CN110570948A - 一种用户未来体重预测方法、装置、服务器及存储介质 - Google Patents
一种用户未来体重预测方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN110570948A CN110570948A CN201910849261.3A CN201910849261A CN110570948A CN 110570948 A CN110570948 A CN 110570948A CN 201910849261 A CN201910849261 A CN 201910849261A CN 110570948 A CN110570948 A CN 110570948A
- Authority
- CN
- China
- Prior art keywords
- data
- weight
- user
- model
- prediction
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000013135 deep learning Methods 0.000 claims abstract description 64
- 238000012549 training Methods 0.000 claims description 76
- 238000001514 detection method Methods 0.000 claims description 67
- 238000005259 measurement Methods 0.000 claims description 42
- 230000002159 abnormal effect Effects 0.000 claims description 28
- 238000012935 Averaging Methods 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 12
- 238000003491 array Methods 0.000 claims description 11
- 238000004140 cleaning Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 abstract description 24
- 238000004422 calculation algorithm Methods 0.000 abstract description 15
- 230000008569 process Effects 0.000 description 13
- 238000012545 processing Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 210000000577 adipose tissue Anatomy 0.000 description 2
- 235000019577 caloric intake Nutrition 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 235000012631 food intake Nutrition 0.000 description 2
- 230000037406 food intake Effects 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种用户未来体重预测方法、装置、服务器及存储介质。该方法包括：根据用户的历史体重数据生成指定周期长度的用户体重特征数据；根据所述用户体重特征数据的周期长度选择对应的预先训练好的预测模型并输入，输出用户未来预测时间段的预测体重数据。本发明实施例的技术方案，通过使用深度学习回归算法为主的预测模型进行用户未来体重预测，模型算法根据大量大众用户的真实体重变化数据，推算拟合人的体重变化规律，将规律应用到当前需要进行预测操作的用户上，而且模型可以通过额外引入当前用户的体重变化数据进行训练，让模型预测结果能体现个体差异。
Description
技术领域
本发明实施例涉及体重预测领域，尤其涉及一种用户未来体重预测方法、装置、服务器及存储介质。
背景技术
随着生活水平的提高，肥胖人群逐年增长，而肥胖人群的身体健康及其如何减肥也自然成了大家的关注点。很多人开始通过不同手段进行减肥，但经过很长时间的努力后却可能发现效果远不及预期，甚至适得其反。正是因为无法预知减肥效果，只有在到达原计划的减肥节点后才能知道自己的体重变化，一旦过程选择的减肥方法错误，将造成时间上大量浪费。
目前计算体重变化的方法主要还是根据当日食物摄入量和热量消耗，计算热量差来估算体重。这种计算方式相当于是线性方程，除非严格控制食物摄入量和热量消耗，否则对于次日的数据计算也不准确，更不具有长期预测可行性，同时对于摄入量和热量消耗的统计也很复杂繁琐，不适用于普通人群。
用户缺少预见性的数据来判断自己的减肥方式能否达到自己想要的效果，也无法及时调整减肥方式，因此需要一种基于深度神经网络的体重预测方法及预测系统。
发明内容
本发明实施例提供一种用户未来体重预测方法、装置、服务器及存储介质，以实现输入简单体重数据即可预测未来一段时间内体重变化。
第一方面，本发明实施例提供了一种用户未来体重预测方法，包括：
根据用户的历史体重数据生成指定周期长度的用户体重特征数据；
根据所述用户体重特征数据的周期长度选择对应的预先训练好的深度学习回归模型或线性模型并输入，输出用户未来预测时间段的预测体重数据。
可选的，所述根据用户的历史体重数据生成指定周期长度的用户体重特征数据，包括：
获取用户的历史体重数据；
判断所述历史体重数据是否存在异常值；
若是，则清洗所述异常值，得到清洗后的历史体重数据；
根据所述清洗后的历史体重数据生成指定周期长度的用户体重特征数据。
可选的，所述根据用户的历史体重数据生成指定周期长度的用户体重特征数据之前，还包括对多个基于不同周期长度的深度学习回归模型进行训练，所述对多个基于不同周期长度的深度学习回归模型进行训练包括：
采集大量用户的历史体重测量数据，将所述历史体重测量数据分成训练输入数据和对应的训练输出数据，所述训练输入数据基于不同周期长度设置，所述训练输出数据和训练输入数据对应且基于预测时间段设置；
根据所述训练输入数据生成多个周期长度的历史体重特征数据；
使用对应的所述训练输出数据对所述历史体重特征数据进行标记，以生成多个周期长度的训练样本集；
将所述多个周期长度的训练样本集的每个历史体重特征数据输入至对应周期长度的深度学习回归模型进行训练。
可选的，所述对多个基于不同周期长度的深度学习回归模型进行训练之后，还包括对基于不同周期长度的深度学习回归模型进行检测，所述对基于不同周期长度的深度学习回归模型进行检测包括：
采集大量未用作模型训练的用户的历史体重测量数据，将所述历史体重测量数据分成检测输入数据和对应的检测输出数据，所述检测输入数据基于不同周期长度设置，所述检测输出数据和检测输入数据对应且基于预测时间段设置；
根据所述检测输入数据生成多个周期长度的历史体重特征数据；
使用对应的所述检测输出数据对所述历史体重特征数据进行标记，以生成多个周期长度的检测样本集；
将所述多个周期长度的检测样本集的每个历史体重特征数据输入至对应周期长度的深度学习回归模型进行预测，以输出检测数据的模型预测结果；
根据所述检测数据的模型预测结果与所述检测输出数据的匹配程度，确认每个周期长度的深度学习回归模型是否需要继续训练。
可选的，所述采集大量用户的历史体重测量数据之后或所述采集大量未用作模型训练的用户的历史体重测量数据之后，包括：
判断所述历史体重测量数据中的每日体重测量数据是否存在异常值；
若是，则清洗所述异常值，并通过前后日期数据取均值的方式进行填充；
判断所述每日体重测量数据是否存在缺失；
若是，则通过前后日期数据取均值的方式进行填充。
可选的，所述用户体重特征数据和所述历史体重特征数据都为三维时序数组，其中，所述三维时序数组的三个维度分别为用户名、日期、体重值。
可选的，所述线性模型是当输入数据周期长度小于预设值时才会选用，且此线性模型不需要提前训练。
第二方面，本发明实施例还提供了一种用户未来体重预测装置，包括：
数据生成单元，用于根据用户的历史体重数据生成指定周期长度的用户体重特征数据；
数据预测单元，用于根据所述用户体重特征数据的周期长度选择对应的预先训练好的深度学习回归模型或线性模型并输入，输出用户未来预测时间段的预测体重数据。
第三方面，本发明实施例还提供了一种服务器，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，所述处理器执行所述计算机程序时实现如上述实施例中任一所述的用户未来体重预测方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述实施例中任一所述的用户未来体重预测方法。
本发明实施例的技术方案，通过使用深度学习回归算法为主的预测模型进行用户未来体重预测，模型算法根据大量大众用户的真实体重变化数据，推算拟合人的体重变化规律，将规律应用到当前需要进行预测操作的用户上，而且模型可以通过额外引入当前用户的体重变化数据进行训练，让模型预测结果能体现个体差异，同时通过建立多个不同周期长度的预测模型，能根据不同数据量进行不同程度预测，而且预测所需用到的数据仅为用户普通历史测量体重，数据简单易获取。
附图说明
图1是本发明实施例一中的一种用户未来体重预测方法的流程示意图；
图2是本发明实施例一中的对多个基于不同周期长度的深度学习回归模型进行训练的流程示意图；
图3是本发明实施例一中的对多个基于不同周期长度的深度学习回归模型进行检测的流程示意图；
图4是本发明实施例二中的一种用户未来体重预测装置的结构示意图；
图5是本发明实施例三中的一种服务器的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
此外，术语“第一”、“第二”等可在本文中用于描述各种方向、动作、步骤或元件等，但这些方向、动作、步骤或元件不受这些术语限制。这些术语仅用于将第一个方向、动作、步骤或元件与另一个方向、动作、步骤或元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一速度差值称为第二速度差值，且类似地，可将第二速度差值称为第一速度差值。第一速度差值和第二速度差值两者都是速度差值，但其不是同一速度差值。术语“第一”、“第二”等不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
实施例一
图1为本发明实施例一提供的一种用户未来体重预测方法的流程示意图，本发明实施例可适用于体重预测的情况。本发明实施例的方法可以由一种用户未来体重预测装置来执行，该装置可以由软件和/或硬件的方式实现，并一般可集成于服务器或终端设备中。参照图1，本发明实施例的一种用户未来体重预测方法，具体包括如下步骤：
步骤S110、根据用户的历史体重数据生成指定周期长度的用户体重特征数据。
具体的，历史体重数据是指用户过去一段时间的每日体重测量数据。用户体重特征数据是指用于输入预测模型的数据，根据预测模型的输入格式调整历史体重数据生成的数据。周期长度是指用户体重特征数据在时间上的长度，如周期为22天、10天、4天的用户体重特征数据。如果用户历史体重数据量满足生成多个不同周期长度体重特征数据的条件，则优先选择周期较长的数据输入模型,如周期分别为22天和10天，则将周期为22天的数据输入对应的深度学习回归模型，得到预测时间段的预测结果。可以理解的，在本发明实施例中，选择周期较短的数据输入模型，或者同时选择多个不同周期长度的数据输入模型，都属于本发明的保护范围，本发明对此不作限定。
由于获取的用户的历史体重数据可能存在异常值，因此需要清洗其中的异常值。作为一可选实施例，步骤S110可替换为：
获取用户的历史体重数据；
判断所述历史体重数据是否存在异常值；
若是，则清洗所述异常值，得到清洗后的历史体重数据；
根据所述清洗后的历史体重数据生成指定周期长度的用户体重特征数据。
步骤S120、根据所述用户体重特征数据的周期长度选择对应的预先训练好的深度学习回归模型并输入，输出用户未来预测时间段的预测体重数据。
具体的，预先训练好的深度学习回归模型有多个，每个深度学习回归模型需要输入的数据的周期长度不同，在生成用户体重特征数据之后，根据用户体重特征数据的不同，输入不同周期长度的深度学习回归模型，输出用户未来预测时间段的预测体重数据。例如，输入的用户体重特征数据的周期长度为15天，则输入对应15天的深度学习回归模型，相应的输出例如未来7天的预测体重数据；例如输入的用户体重特征数据的周期长度为7天，则输入对应7天的深度学习回归模型，相应的输出例如未来3天的预测体重数据。
在本发明实施例中，深度学习回归模型优选为LSTM模型，LSTM(Long Short-TermMemory长短期记忆网络)，是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。可以理解的，本发明实施例的模型也可以根据需要替换成其它模型，本发明对此不作限定。
在本发明实施例中，构建了三个不同的预测模型，用于处理对应不同周期长度的用户体重特征数据。具体的，(1)利用机器学习工具Keras构建含两层LSTM长短期记忆层和三层全连接层的深度学习回归模型，输入数据为含用户15天历史体重记录的三维时序数组，输出结果为未来7天预测体重的二维数组；(2)利用机器学习工具Keras构建含两层LSTM长短期记忆层和三层全连接层的深度学习回归模型，输入数据为含用户7天历史体重记录的三维时序数组，输出结果为未来3天预测体重的二维数组；(3)对于历史数据较少的用户，构建线性拟合方法，根据用户历史连续三天体重数据拟合线性回归直线，通过拟合直线计算出后一天的体重。在构建不同的预测模型之后，根据所述用户体重特征数据的周期长度选择对应的预先训练好的预测模型并输入，输出用户未来预测时间段的预测体重数据。
本发明实施例的技术方案，通过使用深度学习回归算法为主的预测模型进行用户未来体重预测，模型算法根据大量大众用户的真实体重变化数据，推算拟合人的体重变化规律，将规律应用到当前需要进行预测操作的用户上，而且模型可以通过额外引入当前用户的体重变化数据进行训练，让模型预测结果能体现个体差异，同时通过建立多个不同周期长度的预测模型，能根据不同数据量进行不同程度预测，而且预测所需用到的数据仅为用户普通历史测量体重，数据简单易获取。
进一步的，基于深度学习回归模型的用户未来体重预测方法能够帮助用户更好管理自身体重，具有高计算效率、对用户数据具有一定容错率、能根据不同数据量进行不同程度预测的优点。
图2是本发明实施例一提供的深度学习回归模型的训练流程图。一般而言，在利用该训练模型来预测用户未来体重之前，需要对深度学习回归模型进行训练，通过训练调整该模型的计算参数，使得在使用时预测得更准确。如图2所示，对多个基于不同周期长度的深度学习回归模型进行训练包括：
步骤S210、采集大量用户的历史体重测量数据，将所述历史体重测量数据分成训练输入数据和对应的训练输出数据，所述训练输入数据基于不同周期长度设置，所述训练输出数据和训练输入数据对应且基于预测时间段设置。
进一步的，为了提高深度学习回归模型的鲁棒性，模拟现实中部分数据可能存在缺失或异常情况，清洗的数据记录可以存着缺失值，缺失值将通过前后日期数据取均值方式进行填充。因此，在采集大量用户的历史体重测量数据之后，还包括：
判断所述历史体重测量数据中的每日体重测量数据是否存在异常值；若是，则清洗所述异常值，并通过前后日期数据取均值的方式进行填充；判断所述每日体重测量数据是否存在缺失；若是，则通过前后日期数据取均值的方式进行填充。
在本发明实施例中，可以存在一定程度的数据缺失。例如，周期为22天的记录数据，其前14天可以有任意3天数据缺失；周期为10天的记录数据，其前6天可以有任意1天数据缺失。
在本发明实施例中，收集大量用户的每日体重测量数据，选择测量数据的产生时段，同时根据用户体重变化差异和体脂差异，清洗掉记录在同一用户名下的异常数据，再分别组合成不同周期长度的用户数据记录，例如周期为22天、10天、4天的用户数据记录。
步骤S220、根据所述训练输入数据生成多个周期长度的历史体重特征数据。
具体的，对用于训练的训练输入数据进行格式转化，使之能够分别输入不同的深度学习回归模型进行训练。例如，将清洗后的数据转化为多个具有时序特征的三维数组，每个数组中数据时序长度不同，其中，所述三维时序数组的三个维度分别为用户名、日期、体重值。
步骤S230、使用对应的所述训练输出数据对所述历史体重特征数据进行标记，以生成多个周期长度的训练样本集。
步骤S240、将所述多个周期长度的训练样本集的每个历史体重特征数据输入至对应周期长度的深度学习回归模型进行训练。
具体的，分别输入不同深度学习回归模型进行训练，进行模型参数求解，不同模型用于对不同时序长度的数据进行预测处理，每个模型均保存其训练过程中预测精度最高时刻的参数。例如，用含22天数据的数组对对应的LSTM模型进行训练，保存训练过程中最优模型，得到用于预测未来7天体重的深度学习回归模型；用含10天数据的数组对对应的LSTM模型进行训练，保存训练过程中最优模型，得到用于预测未来3天体重的深度学习回归模型；用numpy科学库中线性拟合相关方法构建线性拟合预测方法。
具体的，模型根据检测样本集的输入集和输出集数据计算准确率，以MSE作为性能评判指标，利用adam优化器进行参数优化，让训练模型的预测准确率不断提升；以验证集准确率的“val_loss”指标作为最优模型保存条件，每一轮训练后，如果模型在验证集上准确率更高，则保存新模型。
图3是本发明实施例一提供的深度学习回归模型的检测流程图。在对深度学习回归模型训练完成之后，还需要对该模型进行检测。如图3所示，对深度学习回归模型进行检测包括：
步骤S310、采集大量未用作模型训练的用户的历史体重测量数据，将所述历史体重测量数据分成检测输入数据和对应的检测输出数据，所述检测输入数据基于不同周期长度设置，所述检测输出数据和检测输入数据对应且基于预测时间段设置。
进一步的，为了提高深度学习回归模型的鲁棒性，模拟现实中部分数据可能存在缺失或异常情况，清洗的数据记录可以存着缺失值，缺失值将通过前后日期数据取均值方式进行填充。因此，在采集大量用户的历史体重测量数据之后，还包括：
判断所述历史体重测量数据中的每日体重测量数据是否存在异常值；若是，则清洗所述异常值，并通过前后日期数据取均值的方式进行填充；判断所述每日体重测量数据是否存在缺失；若是，则通过前后日期数据取均值的方式进行填充。
在本发明实施例中，可以存在一定程度的数据缺失。例如，周期为22天的记录数据，其前14天可以有任意3天数据缺失；周期为10天的记录数据，其前6天可以有任意1天数据缺失。
在本发明实施例中，收集大量用户的每日体重测量数据，选择测量数据的产生时段，同时根据用户体重变化差异和体脂差异，清洗掉记录在同一用户名下的异常数据，再分别组合成不同周期长度的用户数据记录，例如周期为22天、10天、4天的用户数据记录。
步骤S320、根据所述检测输入数据生成多个周期长度的历史体重特征数据。
具体的，对用于检测的检测输入数据进行格式转化，使之能够分别输入不同的深度学习回归模型进行检测。例如，将清洗后的数据转化为多个具有时序特征的三维数组，每个数组中数据时序长度不同，其中，所述三维时序数组的三个维度分别为用户名、日期、体重值。
步骤S330、使用对应的所述检测输出数据对所述历史体重特征数据进行标记，以生成多个周期长度的检测样本集。
步骤S340、将所述多个周期长度的检测样本集的所有历史体重特征数据输入至对应周期长度的深度学习回归模型进行预测，以输出检测数据的模型检测结果。
步骤S350、根据所述检测数据的模型检测结果与所述检测输出数据的匹配程度，确认每个周期长度的深度学习回归模型是否需要继续训练。
在本发明实施例中，基于22天数据的每个不同初始参数的模型各得到一个最优模型，将检测样本集代入对应22天周期长度的深度学习回归模型进行验证，只保留其中精度最高的模型。基于10天数据的每个不同初始参数的模型各得到一个最优模型，将检测样本集代入对应10天周期长度的深度学习回归模型进行验证，只保留其中精度最高的模型。
本发明采用深度神经网络建模，并采用LSTM算法进行模型精度优化。LSTM算法的优点是，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件，拟合出历史体重和未来体重间复杂的非线性关系，同时减少了模型参数，减少模型的训练时间。与现有技术手段相比，本发明中预测所需用到的数据仅为用户普通历史测量体重，数据简单易获取，预测过程中不要求用户严格按照特定饮食作息，可以对用户进行未来多日的体重预测；通过大量用户真实数据拟合出复杂关系曲线，深度学习回归模型还可以继续训练优化，而非通过固定经验公式。
本发明以可能含有少量缺失或异常值的用户连续多日测量体重为数据基础，通过异常值删除、数据填充得到还可能存在少量误差值的模型训练数据，使模型在训练过程中学会对误差值的处理，模型能更广泛用于普通用户。采用深度学习进行模型训练可以让模型自行推算出大众用户体重变化规律关系，模型中加入LSTM算法的，便于增强模型对于时序数据的规律推算能力。
实施例二
本发明实施例二所提供的用户未来体重预测装置400可执行本发明任意实施例所提供的用户未来体重预测方法，具备执行方法相应的功能模块和有益效果，该装置可以由软件和/或硬件(集成电路)的方式实现，并一般可集成于服务器或终端设备中。图4是本发明实施例二中的一种用户未来体重预测装置400的结构示意图。参照图4，本发明实施例的用户未来体重预测装置400具体可以包括：
数据生成单元410，用于根据用户的历史体重数据生成指定周期长度的用户体重特征数据；
数据预测单元420，用于根据所述用户体重特征数据的周期长度选择对应的预先训练好的深度学习回归模型或线性模型并输入，输出用户未来预测时间段的预测体重数据。
可选的，数据生成单元410还用于：
获取用户的历史体重数据；
判断所述历史体重数据是否存在异常值；
若是，则清洗所述异常值，得到清洗后的历史体重数据；
根据所述清洗后的历史体重数据生成指定周期长度的用户体重特征数据。
可选的，该装置还包括深度学习回归模型训练单元，所述深度学习回归模型训练单元包括：
训练采集子单元，用于采集大量用户的历史体重测量数据，将所述历史体重测量数据分成训练输入数据和对应的训练输出数据，所述训练输入数据基于不同周期长度设置，所述训练输出数据和训练输入数据对应且基于预测时间段设置；
训练生成子单元，用于根据所述训练输入数据生成多个周期长度的历史体重特征数据；
样本生成子单元，用于使用对应的所述训练输出数据对所述历史体重特征数据进行标记，以生成多个周期长度的训练样本集；
训练输入子单元，用于将所述多个周期长度的训练样本集的每个历史体重特征数据输入至对应周期长度的深度学习回归模型进行训练。
可选的，该装置还包括深度学习回归模型检测单元，所述深度学习回归模型检测单元包括：
检测采集子单元，用于采集大量用户的历史体重测量数据，将所述历史体重测量数据分成检测输入数据和对应的检测输出数据，所述检测输入数据基于不同周期长度设置，所述检测输出数据和检测输入数据对应且基于预测时间段设置；
检测生成子单元，用于根据所述检测输入数据生成多个周期长度的历史体重特征数据；
检测样本子单元，用于使用对应的所述检测输出数据对所述历史体重特征数据进行标记，以生成多个周期长度的检测样本集；
检测输入子单元，用于将所述多个周期长度的检测样本集的每个历史体重特征数据输入至对应周期长度的深度学习回归模型进行检测，以输出检测结果；
检测确认子单元，用于根据所述检测结果与所述检测输出数据的匹配程度，确认每个周期长度的深度学习回归模型是否需要继续训练。
可选的，所述训练采集子单元或所述检测采集子单元还用于：
判断所述历史体重测量数据中的每日体重测量数据是否存在异常值；
若是，则清洗所述异常值，并通过前后日期数据取均值的方式进行填充；
判断所述每日体重测量数据是否存在缺失；
若是，则通过前后日期数据取均值的方式进行填充。
可选的，所述用户体重特征数据和所述历史体重特征数据都为三维时序数组，其中，所述三维时序数组的三个维度分别为用户名、日期、体重值。
可选的，所述线性拟合模型是当输入数据周期长度小于预设值时才会选用，且此线性模型不需要提前训练。
本发明实施例的技术方案，通过使用深度学习回归算法为主的预测模型进行用户未来体重预测，模型算法根据大量大众用户的真实体重变化数据，推算拟合人的体重变化规律，将规律应用到当前需要进行预测操作的用户上，而且模型可以通过额外引入当前用户的体重变化数据进行训练，让模型预测结果能体现个体差异，同时通过建立多个不同周期长度的预测模型，能根据不同数据量进行不同程度预测，而且预测所需用到的数据仅为用户普通历史测量体重，数据简单易获取。
实施例三
图5是本发明实施例三提供的一种服务器的结构示意图。图5示出了适于用来实现本发明实施方式的示例性服务器512的框图。图5显示的服务器512仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，服务器512以通用服务器的形式表现。服务器512的组件可以包括但不限于：一个或者多个处理器516，存储装置528，连接不同系统组件(包括存储装置528和处理器516)的总线518。
总线518表示几类总线结构中的一种或多种，包括存储装置总线或者存储装置控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry SubversiveAlliance，ISA)总线，微通道体系结构(Micro Channel Architecture，MAC)总线，增强型ISA总线、视频电子标准协会(Video Electronics Standards Association，VESA)局域总线以及外围组件互连(Peripheral Component Interconnect，PCI)总线。
服务器512典型地包括多种计算机系统可读介质。这些介质可以是任何能够被服务器512访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储装置528可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(Random Access Memory，RAM)530和/或高速缓存存储器532。服务器512可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统534可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘，例如只读光盘(Compact Disc Read-Only Memory，CD-ROM),数字视盘(Digital Video Disc-Read Only Memory，DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线518相连。存储装置528可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块542的程序/实用工具540，可以存储在例如存储装置528中，这样的程序模块542包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块542通常执行本发明所描述的实施例中的功能和/或方法。
服务器512也可以与一个或多个外部设备514(例如键盘、指向服务器、显示器524等)通信，还可与一个或者多个使得用户能与该服务器512交互的服务器通信，和/或与使得该服务器512能与一个或多个其它计算服务器进行通信的任何服务器(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口522进行。并且，服务器512还可以通过网络适配器520与一个或者多个网络(例如局域网(Local Area Network，LAN)，广域网(Wide Area Network，WAN)和/或公共网络，例如因特网)通信。如图5所示，网络适配器520通过总线518与服务器512的其它模块通信。应当明白，尽管图中未示出，可以结合服务器512使用其它硬件和/或软件模块，包括但不限于：微代码、服务器驱动器、冗余处理器、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of Independent Disks，RAID)系统、磁带驱动器以及数据备份存储系统等。
处理器516可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，处理器516是用户未来体重预测装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。
处理器516通过运行存储在存储装置528中的程序，从而执行各种功能应用以及数据处理，例如实现本发明任意实施例所提供的用户未来体重预测方法，该方法可以包括：
根据用户的历史体重数据生成指定周期长度的用户体重特征数据；
根据所述用户体重特征数据的周期长度选择对应的预先训练好的预测模型并输入，输出用户未来预测时间段的预测体重数据。
当然,本发明实施例所提供的服务器,其处理器不限于执行如上所述的方法操作,还可以执行本发明任意实施例所提供的用户未来体重预测方法中的相关操作。
本发明实施例的技术方案，通过使用深度学习回归算法为主的预测模型进行用户未来体重预测，模型算法根据大量大众用户的真实体重变化数据，推算拟合人的体重变化规律，将规律应用到当前需要进行预测操作的用户上，而且模型可以通过额外引入当前用户的体重变化数据进行训练，让模型预测结果能体现个体差异，同时通过建立多个不同周期长度的预测模型，能根据不同数据量进行不同程度预测，而且预测所需用到的数据仅为用户普通历史测量体重，数据简单易获取。
实施例四
本发明实施例四还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种用户未来体重预测方法，该方法包括：
根据用户的历史体重数据生成指定周期长度的用户体重特征数据；
根据所述用户体重特征数据的周期长度选择对应的预先训练好的预测模型并输入，输出用户未来预测时间段的预测体重数据。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的用户未来体重预测方法中的相关操作。
本发明实施例的计算机可读存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
存储介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Python、Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或终端上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本发明实施例的技术方案，通过使用深度学习回归算法为主的预测模型进行用户未来体重预测，模型算法根据大量大众用户的真实体重变化数据，推算拟合人的体重变化规律，将规律应用到当前需要进行预测操作的用户上，而且模型可以通过额外引入当前用户的体重变化数据进行训练，让模型预测结果能体现个体差异，同时通过建立多个不同周期长度的预测模型，能根据不同数据量进行不同程度预测，而且预测所需用到的数据仅为用户普通历史测量体重，数据简单易获取。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种用户未来体重预测方法，其特征在于，包括：
根据用户的历史体重数据生成指定周期长度的用户体重特征数据；
根据所述用户体重特征数据的周期长度选择对应的预先训练好的深度学习回归模型或线性模型并输入，输出用户未来预测时间段的预测体重数据。
2.根据权利要求1所述的用户未来体重预测方法，其特征在于，所述根据用户的历史体重数据生成指定周期长度的用户体重特征数据，包括：
获取用户的历史体重数据；
判断所述历史体重数据是否存在异常值；
若是，则清洗所述异常值，得到清洗后的历史体重数据；
根据所述清洗后的历史体重数据生成指定周期长度的用户体重特征数据。
3.根据权利要求1所述的用户未来体重预测方法，其特征在于，所述根据用户的历史体重数据生成指定周期长度的用户体重特征数据之前，还包括对多个基于不同周期长度的深度学习回归模型进行训练，所述对多个基于不同周期长度的深度学习回归模型进行训练包括：
采集大量用户的历史体重测量数据，将所述历史体重测量数据分成训练输入数据和对应的训练输出数据，所述训练输入数据基于不同周期长度设置，所述训练输出数据和训练输入数据对应且基于预测时间段设置；
根据所述训练输入数据生成多个周期长度的历史体重特征数据；
使用对应的所述训练输出数据对所述历史体重特征数据进行标记，以生成多个周期长度的训练样本集；
将所述多个周期长度的训练样本集的每个历史体重特征数据输入至对应周期长度的深度学习回归模型进行训练。
4.根据权利要求3所述的用户未来体重预测方法，其特征在于，所述对多个基于不同周期长度的深度学习回归模型进行训练之后，还包括对基于不同周期长度的深度学习回归模型进行检测，所述对基于不同周期长度的深度学习回归模型进行检测包括：
采集大量未用作模型训练的用户的历史体重测量数据，将所述历史体重测量数据分成检测输入数据和对应的检测输出数据，所述检测输入数据基于不同周期长度设置，所述检测输出数据和检测输入数据对应且基于预测时间段设置；
根据所述检测输入数据生成多个周期长度的历史体重特征数据；
使用对应的所述检测输出数据对所述历史体重特征数据进行标记，以生成多个周期长度的检测样本集；
将所述多个周期长度的检测样本集的所有历史体重特征数据输入至对应周期长度的深度学习回归模型进行预测，以输出检测数据的模型预测结果；
根据所述检测数据的模型预测结果与所述检测输出数据的匹配程度，确认每个周期长度的深度学习回归模型是否需要继续训练。
5.根据权利要求3或4任一所述的用户未来体重预测方法，其特征在于，所述采集大量用户的历史体重测量数据之后或所述采集大量未用作模型训练的用户的历史体重测量数据之后，包括：
判断所述历史体重测量数据中的每日体重测量数据是否存在异常值；
若是，则清洗所述异常值，并通过前后日期数据取均值的方式进行填充；
判断所述每日体重测量数据是否存在缺失；
若是，则通过前后日期数据取均值的方式进行填充。
6.根据权利要求3或4任一所述的用户未来体重预测方法，其特征在于，所述用户体重特征数据和所述历史体重特征数据都为三维时序数组，其中，所述三维时序数组的三个维度分别为用户名、日期、体重值。
7.根据权利要求1所述的用户未来体重预测方法，其特征在于，所述线性模型是当输入数据周期长度小于预设值时才会选用，且此线性模型不需要提前训练。
8.一种用户未来体重预测装置，其特征在于，包括：
数据生成单元，用于根据用户的历史体重数据生成指定周期长度的用户体重特征数据；
数据预测单元，用于根据所述用户体重特征数据的周期长度选择对应的预先训练好的深度学习回归模型或线性模型并输入，输出用户未来预测时间段的预测体重数据。
9.一种服务器，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1-7中任一所述的用户未来体重预测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-7中任一所述的用户未来体重预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910849261.3A CN110570948A (zh) | 2019-09-09 | 2019-09-09 | 一种用户未来体重预测方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910849261.3A CN110570948A (zh) | 2019-09-09 | 2019-09-09 | 一种用户未来体重预测方法、装置、服务器及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110570948A true CN110570948A (zh) | 2019-12-13 |
Family
ID=68778725
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910849261.3A Pending CN110570948A (zh) | 2019-09-09 | 2019-09-09 | 一种用户未来体重预测方法、装置、服务器及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110570948A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106991506A (zh) * | 2017-05-16 | 2017-07-28 | 深圳先进技术研究院 | 智能终端及其基于lstm的股票趋势预测方法 |
| CN108256893A (zh) * | 2016-12-29 | 2018-07-06 | 北京国双科技有限公司 | 广告投放效果的分析方法及装置 |
| CN108989096A (zh) * | 2018-06-28 | 2018-12-11 | 亚信科技（成都）有限公司 | 一种宽带用户流失预测方法及系统 |
| CN109065176A (zh) * | 2018-08-20 | 2018-12-21 | 清华-伯克利深圳学院筹备办公室 | 一种血糖预测方法、装置、终端和存储介质 |
| CN109767251A (zh) * | 2017-11-09 | 2019-05-17 | 优估（上海）信息科技有限公司 | 一种二手车估价方法及估价系统 |
| CN109870164A (zh) * | 2017-12-01 | 2019-06-11 | 上海博泰悦臻网络技术服务有限公司 | 导航终端及其路线偏好预测方法 |
| CN110085320A (zh) * | 2019-04-23 | 2019-08-02 | 延安大学 | 一种个人体重变化预测系统及方法 |
-
2019
- 2019-09-09 CN CN201910849261.3A patent/CN110570948A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108256893A (zh) * | 2016-12-29 | 2018-07-06 | 北京国双科技有限公司 | 广告投放效果的分析方法及装置 |
| CN106991506A (zh) * | 2017-05-16 | 2017-07-28 | 深圳先进技术研究院 | 智能终端及其基于lstm的股票趋势预测方法 |
| CN109767251A (zh) * | 2017-11-09 | 2019-05-17 | 优估（上海）信息科技有限公司 | 一种二手车估价方法及估价系统 |
| CN109870164A (zh) * | 2017-12-01 | 2019-06-11 | 上海博泰悦臻网络技术服务有限公司 | 导航终端及其路线偏好预测方法 |
| CN108989096A (zh) * | 2018-06-28 | 2018-12-11 | 亚信科技（成都）有限公司 | 一种宽带用户流失预测方法及系统 |
| CN109065176A (zh) * | 2018-08-20 | 2018-12-21 | 清华-伯克利深圳学院筹备办公室 | 一种血糖预测方法、装置、终端和存储介质 |
| CN110085320A (zh) * | 2019-04-23 | 2019-08-02 | 延安大学 | 一种个人体重变化预测系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108399414B (zh) | 应用于跨模态数据检索领域的样本选择方法及装置 | |
| US20230049089A1 (en) | Method and Apparatus For Predicting Power Consumption, Device and Readiable Storage Medium | |
| CN110427654B (zh) | 一种基于敏感状态的滑坡预测模型构建方法及系统 | |
| CN109376267B (zh) | 用于生成模型的方法和装置 | |
| CN109416408A (zh) | 震中距估计装置、震中距估计方法以及计算机可读记录介质 | |
| CN109065176B (zh) | 一种血糖预测方法、装置、终端和存储介质 | |
| Muste et al. | Standardized uncertainty analysis for hydrometry: a review of relevant approaches and implementation examples | |
| CN111401940B (zh) | 特征预测方法、装置、电子设备及存储介质 | |
| KR20190086345A (ko) | 시계열 데이터 처리 장치, 이를 포함하는 건강 예측 시스템, 및 시계열 데이터 처리 장치의 동작 방법 | |
| CN112668238B (zh) | 一种降雨量处理方法、装置、设备和存储介质 | |
| KR20190072292A (ko) | 신체 성장 예측 모델링 장치 및 방법 | |
| CN111009303A (zh) | 运动量自调整方法、装置、计算机设备及存储介质 | |
| US20200111575A1 (en) | Producing a multidimensional space data structure to perform survival analysis | |
| CN112182067A (zh) | 个体身高预测方法、装置、电子设备及存储介质 | |
| Wang | An imperfect software debugging model considering irregular fluctuation of fault introduction rate | |
| CN111291936A (zh) | 产品生命周期预估模型生成方法、装置及电子设备 | |
| CN109116183B (zh) | 谐波模型参数辨识方法、装置、存储介质及电子设备 | |
| JP5791555B2 (ja) | 状態追跡装置、方法、及びプログラム | |
| KR20200061968A (ko) | 시계열 데이터 처리 장치 및 이의 동작 방법 | |
| Cardot et al. | Comparison of different sample designs and construction of confidence bands to estimate the mean of functional data: An illustration on electricity consumption | |
| Williams | Building hydrologic foundations for applications of ELOHA: How long a record should you have? | |
| CN110570948A (zh) | 一种用户未来体重预测方法、装置、服务器及存储介质 | |
| EP4012667A2 (en) | Data preparation for artificial intelligence models | |
| CN115952916A (zh) | 基于人工智能的风电功率预测误差修正方法、装置及设备 | |
| CN111401563A (zh) | 机器学习模型更新方法和装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191213 |