CN111797301A - 活动预测方法、装置、存储介质及电子设备 - Google Patents
活动预测方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN111797301A CN111797301A CN201910282021.XA CN201910282021A CN111797301A CN 111797301 A CN111797301 A CN 111797301A CN 201910282021 A CN201910282021 A CN 201910282021A CN 111797301 A CN111797301 A CN 111797301A
- Authority
- CN
- China
- Prior art keywords
- activity
- data
- user
- electronic device
- sequence
- 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
- 230000000694 effects Effects 0.000 title claims abstract description 428
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000012795 verification Methods 0.000 claims abstract description 31
- 238000013528 artificial neural network Methods 0.000 claims description 53
- 238000000605 extraction Methods 0.000 claims description 37
- 230000015654 memory Effects 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000013075 data extraction Methods 0.000 claims description 12
- 230000007613 environmental effect Effects 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 description 133
- 239000010410 layer Substances 0.000 description 36
- 230000000306 recurrent effect Effects 0.000 description 22
- 238000010586 diagram Methods 0.000 description 21
- 238000012549 training Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 13
- 238000012545 processing Methods 0.000 description 13
- 230000006399 behavior Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 230000008447 perception Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 125000004122 cyclic group Chemical group 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011982 device technology Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种活动预测方法、装置、存储介质及电子设备，其中，电子设备可以首先获取对应电子设备的时序数据序列，并根据时序数据序列以及预先训练的活动预测模型，对电子设备的用户将要发生的活动进行预测，得到候选活动，然后，电子设备获取到对应用户的活动规律，并根据该活动规律对预测得到的候选活动进行校验，若校验通过，则判定预测得到的候选活动符合用户的活动规律，将候选活动作为用户的目标活动。由此，实现了对用户活动的准确预测，能够更好的为用户提供智能化的服务。
Description
技术领域
本申请涉及数据处理技术领域，具体涉及一种活动预测方法、装置、存储介质及电子设备。
背景技术
目前，随着电子设备技术的快速发展，电子设备除了能够提供音视频播放、网页浏览等基本服务之外，还能够在用户回家时推荐路线、吃饭时推荐餐厅等，然而，电子设备所提供的这些智能化的服务，往往是根据大众的普遍作息习惯所假设的行为，这种假设的行为并不准确。比如，假设用户在12:00的行为为“吃饭”，假设用户在18:00的行为为“回家”等等。因此，若能够对用户行为进行准确的预测，则能够更好的向用户提供智能化的服务。
发明内容
本申请实施例提供了一种活动预测方法装置、存储介质及电子设备，能够对用户进行活动预测。
第一方面，本申请实施例提供了一种活动预测方法，应用于电子设备，该活动预测方法包括：
获取对应所述电子设备的时序数据序列；
根据所述时序数据序列以及预先训练的活动预测模型，对所述电子设备的用户将要发生的活动进行预测，得到候选活动；
获取对应所述用户的活动规律，并根据所述活动规律对所述候选活动进行校验；
若校验通过，则将所述候选活动作为所述用户的目标活动。
第二方面，本申请实施例提供了一种活动预测装置，应用于电子设备，该活动预测装置包括：
数据获取模块，用于获取对应所述电子设备的时序数据序列；
活动预测模块，用于根据所述时序数据序列以及预先训练的活动预测模型，对所述电子设备的用户将要发生的活动进行预测，得到候选活动；
活动校验模块，用于获取对应所述用户的活动规律，并根据所述活动规律对所述候选活动进行校验；以及在校验通过时，将所述候选活动作为所述用户的目标活动。
第三方面，本申请实施例提供了一种存储介质，其上存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行如本申请实施例提供的活动预测方法中的步骤。
第四方面，本申请实施例提供了一种电子设备，包括处理器和存储器，所述存储器有计算机程序，所述处理器通过调用所述计算机程序，用于执行如本申请实施例提供的活动预测方法中的步骤。
本申请实施例中，电子设备可以首先获取对应电子设备的时序数据序列，并根据时序数据序列以及预先训练的活动预测模型，对电子设备的用户将要发生的活动进行预测，得到候选活动，然后，电子设备获取到对应用户的活动规律，并根据该活动规律对预测得到的候选活动进行校验，若校验通过，则判定预测得到的候选活动符合用户的活动规律，将候选活动作为用户的目标活动。由此，实现了对用户活动的准确预测，能够更好的为用户提供智能化的服务。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，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是本申请实施例提供的全景感知架构的结构示意图。
图2是本申请实施例提供的活动预测方法的一流程示意图。
图3是本申请实施例中电子设备获取的时序数据序列的示意图。
图4是本申请实施例中活动规律关系图的示意图。
图5是本申请实施例提供的活动预测方法的另一流程示意图。
图6是本申请实施例提供的活动预测装置的一结构示意图。
图7是本申请实施例提供的电子设备的一结构示意图。
图8是本申请实施例提供的电子设备的另一结构示意图。
具体实施方式
请参照图式，其中相同的组件符号代表相同的组件，本申请的原理是以实施在一适当的运算环境中来举例说明。以下的说明是基于所例示的本申请具体实施例，其不应被视为限制本申请未在此详述的其它具体实施例。
随着传感器的小型化、智能化，如手机、平板电脑等电子设备集成了越来越多的传感器，比如光线传感器、距离传感器、位置传感器、加速度传感器以及重力传感器，等等。电子设备能够通过其配置的传感器以更小的功耗采集到更多的数据。同时，电子设备在运行过程中还会采集到自身状态相关的数据以及用户状态相关的数据，等等。笼统的说，电子设备能够获取到外部环境相关的数据(比如温度、光照、地点、声音、天气等)、用户状态相关的数据(比如姿势、速度、手机使用习惯、个人基本信息等)以及电子设备状态相关的数据(比如耗电量、资源使用状况、网络状况等)。
本申请实施例中，为了能够对电子设备获取到的这些数据进行处理，向用户提供智能服务，提出了一种全景感知架构。请参照图1，图1为本申请实施例提供的全景感知架构的结构示意图，应用于电子设备，其包括由下至上的信息感知层、数据处理层、特征抽取层、情景建模层以及智能服务层。
作为全景感知架构的最底层，信息感知层用于获取能够描述用户的各类型情景的原始数据，包括动态的数据和静态的数据。其中，信息感知层由多个用于数据采集的传感器组成，包括但不限于图示的用于检测电子设备与外部物体之间的距离的距离传感器、用于检测电子设备所处环境的磁场信息的磁场传感器、用于检测电子设备所处环境的光线信息的光线传感器、用于检测电子设备的加速度数据的加速度传感器、用于采集用户的指纹信息的指纹传感器、用于感应磁场信息的霍尔传感器、用于检测电子设备当前所处的地理位置的位置传感器、用于检测电子设备在各个方向上的角速度的陀螺仪、用于检测电子设备的运动数据惯性传感器、用于感应电子设备的姿态信息的姿态感应器、用于检测电子设备所处环境的气压的气压计以及用于检测用户的心率信息的心率传感器等。
作为全景感知架构的次底层，数据处理层用于对信息感知层获取到的原始数据进行处理，消除原始数据存在的噪声、不一致等问题。其中，数据处理层可以对信息感知层获取到的数据进行数据清理、数据集成、数据变换、数据归约等处理。
作为全景感知架构的中间层，特征抽取层用于对数据处理层处理后的数据进行特征抽取，以提取所述数据中包括的特征。其中，特征抽取层可以通过过滤法、包装法、集成法等方法来提取特征或者对提取到的特征进行处理。
过滤法是指对提取到的特征进行过滤，以删除冗余的特征数据。包装法用于对提取到的特征进行筛选。集成法是指将多种特征提取方法集成到一起，以构建一种更加高效、更加准确的特征提取方法，用于提取特征。
作为全景感知架构的次高层，情景建模层用于根据特征抽取层提取到的特征来构建模型，所得到的模型可以用于表示电子设备的状态或者用户状态或者环境状态等。例如，情景建模层可以根据特征抽取层提取到的特征来构建关键值模型、模式标识模型、图模型、实体联系模型、面向对象模型等。
作为全景感知架构的最高层，智能服务层用于根据情景建模层所构建的模型提供智能化服务。比如，智能服务层可以为用户提供基础应用服务，可以为电子设备进行系统智能优化服务，还可以为用户提供个性化智能服务等。
此外，全景感知架构中还包括算法库，算法库中包括但不限于图示的马尔科夫算法、隐含狄里克雷分布算法、贝叶斯分类算法、支持向量机、K均值聚类算法、K近邻算法、条件随机场、残差网络、长短期记忆网络、卷积神经网络以及循环神经网络等算法。
基于本申请实施例提供的全景感知架构，本申请实施例提供一种活动预测方法，该活动预测方法的执行主体可以是本申请实施例提供的活动预测装置，或者集成了该活动预测装置的电子设备，其中该活动预测装置可以采用硬件或者软件的方式实现。其中，电子设备可以是智能手机、平板电脑、掌上电脑、笔记本电脑、或者台式电脑等配置有处理器而具有处理能力的设备。
基于本申请实施例所提供的活动预测方法，可以在信息感知层获取到全景数据，提供给数据处理层；在数据处理层对来自信息感知层的全景数据进行处理，得到对应电子设备的时序数据序列，提供给特征抽取层；在特征抽取层对前述时序数据序列进行特征提取，得到时序特征，提供给情景建模层；在情景建模层根据前述时序时间序列以及预先训练的活动预测模型预测用户的活动，得到候选活动，此外，还获取到对应用户的活动规律，并根据该活动规律对预测得到的候选活动进行校验，若校验通过，则判定预测得到的候选活动符合用户的活动规律，将候选活动作为用户的目标活动，提供给智能服务层；在智能服务层根据用户的目标活动向用户提供个性化服务，比如在用户回家时推荐路线，吃饭时推荐餐厅等。
请参照图2，图2为本申请实施例提供的活动预测方法的流程示意图。如图2所示，本申请实施例提供的活动预测方法的流程可以如下：
在101中，获取对应电子设备的时序数据序列。
本申请实施例中，电子设备可以周期性的自动触发对用户进行活动预测，也可以在接收到特定服务的预测需求时触发对用户进行活动预测。其中，用户的活动包括但不限于起床、上班、坐地铁、开车、坐公交、走路、跑步、开会、旅游、聚会、睡眠以及逛街等等。比如，系统更新服务被配置为在用户睡眠期间进行系统更新，相应的，系统更新服务就需要确定用户在何时睡眠，为此，系统更新服务生成对用户活动的预测需求，触发电子设备对用户活动进行预测。
电子设备在触发对用户行为进行预测时，以当前时间点为起点，往前(应当说明的是，往前是指向着已经经过的时间点的方向，而往后则是指向着尚未经过的时间点的方向)获取对应不同时间点的多个预设类型数据，由获取到的对应不同时间点的多个预设类型数据构成对应电子设备的时序数据序列，如图3所示。其中，相邻两个时间点的间隔可以相同，也可以不同，比如，电子设备可以当前时间点为起点，往前获取N个时间点的预设类型数据，其中，相邻两个时间点的间隔相同。
在102中，根据时序数据序列以及预先训练的活动预测模型，对电子设备的用户将要发生的活动进行预测，得到候选活动。
在本申请实施例中，还预先训练有用于对用户进行活动预测的活动预测模型，其中，该活动预测模型可以存储在电子设备本地，也可以存储在远端的服务器中。这样，电子设备在获取到其对应的时序数据序列之后，进一步从本地获取用于对用户进行活动预测的活动预测模型，或者，从远端的服务器获取用于对用户进行活动预测的活动预测模型。
在获取到预先训练的活动预测模型之后，电子设备即根据获取到的时序数据序列以及预先训练的活动预测模型，对电子设备的用户将要发生的活动进行预测，将预测得到的用户将要发生的活动记为候选活动。比如，预测得到用户的候选活动为“上班”。
在103中，获取对应用户的活动规律，并根据活动规律对候选活动进行校验。
本领域普通技术人员可以理解的是，人的活动通常存在一定的规律性，比如某人每天的活动均为：起床、坐地铁上班、娱乐以及睡眠。基于此，本申请实施例中，采用活动规律来对用户的活动中存在的规律性进行描述。相应的，电子设备在预测得到用户的候选活动之后，为确保预测的准确性，进一步获取到对应用户的活动规律，并根据该活动规律对预测得到的候选活动进行校验，也即是校验预测得到的候选活动是否符合用户的活动规律。
应当说明的是，前述活动规律可以由电子设备预先根据用户的历史活动生成，还可由电子设备预先根据用户在电子设备配置的作息计划生成，或者采用本申请实施例中为例出的其它方式预先生成，本申请实施例对此不做限制。
在104中，若校验通过，则将候选活动作为用户的目标活动。
根据以上描述，本领域普通技术人员可以理解的是，若对前述候选活动的校验结果为校验通过，则说明该候选活动是符合用户的活动规律的，也即是电子设备对用户活动的预测是准确的，此时，电子设备将预测得到的候选活动确定为用户将要发生的活动，记为用户的目标活动。
由上可知，本申请实施例中，电子设备可以首先获取对应电子设备的时序数据序列，并根据时序数据序列以及预先训练的活动预测模型，对电子设备的用户将要发生的活动进行预测，得到候选活动，然后，电子设备获取到对应用户的活动规律，并根据该活动规律对预测得到的候选活动进行校验，若校验通过，则判定预测得到的候选活动符合用户的活动规律，将候选活动作为用户的目标活动。由此，实现了对用户活动的准确预测，能够更好的为用户提供智能化的服务。
在一实施例中，活动规律包括活动规律关系图，活动规律关系图包括多个活动节点，“根据活动规律对候选活动进行校验”，包括：
(1)根据向后传播算法，计算活动规律关系图中对应候选活动的活动节点的概率值；
(2)判断对应候选活动的活动节点的概率值是否达到预设概率值，是则校验通过，否则校验失败。
应当说明的是，在本申请实施例中，用户的活动规律以关系图的形式在电子设备中进行存储。与数组、排列、区块链一样，关系图也是一种数据结构，本申请实施例中采用关系图的节点表示用户的活动，两个节点之间的连线表示相应两个活动的关系。比如，请参照图4，图4给出了一用户的活动规律关系图，如图4所示，该活动规律关系图中包括8个活动节点，表示该用户的活动规律为：6:30起床、7:00坐公交去公司、8:00开始上班、13:00开始午休、14:00开始上班、17:30坐公交回家、20:00娱乐、22:30开始睡眠。
本申请实施例中，电子设备在根据活动规律对候选活动进行校验时，可以首先获取到对应用户的活动规律关系图，然后确定该活动规律关系图中对应预测得到的候选活动的活动节点，并根据向后传播算法，计算活动规律关系图中对应候选活动的活动节点的概率值。然后，电子设备将计算得到的活动规律关系图中对应候选活动的活动节点的概率值与预设概率值进行比较，若活动规律关系图中对应候选活动的活动节点的概率值达到预设概率值，则判定校验通过，否则判定校验失败。
在一实施例中，“根据时序数据序列以及预先训练的活动预测模型，对电子设备的用户将要发生的活动进行预测，得到候选活动”包括：
(1)对时序数据序列进行特征提取，得到对应的时序特征；
(2)将时序特征输入活动预测模型，得到活动预测模型输出的候选活动。
本申请实施例中，电子设备在根据时序数据序列以及预先训练的活动预测模型，对电子设备的用户将要发生的活动进行预测时，首先根据预先设置的滑动时间窗口对时序数据序列进行数据提取，由此得到多个窗口数据。应当说明的是，本申请实施例中对于预设的滑动时间窗口的长度不做具体限制，可由本领域普通技术人员根据实际需要预先配置。其中，电子设备利用预设的滑动时间窗口对时序数据序列进行数据提取所提取的每个窗口数据中均包括多个时间点的预设类型数据，其中，任一窗口数据即反映了用户在窗口数据所对应的时间区间内的活动，比如起床、上班、坐地铁、开车、坐公交等等。
然后，电子设备采用预设的特征提取技术对数据提取所得的窗口数据进行特征提取，由此得到各窗口数据对应的特征，并由这些特征组成对应时序数据序列的时序特征。应当说明的是，本申请实施例中对于采用何种特征提取技术来进行特征提取不做具体限制，可由本领域普通技术人员根据实际需要进行选取，比如，可以采用神经网络的方式来进行特征提取。
然后，电子设备将提取得到的时序特征输入到预先训练的活动预测模型之中，由该活动预测模型对用户将要发生的活动进行预测，并输出预测的候选活动。
在一实施例中，时序数据序列包括对应多个不同时间点的用户操作数据、设备状态数据以及环境状态数据，“对时序数据序列进行特征提取，得到对应的时序特征”包括：
(1)根据预设的滑动时间窗口对时序数据序列进行数据提取，得到多个窗口数据；
(2)将各窗口数据中的用户操作数据、设备状态数据以及环境状态数据分别输入对应的编码器神经网络进行特征提取，得到各窗口数据中用户操作数据的特征、设备状态数据的特征以及环境状态数据的特征；
(3)根据各窗口数据中用户操作数据的特征、设备状态数据的特征以及环境状态数据的特征，生成时序特征。
本申请实施例中，电子设备获取的时序数据序列包括对应多个不同时间点的用户操作数据、设备状态数据以及环境状态数据。其中，设备状态数据比如耗电量、内存占用情况、处理器占用情况以及网络占用情况等，环境状态数据比如环境温度、环境亮度、外部天气以及外部声音等，用户操作数据比如亮/熄屏、连接无线网络、运行应用等。
在对时序数据序列进行特征提取时，电子设备首先根据预先设置的滑动时间窗口对时序数据序列进行数据提取，由此得到多个窗口数据。应当说明的是，本申请实施例中对于预设的滑动时间窗口的长度不做具体限制，可由本领域普通技术人员根据实际需要预先配置。其中，电子设备利用预设的滑动时间窗口对时序数据序列进行数据提取所提取的每个窗口数据中均包括多个时间点的用户操作数据、设备状态数据以及环境状态数据，其中，任一窗口数据即反映了用户在窗口数据所对应的时间区间内的活动，比如起床、上班、坐地铁、开车、坐公交等等。
应当说明的是，本申请实施例中，对应于用户操作数据、设备状态数据以及环境状态数据，预先分别训练有对其进行特征提取的编码器神经网络，且在训练编码器神经网络时，通过参数设置，使得不同的编码器神经网络进行特征提取所输出的特征的数量相同。这样，电子设备可将各窗口数据中的用户操作数据、设备状态数据以及环境状态数据分别输入对应的编码器神经网络进行特征提取，从而得到各窗口数据中用户操作数据的特征、设备状态数据的特征以及环境状态数据的特征。
比如，假设预先训练有对应于用户操作数据的编码器神经网络A，对应于设备状态数据的编码器神经网络B，以及对应于环境状态数据的编码器神经网络C，电子设备在根据预先设置的滑动时间窗口对时序数据序列进行数据提取，由此得到多个窗口数据之后，对应任一窗口数据，将其中包括的用户操作数据输入到编码器神经网络A进行特征提取，将其中包括的设备状态数据输入到编码器神经网络B进行特征提取，将其中包括环境状态数据输入到编码器神经网络C进行特征提取，虽然编码器神经网络A、编码器神经网络B以及编码器神经网络C各自输入的数据类型不同，但是编码器神经网络A、编码器神经网络B以及编码器神经网络C对各自输入的数据进行特征提取所输出的特征的数量相同。
电子设备在得到各窗口数据中用户操作数据的特征、设备状态数据的特征以及环境状态数据的特征之后，根据各窗口数据中用户操作数据的特征、设备状态数据的特征以及环境状态数据的特征，生成对应前述时序数据序列的时序特征。
应当说明的是，本申请实施例中并不限定各编码器神经网络的具体模型和拓扑结构，可以采用单层的递归神经网络进行训练得到编码器神经网络，也可以采用多层的递归神经网络进行训练得到编码器神经网络，还可以采用卷积神经网络、或者其变种、或者其他网络结构的神经网络进行训练，得到编码器神经网络。比如，本申请实施例中可以采用循环神经网络来训练得到编码器神经网络。
在一实施例中，“获取对应电子设备的时序数据序列”包括：
(1)判断是否存在对应时间点的用户操作数据、设备状态数据以及环境状态数据；
(2)若是，则获取对应前述时间点的用户操作数据、设备状态数据以及环境状态数据；
(3)若否，则获取距离前述时间点最近的用户操作数据、设备状态数据以及环境状态数据，作为对应前述时间点的用户操作数据、设备状态数据以及环境状态数据。
根据以上相关描述，本领域普通技术人员可以理解的是，时序数据序列由时序上多个时间点所对应的设备状态数据、环境状态数据以及用户操作数据组成。应当说明的是，在实际应用中，对于设备状态数据、环境状态数据以及用户操作数据，其中不同数据的回传频率可能并不一致，比如，电子设备中用于采集外部环境温度的温度传感器和用于采集外部环境亮度的光线传感器的回传频率不一致，这样，在某时间点将获取到温度传感器采集的外部环境温度，而无法获取到光线传感器采集的外部环境亮度，或者在某时间点将获取到光线传感器采集的外部环境亮度，而无法获取到温度传感器采集的外部环境温度。为此，在本申请实施例中，电子设备在获取一时间点的数据时，首先判断是否存在对应该时间点的设备状态数据、环境状态数据以及用户操作数据，若存在对应该时间点的设备状态数据、环境状态数据以及用户操作数据，则获取到对应该时间点的设备状态数据、环境状态数据以及用户操作数据，若不存在对应该时间点的设备状态数据、环境状态数据和/或用户操作数据，则获取到距离该时间点最近(可以是之前，也可以是之后)的设备状态数据、环境状态数据和/或用户操作数据，作为对应该时间点的设备状态数据、环境状态数据以及用户操作数据。
比如，电子设备在获取一时间点的外部环境温度时，存在对应该时间点的外部环境温度，则电子设备直接获取到对应该时间点的外部环境温度，在获取该时间点的外部环境亮度时，不存在对应该时间点的外部环境亮度，则电子设备获取距离该时间点最近的外部环境亮度，作为该时间点的外部环境亮度。
又比如，电子设备在获取一时间点的外部环境温度和外部环境亮度时，不存在对应该时间点的外部环境温度和外部环境亮度，则电子设备获取距离该时间点最近的外部环境亮度和外部环境温度，作为该时间点的外部环境温度和外部环境亮度。
在一实施例中，“获取对应电子设备的时序数据序列”之前，还包括：
(1)获取对应用户的历史用户操作数据；
(2)根据预设的专家规则，对历史用户操作数据进行规则发现，得到活动规律。
本申请实施例中，在获取对应电子设备的时序数据序列之前，或者说，在对用户进行活动预测之前，还生成用户的活动规律。其中，预先定义有专家规则，比如，专家规则规定电子设备早上第一次开机的时间或者第一次亮屏的时间为用户起床时间，早上首次连接Wi-Fi的地点作为用户的“家庭”地址；早上出了“家庭”地址后第一次连接Wi-Fi的地址为“公司”地址等等。这样，电子设备在生成用户的活动规律时，首先获取到对应用户的历史操作数据，然后根据预设的专家规则，对历史用户操作数据进行规则发现，得到历史操作数据所对应的多个用户活动。比如，对于历史用户操作数据“电子设备早上第一次开机的时间为6：30”，得到用户的活动为“6：30起床”。
然后，电子设备再对对应历史操作数据的多个用户活动进行规律分析，得到用户的活动规律。比如，对于历史用户操作数据“电子设备早上第一次开机的时间为6：30”，得到用户的活动为“6：30起床”。
在一实施例中，“获取对应电子设备的时序数据序列”包括：
侦测目标服务的活动预测请求，根据活动预测请求获取对应电子设备的时序数据序列；
“将候选活动作为用户的目标活动”之后，还包括：
将目标活动提供给目标服务。
其中，目标服务并不用于特指某一服务，而是用于代指需要获取用户将要发生的活动的服务，包括但不限于与用户相关的智能服务类服务(比如，健康类服务、导航类服务、旅游类服务以及语音类服务等)，以及与电子设备本身相关的系统优化类服务(比如，资源优化调度、省电等)等。比如，系统更新服务被配置为在用户睡眠期间进行系统更新，相应的，系统更新服务就需要确定用户在何时睡眠，为此，系统更新服务产生活动预测请求，触发电子设备对用户活动进行预测，从而根据预测的用户活动来识别用户在何时睡眠。
相应的，电子设备在侦测到目标服务的活动预测请求时，触发对用户活动的预测，首先根据该活动预测请求获取对应电子设备的时序数据序列，从而根据该时序数据训练预测用户的活动，具体可参照以上实施例中的相关描述，此处不再赘述。
在完成对用户的活动预测得到用户的目标活动之后，电子设备将预测得到的目标活动提供给目标服务，由目标服务根据用户的目标活动实现其功能。
在一实施例中，“获取对应电子设备的时序数据序列”之前，还包括：
(1)获取时序数据序列样本，时序数据序列样本为对应电子设备的历史时序数据序列；
(2)根据预先设置的滑动时间窗口对历史时序数据序列进行数据提取，得到对应的窗口数据样本；
(3)对得到的窗口数据样本进行特征提取，得到对应的特征样本；
(4)根据得到的特征样本进行模型训练，得到活动预测模型。
本申请实施例中，电子设备预先训练得到活动预测模型。其中，电子设备首先获取到对应电子设备的历史时序数据序列，作为训练活动预测模型的时序数据序列样本。
在获取到时序数据序列样本之后，电子设备进一步根据预先设置的滑动时间窗口对获取到的时序数据序列样本进行数据提取，得到多个窗口数据样本，其中每个窗口数据样本包括多个历史时间点的预设类型数据。其中，任一窗口数据样本即反映了用户在该窗口数据样本对应的历史时间区间内的行为，比如起床、上班、坐地铁、开车、坐公交等等。应当说明的是，电子设备对时序数据序列样本进行数据提取的方式与对前述时序数据序列进行数据提取的方式相同，此处不再赘述，具体可参照以上相关描述。
在提取到历史时序数据序列对应的窗口数据样本之后，进一步采用预设的特征提取技术对各窗口数据样本进行特征提取，由此得到各窗口数据样本对应的特征样本。应当说明的是，电子设备对窗口数据样本进行特征提取的方式与对前述窗口数据进行特征提取的方式相同，此处不再赘述，具体可参照以上相关描述。
在获取到各窗口数据样本对应的特征样本之后，电子设备即可根据各窗口数据样本对应的特征样本，按照预先设定的训练算法来进行模型训练，以训练得到用于对用户进行活动预测的活动预测模型。
其中，在进行模型训练时，电子设备首先构建循环神经网络，并根据预设的训练目标以及所构建的循环神经网络的构型，进一步构建对应构建的循环神经网络的损失函数。
其中，对于构建的循环神经网络的构型以及损失函数的类型，本申请实施例中不做具体限制，可由本领域普通技术人员根据实际需要预先设置，比如，构建LSTM(LongShort-Term Memory，长短期记忆)循环神经网络模型，并构建对应LSTM循环神经网络模型的交叉熵损失函数。
此外，电子设备还接收人工标定的对应“各窗口数据样本的特征样本”的用户行为，作为训练循环神经网络的输出标签。
然后，电子设备初始化前述循环神经网络的参数，将各窗口数据样本对应的特征样本输入前述循环神经网络，并根据前述循环神经网络的实际输出、对应的输出标签以及构建的损失函数获取前述循环神经网络的损失值，将获取到的损失值反向传播至前述循环神经网络，对前述循环神经网络的参数进行更新。通过不断迭代输入各窗口数据样本对应的特征样本至前述循环神经网络，对前述循环神经网络进行训练，直至满足预设的训练目标时，终止训练，将训练后的循环神经网络作为用于预测用户行为的活动预测模型。
应当说明的是，对前述循环神经网络进行训练只会改变前述循环神经网络的参数，而不会改变其构型，比如，构建的循环神经网络在完成训练仍然为循环神经网络，但其参数初始化参数有所改变。
请参照图5，图5为本申请实施例提供的活动预测方法的另一种流程示意图。该活动预测方法可以应用于电子设备，该活动预测方法的流程可以包括：
在201中，电子设备侦测目标服务的活动预测请求，根据活动预测请求获取对应电子设备的时序数据序列。
其中，目标服务并不用于特指某一服务，而是用于代指需要获取用户将要发生的活动的服务，包括但不限于与用户相关的智能服务类服务(比如，健康类服务、导航类服务、旅游类服务以及语音类服务等)，以及与电子设备本身相关的系统优化类服务(比如，资源优化调度、省电等)等。比如，系统更新服务被配置为在用户睡眠期间进行系统更新，相应的，系统更新服务就需要确定用户在何时睡眠，为此，系统更新服务产生活动预测请求，触发电子设备对用户活动进行预测，从而根据预测的用户活动来识别用户在何时睡眠。
相应的，电子设备在侦测到目标服务的活动预测请求时，触发对用户活动的预测，首先根据该活动预测请求获取对应电子设备的时序数据序列。其中，电子设备以当前时间点为起点，往前(应当说明的是，往前是指向着已经经过的时间点的方向，而往后则是指向着尚未经过的时间点的方向)获取对应不同时间点的多个预设类型数据，由获取到的对应不同时间点的多个预设类型数据构成对应电子设备的时序数据序列，如图3所示。其中，相邻两个时间点的间隔可以相同，也可以不同，比如，电子设备可以当前时间点为起点，往前获取N个时间点的预设类型数据，其中，相邻两个时间点的间隔相同。
在202中，电子设备根据时序数据序列以及预先训练的活动预测模型，对电子设备的用户将要发生的活动进行预测，得到候选活动。
在本申请实施例中，还预先训练有用于对用户进行活动预测的活动预测模型，其中，该活动预测模型可以存储在电子设备本地，也可以存储在远端的服务器中。这样，电子设备在获取到其对应的时序数据序列之后，进一步从本地获取用于对用户进行活动预测的活动预测模型，或者，从远端的服务器获取用于对用户进行活动预测的活动预测模型。
在获取到预先训练的活动预测模型之后，电子设备即根据获取到的时序数据序列以及预先训练的活动预测模型，对电子设备的用户将要发生的活动进行预测，将预测得到的用户将要发生的活动记为候选活动。比如，预测得到用户的候选活动为“上班”。
在203中，电子设备获取对应用户的活动规律关系图，并根据向后传播算法，计算活动规律关系图中对应候选活动的活动节点的概率值。
本领域普通技术人员可以理解的是，人的活动通常存在一定的规律性，比如某人每天的活动均为：起床、坐地铁上班、娱乐以及睡眠。基于此，本申请实施例中，采用活动规律来对用户的活动中存在的规律性进行描述。
应当说明的是，前述活动规律可以由电子设备预先根据用户的历史活动生成，还可由电子设备预先根据用户在电子设备配置的作息计划生成，或者采用本申请实施例中为例出的其它方式预先生成，本申请实施例对此不做限制。
本申请实施例中，用户的活动规律以关系图的形式在电子设备中进行存储。与数组、排列、区块链一样，关系图也是一种数据结构，本申请实施例中采用关系图的节点表示用户的活动，两个节点之间的连线表示相应两个活动的关系。比如，请参照图4，图4给出了一用户的活动规律关系图，如图4所示，该活动规律关系图中包括8个活动节点，表示该用户的活动规律为：6:30起床、7:00坐公交去公司、8:00开始上班、13:00开始午休、14:00开始上班、17:30坐公交回家、20:00娱乐、22:30开始睡眠。
本申请实施例中，电子设备在根据活动规律对候选活动进行校验时，可以首先获取到对应用户的活动规律关系图，然后确定该活动规律关系图中对应预测得到的候选活动的活动节点，并根据向后传播算法，计算活动规律关系图中对应候选活动的活动节点的概率值。
在204中，电子设备判断对应候选活动的活动节点的概率值是否达到预设概率值，是则校验通过，转入205，否则校验失败，重新预测所述用户将要发生的候选活动，直至对预测的候选活动校验通过。
然后，电子设备将计算得到的活动规律关系图中对应候选活动的活动节点的概率值与预设概率值进行比较，若活动规律关系图中对应候选活动的活动节点的概率值达到预设概率值，则判定校验通过，否则判定校验失败。
其中，在判定校验失败，电子设备重新预测所述用户将要发生的候选活动，直至对预测的候选活动校验通过。
在205中，电子设备将候选活动作为用户的目标活动。
根据以上描述，本领域普通技术人员可以理解的是，若对前述候选活动的校验结果为校验通过，则说明该候选活动是符合用户的活动规律的，也即是电子设备对用户活动的预测是准确的，此时，电子设备将预测得到的候选活动确定为用户将要发生的活动，记为用户的目标活动。
在206中，电子设备将目标活动提供给目标服务。
在完成对用户的活动预测得到用户的目标活动之后，电子设备将预测得到的目标活动提供给目标服务，由目标服务根据用户的目标活动实现其功能。
本申请实施例还提供一种活动预测装置。请参照图6，图6为本申请实施例提供的活动预测装置的结构示意图。其中该活动预测装置应用于电子设备，该活动预测装置包括数据获取模块301、活动预测模块302以及活动校验模块303，如下：
数据获取模块301，用于获取对应电子设备的时序数据序列；
活动预测模块302，用于根据时序数据序列以及预先训练的活动预测模型，对电子设备的用户将要发生的活动进行预测，得到候选活动；
活动校验模块303，用于获取对应用户的活动规律，并根据活动规律对候选活动进行校验；以及在校验通过时，将候选活动作为用户的目标活动。
在一实施例中，活动规律包括活动规律关系图，活动规律关系图包括多个活动节点，在根据活动规律对候选活动进行校验时，活动校验模块303可以用于：
根据向后传播算法，计算活动规律关系图中对应候选活动的活动节点的概率值；
判断对应候选活动的活动节点的概率值是否达到预设概率值，是则校验通过，否则校验失败。
在一实施例中，在根据时序数据序列以及预先训练的活动预测模型，对电子设备的用户将要发生的活动进行预测，得到候选活动时，活动预测模块302可以用于：
对时序数据序列进行特征提取，得到对应的时序特征；
将时序特征输入活动预测模型，得到活动预测模型输出的候选活动。
在一实施例中，时序数据序列包括对应多个不同时间点的用户操作数据、设备状态数据以及环境状态数据，在对时序数据序列进行特征提取，得到对应的时序特征时，活动预测模块302可以用于：
根据预设的滑动时间窗口对时序数据序列进行数据提取，得到多个窗口数据；
将各窗口数据中的用户操作数据、设备状态数据以及环境状态数据分别输入对应的编码器神经网络进行特征提取，得到各窗口数据中用户操作数据的特征、设备状态数据的特征以及环境状态数据的特征；
根据各窗口数据中用户操作数据的特征、设备状态数据的特征以及环境状态数据的特征，生成时序特征。
在一实施例中，在获取对应电子设备的时序数据序列时，数据获取模块301可以用于：
判断是否存在对应时间点的用户操作数据、设备状态数据以及环境状态数据；
若是，则获取对应前述时间点的用户操作数据、设备状态数据以及环境状态数据；
若否，则获取距离前述时间点最近的用户操作数据、设备状态数据以及环境状态数据，作为对应前述时间点的用户操作数据、设备状态数据以及环境状态数据。
在一实施例中，在获取对应电子设备的时序数据序列之前，还包括：
获取对应用户的历史用户操作数据；
根据预设的专家规则，对历史用户操作数据进行规则发现，得到活动规律。
在一实施例中，在获取对应电子设备的时序数据序列时，数据获取模块301可以用于：
侦测目标服务的活动预测请求，根据活动预测请求获取对应电子设备的时序数据序列；
而在将候选活动作为用户的目标活动之后，活动校验模块303可以用于：
将目标活动提供给目标服务。
在一实施例中，活动预测装置还包括模型训练模块，用于在获取对应电子设备的时序数据序列之前，
获取时序数据序列样本，时序数据序列样本为对应电子设备的历史时序数据序列；
根据预先设置的滑动时间窗口对历史时序数据序列进行数据提取，得到对应的窗口数据样本；
对得到的窗口数据样本进行特征提取，得到对应的特征样本；
根据得到的特征样本进行模型训练，得到活动预测模型。
应当说明的是，本申请实施例提供的活动预测装置与上文实施例中的活动预测方法属于同一构思，在活动预测装置上可以运行活动预测方法实施例中提供的任一方法，其具体实现过程详见活动预测方法实施例，此处不再赘述。
本申请实施例提供一种计算机可读的存储介质，其上存储有计算机程序，当其存储的计算机程序在计算机上执行时，使得计算机执行如本实施例提供的活动预测方法中的步骤。其中，存储介质可以是磁碟、光盘、只读存储器(Read Only Memory，ROM，)或者随机存取器(Random Access Memory，RAM)等。
本申请实施例还提供一种电子设备，包括存储器，处理器，处理器通过调用存储器中存储的计算机程序，执行本实施例提供的活动预测方法中的步骤。
在一实施例中，还提供一种电子设备。请参照图7，电子设备包括处理器401以及存储器402。其中，处理器401与存储器402电性连接。
处理器401是电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或加载存储在存储器402内的计算机程序，以及调用存储在存储器402内的数据，执行电子设备的各种功能并处理数据。
存储器402可用于存储软件程序以及模块，处理器401通过运行存储在存储器402的计算机程序以及模块，从而执行各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的计算机程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器402还可以包括存储器控制器，以提供处理器401对存储器402的访问。
在本申请实施例中，电子设备中的处理器401会按照如下的步骤，将一个或一个以上的计算机程序的进程对应的指令加载到存储器402中，并由处理器401运行存储在存储器402中的计算机程序，从而实现各种功能，如下：
获取对应电子设备的时序数据序列；
根据时序数据序列以及预先训练的活动预测模型，对电子设备的用户将要发生的活动进行预测，得到候选活动；
获取对应用户的活动规律，并根据活动规律对候选活动进行校验；
若校验通过，则将候选活动作为用户的目标活动。
请参照图8，图8为本申请实施例提供的电子设备的另一结构示意图，与图7所示电子设备的区别在于，电子设备还包括输入单元403和输出单元404等组件。
其中，输入单元403可用于接收输入的数字、字符信息或用户特征信息(比如指纹)，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入等。
输出单元404可用于显示由用户输入的信息或提供给用户的信息，如屏幕。
在本申请实施例中，电子设备中的处理器401会按照如下的步骤，将一个或一个以上的计算机程序的进程对应的指令加载到存储器402中，并由处理器401运行存储在存储器402中的计算机程序，从而实现各种功能，如下：
获取对应电子设备的时序数据序列；
根据时序数据序列以及预先训练的活动预测模型，对电子设备的用户将要发生的活动进行预测，得到候选活动；
获取对应用户的活动规律，并根据活动规律对候选活动进行校验；
若校验通过，则将候选活动作为用户的目标活动。
在一实施例中，活动规律包括活动规律关系图，活动规律关系图包括多个活动节点，在根据活动规律对候选活动进行校验时，处理器401可以执行：
根据向后传播算法，计算活动规律关系图中对应候选活动的活动节点的概率值；
判断对应候选活动的活动节点的概率值是否达到预设概率值，是则校验通过，否则校验失败。
在一实施例中，在根据时序数据序列以及预先训练的活动预测模型，对电子设备的用户将要发生的活动进行预测，得到候选活动时，处理器401可以执行：
对时序数据序列进行特征提取，得到对应的时序特征；
将时序特征输入活动预测模型，得到活动预测模型输出的候选活动。
在一实施例中，时序数据序列包括对应多个不同时间点的用户操作数据、设备状态数据以及环境状态数据，在对时序数据序列进行特征提取，得到对应的时序特征时，处理器401可以执行：
根据预设的滑动时间窗口对时序数据序列进行数据提取，得到多个窗口数据；
将各窗口数据中的用户操作数据、设备状态数据以及环境状态数据分别输入对应的编码器神经网络进行特征提取，得到各窗口数据中用户操作数据的特征、设备状态数据的特征以及环境状态数据的特征；
根据各窗口数据中用户操作数据的特征、设备状态数据的特征以及环境状态数据的特征，生成时序特征。
在一实施例中，在获取对应电子设备的时序数据序列时，处理器401可以执行：
判断是否存在对应时间点的用户操作数据、设备状态数据以及环境状态数据；
若是，则获取对应前述时间点的用户操作数据、设备状态数据以及环境状态数据；
若否，则获取距离前述时间点最近的用户操作数据、设备状态数据以及环境状态数据，作为对应前述时间点的用户操作数据、设备状态数据以及环境状态数据。
在一实施例中，在获取对应电子设备的时序数据序列之前，处理器401可以执行：
获取对应用户的历史用户操作数据；
根据预设的专家规则，对历史用户操作数据进行规则发现，得到活动规律。
在一实施例中，在获取对应电子设备的时序数据序列时，处理器401可以执行：
侦测目标服务的活动预测请求，根据活动预测请求获取对应电子设备的时序数据序列；
而在将候选活动作为用户的目标活动之后，处理器401还可以执行：
将目标活动提供给目标服务。
在一实施例中，在获取对应电子设备的时序数据序列之前，处理器401可以执行：
获取时序数据序列样本，时序数据序列样本为对应电子设备的历史时序数据序列；
根据预先设置的滑动时间窗口对历史时序数据序列进行数据提取，得到对应的窗口数据样本；
对得到的窗口数据样本进行特征提取，得到对应的特征样本；
根据得到的特征样本进行模型训练，得到活动预测模型。
应当说明的是，本申请实施例提供的电子设备与上文实施例中的活动预测方法属于同一构思，在电子设备上可以运行活动预测方法实施例中提供的任一方法，其具体实现过程详见活动预测方法实施例，此处不再赘述。
应当说明的是，对本申请实施例的活动预测方法而言，本领域普通技术人员可以理解实现本申请实施例的活动预测方法的全部或部分流程，是可以通过计算机程序来控制相关的硬件来完成，所述计算机程序可存储于一计算机可读取存储介质中，如存储在电子设备的存储器中，并被该电子设备内的至少一个处理器执行，在执行过程中可包括如活动预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、只读存储器、随机存取记忆体等。
对本申请实施例的活动预测装置而言，其各功能模块可以集成在一个处理芯片中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中，所述存储介质譬如为只读存储器，磁盘或光盘等。
以上对本申请实施例所提供的一种活动预测方法、装置、存储介质及电子设备进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种活动预测方法，应用于电子设备，其特征在于，包括：
获取对应所述电子设备的时序数据序列；
根据所述时序数据序列以及预先训练的活动预测模型，对所述电子设备的用户将要发生的活动进行预测，得到候选活动；
获取对应所述用户的活动规律，并根据所述活动规律对所述候选活动进行校验；
若校验通过，则将所述候选活动作为所述用户的目标活动。
2.根据权利要求1所述的活动预测方法，其特征在于，所述活动规律包括活动规律关系图，所述活动规律关系图包括多个活动节点，所述根据所述活动规律对所述候选活动进行校验，包括：
根据向后传播算法，计算所述活动规律关系图中对应所述候选活动的活动节点的概率值；
判断所述对应所述候选活动的活动节点的概率值是否达到预设概率值，是则校验通过，否则校验失败。
3.根据权利要求1所述的活动预测方法，其特征在于，所述根据所述时序数据序列以及预先训练的活动预测模型，对所述电子设备的用户将要发生的活动进行预测，得到候选活动，包括：
对所述时序数据序列进行特征提取，得到对应的时序特征；
将所述时序特征输入所述活动预测模型，得到所述活动预测模型输出的所述候选活动。
4.根据权利要求3所述的活动预测方法，其特征在于，所述时序数据序列包括对应多个不同时间点的用户操作数据、设备状态数据以及环境状态数据，所述对所述时序数据序列进行特征提取，得到对应的时序特征，包括：
根据预设的滑动时间窗口对所述时序数据序列进行数据提取，得到多个窗口数据；
将各所述窗口数据中的用户操作数据、设备状态数据以及环境状态数据分别输入对应的编码器神经网络进行特征提取，得到各所述窗口数据中用户操作数据的特征、设备状态数据的特征以及环境状态数据的特征；
根据各所述窗口数据中的用户操作数据的特征、设备状态数据的特征以及环境状态数据的特征，生成所述时序特征。
5.根据权利要求4所述的活动预测方法，其特征在于，所述获取对应所述电子设备的时序数据序列，包括：
判断是否存在对应所述时间点的用户操作数据、设备状态数据以及环境状态数据；
若是，则获取对应所述时间点的用户操作数据、设备状态数据以及环境状态数据；
若否，则获取距离所述时间点最近的用户操作数据、设备状态数据以及环境状态数据，作为对应所述时间点的用户操作数据、设备状态数据以及环境状态数据。
6.根据权利要求1-5任一项所述的活动预测方法，其特征在于，所述获取对应所述电子设备的时序数据序列之前，还包括：
获取对应所述用户的历史用户操作数据；
根据预设的专家规则，对所述历史用户操作数据进行规则发现，得到所述活动规律。
7.根据权利要求1-5任一项所述的活动预测方法，其特征在于，所述获取对应所述电子设备的时序数据序列，包括：
侦测目标服务的活动预测请求，根据所述活动预测请求获取对应所述电子设备的时序数据序列；
所述将所述候选活动作为所述用户的目标活动之后，还包括：
将所述目标活动提供给所述目标服务。
8.一种活动预测装置，应用于电子设备，其特征在于，包括：
数据获取模块，用于获取对应所述电子设备的时序数据序列；
活动预测模块，用于根据所述时序数据序列以及预先训练的活动预测模型，对所述电子设备的用户将要发生的活动进行预测，得到候选活动；
活动校验模块，用于获取对应所述用户的活动规律，并根据所述活动规律对所述候选活动进行校验；以及在校验通过时，将所述候选活动作为所述用户的目标活动。
9.一种存储介质，其上存储有计算机程序，其特征在于，当所述计算机程序在计算机上运行时，使得所述计算机执行如权利要求1至7任一项所述的活动预测方法。
10.一种电子设备，包括处理器和存储器，所述存储器储存有计算机程序，其特征在于，所述处理器通过调用所述计算机程序，用于执行如权利要求1至7任一项所述的活动预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910282021.XA CN111797301A (zh) | 2019-04-09 | 2019-04-09 | 活动预测方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910282021.XA CN111797301A (zh) | 2019-04-09 | 2019-04-09 | 活动预测方法、装置、存储介质及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111797301A true CN111797301A (zh) | 2020-10-20 |
Family
ID=72805321
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910282021.XA Pending CN111797301A (zh) | 2019-04-09 | 2019-04-09 | 活动预测方法、装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111797301A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020016699A1 (en) * | 2000-05-26 | 2002-02-07 | Clive Hoggart | Method and apparatus for predicting whether a specified event will occur after a specified trigger event has occurred |
| CN106790468A (zh) * | 2016-12-10 | 2017-05-31 | 武汉白虹软件科技有限公司 | 一种分析用户WiFi活动轨迹规律的分布式实现方法 |
| US20170186101A1 (en) * | 2015-12-28 | 2017-06-29 | Facebook, Inc. | Systems and methods for predicting page activity to optimize page recommendations |
| CN107220483A (zh) * | 2017-05-09 | 2017-09-29 | 西北大学 | 一种多元时序数据的模式预测方法 |
| CN107480784A (zh) * | 2017-06-28 | 2017-12-15 | 青岛科技大学 | 一种基于深度学习的手机信令数据行人交通轨迹预测方法 |
| CN108153867A (zh) * | 2017-12-25 | 2018-06-12 | 山东大学 | 基于时间规律性的用户轨迹预测方法和装置 |
| CN108648020A (zh) * | 2018-05-15 | 2018-10-12 | 携程旅游信息技术（上海）有限公司 | 用户行为量化方法、系统、设备及存储介质 |
| CN108984731A (zh) * | 2018-07-12 | 2018-12-11 | 腾讯音乐娱乐科技（深圳）有限公司 | 歌单推荐方法、装置及存储介质 |
| CN109190808A (zh) * | 2018-08-15 | 2019-01-11 | 拍拍信数据服务（上海）有限公司 | 用户行为预测方法、装置、设备及介质 |
-
2019
- 2019-04-09 CN CN201910282021.XA patent/CN111797301A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020016699A1 (en) * | 2000-05-26 | 2002-02-07 | Clive Hoggart | Method and apparatus for predicting whether a specified event will occur after a specified trigger event has occurred |
| US20170186101A1 (en) * | 2015-12-28 | 2017-06-29 | Facebook, Inc. | Systems and methods for predicting page activity to optimize page recommendations |
| CN106790468A (zh) * | 2016-12-10 | 2017-05-31 | 武汉白虹软件科技有限公司 | 一种分析用户WiFi活动轨迹规律的分布式实现方法 |
| CN107220483A (zh) * | 2017-05-09 | 2017-09-29 | 西北大学 | 一种多元时序数据的模式预测方法 |
| CN107480784A (zh) * | 2017-06-28 | 2017-12-15 | 青岛科技大学 | 一种基于深度学习的手机信令数据行人交通轨迹预测方法 |
| CN108153867A (zh) * | 2017-12-25 | 2018-06-12 | 山东大学 | 基于时间规律性的用户轨迹预测方法和装置 |
| CN108648020A (zh) * | 2018-05-15 | 2018-10-12 | 携程旅游信息技术（上海）有限公司 | 用户行为量化方法、系统、设备及存储介质 |
| CN108984731A (zh) * | 2018-07-12 | 2018-12-11 | 腾讯音乐娱乐科技（深圳）有限公司 | 歌单推荐方法、装置及存储介质 |
| CN109190808A (zh) * | 2018-08-15 | 2019-01-11 | 拍拍信数据服务（上海）有限公司 | 用户行为预测方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111798018A (zh) | 行为预测方法、装置、存储介质及电子设备 | |
| CN111813532B (zh) | 一种基于多任务机器学习模型的图像管理方法及装置 | |
| US10630827B2 (en) | Electronic device and control method thereof | |
| US11791050B2 (en) | 3D environment risks identification utilizing reinforced learning | |
| US20200133211A1 (en) | Electronic device and method for controlling electronic device thereof | |
| US11481551B2 (en) | Device and method for providing recommended words for character input | |
| Bajo et al. | Self-organizing architecture for information fusion in distributed sensor networks | |
| CN110516113B (zh) | 一种视频分类的方法、视频分类模型训练的方法及装置 | |
| CN111797288A (zh) | 数据筛选方法、装置、存储介质及电子设备 | |
| CN111797861A (zh) | 信息处理方法、装置、存储介质及电子设备 | |
| CN111797870A (zh) | 算法模型的优化方法、装置、存储介质及电子设备 | |
| CN111797302A (zh) | 模型处理方法、装置、存储介质及电子设备 | |
| CN113164056A (zh) | 睡眠预测方法、装置、存储介质及电子设备 | |
| CN113822460A (zh) | 一种交通流量预测方法、装置、电子设备和存储介质 | |
| CN111797874B (zh) | 行为预测方法、装置、存储介质及电子设备 | |
| CN111800445A (zh) | 消息推送方法、装置、存储介质及电子设备 | |
| CN111798019B (zh) | 意图预测方法、装置、存储介质及电子设备 | |
| CN111797289A (zh) | 模型处理方法、装置、存储介质和电子设备 | |
| CN111797301A (zh) | 活动预测方法、装置、存储介质及电子设备 | |
| KR102440963B1 (ko) | 전자 장치, 이의 제어 방법 및 비일시적인 컴퓨터 판독가능 기록매체 | |
| CN113170018A (zh) | 睡眠预测方法、装置、存储介质及电子设备 | |
| CN111797261A (zh) | 特征提取方法、装置、存储介质及电子设备 | |
| CN111800538B (zh) | 信息处理方法、装置、存储介质及终端 | |
| CN111797866A (zh) | 特征提取方法、装置、存储介质及电子设备 | |
| CN111796992B (zh) | 行为偏好确定方法、装置、存储介质及电子设备 |
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 |