CN116226260B

CN116226260B - 一种大数据决策方法、系统及云端服务中心

Info

Publication number: CN116226260B
Application number: CN202211649794.5A
Authority: CN
Inventors: 李云飞; 朱鹏翚
Original assignee: JIANGHUI COLLEGE OF ANHUI UNIVERSITY
Current assignee: JIANGHUI COLLEGE OF ANHUI UNIVERSITY
Priority date: 2022-12-21
Filing date: 2022-12-21
Publication date: 2023-10-03
Anticipated expiration: 2042-12-21
Also published as: CN116226260A

Abstract

本发明提供了一种大数据决策方法、系统、及云端服务中心，涉及大数据技术领域，包括基于大数据提取目标用户的活动轨迹信息；利用回声状态网络对所述活动轨迹信息进行特征分类，并基于所述特征分类的结果进行所述目标用户需求决策；根据所述需求决策的类别数据匹配预设的决策规则，并选取与所述需求决策中各个类别数据相对应的所述目标用户的需求数据；利用所述决策规则对所述需求数据进行处理，得到决策结果。本发明的有益效果为利用回声状态网络对特征进行分类和多次筛选，准确的获得到处理后的高精度目标用户的活动轨迹信息；克服了决策方法不具有通用性的缺点，能够满足不同行业或是不同业务目标用户的决策需求。

Description

一种大数据决策方法、系统及云端服务中心

技术领域

本发明涉及大数据技术领域，具体而言，涉及大数据决策方法、系统及云端服务中心。

背景技术

当前，人们生活在大数据时代，各种数据爆炸式增长，每天均有大量的资讯、娱乐、财经、医疗、教育等各行各业的信息数据注入网络，形成海量数据。

为了向目标用户提供决策服务，就要从海量数据中准确地挖掘出针对目标用户需求的各种各样的数据。但是现有技术中海量数据冗杂并且大数据决策方法不具有通用性，不能依据目标用户的决策进行高效率的分类，并且不能满足不同行业或是不同业务的决策需求，导致决策效率低下，影响目标用户的感受。

发明内容

本发明的目的在于提供一种大数据决策方法、系统、设备及可读存储介质，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：

第一方面，本申请提供了一种大数据决策方法，包括：

基于大数据提取目标用户的活动轨迹信息，所述活动轨迹信息包括目标用户的浏览网页信息、业务偏好信息、驻留网页时间信息和使用软件频率信息；

利用回声状态网络对所述活动轨迹信息进行特征分类，并基于所述特征分类的结果进行所述目标用户需求决策；

根据所述需求决策的类别数据匹配预设的决策规则，并选取与所述需求决策中各个类别数据相对应的所述目标用户的需求数据；

利用所述决策规则对所述需求数据进行处理，得到决策结果。

优选地，所述基于大数据提取目标用户的活动轨迹信息，之后包括：

通过离群点检测法，对所述活动轨迹信息进行异常值筛选，得到第一筛选结果；

利用三维点云数据剔除所述第一筛选结果中点云数据的离群点，得到第二筛选结果；

对所述第二筛选结果进行二维平稳小波变换处理，得到活动轨迹数据信息，对所述活动轨迹数据信息进行滤波处理，得到处理后的所述目标用户的活动轨迹信息。

优选地，所述利用回声状态网络对所述活动轨迹信息进行特征分类，其中包括：

基于回声状态网络采集第一类中心数据，所述第一类中心数据包括所述目标用户在不同状态下进行活动的轨迹信息数据，并将所述轨迹信息数据映射到所述目标用户自身的类中心；

根据均衡化算法采集到所述第一类中心数据中各个类中心之间的距离，并对所述距离进行最小化处理，得到最小化处理结果，所述最小化处理结果用来增强训练集的特征和测试集的特征，所述训练集和所述测试集为所述活动轨迹信息的集合；

将所述最小化处理结果输入至预设模型进行特征分类。

优选地，所述根据所述需求决策的类别数据匹配预设的决策规则，并选取与所述需求决策中各个类别数据相对应的所述目标用户的需求数据，包括：

确定所有所述类别数据中每一条类别数据相对应所述目标用户的需求数据；

基于神经网络架构体系，以生成根据所述需求数据和预设的决策规则进行多类别分类的神经网络模型，其中，所述神经网络模型用于获取多类别分类特征图；

对所述多类别分类特征图进行卷积操作和归一化操作，获得包含所述权重系数的权重矩阵；

对所述多类别分类特征图和所述权重矩阵进行矩阵乘操作，获得加权后的多类别分类特征图；

将预设的决策规则中的参数作为初始化参数，并根据所述加权后的所述多类别分类特征图，获取调整后的分类结果。

第二方面，本申请还提供了一种大数据决策系统，包括提取模块、分类模块、选择模块和处理模块，其中：

提取模块：用于基于大数据提取目标用户的活动轨迹信息，所述活动轨迹信息包括目标用户的浏览网页信息、业务偏好信息、驻留网页时间信息和使用软件频率信息；

分类模块：用于利用回声状态网络对所述活动轨迹信息进行特征分类，并基于所述特征分类的结果进行所述目标用户需求决策；

选取模块：用于根据所述需求决策的类别数据匹配预设的决策规则，并选取与所述需求决策中各个类别数据相对应的所述目标用户的需求数据；

处理模块：用于利用所述决策规则对所述需求数据进行处理，得到决策结果。

第三方面，本申请还提供了一种云端服务中心，包括：

处理器、机器可读存储介质和网络接口，所述机器可读存储介质、所述网络接口以及所述处理器之间通过总线系统相连，所述网络接口用于与至少一个在线服务终端通信连接，所述机器可读存储介质用于存储程序、指令或代码，所述处理器用于执行所述机器可读存储介质中的程序、指令或代码，以执行大数据决策方法。

第四方面，本申请还提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于大数据决策方法的步骤。

本发明的有益效果为：对数据进行有效提取，利用回声状态网络对特征进行分类和多次筛选，提高了数据的精度，更加准确的获得到处理后的高精度目标用户的活动轨迹信息；通过分析类内距离对同类属性的聚集作用，构建管理决策分类本源特征模型，并通过联合类内类间距离映射重构原始数据集，具有代表性的增强特征矩阵，减少故障模型中的距离，形成新的特征聚类，增强了分类精度，提高准确性；构建多类别分类的神经网络模型，采用卷积层、池化层和全连接层相互交替的结构，增强神经网络的非线性特性，克服梯度消失的问题，加快训练速度，提高模型泛化能力；采用权重矩阵方法，提高对重要特征的关注度，并且提高了多标签分类的鲁棒性；提高决策效率，提升目标用户的感受，克服了决策方法不具有通用性的缺点，能够满足不同行业或是不同业务目标用户的决策需求。

本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本发明实施例中所述的大数据决策方法流程示意图；

图2为本发明实施例中所述的大数据决策系统结构示意图；

图3为本发明实施例中所述的大数据决策设备结构示意图。

图中:701、提取模块；7011、筛选单元；7012、剔除单元；7013、第一处理单元；702、分类模块；7021、采集单元；7022、第二处理单元；7023、输入单元；703、选取模块；7031、确定单元；7032、生成单元；7033、第一获得单元；7034、第二获得单元；7035、第三获得单元；704、处理模块；800、标记接收设备；801、处理器；802、存储器；803、多媒体组件；804、I/O接口；805、通信组件。

具体实施方式

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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

实施例1：

本实施例提供了一种大数据决策方法。

参见图1，图中示出了本方法包括步骤S100、步骤S200、步骤S300和步骤S400。

S100、基于大数据提取目标用户的活动轨迹信息，所述活动轨迹信息包括目标用户的浏览网页信息、业务偏好信息、驻留网页时间信息和使用软件频率信息。

可以理解的是，在S100步骤之后包括：

需要说明的是，由于活动轨迹信息来源于不同的种类，通过对采集到的活动轨迹信息，采用离群点检测法将异常的、远离大部分的点进行剔除，方法包括但是不限于基于SNN密度的聚类算法，并得到初步筛选结果。

需要说明的是，利用三维点云数据对初步筛选的结果进行规范化处理，对需要去噪的点云数据进行标准化切片水处理，可用预先设定相邻两块切块的参数来确定相邻两块切块之间的数据重合区域的大小，适应去噪的点云数据，得到第二次筛选结果。

具体地，对第二筛选结果进行变换分析处理，通过变换充分突出活动轨迹数据信息的特征，继承和发展了短时傅立叶变换局部化的思想，并克服了窗口大小不随频率变化的缺点，能对时间(空间)频率的局部化分析，通过伸缩平移运算对信号(函数)逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求，并且将处理后的数据进行滤波处理，提高了数据的精度，更加准确的获得到处理后的高精度目标用户的活动轨迹信息。

S200、利用回声状态网络对所述活动轨迹信息进行特征分类，并基于所述特征分类的结果进行所述目标用户需求决策。

可以理解的是，在本S200步骤中包括S201、S202和S203，其中：

S201、基于回声状态网络采集第一类中心数据，所述第一类中心数据包括所述目标用户在不同状态下进行活动的轨迹信息数据，并将所述轨迹信息数据映射到所述目标用户自身的类中心；

S202、根据均衡化算法采集到所述第一类中心数据中各个类中心之间的距离，并对所述距离进行最小化处理，得到最小化处理结果，所述最小化处理结果用来增强训练集的特征和测试集的特征，所述训练集和所述测试集为所述活动轨迹信息的集合；

需要说明的是，在本步骤中通过一种类内类间的距离映射方法，可以用于加强对特征的表达，提高特征的性能，首先通过在特征矩阵的每个维度上减小同一类别样本间的类内距离，形成一个新的类中心矩阵，再对类中心矩阵进行等距变换，从而均衡各维度下类中心之间的距离，并对距离进行采集，特征变换如下式：

O＝w₁G (1)

式(1)和式(2)中，w₁∈R^d*d表示基于大数据提取的原始活动数据即原始样本数据与JIIM重构的特征矩阵之间的连接权重，G表示激活函数，O∈R^d*1表示经过JIIM处理后的输出，x∈R^d*1是由原始活动数据组成的输入值。

为了实现特征的增强映射，样本矩阵在每个维度下的类内距离最小化和类间距离均衡化的过程分别如下式：

式中，q_i表示第i个类别的样本中心，l表示i个类别的样本个数，x(j)为第i类中第j个样本值，假设输入层包含c个类别(i＝1,2,3..，c)。表示重构的特征矩阵在向量空间中均匀分布的样本。建立原始样本和经过JIIM处理后的重构特征矩阵之间的关系，通过训练不同回归模型控制模型的拟合趋势。

通过分析类内距离对同类属性的聚集作用，研究类间距对类与类之间距离的定量表征作用，从而构建管理决策分类本源特征模型，并通过联合类内类间距离映射重构原始数据集，具有代表性的增强特征矩阵，减少故障模型中的距离，形成新的特征聚类，增强了分类精度，提高准确性。

S203、将所述最小化处理结果输入至预设模型进行特征分类。

需要说明的是，将测试集数据输入至经过训练的预设模型中，对述活动轨迹信息的集合中问题轨迹进行诊断，并通过多种评价指标评估模型的分类性能，从而进行特征分类。

S300、根据所述需求决策的类别数据匹配预设的决策规则，并选取与所述需求决策中各个类别数据相对应的所述目标用户的需求数据。

其中，需要说明的是，本步骤中还包括对所述需求决策的类别数据进行分析，得到分析结果；计算所述分析结果与预设的决策规则之间的相似度，并调用与决策类别相似度最高的决策规则；调用所述需求决策中各个类别数据相对应的所述目标用户的需求数据，根据关联度分析，选取与所述所述需求决策中各个类别数据相对应的所述目标用户的需求数据关联度最高的需求数据为最终需求数据。

可以理解的是，在本S300步骤中包括S301、S302、S303、S304和S305，其中：

S301、确定所有所述类别数据中每一条类别数据相对应所述目标用户的需求数据；

S302、基于神经网络架构体系，以生成根据所述需求数据和预设的决策规则进行多类别分类的神经网络模型，其中，所述神经网络模型用于获取多类别分类特征图；

需要说明的是，例如，将所述需求数据和预设的决策规则输入U型神经网络模型，神经网络模型根据多标签特征和权重系数获得加权后的多标签特征，并根据加权后的多标签特征对多类别分类特征图进行多标签分类，输出各个标签的概率。根据各个标签的概率获得多标签分类结果。

需要说明的是，其中卷积神经网络中CNN是深度学习的算法之一，借助卷积计算和多层的网络结构实现输入数据特征的有效提取，多层卷积网络将通过迭代提取更深层次的特征。卷积神经网络内部采用卷积层、池化层和全连接层相互交替的结构，其中卷积层的输出通常需要使用激活函数做非线性映射，本实施例中选择使用线性整流作为卷积层神经的激励函数，增强神经网络的非线性特性，克服梯度消失的问题，加快训练速度；池化层在保留主要的特征的同时减少计算量，防止过拟合，提高模型泛化能力，池化方法包括最大池化和平均池化；全连接层在整个卷积神经网络中起到分类器的作用，借助卷积层和池化的计算方式，输入数据的深层特征被提取，而全连接层将提取后的特征映射到样本的标记空间中。本步骤中将所述的卷积层-池化层的深度均设置为10，每个卷积层使用64个卷积核，卷积层和输出层的激活函数均选用鲁棒性最强的激活函数，使用平方误差损失作为损失函数，采用适应学习率的方式，根据训练进行的阶段自动调整学习率。

S303、对所述多类别分类特征图进行卷积操作和归一化操作，获得包含所述权重系数的权重矩阵；

S304、对所述多类别分类特征图和所述权重矩阵进行矩阵乘操作，获得加权后的多类别分类特征图；

具体地，利用权重系数对多标签特征进行加权，提高对重要特征的关注度，获得加权后的多标签特征，并根据加权后的多标签特征对多类别分类特征图进行多标签分类。

根据多标签特征和权重系数，获取多类别分类特征图的多标签分类结果，通过利用权重系数对多标签特征进行加权，能够提高对重要特征的关注度，并且提高了多标签分类的鲁棒性。

S305、将预设的决策规则中的参数作为初始化参数，并根据所述加权后的所述多类别分类特征图，获取调整后的分类结果。

所述多标签包括父标签和至少一个子标签，其中，所述基于所述样本图像训练神经网络模型，以生成根据多标签特征和权重系数进行多标签分类的神经网络模型，包括：将所述样本图像输入所述神经网络模型，获得父标签损失函数值和至少一个子标签损失函数值；根据所述父标签损失函数值和所述至少一个子标签损失函数值，更新所述神经网络模型的参数。

S400、利用所述决策规则对所述需求数据进行处理，得到决策结果。

可以理解的是，在本步骤中将调用的需求数据依靠所匹配的决策规则进行处理，例如使用所匹配的第x个决策规则，对调用的数据A进行处理，得到决策请求所对应的决策结果。

实施例2：

如图2所示，本实施例提供了一种大数据决策系统，参见图2所述系统包括提取模块701、分类模块702、选择模块和处理模块704，其中：

提取模块701：用于基于大数据提取目标用户的活动轨迹信息，所述活动轨迹信息包括目标用户的浏览网页信息、业务偏好信息、驻留网页时间信息和使用软件频率信息；

分类模块702：用于利用回声状态网络对所述活动轨迹信息进行特征分类，并基于所述特征分类的结果进行所述目标用户需求决策；

选取模块703：用于根据所述需求决策的类别数据匹配预设的决策规则，并选取与所述需求决策中各个类别数据相对应的所述目标用户的需求数据；

处理模块704：用于利用所述决策规则对所述需求数据进行处理，得到决策结果。

具体地，所述提取模块701，之后包括筛选单元7011、剔除单元7012和第一处理单元7013，其中：

筛选单元7011：用于通过离群点检测法，对所述活动轨迹信息进行异常值筛选，得到第一筛选结果；

剔除单元7012：用于利用三维点云数据剔除所述第一筛选结果中点云数据的离群点，得到第二筛选结果；

第一处理单元7013：用于对所述第二筛选结果进行二维平稳小波变换处理，得到活动轨迹数据信息，对所述活动轨迹数据信息进行滤波处理，得到处理后的所述目标用户的活动轨迹信息。

具体地，所述分类模块702，其中包括采集单元7021、第二处理单元7022和输入单元7023，其中：

采集单元7021：用于基于回声状态网络采集第一类中心数据，所述第一类中心数据包括所述目标用户在不同状态下进行活动的轨迹信息数据，并将所述轨迹信息数据映射到所述目标用户自身的类中心；

第二处理单元7022：用于根据均衡化算法采集到所述第一类中心数据中各个类中心之间的距离，并对所述距离进行最小化处理，得到最小化处理结果，所述最小化处理结果用来增强训练集的特征和测试集的特征，所述训练集和所述测试集为所述活动轨迹信息的集合；

输入单元7023：用于将所述最小化处理结果输入至预设模型进行特征分类。

具体地，所述选取模块703，包括确定单元7031、生成单元7032、第一获得单元7033、第二获得单元7034和第三获得单元7035，其中：

确定单元7031：用于确定所有所述类别数据中每一条类别数据相对应所述目标用户的需求数据；

生成单元7032：用于基于神经网络架构体系，以生成根据所述需求数据和预设的决策规则进行多类别分类的神经网络模型，其中，所述神经网络模型用于获取多类别分类特征图；

第一获得单元7033：用于对所述多类别分类特征图进行卷积操作和归一化操作，获得包含所述权重系数的权重矩阵；

第二获得单元7034：用于对所述多类别分类特征图和所述权重矩阵进行矩阵乘操作，获得加权后的多类别分类特征图；

第三获得单元7035：用于将预设的决策规则中的参数作为初始化参数，并根据所述加权后的所述多类别分类特征图，获取调整后的分类结果。

需要说明的是，关于上述实施例中的系统，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

实施例3：

相应于上面的方法实施例，本实施例中还提供了一种大数据决策设备，下文描述的一种大数据决策设备与上文描述的一种大数据决策方法可相互对应参照。

图3是根据示例性实施例示出的一种大数据决策设备800的框图。如图3所示，该大数据决策设备800可以包括：处理器801，存储器802。该大数据决策设备800还可以包括多媒体组件803，I/O接口804，以及通信组件805中的一者或多者。

其中，处理器801用于控制该大数据决策设备800的整体操作，以完成上述的大数据决策方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该大数据决策设备800的操作，这些数据例如可以包括用于在该大数据决策设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该大数据决策设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：Wi-Fi模块，蓝牙模块，NFC模块。

在一示例性实施例中，大数据决策设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的大数据决策方法。

在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的大数据决策方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由大数据决策设备800的处理器801执行以完成上述的大数据决策方法。

实施例4：

相应于上面的方法实施例，本实施例中还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种大数据决策方法可相互对应参照。

一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的大数据决策方法的步骤。

该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。

本说明书各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其它编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或数字金融服务终端上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims

1.一种大数据决策方法，其特征在于，包括：

利用所述决策规则对所述需求数据进行处理，得到决策结果；

所述利用回声状态网络对所述活动轨迹信息进行特征分类，其中包括：

将所述最小化处理结果输入至预设模型进行特征分类。

2.根据权利要求1所述的大数据决策方法，其特征在于,所述基于大数据提取目标用户的活动轨迹信息，之后包括：

3.根据权利要求1所述的大数据决策方法，其特征在于,所述根据所述需求决策的类别数据匹配预设的决策规则，并选取与所述需求决策中各个类别数据相对应的所述目标用户的需求数据，包括：

对所述多类别分类特征图进行卷积操作和归一化操作，获得包含权重系数的权重矩阵；

4.一种大数据决策系统，其特征在于，包括：

处理模块：用于利用所述决策规则对所述需求数据进行处理，得到决策结果；

所述分类模块，其中包括：

采集单元：用于基于回声状态网络采集第一类中心数据，所述第一类中心数据包括所述目标用户在不同状态下进行活动的轨迹信息数据，并将所述轨迹信息数据映射到所述目标用户自身的类中心；

第二处理单元：用于根据均衡化算法采集到所述第一类中心数据中各个类中心之间的距离，并对所述距离进行最小化处理，得到最小化处理结果，所述最小化处理结果用来增强训练集的特征和测试集的特征，所述训练集和所述测试集为所述活动轨迹信息的集合；

输入单元：用于将所述最小化处理结果输入至预设模型进行特征分类。

5.根据权利要求4所述的大数据决策系统，其特征在于，所述提取模块，之后包括：

筛选单元：用于通过离群点检测法，对所述活动轨迹信息进行异常值筛选，得到第一筛选结果；

剔除单元：用于利用三维点云数据剔除所述第一筛选结果中点云数据的离群点，得到第二筛选结果；

第一处理单元：用于对所述第二筛选结果进行二维平稳小波变换处理，得到活动轨迹数据信息，对所述活动轨迹数据信息进行滤波处理，得到处理后的所述目标用户的活动轨迹信息。

6.根据权利要求4所述的大数据决策系统，其特征在于，所述选取模块，包括：

确定单元：用于确定所有所述类别数据中每一条类别数据相对应所述目标用户的需求数据；

生成单元：用于基于神经网络架构体系，以生成根据所述需求数据和预设的决策规则进行多类别分类的神经网络模型，其中，所述神经网络模型用于获取多类别分类特征图；

第一获得单元：用于对所述多类别分类特征图进行卷积操作和归一化操作，获得包含权重系数的权重矩阵；

第二获得单元：用于对所述多类别分类特征图和所述权重矩阵进行矩阵乘操作，获得加权后的多类别分类特征图；

第三获得单元：用于将预设的决策规则中的参数作为初始化参数，并根据所述加权后的所述多类别分类特征图，获取调整后的分类结果。

7.一种云端服务中心，其特征在于，所述云端服务中心包括处理器、机器可读存储介质和网络接口，所述机器可读存储介质、所述网络接口以及所述处理器之间通过总线系统相连，所述网络接口用于与至少一个在线服务终端通信连接，所述机器可读存储介质用于存储程序、指令或代码，所述处理器用于执行所述机器可读存储介质中的程序、指令或代码，以执行权利要求1-3中任意一项的大数据决策方法。

8.一种可读存储介质，其特征在于：所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述大数据决策方法的步骤。