行为、时间行为和使用行为;
通过分布式行为数据库管理组件存储行为知识收集点收集的历史行为信息;
通过行为模型库管理组件节点行为模型库,其中,节点行为模型库中预先存储预测算法模型;
通过行为认知库管理组件提供预先构建好的认知知识和认知库;
通过行为认知预测组件将当前行为信息与预先构建好的认知知识和认知库进行对比,确定出用户的当前行为后,将用户的当前行为与节点行为模型库中对应的预测算法模型进行匹配,并基于对应的预测算法模型预测出用户的网络行为;
所述方法还包括:
通过行为认知决策组件对系统的跨层优化提供算法判断;
在预测出用户的网络行为之后,所述方法还包括:
根据预测出的用户的网络行为,对移动网络进行优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811600043.8A CN109740091B (zh) | 2018-12-26 | 2018-12-26 | 一种基于行为认知的用户网络行为的预测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811600043.8A CN109740091B (zh) | 2018-12-26 | 2018-12-26 | 一种基于行为认知的用户网络行为的预测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109740091A CN109740091A (zh) | 2019-05-10 |
CN109740091B true CN109740091B (zh) | 2021-08-03 |
Family
ID=66361257
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811600043.8A Active CN109740091B (zh) | 2018-12-26 | 2018-12-26 | 一种基于行为认知的用户网络行为的预测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109740091B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110780956A (zh) * | 2019-09-16 | 2020-02-11 | 平安科技(深圳)有限公司 | 一种智能远程协助方法、装置、计算机设备及存储介质 |
CN113326411B (zh) * | 2020-02-28 | 2024-05-03 | 中国移动通信集团福建有限公司 | 一种网络行为知识增强方法、装置及电子设备 |
CN111666298A (zh) * | 2020-04-29 | 2020-09-15 | 中国平安财产保险股份有限公司 | 基于flink的用户服务类别检测方法、装置、计算机设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101355504A (zh) * | 2008-08-14 | 2009-01-28 | 成都市华为赛门铁克科技有限公司 | 一种用户行为的确定方法和装置 |
JP5637328B2 (ja) * | 2011-08-11 | 2014-12-10 | 日本電気株式会社 | 移動体無線通信ネットワークの最適化 |
CN104850846A (zh) * | 2015-06-02 | 2015-08-19 | 深圳大学 | 一种基于深度神经网络的人体行为识别方法及识别系统 |
CN105094305A (zh) * | 2014-05-22 | 2015-11-25 | 华为技术有限公司 | 识别用户行为的方法、用户设备及行为识别服务器 |
CN106228178A (zh) * | 2016-07-06 | 2016-12-14 | 吴本刚 | 网络用户行为预测系统 |
-
2018
- 2018-12-26 CN CN201811600043.8A patent/CN109740091B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101355504A (zh) * | 2008-08-14 | 2009-01-28 | 成都市华为赛门铁克科技有限公司 | 一种用户行为的确定方法和装置 |
JP5637328B2 (ja) * | 2011-08-11 | 2014-12-10 | 日本電気株式会社 | 移動体無線通信ネットワークの最適化 |
CN105094305A (zh) * | 2014-05-22 | 2015-11-25 | 华为技术有限公司 | 识别用户行为的方法、用户设备及行为识别服务器 |
CN104850846A (zh) * | 2015-06-02 | 2015-08-19 | 深圳大学 | 一种基于深度神经网络的人体行为识别方法及识别系统 |
CN106228178A (zh) * | 2016-07-06 | 2016-12-14 | 吴本刚 | 网络用户行为预测系统 |
Non-Patent Citations (1)
Title |
---|
基于PKI技术CA密钥算法分析与认证设计;张沪寅 等;《武汉理工大学学报》;20040108;第79-82页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109740091A (zh) | 2019-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yan et al. | Semantic trajectories: Mobility data computation and annotation | |
US10496881B2 (en) | PU classifier for detection of travel mode associated with computing devices | |
Shao et al. | Clustering big spatiotemporal-interval data | |
Su et al. | Online travel mode identification using smartphones with battery saving considerations | |
US9904932B2 (en) | Analyzing semantic places and related data from a plurality of location data reports | |
CN109740091B (zh) | 一种基于行为认知的用户网络行为的预测系统及方法 | |
Yue et al. | Detect: Deep trajectory clustering for mobility-behavior analysis | |
US10952026B2 (en) | Neural network classifier for detection of travel mode associated with computing devices | |
CN104318765A (zh) | 基于智能手机的实时交通拥堵自动检测方法 | |
Gordon et al. | Group affiliation detection using model divergence for wearable devices | |
Rashed et al. | Tracking visitors in a real museum for behavioral analysis | |
Lin et al. | Where to go? Predicting next location in IoT environment | |
Akabane et al. | Pedestrian trajectory prediction based on transfer learning for human-following mobile robots | |
Nirmal et al. | Transportation mode detection using crowdsourced smartphone data | |
Chen et al. | Trip mode inference from mobile phone signaling data using logarithm Gaussian mixture model | |
CN117647250B (zh) | 基于智能手环的导航方法及系统 | |
Linda et al. | Online spatio-temporal risk assessment for intelligent transportation systems | |
Stylianou | Stay-point identification as curve extrema | |
CN110196440A (zh) | 重合轨迹的识别方法及装置、电子设备、存储介质 | |
Zhang et al. | Rcivmm: A route choice-based interactive voting map matching approach for complex urban road networks | |
Guo et al. | Spatial-temporal trajectory anomaly detection based on an improved spectral clustering algorithm | |
Li et al. | Route restoration method for sparse taxi GPS trajectory based on Bayesian network | |
CN112884190B (zh) | 一种流量预测方法及装置 | |
Wu et al. | Pedometer-free geomagnetic fingerprinting with casual walking speed | |
Quero et al. | A dynamic fuzzy temporal clustering for imprecise location streams |
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 |