CN111883226A - 一种信息处理和模型训练方法、装置、设备及存储介质 - Google Patents
一种信息处理和模型训练方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111883226A CN111883226A CN201911082412.3A CN201911082412A CN111883226A CN 111883226 A CN111883226 A CN 111883226A CN 201911082412 A CN201911082412 A CN 201911082412A CN 111883226 A CN111883226 A CN 111883226A
- Authority
- CN
- China
- Prior art keywords
- data
- data set
- training
- subset
- gps signal
- 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
- 238000012549 training Methods 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000010365 information processing Effects 0.000 title claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 38
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims description 15
- 238000003672 processing method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000002360 preparation method Methods 0.000 claims 1
- 238000004891 communication Methods 0.000 abstract 1
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Development Economics (AREA)
- Physical Education & Sports Medicine (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种信息处理和模型训练方法、装置、设备及存储介质，涉及通信技术领域，以解决计步数据不准确的问题。该方法包括：在第一目标时间段内，检测终端设备的GPS信号；根据对所述GPS信号的检测结果，获取测试数据集，所述测试数据集包括所述终端设备的至少一个传感器的数据；对所述测试数据集进行预处理，得到特征数据集；根据所述特征数据集，运行预测模型，得到预测值；在所述预测值满足预设条件的情况下，停止更新计步数据；其中，所述计步数据是根据所述测试数据集确定的。本发明实施例可提高计步的准确性。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种信息处理和模型训练方法、装置、设备及存储介质。
背景技术
随着移动互联网技术的成熟，类似微信运动的各类步数运动排行榜相继出现。但是，为了占据运动排行榜榜单，恶性使用机器设备，如(摇摇机)进行作弊行为。而现有技术无法区分这种用户操作行为,从而导致计步数据不准确。
发明内容
本发明实施例提供一种信息处理和模型训练方法、装置、设备及存储介质，以解决计步数据不准确的问题。
第一方面，本发明实施例提供了一种信息处理方法，包括：
在第一目标时间段内，检测终端设备的GPS(Global Positioning System，全球定位系统)信号；
根据对GPS信号的检测结果，获取测试数据集，所述测试数据集包括所述终端设备的至少一个传感器的数据；
对所述测试数据集进行预处理，得到特征数据集；
根据所述特征数据集，运行预测模型，得到预测值；
在所述预测值满足预设条件的情况下，停止更新计步数据；
其中，所述计步数据是根据所述测试数据集确定的。
第二方面，本发明实施例还提供一种模型训练方法，包括：
获取训练数据集，所述训练数据集包括GPS信号的数据和至少一个传感器的数据；
对所述训练数据集的训练数据子集进行预处理，得到用于模型训练的特征数据集；
获取与所述特征数据集对应的标签数据；
利用所述特征数据集和所述标签数据训练预测模型。
第三方面，本发明实施例还提供一种信息处理装置，包括：
检测模块，用于在第一目标时间段内，检测终端设备的GPS信号；
第一获取模块，用于根据对GPS信号的检测结果，获取测试数据集，所述测试数据集包括所述终端设备的至少一个传感器的数据；
第二获取模块，用于对所述测试数据集进行预处理，得到特征数据集；
第三获取模块，用于根据所述特征数据集，运行预测模型，得到预测值；
处理模块，用于在所述预测值满足预设条件的情况下，停止更新计步数据；
其中，所述计步数据是根据所述测试数据集确定的。
第四方面，本发明实施例还提供一种模型训练装置，包括：
第一获取模块，用于获取训练数据集，所述训练数据集包括GPS信号的数据和至少一个传感器的数据；
第二获取模块，用于对所述训练数据集的训练数据子集进行预处理，得到用于模型训练的特征数据集；
第三获取模块，用于获取与所述特征数据集对应的标签数据；
训练模块，用于利用所述特征数据集和所述标签数据训练预测模型。
第五方面，本发明实施例还提供一种电子设备，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程序，所述处理器执行所述程序时实现如上所述的信息处理方法或模型训练方法中的步骤。
第六方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上所述的信息处理方法或模型训练方法中的步骤。
在本发明实施例中，根据获得的至少一个传感器的数据以及对GPS信号的检测结果，利用预测模型得到预测值，并根据预测值确定是否停止更新计步数据。因此，利用本发明实施例的方案可在不同的环境中区分用户行为，并对计步数据进行处理，从而提高了计步数据的准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的信息处理方法的流程图之一；
图2是本发明实施例提供的信息处理方法的流程图之二；
图3是本发明实施例提供的模型训练方法的流程图；
图4是本发明实施例提供的模型训练装置的结构图；
图5是本发明实施例提供的信息处理装置的结构图；
图6是本发明实施例提供的电子设备的结构图之一；
图7是本发明实施例提供的电子设备的结构图之二。
具体实施方式
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。
参见图1，图1是本发明实施例提供的信息处理方法的流程图，如图1所示，包括以下步骤：
步骤101、在第一目标时间段内，检测终端设备的GPS信号。
本发明实施例的方法可应用于终端设备等电子设备。那么，在终端设备中可设置有GPS模块，TAA(Three-Axis Accelerometer，三轴加速度计)、TAG(Six-Axis Gyroscope，六轴陀螺仪)、Eb(Electronic barometer，电子气压计)，并可分别采集各个传感器的数据以及GPS信号的数据。通过对GPS信号的数据进行分析，即可确定是否具有GPS信号以及GPS信号强度的大小。
其中，所述第一目标时间段的时间长度可以任意设置。也就是说，在本发明实施例中，是以某个时间段内获取的传感器的数据为基础进行判断，从而可进一步提高对运动数据处理的准确性。
步骤102、根据对GPS信号的检测结果，获取测试数据集，所述测试数据集包括所述终端设备的至少一个传感器的数据。
通过对GPS信号的检测，可区分终端设备所处的环境，从而对用户的行为作出准确的判断。在此步骤中，所述至少一个传感器包括：TAA、TAG、EB。
其中，对GPS信号的检测结果，可以第一目标时间段内的某个时间点检测到的GPS信号的强度为准，还可以第一目标时间段内的某个时间段内GPS信号的强度的平均值为准。
具体的，在GPS信号的强度大于或等于强度阈值的情况下，所述至少一个传感器的数据包括：所述TAA的第一数据、所述TAG的第二数据以及所述EB的第三数据。那么，在此可分别获取所述TAA的第一数据、所述TAG的第二数据、所述EB的第三数据。此时，所述测试数据集还可包括GPS信号的第四数据。
在GPS信号的强度小于所述强度阈值的情况下，所述至少一个传感器的数据包括：所述TAA的第一数据、所述TAG的第二数据以及所述EB的第三数据。那么，在此可分别获取所述TAA的第一数据、所述TAG的第二数据以及所述EB的第三数据。其中，所述强度阈值可任意设置。
步骤103、对所述测试数据集进行预处理，得到特征数据集。
其中，所述预处理指的是，从测试数据集中提取特征数据，并可根据这些特征数据进行运算，将这些特征数据或者运算结果进行拼接形成特征数据集。
具体的，在此步骤中，在所述GPS信号的强度大于或等于强度阈值的情况下，提取所述第一数据的第一特征数据子集，提取所述第二数据的第二特征数据子集，提取所述第三数据的第三特征数据子集，以及提取所述第四数据的第四特征数据子集。然后，将所述第一特征数据子集、所述第二特征数据子集、所述第三特征数据子集以及所述第四特征数据子集进行拼接，形成所述特征数据集。
具体的，在此步骤中，在所述GPS信号的强度小于所述强度阈值的情况下，提取所述第一数据的第一特征数据子集，提取所述第二数据的第二特征数据子集，提取所述第三数据的第三特征数据子集。然后，将所述第一特征数据子集、所述第二特征数据子集、所述第三特征数据子集进行拼接，形成所述特征数据集。
如下表1所示，可从第一数据、第二数据、第三数据、第四数据中提取表中的特征数据。
表1
例如，如表1所示，第一特征数据子集可包括TAA传感器的x/y/z轴的数据，对x/y/z轴的数据进行运算后的结果，频域特征等。第二特征数据子集可包括TAG传感器Roll/Pitch/Yaw轴的数据，TAG传感器x1/y1/z1轴的数据，四元组和欧拉角等等。第三特征数据子集可包括EB传感器的气压值，以及根据气压值计算获得的气压差值，海拔差等等。可根据第四特征数据获得运动学特征，第四特征数据子集可包括点速度，区间速度，概略误差等等。
需要说明的是，表1中只是示例性的列举了每个传感器的特征。除了表1中所列的特征外，在本发明实施例中还可利用上述传感器的其他数据或者对传感器的数据所进行的其他形式的运算而获得的结果作为特征，并形成特征数据子集，本发明实施例对此不做限定。
本发明实施例中的拼接，指的是将获得的特征数据形成单个向量或者向量矩阵。那么，拼接形成的单个向量或者向量矩阵可作为特征数据集。例如，在进行拼接时，可将在某个时刻获得的EB的特征数据、TAA的特征数据，以及TAG的特征数据形成一个向量或向量矩阵，作为特征数据集。
步骤104、根据所述特征数据集，运行预测模型，得到预测值。
在此步骤中，根据对GPS信号的检测结果，利用不同的数据作为不同的预测模型的输入，从而得到不同的预测模型对应的预测值。
其中，所述预测模型例如可以是监督学习模型，深度学习模型，逻辑回归模型等等。具体的，在GPS信号的强度大于或等于强度阈值的情况下，将所述特征数据集作为第一预测模型的输入，并运行所述第一预测模型，得到第一预测值。在GPS信号的强度小于所述强度阈值的情况下，将所述特征数据集作为第二预测模型的输入，并运行所述第二预测模型，得到第二预测值。
在本发明实施例中，可预先训练所述预测模型。
在训练的过程中，首先，获取训练数据集，训练数据集包括GPS信号的数据和终端设备的至少一个传感器的数据。其中，所述至少一个传感器包括TAA、TAG、EB等。
然后，对所述训练数据集的训练数据子集进行预处理，得到用于模型训练的特征数据集。所述训练数据子集包括所述训练数据集的全部数据或者部分数据。其中，进行预处理的方式和以上描述的预处理的方式相同。
由于在此实施例中需要针对是否具有GPS的不同应用环境进行判断，因此，在此步骤中可形成两个特征数据集：第一特征数据集，利用TAA、TAG、EB、GPS的数据形成；第二特征数据集，利用TAA、TAG、EB的数据形成。
接着，获取与所述特征数据集对应的标签数据。例如，对运动状态进行分类并对分类结果进行离散化处理，得到标签数据。在具体应用中，可将运动状态进行分类，如正常状态，异常状态，并对每个运动状态进行标记。然后，将分类结果进行2类离散化处理，得到标签数据，其中，1代表正常状态，0表示异常状态。
之后，利用所述特征数据集和所述标签数据训练预测模型。
当所述GPS信号的强度大于或等于强度阈值时，利用所述第一特征数据集和所述标签数据训练第一预测模型。当所述GPS信号小于或强度阈值时，利用所述第二特征数据集和所述标签数据训练第二预测模型。
步骤105、在所述预测值满足预设条件的情况下，停止更新计步数据。
其中，所述计步数据是根据所述测试数据集确定的。
具体的，在此步骤中，在GPS信号的强度大于或等于强度阈值的情况下，在所述第一预测值满足第一预设条件的情况下，停止更新计步数据。在GPS信号的强度小于所述强度阈值的情况下，在所述第二预测值满足第二预设条件的情况下，停止更新计步数据。
例如，在所述第一预测值大于第一预设阈值的情况下，停止更新计步数据；在所述第二预测值大于第二预设阈值的情况下，停止更新计步数据。其中，所述第一预设阈值和所述第二预设阈值可根据需要设置。例如，第一预设阈值和第二预设阈值可根据用户的历史计步数据设置。比如，第一预设阈值可以为用户在GPS信号的强度大于或等于强度阈值的情况下，多个时间段内的计步数据的均值；第二预设阈值可以为在GPS信号的强度小于所述强度阈值的情况下，多个时间段内的计步数据的均值。
在本发明实施例中，根据获得的至少一个传感器的数据以及对GPS信号的检测结果，利用预测模型得到预测值，并根据预测值确定是否停止更新计步数据。因此，利用本发明实施例的方案可在不同的环境中区分用户行为，并对计步数据进行处理，从而提高了计步数据的准确性。
参见图2，图2是本发明实施例提供的信息处理方法的流程图。在本发明实施例的方案中，采用了多传感器的原始数据来源，结合对GPS信号有无的判断，并应用了机器学习和深度学习技术，对计步进行控制。如图2所示，包括以下步骤：
模型训练过程，具体包括如下步骤：
步骤201、在某个时间段内，获取GPS、TAA、TAG、EB的数据。
步骤202、对GPS、TAA、TAG、EB的数据进行预处理，形成第一特征数据集。对TAA、TAG、EB的数据的数据进行预处理，形成第二特征数据集。
结合表1所示，利用对应的GPS数据获取运动学特征，利用TAA和SAG数据获取对应的时域和频域特征，利用EB数据获得相对海拔差/气压差值，然后拼接作为特征数据集。
步骤203、对该时间段内的运动状态进行进行分类并对分类结果进行离散化处理，得到标签数据。
例如，将分类结果进行两类离散化，1表示正常状态，0表示异常状态。
步骤204、训练预测模型。
具体的，利用第一特征数据集和标签数据训练第一预测模型，利用第二特征数据集和标签数据训练第二预测模型。
预测过程，具体包括如下步骤：
步骤205、判断GPS信号的强度大小。
步骤206、若GPS信号的强度大于或等于预设值，获取GPS、TAA、TAG、EB的数据，并进行预处理，形成特征数据集。将特征数据集输入到第一预测模型中，得到预测结果。
步骤207、若GPS信号的强度小于所述预设值，获取TAA、TAG、EB的数据，并进行预处理，形成特征数据集。将特征数据集输入到第二预测模型中，得到预测结果。
步骤208、分别根据预测结果进行判断。若异常，则停止更新计步数据。否则可正常处理。
在本发明实施例中，利用多传感器的数据进行判断，可提高计步异常识别的准确性以及效率。
在实际应用中，以手机为例，在室外通常具有GPS信号。那么，在此，采集TAA、TAG、EB等传感器的原始数据以及GPS信号数据，进行对应的预处理。然后输入到对应的预测模型中对用户状态进行判断。如果异常，则停止计步，否则可正常处理。
在室内，如果没有GPS信号，那么，在此采集TAA、TAG、EB的数据，并进行预处理。然后输入到对应的预测模型中对用户状态进行判断。如果异常，则停止计步，否则可正常处理。
参见图3，图3是本发明实施例的模型训练方法的流程图，包括：
步骤301、获取训练数据集，所述训练数据集包括GPS信号的数据和至少一个传感器的数据。
步骤302、对所述训练数据集的训练数据子集进行预处理，得到用于模型训练的特征数据集。
其中，所述训练数据子集包括所述训练数据集的全部数据或者部分数据。
步骤303、获取与所述特征数据集对应的标签数据。
具体的，对获取的所述特征数据集所对应的时间段内的运动状态进行分类并对分类结果进行离散化处理，得到标签数据。
步骤304、利用所述特征数据集和所述标签数据训练预测模型。
当所述GPS信号的强度大于或等于强度阈值时，所述训练数据子集包括所述GPS信号的数据和所述至少一个传感器的数据；所述预测模型为第一预测模型；所述至少一个传感器的数据包括：TAA的第一数据、TAG的第二数据、EB的第三数据。那么，步骤304具体为利用所述特征数据集和所述标签数据训练所述第一预测模型。
当所述GPS信号的强度小于强度阈值时，所述训练数据子集包括所述至少一个传感器的数据；所述预测模型为第二预测模型；此时，所述至少一个传感器的数据包括：TAA的第一数据、TAG的第二数据以及EB的第三数据，那么，步骤304具体为利用所述特征数据集和所述标签数据训练所述第二预测模型。其中，所述强度阈值可任意设置。
其中，上述预处理和形成标签数据的过程可参照前述实施例的描述。
此外，为了验证获得的预测模型的准确性，在此，还可利用验证数据集对获得的预测模型进行验证。如果预测模型不准确，还可对其进行调整。例如，如果利用验证数据集输入到预测模型中获得的预测结果与准确结果的偏差较大，则可重新训练预测模型。其中，验证数据集也可包括GPS信号的数据和上述至少一个传感器的数据。
利用本发明实施例的方案可在不同的环境中区分用户行为，并对计步数据进行处理，从而提高了计步数据的准确性。
本发明实施例还提供了一种模型训练装置。参见图4，图4是本发明实施例提供的模型训练装置的结构图。由于模型训练装置解决问题的原理与本发明实施例中模型训练方法相似，因此该模型训练装置的实施可以参见方法的实施，重复之处不再赘述。
如图4所示，模型训练装置400包括：
第一获取模块401，用于获取训练数据集，所述训练数据集包括GPS信号的数据和至少一个传感器的数据；第二获取模块402，用于对所述训练数据集的训练数据子集进行预处理，得到用于模型训练的特征数据集；第三获取模块403，用于获取与所述特征数据集对应的标签数据；训练模块404，用于利用所述特征数据集和所述标签数据训练预测模型。
可选的，当所述GPS信号的强度大于或等于强度阈值时，所述训练数据子集包括所述GPS信号的数据和所述至少一个传感器的数据；所述预测模型为第一预测模型；所述至少一个传感器的数据包括：TAA的第一数据、TAG的第二数据、EB的第三数据。所述训练模块404，具体用于利用所述特征数据集和所述标签数据训练所述第一预测模型。
可选的，当所述GPS信号的强度小于强度阈值时，所述训练数据子集包括所述至少一个传感器的数据；所述预测模型为第二预测模型；所述至少一个传感器的数据包括：TAA的第一数据、TAG的第二数据以及EB的第三数据。所述训练模块404，具体用于利用所述特征数据集和所述标签数据训练所述第二预测模型。其中，所述强度阈值可任意设置。
本发明实施例提供的装置，可以执行上述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
本发明实施例还提供了一种信息处理装置。参见图5，图5是本发明实施例提供的信息处理装置的结构图。由于信息处理装置解决问题的原理与本发明实施例中信息处理方法相似，因此该信息处理装置的实施可以参见方法的实施，重复之处不再赘述。
如图5所示，信息处理装置500包括：
检测模块501，用于在第一目标时间段内，检测终端设备的GPS信号；第一获取模块502，用于根据对GPS信号的检测结果，获取测试数据集，所述测试数据集包括所述终端设备的至少一个传感器的数据；第二获取模块503，用于对所述测试数据集进行预处理，得到特征数据集；第三获取模块504，用于根据所述特征数据集，运行预测模型，得到预测值；处理模块505，用于在所述预测值满足预设条件的情况下，停止更新计步数据；其中，所述计步数据是根据所述测试数据集确定的。
可选的，所述至少一个传感器的数据包括：所述TAA的第一数据、所述TAG的第二数据以及所述EB的第三数据。在所述GPS信号的强度大于或等于强度阈值的情况下，所述测试数据集还包括所述GPS信号的第四数据。
可选的，第二获取模块503具体用于，在GPS信号的强度大于或等于强度阈值的情况下，提取所述第一数据的第一特征数据子集；提取所述第二数据的第二特征数据子集；提取所述第三数据的第三特征数据子集；提取所述第四数据的第四特征数据子集；将所述第一特征数据子集、所述第二特征数据子集、所述第三特征数据子集以及所述第四特征数据子集进行拼接，形成所述特征数据集。
可选的，第三获取模块504具体用于，将所述特征数据集作为第一预测模型的输入，并运行所述第一预测模型，得到第一预测值；处理模块505具体用于，在所述第一预测值满足第一预设条件的情况下，停止更新计步数据。
可选的，第二获取模块503具体用于，在GPS信号的强度小于所述强度阈值的情况下，提取所述第一数据的第一特征数据子集；提取所述第二数据的第二特征数据子集；提取所述第三数据的第三特征数据子集；将所述第一特征数据子集、所述第二特征数据子集以及所述第三特征数据子集进行拼接，形成所述特征数据集。
可选的，第三获取模块504具体用于，将所述特征数据集作为第二预测模型的输入，并运行所述第二预测模型，得到第二预测值；处理模块505具体用于，在所述第二预测值满足第二预设条件的情况下，停止更新计步数据。
可选的，所述装置还可包括：训练模块，用于训练所述预测模型。
本发明实施例提供的装置，可以执行上述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
如图6所示，本发明实施例的电子设备，包括：处理器600，用于读取存储器620中的程序，执行下列过程：
在第一目标时间段内，检测终端设备的GPS信号；
根据对GPS信号的检测结果，获取测试数据集，所述测试数据集包括所述终端设备的至少一个传感器的数据；
对所述测试数据集进行预处理，得到特征数据集；
根据所述特征数据集，运行预测模型，得到预测值；
在所述预测值满足预设条件的情况下，停止更新计步数据；
其中，所述计步数据是根据所述测试数据集确定的。
收发机610，用于在处理器600的控制下接收和发送数据。
其中，在图6中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器600代表的一个或多个处理器和存储器620代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发机610可以是多个元件，即包括发送机和收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器600负责管理总线架构和通常的处理，存储器620可以存储处理器600在执行操作时所使用的数据。
处理器600负责管理总线架构和通常的处理，存储器620可以存储处理器600在执行操作时所使用的数据。
所述至少一个传感器的数据包括：TAA的第一数据、第二数据、EB的第三数据；
在所述GPS信号的强度大于或等于强度阈值的情况下，所述测试数据集还包括所述GPS信号的第四数据。
在所述GPS信号的强度大于或等于强度阈值的情况下，处理器600还用于读取所述程序，执行如下步骤:
提取所述第一数据的第一特征数据子集；
提取所述第二数据的第二特征数据子集；
提取所述第三数据的第三特征数据子集；
提取所述第四数据的第四特征数据子集；
将所述第一特征数据子集、所述第二特征数据子集、所述第三特征数据子集以及所述第四特征数据子集进行拼接，形成所述特征数据集。
处理器600还用于读取所述程序，执行如下步骤:
将所述特征数据集作为第一预测模型的输入，并运行所述第一预测模型，得到第一预测值；
在所述第一预测值满足第一预设条件的情况下，停止更新计步数据。
在所述GPS信号的强度小于强度阈值的情况下，处理器600还用于读取所述程序，执行如下步骤:
提取所述第一数据的第一特征数据子集；
提取所述第二数据的第二特征数据子集；
提取所述第三数据的第三特征数据子集；
将所述第一特征数据子集、所述第二特征数据子集以及所述第三特征数据子集进行拼接，形成所述特征数据集。
处理器600还用于读取所述程序，执行如下步骤:
将所述特征数据集作为第二预测模型的输入，并运行所述第二预测模型，得到第二预测值；
在所述第二预测值满足第二预设条件的情况下，停止更新计步数据。
处理器600还用于读取所述程序，执行如下步骤:
训练所述预测模型。
如图7所示，本发明实施例的电子设备，包括：处理器700，用于读取存储器720中的程序，执行下列过程：
获取训练数据集，所述训练数据集包括GPS信号的数据和至少一个传感器的数据；
对所述训练数据集的训练数据子集进行预处理，得到用于模型训练的特征数据集；
获取与所述特征数据集对应的标签数据；
利用所述特征数据集和所述标签数据训练预测模型。
收发机710，用于在处理器700的控制下接收和发送数据。
其中，在图7中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器700代表的一个或多个处理器和存储器720代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发机710可以是多个元件，即包括发送机和收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器700负责管理总线架构和通常的处理，存储器720可以存储处理器700在执行操作时所使用的数据。
处理器700负责管理总线架构和通常的处理，存储器720可以存储处理器700在执行操作时所使用的数据。
当所述GPS信号的强度大于或等于强度阈值时，所述训练数据子集包括所述GPS信号的数据和所述至少一个传感器的数据；所述预测模型为第一预测模型；所述至少一个传感器的数据包括：TAA的第一数据、TAG的第二数据、EB的第三数据；处理器700还用于读取所述程序，执行如下步骤:
利用所述特征数据集和所述标签数据训练所述第一预测模型。
当所述GPS信号的强度小于强度阈值时，所述训练数据子集包括所述至少一个传感器的数据；所述预测模型为第二预测模型；所述至少一个传感器的数据包括：TAA的第一数据、TAG的第二数据以及EB的第三数据；处理器700还用于读取所述程序，执行如下步骤:
利用所述特征数据集和所述标签数据训练所述第二预测模型。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述信息处理或模型训练方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random AccessMemory，简称RAM)、磁碟或者光盘等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。根据这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本发明的保护之内。
Claims (13)
1.一种信息处理方法，其特征在于，包括：
在第一目标时间段内，检测终端设备的全球定位系统GPS信号；
根据对所述GPS信号的检测结果，获取测试数据集，所述测试数据集包括所述终端设备的至少一个传感器的数据；
对所述测试数据集进行预处理，得到特征数据集；
根据所述特征数据集，运行预测模型，得到预测值；
在所述预测值满足预设条件的情况下，停止更新计步数据；
其中，所述计步数据是根据所述测试数据集确定的。
2.根据权利要求1所述的方法，其特征在于，
所述至少一个传感器的数据包括：三轴加速度计TAA的第一数据、三轴陀螺仪TAG的第二数据、电子气压计EB的第三数据；
在所述GPS信号的强度大于或等于强度阈值的情况下，所述测试数据集还包括所述GPS信号的第四数据。
3.根据权利要求2所述的方法，其特征在于，在所述GPS信号的强度大于或等于强度阈值的情况下，所述对所述测试数据集进行预处理，得到特征数据集，包括：
提取所述第一数据的第一特征数据子集；
提取所述第二数据的第二特征数据子集；
提取所述第三数据的第三特征数据子集；
提取所述第四数据的第四特征数据子集；
将所述第一特征数据子集、所述第二特征数据子集、所述第三特征数据子集以及所述第四特征数据子集进行拼接，形成所述特征数据集。
4.根据权利要求3所述的方法，其特征在于，所述根据所述特征数据集，运行预测模型，得到预测值，包括：
将所述特征数据集作为第一预测模型的输入，并运行所述第一预测模型，得到第一预测值；
所述在所述预测值满足预设条件的情况下，停止更新计步数据，包括：
在所述第一预测值满足第一预设条件的情况下，停止更新计步数据。
5.根据权利要求2所述的方法，其特征在于，在所述GPS信号的强度小于所述强度阈值的情况下，所述对所述数据进行预处理，得到特征数据集，包括：
提取所述第一数据的第一特征数据子集；
提取所述第二数据的第二特征数据子集；
提取所述第三数据的第三特征数据子集；
将所述第一特征数据子集、所述第二特征数据子集以及所述第三特征数据子集进行拼接，形成所述特征数据集。
6.根据权利要求5所述的方法，其特征在于，所述根据所述特征数据集，运行预测模型，得到预测值，包括：
将所述特征数据集作为第二预测模型的输入，并运行所述第二预测模型，得到第二预测值；
所述在所述预测值满足预设条件的情况下，停止更新计步数据，包括：
在所述第二预测值满足第二预设条件的情况下，停止更新计步数据。
7.一种模型训练方法，其特征在于，包括：
获取训练数据集，所述训练数据集包括GPS信号的数据和至少一个传感器的数据；
对所述训练数据集的训练数据子集进行预处理，得到用于模型训练的特征数据集；
获取与所述特征数据集对应的标签数据；
利用所述特征数据集和所述标签数据训练预测模型。
8.根据权利要求7所述的方法，其特征在于，当所述GPS信号的强度大于或等于强度阈值时，所述训练数据子集包括所述GPS信号的数据和所述至少一个传感器的数据；所述预测模型为第一预测模型；所述至少一个传感器的数据包括：TAA的第一数据、TAG的第二数据、EB的第三数据；
所述利用所述特征数据集和所述标签数据训练预测模型，包括：
利用所述特征数据集和所述标签数据训练所述第一预测模型。
9.根据权利要求7所述的方法，其特征在于，当所述GPS信号的强度小于强度阈值时，所述训练数据子集包括所述至少一个传感器的数据；所述预测模型为第二预测模型；所述至少一个传感器的数据包括：TAA的第一数据、TAG的第二数据以及EB的第三数据；
所述利用所述特征数据集和所述标签数据训练预测模型，包括：
利用所述特征数据集和所述标签数据训练所述第二预测模型。
10.一种信息处理装置，其特征在于，包括：
检测模块，用于在第一目标时间段内，检测终端设备的GPS信号；
第一获取模块，用于根据对GPS信号的检测结果，获取测试数据集，所述测试数据集包括所述终端设备的至少一个传感器的数据；
第二获取模块，用于对所述测试数据集进行预处理，得到特征数据集；
第三获取模块，用于根据所述特征数据集，运行预测模型，得到预测值；
处理模块，用于在所述预测值满足预设条件的情况下，停止更新计步数据；
其中，所述计步数据是根据所述测试数据集确定的。
11.一种模型训练装置，其特征在于，包括：
第一获取模块，用于获取训练数据集，所述训练数据集包括GPS信号的数据和至少一个传感器的数据；
第二获取模块，用于对所述训练数据集的训练数据子集进行预处理，得到用于模型训练的特征数据集；
第三获取模块，用于获取与所述特征数据集对应的标签数据；
训练模块，用于利用所述特征数据集和所述标签数据训练预测模型。
12.一种电子设备，包括：收发机、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序；其特征在于，
所述处理器，用于读取存储器中的程序实现如权利要求1至6中任一项所述的方法中的步骤；或者实现如权利要求7至9中任一项所述的方法中的步骤。
13.一种计算机可读存储介质，用于存储计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的方法中的步骤；或者实现如权利要求7至9中任一项所述的方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911082412.3A CN111883226A (zh) | 2019-11-07 | 2019-11-07 | 一种信息处理和模型训练方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911082412.3A CN111883226A (zh) | 2019-11-07 | 2019-11-07 | 一种信息处理和模型训练方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111883226A true CN111883226A (zh) | 2020-11-03 |
Family
ID=73154405
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911082412.3A Pending CN111883226A (zh) | 2019-11-07 | 2019-11-07 | 一种信息处理和模型训练方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111883226A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117062192A (zh) * | 2023-10-11 | 2023-11-14 | 深圳市微琪思网络有限公司 | 一种基于人工智能算法的电熨斗建立无线连接方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107167129A (zh) * | 2017-05-04 | 2017-09-15 | 千寻位置网络有限公司 | 云端步长估计方法 |
| CN109065120A (zh) * | 2018-06-28 | 2018-12-21 | 努比亚技术有限公司 | 一种信息处理的方法、装置以及计算机存储介质 |
-
2019
- 2019-11-07 CN CN201911082412.3A patent/CN111883226A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107167129A (zh) * | 2017-05-04 | 2017-09-15 | 千寻位置网络有限公司 | 云端步长估计方法 |
| CN109065120A (zh) * | 2018-06-28 | 2018-12-21 | 努比亚技术有限公司 | 一种信息处理的方法、装置以及计算机存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117062192A (zh) * | 2023-10-11 | 2023-11-14 | 深圳市微琪思网络有限公司 | 一种基于人工智能算法的电熨斗建立无线连接方法及系统 |
| CN117062192B (zh) * | 2023-10-11 | 2023-12-12 | 深圳市微琪思网络有限公司 | 一种基于人工智能算法的电熨斗建立无线连接方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109397703B (zh) | 一种故障检测方法及装置 | |
| CN113259331B (zh) | 一种基于增量学习的未知异常流量在线检测方法及系统 | |
| CN108182515B (zh) | 智能规则引擎规则输出方法、设备及计算机可读存储介质 | |
| CN107423278B (zh) | 评价要素的识别方法、装置及系统 | |
| CN102265227A (zh) | 用于在机器状况监视中创建状态估计模型的方法和设备 | |
| CN111338692B (zh) | 基于漏洞代码的漏洞分类方法、装置及电子设备 | |
| CN113779969B (zh) | 基于人工智能的案件信息处理方法、装置、设备及介质 | |
| WO2021043126A1 (en) | System and method for event recognition | |
| CN115034315B (zh) | 基于人工智能的业务处理方法、装置、计算机设备及介质 | |
| Barontini et al. | Deterministically generated negative selection algorithm for damage detection in civil engineering systems | |
| CN118094118B (zh) | 数据集质量评估方法、系统、电子设备及存储介质 | |
| CN113723467A (zh) | 用于缺陷检测的样本收集方法、装置和设备 | |
| CN116964588A (zh) | 一种目标检测方法、目标检测模型训练方法及装置 | |
| CN115690514A (zh) | 图像识别方法及相关设备 | |
| CN116481791A (zh) | 钢结构连接稳定性监测系统及其方法 | |
| CN113902041A (zh) | 目标检测模型的训练及身份验证方法和装置 | |
| CN111883226A (zh) | 一种信息处理和模型训练方法、装置、设备及存储介质 | |
| CN111881007B (zh) | 操作行为判断方法、装置、设备及计算机可读存储介质 | |
| EP3975112A1 (en) | Object detection device, object detection method, program, and recording medium | |
| CN115349129A (zh) | 生成具有不确定性区间的性能预测 | |
| Azimi et al. | The effect of iot data completeness and correctness on explainable machine learning models | |
| CN110826616A (zh) | 信息处理方法及装置、电子设备、存储介质 | |
| CN115278757A (zh) | 一种检测异常数据的方法、装置及电子设备 | |
| CN114067401A (zh) | 目标检测模型的训练及身份验证方法和装置 | |
| CN111882135B (zh) | 一种物联网设备入侵检测方法及相关装置 |
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: 20201103 |