CN116561589B - 一种基于智能穿戴设备的考勤训练管理方法及系统 - Google Patents

Abstract

本发明涉及数据处理领域，公开了一种基于智能穿戴设备的考勤训练管理方法及系统，用于实现智能化考勤训练管理以及提高考勤训练的准确率。方法包括：对第一用户状态数据集进行数据集分类，得到多个第二用户状态数据集；进行数据模型构建，得到多个目标数据分布模型；将多个目标数据分布模型输入考勤训练状态决策模型集进行考勤训练状态决策分析，得到初始考勤训练决策分析结果；进行决策精度校验，得到决策精度校验结果，并根据决策精度校验结果生成目标考勤训练决策分析结果；对目标考勤训练决策分析结果进行考核指标计算，生成M个第二用户的目标考勤训练记录，并将目标考勤训练记录传输至预置的后台管理中心进行可视化管理。

Description

一种基于智能穿戴设备的考勤训练管理方法及系统

技术领域

本发明涉及数据处理领域，尤其涉及一种基于智能穿戴设备的考勤训练管理方法及系统。

背景技术

传统的考勤管理和训练监控往往需要人工参与和大量的纸质记录，存在效率低、数据不准确等问题。随着智能穿戴设备的发展，结合其定位、心率检测等功能，可以提供更高效、准确的考勤和训练管理方法。

但是现有方案在面对复杂的训练场景和多样化的用户需求时，存在决策精度不高、容易受到噪声数据干扰等问题，并且缺乏全面的考核指标体系，进而导致现有方案的准确率低。

发明内容

本发明提供了一种基于智能穿戴设备的考勤训练管理方法及系统，用于实现智能化考勤训练管理以及提高考勤训练的准确率。

本发明第一方面提供了一种基于智能穿戴设备的考勤训练管理方法，所述基于智能穿戴设备的考勤训练管理方法包括：

通过电子围栏考勤训练区域和N个第一用户的智能穿戴设备进行用户考勤身份验证，确定待考勤训练的M个第二用户，其中，M≤N；

对所述M个第二用户进行考勤训练过程监控和考勤训练数据采集，得到M个第一用户状态数据集，并获取所述智能穿戴设备的设备状态数据集；

对每个第一用户状态数据集进行数据集分类，得到多个第二用户状态数据集，其中，所述多个第二用户状态数据集包括：位置轨迹数据、心率指标数据以及运动关联数据；

对所述多个第二用户状态数据集进行数据模型构建，得到多个目标数据分布模型；

将所述多个目标数据分布模型输入预置的考勤训练状态决策模型集进行考勤训练状态决策分析，得到每个第二用户对应的初始考勤训练决策分析结果；

根据所述设备状态数据集对所述初始考勤训练决策分析结果进行决策精度校验，得到决策精度校验结果，并根据所述决策精度校验结果生成目标考勤训练决策分析结果；

对所述目标考勤训练决策分析结果进行考核指标计算，生成所述M个第二用户的目标考勤训练记录，并将所述目标考勤训练记录传输至预置的后台管理中心进行可视化管理。

结合第一方面，在本发明第一方面的第一实施方式中，所述通过电子围栏考勤训练区域和N个第一用户的智能穿戴设备进行用户考勤身份验证，确定待考勤训练的M个第二用户，其中，M≤N，包括：

基于预置的电子围栏考勤训练区域，对N个第一用户的智能穿戴设备进行用户信息识别，得到每个第一用户的用户身份信息；

对每个第一用户的用户身份信息进行向量编码，得到每个第一用户的第一身份信息编码向量；

基于预置的后台管理中心获取待训练的多个目标用户以及每个目标用户对应的第二身份信息编码向量；

计算所述第一身份信息编码向量以及所述第二身份信息编码向量的内积，以及计算所述第一身份信息编码向量以及所述第二身份信息编码向量的范数；

将所述内积除以所述范数，得到每个第一用户的信息相似度，并判断所述信息相似度是否超过预设相似度阈值，得到每个第一用户的判断结果；

若所述判断结果为是，则确定第一用户通过用户考勤身份验证，并将用户考勤身份验证通过的第一用户确定为待考勤训练的M个第二用户，其中，M≤N。

结合第一方面，在本发明第一方面的第二实施方式中，所述对每个第一用户状态数据集进行数据集分类，得到多个第二用户状态数据集，其中，所述多个第二用户状态数据集包括：位置轨迹数据、心率指标数据以及运动关联数据，包括：

获取位置数据标签、心率数据标签以及运动数据标签，并根据所述位置数据标签、所述心率数据标签以及所述运动数据标签对每个第一用户状态数据集进行数据集初始化，得到多个初始化状态数据集；

将每个初始化状态数据集输入预置的状态数据分类模型，并调用所述状态数据分类模型的初始移动密度函数对每个初始化状态数据集进行聚类中心计算，得到多个初始聚类中心；

对所述每个初始化状态数据集与所述多个初始聚类中心进行距离计算，得到多个聚类中心距离，并对所述多个聚类中心距离进行平均值计算，得到平均聚类距离；

通过所述平均聚类距离对所述初始移动密度函数进行搜索半径参数调整，得到目标搜索半径参数，并将所述初始移动密度函数的初始搜索半径参数替换为所述目标搜索半径参数，得到目标移动密度函数；

通过所述目标移动密度函数对所述每个初始化状态数据集进行聚类中心计算，得到目标聚类中心；

根据所述目标聚类中心，对所述每个初始化状态数据集进行数据集分类，得到多个第二用户状态数据集，其中，所述多个第二用户状态数据集包括：位置轨迹数据、心率指标数据以及运动关联数据。

结合第一方面，在本发明第一方面的第三实施方式中，所述对所述多个第二用户状态数据集进行数据模型构建，得到多个目标数据分布模型，包括：

对所述位置轨迹数据进行轨迹点密度计算，得到轨迹点密度数据，并根据所述轨迹点密度数据和所述电子围栏考勤训练区域进行空间分析，得到轨迹地图分布模型；

对所述心率指标数据进行特征值计算，得到对应的多个特征值，并通过预置的概率分布函数和所述多个特征值，对所述心率指标数据进行分布曲线拟合，得到心率曲线分布模型；

对运动关联数据进行运动类型分类，得到每种运动类型的子数据集，并对每种运动类型的子数据集进行运动状态热力分布图构建，得到运动状态热力分布模型；

将所述轨迹地图分布模型、所述心率曲线分布模型以及所述运动状态热力分布模型作为多个目标数据分布模型。

结合第一方面，在本发明第一方面的第四实施方式中，所述将所述多个目标数据分布模型输入预置的考勤训练状态决策模型集进行考勤训练状态决策分析，得到每个第二用户对应的初始考勤训练决策分析结果，包括：

对所述轨迹地图分布模型进行轨迹分布特征提取，得到多个轨迹分布特征点，并对所述多个轨迹分布特征点进行向量映射，得到轨迹分布特征向量；

对所述心率曲线分布模型进行心率曲线特征提取，得到多个心率曲线特征点，并对所述心率曲线特征点进行向量映射，得到心率分布特征向量；

对所述运动状态热力分布模型进行运动状态特征提取，得到多个运动状态特征点，并对所述多个运动状态特征点进行向量映射，得到运动状态特征向量；

将所述轨迹分布特征向量、所述心率分布特征向量以及所述运动状态特征向量输入预置的考勤训练状态决策模型集，其中，所述考勤训练状态决策模型集包括：轨迹异常检测模型、心率异常检测模型以及运动状态检测模型；

通过所述考勤训练状态决策模型集，分别对所述轨迹分布特征向量、所述心率分布特征向量以及所述运动状态特征向量进行决策分析，得到多个子决策分析结果；

根据所述多个子决策分析结果生成每个第二用户对应的初始考勤训练决策分析结果。

结合第一方面，在本发明第一方面的第五实施方式中，所述根据所述设备状态数据集对所述初始考勤训练决策分析结果进行决策精度校验，得到决策精度校验结果，并根据所述决策精度校验结果生成目标考勤训练决策分析结果，包括：

根据所述设备状态数据集对每个第二用户进行训练完成度分析，得到训练完成度，以及根据所述设备状态数据集对每个第二用户进行犯规情况分析，得到训练犯规情况；

基于所述训练完成度以及所述训练犯规情况，对所述初始考勤训练决策分析结果进行决策精度校验，得到决策精度校验结果；

根据所述决策精度校验结果生成目标考勤训练决策分析结果。

结合第一方面，在本发明第一方面的第六实施方式中，所述对所述目标考勤训练决策分析结果进行考核指标计算，生成所述M个第二用户的目标考勤训练记录，并将所述目标考勤训练记录传输至预置的后台管理中心进行可视化管理，包括：

对所述目标考勤训练决策分析结果进行考核指标计算，得到每个第二用户的考核指标；

对每个第二用户的考核指标进行排名分析，得到所述M个第二用户的考核排名；

根据所述考核排名生成所述M个第二用户的目标考勤训练记录，并将所述目标考勤训练记录传输至预置的后台管理中心进行可视化管理。

本发明第二方面提供了一种基于智能穿戴设备的考勤训练管理系统，所述基于智能穿戴设备的考勤训练管理系统包括：

验证模块，用于通过电子围栏考勤训练区域和N个第一用户的智能穿戴设备进行用户考勤身份验证，确定待考勤训练的M个第二用户，其中，M≤N；

采集模块，用于对所述M个第二用户进行考勤训练过程监控和考勤训练数据采集，得到M个第一用户状态数据集，并获取所述智能穿戴设备的设备状态数据集；

分类模块，用于对每个第一用户状态数据集进行数据集分类，得到多个第二用户状态数据集，其中，所述多个第二用户状态数据集包括：位置轨迹数据、心率指标数据以及运动关联数据；

构建模块，用于对所述多个第二用户状态数据集进行数据模型构建，得到多个目标数据分布模型；

分析模块，用于将所述多个目标数据分布模型输入预置的考勤训练状态决策模型集进行考勤训练状态决策分析，得到每个第二用户对应的初始考勤训练决策分析结果；

校验模块，用于根据所述设备状态数据集对所述初始考勤训练决策分析结果进行决策精度校验，得到决策精度校验结果，并根据所述决策精度校验结果生成目标考勤训练决策分析结果；

管理模块，用于对所述目标考勤训练决策分析结果进行考核指标计算，生成所述M个第二用户的目标考勤训练记录，并将所述目标考勤训练记录传输至预置的后台管理中心进行可视化管理。

本发明第三方面提供了一种基于智能穿戴设备的考勤训练管理设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于智能穿戴设备的考勤训练管理设备执行上述的基于智能穿戴设备的考勤训练管理方法。

本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的基于智能穿戴设备的考勤训练管理方法。

本发明提供的技术方案中，对第一用户状态数据集进行数据集分类，得到多个第二用户状态数据集；进行数据模型构建，得到多个目标数据分布模型；将多个目标数据分布模型输入考勤训练状态决策模型集进行考勤训练状态决策分析，得到初始考勤训练决策分析结果；进行决策精度校验，得到决策精度校验结果，并根据决策精度校验结果生成目标考勤训练决策分析结果；对目标考勤训练决策分析结果进行考核指标计算，生成M个第二用户的目标考勤训练记录，并将目标考勤训练记录传输至预置的后台管理中心进行可视化管理，本发明通过智能穿戴设备进行用户考勤身份验证和数据采集，实现了自动化的考勤管理，不再依赖传统的手动签到或纸质记录，减轻了人力资源的负担，提高了考勤管理的效率和准确性。智能穿戴设备可以实时监测用户的位置轨迹、心率指标和运动相关数据，能够及时获取用户的训练状态和表现，通过数据集分类和数据模型构建，可以分析用户的位置轨迹、心率指标和运动关联数据，利用预置的考勤训练状态决策模型集，对采集到的数据进行分析和决策，对每个第二用户的训练表现进行量化和比较，进而实现了智能化考勤训练管理以及提高了考勤训练的准确率。

附图说明

图1为本发明实施例中基于智能穿戴设备的考勤训练管理方法的一个实施例示意图；

图2为本发明实施例中数据集分类的流程图；

图3为本发明实施例中数据模型构建的流程图；

图4为本发明实施例中考勤训练状态决策分析的流程图；

图5为本发明实施例中基于智能穿戴设备的考勤训练管理系统的一个实施例示意图；

图6为本发明实施例中基于智能穿戴设备的考勤训练管理设备的一个实施例示意图。

具体实施方式

本发明实施例提供了一种基于智能穿戴设备的考勤训练管理方法及系统，用于实现智能化考勤训练管理以及提高考勤训练的准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中基于智能穿戴设备的考勤训练管理方法的一个实施例包括：

S101、通过电子围栏考勤训练区域和N个第一用户的智能穿戴设备进行用户考勤身份验证，确定待考勤训练的M个第二用户，其中，M≤N；

可以理解的是，本发明的执行主体可以为基于智能穿戴设备的考勤训练管理系统，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。

具体的，服务器预先设置了电子围栏来限定考勤训练的区域范围。针对N个第一用户的智能穿戴设备，采用特定的技术手段，如GPS定位或蓝牙信号等，对用户进行身份验证。在智能穿戴设备中存储有第一用户的个人信息，这些信息可以用于身份验证。一旦身份验证成功，服务器获取每个第一用户的用户身份信息，并对其进行向量编码，生成第一身份信息编码向量。通过预置的后台管理中心，获取多个待训练的目标用户以及每个目标用户对应的第二身份信息编码向量。服务器计算第一身份信息编码向量与第二身份信息编码向量之间的内积，并计算它们的范数。通过将内积除以范数，可以得到每个第一用户的信息相似度。服务器进一步将这个相似度与预设的相似度阈值进行比较。如果相似度超过了预设阈值，服务器判定该第一用户通过了用户考勤身份验证，并将其确定为待考勤训练的第二用户。从N个第一用户中选出不超过M个第二用户进行后续的考勤训练。例如，假设某健身房使用智能穿戴设备进行考勤训练管理。在健身房内部设置了电子围栏，限定了考勤训练的区域。每位会员都配备了智能手环作为智能穿戴设备，里面存储了会员的个人信息和身份信息。当会员进入考勤训练区域时，智能手环会与电子围栏进行通信，进行身份验证。假设有100个第一用户，即健身房的会员。在后台管理中心预置了50个待训练的目标用户以及相应的第二身份信息编码向量。当第一用户进入考勤训练区域并通过身份验证后，服务器会对其用户身份信息进行向量编码，得到第一身份信息编码向量。服务器将每个第一身份信息编码向量与50个目标用户的第二身份信息编码向量进行内积计算和范数计算。通过计算得到的信息相似度服务器判断每个第一用户与目标用户之间的相似程度。如果某个第一用户的相似度超过了预设的相似度阈值，服务器将判定该用户通过了用户考勤身份验证，并将其确定为待考勤训练的第二用户。例如，假设第一用户A在进入考勤训练区域时通过了身份验证，并且其第一身份信息编码向量与目标用户X的第二身份信息编码向量的内积除以范数计算结果超过了预设相似度阈值。这意味着用户A与目标用户X的身份信息相似度较高，服务器将确定用户A为待考勤训练的第二用户。通过这种方式，基于智能穿戴设备的考勤训练管理方法可以有效地进行用户身份验证，并确定符合条件的第二用户进行后续的考勤训练。这样可以确保只有经过身份验证的用户才能参与训练，并且能够自动识别符合条件的第二用户，提高考勤训练管理的准确性和效率。

S102、对M个第二用户进行考勤训练过程监控和考勤训练数据采集，得到M个第一用户状态数据集，并获取智能穿戴设备的设备状态数据集；

具体的，服务器针对每个第二用户，设置智能穿戴设备并将其佩戴在用户身上。智能穿戴设备可以是智能手环、智能手表或其他可穿戴设备，具备收集用户状态数据的能力。对智能穿戴设备进行设备状态数据采集。设备状态数据包括设备电量、连接状态、传感器状态等信息。这些数据能够提供设备运行情况的参考，确保设备正常工作并能够准确记录用户的状态数据。同时，对M个第二用户进行考勤训练过程的监控。通过智能穿戴设备中的传感器和算法，实时监测用户的运动、心率、位置等状态。例如，通过加速度传感器和陀螺仪监测用户的运动姿势和运动强度，通过心率传感器监测用户的心率变化，通过定位技术获取用户的位置信息。在考勤训练过程中，智能穿戴设备会持续地收集用户的状态数据，并将数据存储在设备内部或通过无线传输方式发送到后台服务器。例如，假设有一名用户正在进行跑步训练。他戴着智能手表作为智能穿戴设备。智能手表中的加速度传感器和心率传感器会实时采集用户的运动数据和心率数据。用户开始跑步后，智能手表会记录他的步数、跑步速度、心率等信息。同时，GPS定位技术也会定期记录用户的位置信息。这样，通过对智能穿戴设备中的设备状态数据和用户状态数据进行采集和监控，就能够得到M个第一用户状态数据集。这些数据集包括用户的运动数据、心率数据、位置数据等，为后续的考勤训练分析和决策提供了基础。

S103、对每个第一用户状态数据集进行数据集分类，得到多个第二用户状态数据集，其中，多个第二用户状态数据集包括：位置轨迹数据、心率指标数据以及运动关联数据；

需要说明的是，服务器获取位置数据标签、心率数据标签以及运动数据标签，这些标签可以作为后续分类的依据。服务器将使用这些标签对每个第一用户状态数据集进行初始化，从而得到多个初始化状态数据集。每个初始化状态数据集代表了一个第一用户的状态数据集，其中包含了位置轨迹数据、心率指标数据以及运动关联数据。每个初始化状态数据集将被输入到预置的状态数据分类模型中。该分类模型可以根据不同的特征和标签对数据进行聚类分析。通过调用分类模型的初始移动密度函数，可以计算出每个初始化状态数据集的聚类中心。针对每个初始化状态数据集和初始聚类中心，服务器会计算它们之间的距离，从而得到多个聚类中心距离。这些距离将被求取平均值，得到平均聚类距离。接着，服务器会根据平均聚类距离对初始移动密度函数进行搜索半径参数的调整。搜索半径参数是用来确定聚类的密度范围的关键参数。通过调整搜索半径参数，服务器更好地捕捉到聚类的特征。调整后得到的目标搜索半径参数将替换初始移动密度函数的参数，从而得到目标移动密度函数。利用目标移动密度函数，服务器会对每个初始化状态数据集进行再次聚类中心计算，得到目标聚类中心。目标聚类中心代表了每个第二用户状态数据集的特征。根据目标聚类中心，服务器对每个初始化状态数据集进行数据集分类，从而得到多个第二用户状态数据集。这些状态数据集包括位置轨迹数据、心率指标数据以及运动关联数据，用于后续的考勤训练管理。例如，假设有一家健身中心采用智能穿戴设备进行考勤训练管理。该中心有100位会员（第一用户）使用智能手环作为考勤设备。这些会员每次进行训练时，智能手环会记录位置信息、心率指标和运动数据。健身中心预先设置了一个电子围栏考勤训练区域，用于限定会员进行训练的范围。当会员到达健身中心并穿戴智能手环时，服务器会通过电子围栏考勤训练区域和智能手环对会员进行身份验证。通过智能手环中存储的用户信息，服务器识别每个第一用户的身份。服务器对每个第一用户的状态数据集进行分类。服务器提取智能手环中的位置数据、心率数据和运动数据，并将其作为特征进行分类。以位置数据为例，服务器将位置信息转化为位置数据标签，例如"跑步机区域"和"力量训练区域"等。对于每个第一用户的状态数据集，服务器根据其位置信息的特征将其分类到相应的位置数据标签下。其中，服务器根据心率数据的特征提取心率数据标签，例如"低强度"、"中强度"和"高强度"等。对于每个第一用户的状态数据集，服务器根据心率信息将其分类到相应的心率数据标签下。服务器提取运动数据的特征，例如运动类型、运动强度等，并将其转化为运动数据标签，例如"有氧运动"、"无氧运动"和"高强度运动"等。对于每个第一用户的状态数据集，服务器根据运动数据的特征将其分类到相应的运动数据标签下。本实施例中，服务器将第一用户的状态数据集进行了分类，得到了多个第二用户状态数据集，每个数据集包括位置轨迹数据、心率指标数据和运动关联数据。例如，服务器得到一个包含"跑步机区域"、"中强度"和"有氧运动"的第二用户状态数据集，以及一个包含"力量训练区域"、"高强度"和"无氧运动"的第二用户状态数据集。

S104、对多个第二用户状态数据集进行数据模型构建，得到多个目标数据分布模型；

具体的，针对位置轨迹数据，可以进行轨迹点密度计算。通过统计每个位置轨迹数据集中的轨迹点数量，可以得到轨迹点密度数据。接着，结合电子围栏考勤训练区域的边界信息，进行空间分析。这样可以将轨迹点密度数据与电子围栏考勤训练区域进行比较，进一步得到轨迹地图分布模型。例如，在一个健身房的训练区域内，通过收集会员的位置轨迹数据，并根据每个位置的轨迹点密度计算出轨迹点密度数据，然后将这些数据与电子围栏考勤训练区域进行空间分析，可以生成轨迹地图分布模型，显示出不同区域的训练热度和密集程度。对于心率指标数据，可以进行特征值计算。通过提取心率指标数据集中的各种特征值，如平均值、标准差、峰值等，可以得到多个特征值。接着，利用预置的概率分布函数，结合这些特征值对心率指标数据进行分布曲线拟合。这样可以得到心率曲线分布模型。例如，对于一组运动员的心率指标数据集，可以计算出平均心率、最大心率、心率变化范围等特征值，然后使用高斯分布函数或其他适合的概率分布函数来拟合心率指标数据的分布曲线，从而得到心率曲线分布模型，用于分析心率的分布情况和异常情况。针对运动关联数据，可以进行运动类型分类。通过对运动关联数据进行分析和处理，将其分为不同的运动类型子数据集。对于每种运动类型的子数据集，可以构建运动状态热力分布图，用于展示运动状态的分布情况。例如，在一个健身中心的训练区域内，可以收集会员的运动关联数据，将其分类为不同的运动类型，如有氧运动、力量训练等。根据每个运动类型子数据集中不同位置的训练次数或时长，构建相应的运动状态热力分布图，以可视化形式展示不同区域内不同运动状态的热度。将轨迹地图分布模型、心率曲线分布模型以及运动状态热力分布模型作为多个目标数据分布模型的结果。这些目标数据分布模型可以提供对多个第二用户状态数据集的综合分析和描述。通过这种方法，服务器获得对多个第二用户状态数据集的数据模型，其中包括轨迹地图分布模型、心率曲线分布模型和运动状态热力分布模型。这些模型可以帮助服务器理解不同区域的训练热度、心率分布以及运动状态的热度分布情况。例如，假设一个健身中心使用智能手环来记录会员的位置轨迹数据、心率指标数据和运动关联数据。通过对这些数据进行处理和分析，服务器构建一个轨迹地图分布模型，用于展示不同区域内会员的训练热度和密集程度。同时，通过计算和拟合心率指标数据，服务器生成心率曲线分布模型，用于描述会员心率的分布情况。针对不同运动类型的子数据集，服务器构建运动状态热力分布图，以显示不同区域内不同运动状态的热度。综合这些模型，健身中心可以更好地了解会员的训练行为和健康状况。例如，服务器通过轨迹地图分布模型分析哪些区域是热门训练区域，哪些区域需要更多关注和改进。通过心率曲线分布模型，服务器了解会员心率的分布情况，识别异常心率的情况，并为会员提供相应的建议和指导。通过运动状态热力分布模型，服务器了解不同运动类型的分布情况，以及在哪些区域内某种运动类型更受欢迎。

S105、将多个目标数据分布模型输入预置的考勤训练状态决策模型集进行考勤训练状态决策分析，得到每个第二用户对应的初始考勤训练决策分析结果；

具体的，针对轨迹地图分布模型，服务器提取轨迹分布特征。通过对轨迹地图进行分析，服务器识别出具有显著特征的轨迹分布点，并将它们表示为轨迹分布特征点。对这些特征点进行向量映射，得到轨迹分布特征向量。对于心率曲线分布模型，服务器进行心率曲线特征提取。通过分析心率曲线的形状、波动等特征，服务器提取出多个心率曲线特征点，并将它们映射为心率分布特征向量。对于运动状态热力分布模型，服务器提取运动状态特征。根据热力分布图，服务器确定运动状态的热度和密集程度，并提取出多个运动状态特征点。这些特征点可以被映射为运动状态特征向量。将得到的轨迹分布特征向量、心率分布特征向量和运动状态特征向量输入预置的考勤训练状态决策模型集。考勤训练状态决策模型集包括轨迹异常检测模型、心率异常检测模型和运动状态检测模型。这些模型旨在分析特征向量，检测是否存在异常情况或符合特定的考勤训练状态。通过考勤训练状态决策模型集，服务器对轨迹分布特征向量、心率分布特征向量和运动状态特征向量分别进行决策分析。这将产生多个子决策分析结果，用于描述每个第二用户的考勤训练状态。举个例子，假设服务器有一个健身房的考勤训练管理服务器。服务器中的智能穿戴设备可以记录用户的位置轨迹、心率数据和运动类型。通过对轨迹地图分布模型的分析，服务器提取出用户在健身房内的运动轨迹特征，如不同区域的密集程度、经常经过的路径等。对心率曲线分布模型进行特征提取，服务器得到用户的心率平均值、峰值和心率变化的趋势。运动状态热力分布模型可以帮助服务器了解用户在健身房中不同区域的运动强度和活跃程度。将这些特征向量输入到考勤训练状态决策模型集中，例如轨迹异常检测模型、心率异常检测模型和运动状态检测模型。通过模型分析，服务器判断用户的训练状态是否正常。例如，如果用户的轨迹异常检测模型显示用户偏离了规定的训练区域，服务器标记其训练状态为异常。如果心率异常检测模型检测到用户的心率超过安全范围，服务器记录该用户的训练状态为异常。运动状态检测模型可以根据用户的运动状态特征向量，判断其当前的运动类型和强度。例如，如果用户的运动状态特征向量表明他们正在进行高强度的跑步活动，服务器将其训练状态标记为高强度运动状态。通过对特征向量进行决策分析，考勤训练状态决策模型集可以生成每个第二用户对应的初始考勤训练决策分析结果。例如，服务器判断用户的训练状态为正常、异常或边界状态，并记录相应的信息。这些结果可以用于考勤记录、训练进展跟踪和训练计划调整。

S106、根据设备状态数据集对初始考勤训练决策分析结果进行决策精度校验，得到决策精度校验结果，并根据决策精度校验结果生成目标考勤训练决策分析结果；

具体的，根据设备状态数据集，针对每个第二用户进行训练完成度分析。这可以通过分析用户的训练时长、训练强度和完成的训练任务等指标来评估他们的训练完成度。例如，服务器记录用户的训练开始时间和结束时间，并与预设的训练时长进行对比。如果用户完成了大部分或全部的训练时间，服务器认定他们的训练完成度较高。根据设备状态数据集进行犯规情况分析，以评估用户的训练犯规情况。这可以包括检测用户是否遵守训练规则、动作是否正确执行以及是否存在过度训练或违规行为等。例如，服务器监测用户的姿势是否正确、动作是否平稳、是否存在频繁的休息间隔或过度使用设备等情况。如果用户在训练过程中没有违反规定或出现不良行为，服务器认定他们的训练犯规情况较低。基于训练完成度和训练犯规情况，对初始考勤训练决策分析结果进行决策精度校验。这可以通过将设备状态数据集与初始决策结果进行对比和匹配来实现。例如，服务器将用户的训练完成度与初始决策结果中的训练进展进行比较，以确认是否存在差异。其中，服务器将用户的训练犯规情况与初始决策结果中的训练规范性进行对比，以确定是否存在不一致。根据决策精度校验结果生成目标考勤训练决策分析结果。如果决策精度校验结果表明初始决策结果准确可靠，那么目标决策结果可以保持不变。然而，如果决策精度校验结果指示初始决策结果存在偏差或不准确，服务器进行调整和修正，以生成更准确的目标决策结果。这样，服务器根据用户的实际训练情况提供更个性化和有效的考勤训练决策分析结果。例如，假设有一个智能健身设备服务器，用于监测用户的运动状态和训练情况。服务器通过传感器收集用户的运动数据，包括步数、心率、运动时长等，并根据这些数据进行考勤训练决策分析。服务器根据设备状态数据集对每个第二用户进行训练完成度分析。用户A在一周内完成了设定的每日30分钟跑步训练，且记录显示他的训练时长和强度与设定目标一致。因此，服务器认定用户A的训练完成度较高。服务器对用户A进行犯规情况分析。通过监测用户A的姿势、步频和跑步速度等数据，服务器发现用户A在训练过程中没有出现不规范的动作，也没有频繁的休息间隔或过度使用设备的情况。因此，服务器认定用户A的训练犯规情况较低。基于训练完成度和训练犯规情况，服务器对初始考勤训练决策分析结果进行决策精度校验。服务器比较用户A的实际训练完成度与初始决策结果中的训练进展，发现二者一致。同时，服务器将用户A的训练犯规情况与初始决策结果中的训练规范性进行对比，也未发现不一致之处。因此，决策精度校验结果表明初始决策结果准确可靠。服务器生成目标考勤训练决策分析结果。由于初始决策结果通过了决策精度校验，服务器将保持初始决策结果作为目标决策结果。这意味着用户A已经成功通过考勤训练身份验证，并被确定为待考勤训练的第二用户。通过设备状态数据集的分析和决策精度校验，服务器根据用户的实际训练情况生成更准确和可靠的目标考勤训练决策分析结果。这有助于确保训练计划的准确性，并为用户提供个性化的训练指导和反馈。

S107、对目标考勤训练决策分析结果进行考核指标计算，生成M个第二用户的目标考勤训练记录，并将目标考勤训练记录传输至预置的后台管理中心进行可视化管理。

具体的，服务器根据目标考勤训练决策分析结果，对每个第二用户进行考核指标计算。考核指标可以包括训练时长、训练强度、训练频率、姿势正确性等方面的数据。服务器根据设定的评估标准，量化和计算每个指标，得到每个第二用户的考核指标值。对每个第二用户的考核指标进行排名分析，得到M个第二用户的考核排名。这个排名分析可以根据单个指标的排名，也可以综合多个指标得出综合排名。排名分析的目的是确定每个第二用户在考核指标上的表现相对于其他用户的位置。根据考核排名，生成M个第二用户的目标考勤训练记录。记录包括每个用户的姓名、训练时长、训练强度、训练频率、姿势正确性等信息。这些记录可以用表格、图表或其他形式展示，并包括用户的排名信息。将生成的目标考勤训练记录传输至预置的后台管理中心进行可视化管理。后台管理中心可以提供一个可视化界面，用于查看和分析每个用户的目标考勤训练记录。通过图表、统计数据和可视化工具，管理中心可以直观地展示每个用户的训练情况和排名，帮助管理者了解整体训练表现和个体差异。例如，假设有10个第二用户参与考勤训练。服务器根据考核指标计算得出用户A的训练时长为60分钟，训练强度为中等，训练频率为每周5次，姿势正确性达到90%；用户B的训练时长为45分钟，训练强度为高强度，训练频率为每周3次，姿势正确性达到85%。排名分析显示用户A在综合考核指标下排名第1，用户B排名第2。服务器生成目标考勤训练记录，其中用户A的记录显示其在各项指标上的表现，如训练时长为60分钟，训练强度为中等，训练频率为每周5次，姿势正确性为90%。用户B的记录显示其训练时长为45分钟，训练强度为高强度，训练频率为每周3次，姿势正确性为85%。这些目标考勤训练记录将被传输至预置的后台管理中心进行可视化管理。在后台管理中心的界面上，管理者可以直观地查看每个用户的目标考勤训练记录。通过图表、统计数据和可视化工具，管理者可以了解每个用户在训练时长、训练强度、训练频率、姿势正确性等指标上的表现情况。同时，排名信息也可以被展示，让管理者了解每个用户在考核指标上相对于其他用户的排名情况。

本发明实施例中，对第一用户状态数据集进行数据集分类，得到多个第二用户状态数据集；进行数据模型构建，得到多个目标数据分布模型；将多个目标数据分布模型输入考勤训练状态决策模型集进行考勤训练状态决策分析，得到初始考勤训练决策分析结果；进行决策精度校验，得到决策精度校验结果，并根据决策精度校验结果生成目标考勤训练决策分析结果；对目标考勤训练决策分析结果进行考核指标计算，生成M个第二用户的目标考勤训练记录，并将目标考勤训练记录传输至预置的后台管理中心进行可视化管理，本发明通过智能穿戴设备进行用户考勤身份验证和数据采集，实现了自动化的考勤管理，不再依赖传统的手动签到或纸质记录，减轻了人力资源的负担，提高了考勤管理的效率和准确性。智能穿戴设备可以实时监测用户的位置轨迹、心率指标和运动相关数据，能够及时获取用户的训练状态和表现，通过数据集分类和数据模型构建，可以分析用户的位置轨迹、心率指标和运动关联数据，利用预置的考勤训练状态决策模型集，对采集到的数据进行分析和决策，对每个第二用户的训练表现进行量化和比较，进而实现了智能化考勤训练管理以及提高了考勤训练的准确率。

在一具体实施例中，执行步骤S101的过程可以具体包括如下步骤：

（1）基于预置的电子围栏考勤训练区域，对N个第一用户的智能穿戴设备进行用户信息识别，得到每个第一用户的用户身份信息；

（2）对每个第一用户的用户身份信息进行向量编码，得到每个第一用户的第一身份信息编码向量；

（3）基于预置的后台管理中心获取待训练的多个目标用户以及每个目标用户对应的第二身份信息编码向量；

（4）计算第一身份信息编码向量以及第二身份信息编码向量的内积，以及计算第一身份信息编码向量以及第二身份信息编码向量的范数；

（5）将内积除以范数，得到每个第一用户的信息相似度，并判断信息相似度是否超过预设相似度阈值，得到每个第一用户的判断结果；

（6）若判断结果为是，则确定第一用户通过用户考勤身份验证，并将用户考勤身份验证通过的第一用户确定为待考勤训练的M个第二用户，其中，M≤N。

具体的，服务器设置电子围栏考勤训练区域，该区域用于限定用户的活动范围。该区域可以通过地理边界、虚拟区域或其他方式来定义。将智能穿戴设备分发给N个第一用户，并在设备中存储用户的身份信息。智能穿戴设备可以是智能手环、智能手表等设备。在电子围栏考勤训练区域内，使用定位技术（如GPS）或其他可用的位置识别方法，对智能穿戴设备进行定位。定位信息可以提供用户的当前位置。通过后台管理中心获取待训练的目标用户列表以及每个目标用户对应的第二身份信息编码向量。第二身份信息编码向量是根据目标用户的特征和属性进行编码得到的。接着，对于每个第一用户，获取其智能穿戴设备中存储的用户身份信息。可以使用设备中的身份认证功能、用户账号或其他方法来获取身份信息。之后，对获取到的每个第一用户的用户身份信息进行向量编码，将其转化为第一身份信息编码向量。向量编码可以使用常见的编码技术，如词嵌入模型、哈希函数等。计算第一身份信息编码向量和第二身份信息编码向量之间的内积，以及计算这两个向量的范数。内积可以衡量向量之间的相似度，范数可以用于归一化。将内积除以范数，得到每个第一用户的信息相似度。判断信息相似度是否超过预设的相似度阈值。如果相似度超过阈值，则判断该第一用户通过了用户考勤身份验证。将通过用户考勤身份验证的第一用户确定为待考勤训练的M个第二用户，其中M不超过N。这些第二用户将作为目标用户进行后续的考勤训练。例如，假设在一个健身房的电子围栏考勤训练区域内，有10位用户佩戴了智能手环作为智能穿戴设备。后台管理中心提供了5个目标用户及其对应的第二身份信息编码向量。每个智能手环中存储了用户的身份信息。在电子围栏区域内，智能手环通过定位技术获取到用户的位置信息。将智能手环中存储的身份信息提取出来，并对其进行向量编码，得到第一身份信息编码向量。从后台管理中心获取到5个目标用户及其对应的第二身份信息编码向量。假设目标用户A的第二身份信息编码向量为[0.2,0.5,0.8,0.1]，目标用户B的第二身份信息编码向量为[0.6,0.3,0.4,0.9]，以此类推。针对第一个智能手环的用户，将其身份信息进行向量编码，得到第一身份信息编码向量[0.4,0.7,0.9,0.2]。计算第一身份信息编码向量与目标用户A和目标用户B的第二身份信息编码向量之间的内积，并计算两个向量的范数。假设计算结果如下：第一身份信息编码向量与目标用户A的内积为0.82，范数为0.95。第一身份信息编码向量与目标用户B的内积为0.73，范数为1.02。将内积除以范数，得到第一个智能手环用户与目标用户A和目标用户B的信息相似度：与目标用户A的相似度为0.86，与目标用户B的相似度为0.72。假设预设的相似度阈值为0.8。由于第一个智能手环用户与目标用户A的相似度超过了阈值，可以判断第一个智能手环用户通过了用户考勤身份验证。同样的步骤逐个对剩下的智能手环用户进行处理，得到每个用户的信息相似度。根据相似度是否超过预设阈值，确定待考勤训练的第二用户。例如，如果第三个智能手环用户与目标用户A和目标用户B的相似度分别为0.76和0.68，未超过阈值0.8，则判定该用户未通过用户考勤身份验证。根据通过用户考勤身份验证的智能手环用户确定了待考勤训练的M个第二用户。这些用户可以进入后续的考勤训练阶段，进行进一步的数据采集和分析。

在一具体实施例中，如图2所示，执行步骤S103的过程可以具体包括如下步骤：

S201、获取位置数据标签、心率数据标签以及运动数据标签，并根据位置数据标签、心率数据标签以及运动数据标签对每个第一用户状态数据集进行数据集初始化，得到多个初始化状态数据集；

S202、将每个初始化状态数据集输入预置的状态数据分类模型，并调用状态数据分类模型的初始移动密度函数对每个初始化状态数据集进行聚类中心计算，得到多个初始聚类中心；

S203、对每个初始化状态数据集与多个初始聚类中心进行距离计算，得到多个聚类中心距离，并对多个聚类中心距离进行平均值计算，得到平均聚类距离；

S204、通过平均聚类距离对初始移动密度函数进行搜索半径参数调整，得到目标搜索半径参数，并将初始移动密度函数的初始搜索半径参数替换为目标搜索半径参数，得到目标移动密度函数；

S205、通过目标移动密度函数对每个初始化状态数据集进行聚类中心计算，得到目标聚类中心；

S206、根据目标聚类中心，对每个初始化状态数据集进行数据集分类，得到多个第二用户状态数据集，其中，多个第二用户状态数据集包括：位置轨迹数据、心率指标数据以及运动关联数据。

具体的，服务器首先需要获取位置数据标签、心率数据标签以及运动数据标签。这些标签可以表示位置信息、心率指标和运动状态。例如，位置数据标签可以包括"家庭"、"办公室"、"健身房"等标签，心率数据标签可以包括"放松"、"活动"、"高强度"等标签，运动数据标签可以包括"步行"、"跑步"、"骑行"等标签。根据这些位置数据标签、心率数据标签以及运动数据标签，对每个第一用户的状态数据集进行初始化。这意味着将状态数据与相应的标签进行关联，使得每个数据样本都包含位置、心率和运动信息。随后，将每个初始化状态数据集输入预置的状态数据分类模型。这个分类模型可以是基于机器学习算法的模型，例如聚类算法或分类器。使用该模型的初始移动密度函数对每个初始化状态数据集进行聚类中心计算。聚类中心代表了数据集中的典型样本。对每个初始化状态数据集与多个初始聚类中心进行距离计算，得到多个聚类中心距离。通过计算这些距离的平均值，得到平均聚类距离。这个平均聚类距离用于后续步骤中的搜索半径参数调整。利用平均聚类距离对初始移动密度函数进行搜索半径参数调整，得到目标搜索半径参数。将初始移动密度函数的初始搜索半径参数替换为目标搜索半径参数，得到目标移动密度函数。这个目标移动密度函数将用于后续的聚类中心计算。使用目标移动密度函数对每个初始化状态数据集进行聚类中心计算，得到目标聚类中心。这些目标聚类中心代表了根据位置、心率和运动信息确定的数据集的典型样本。根据目标聚类中心对每个初始化状态数据集进行数据集分类。这意味着将每个数据样本分配到与其最接近的目标聚类中心所代表的群体中。这样，服务器就得到了多个第二用户状态数据集，其中包括位置轨迹数据、心率指标数据以及运动关联数据。这些第二用户状态数据集可以用于后续的考勤训练决策分析和数据管理。例如，假设服务器有N个第一用户，每个用户提供了位置数据、心率数据和运动数据。服务器将这些数据与位置数据标签、心率数据标签和运动数据标签进行关联。例如，第一用户A的位置数据标签为"家庭"，心率数据标签为"放松"，运动数据标签为"步行"。对于第一用户B，位置数据标签为"办公室"，心率数据标签为"活动"，运动数据标签为"跑步"。基于这些标签，服务器对每个第一用户的状态数据集进行初始化。通过将位置数据、心率数据和运动数据与相应的标签进行关联，服务器得到多个初始化状态数据集，每个数据集包含位置轨迹数据、心率指标数据和运动关联数据。服务器将每个初始化状态数据集输入预置的状态数据分类模型。这个模型可以是基于聚类算法的模型，如K均值聚类，或者是基于分类器的模型，如支持向量机。使用该模型的初始移动密度函数对每个初始化状态数据集进行聚类中心计算。通过计算每个初始化状态数据集与多个初始聚类中心之间的距离，服务器得到多个聚类中心距离。将这些距离进行平均值计算，得到平均聚类距离。平均聚类距离可以反映数据集内部样本之间的相似程度。服务器使用平均聚类距离来调整初始移动密度函数的搜索半径参数。通过搜索半径参数的调整，服务器得到目标搜索半径参数。将初始移动密度函数的初始搜索半径参数替换为目标搜索半径参数，服务器得到目标移动密度函数。利用目标移动密度函数，服务器对每个初始化状态数据集进行聚类中心计算，得到目标聚类中心。这些目标聚类中心代表了根据位置、心率和运动信息确定的数据集的典型样本。根据目标聚类中心，服务器对每个初始化状态数据集进行数据集分类。通过将每个数据样本分配到与其最接近的目标聚类中心所代表的群体中，服务器得到多个第二用户状态数据集。这些第二用户状态数据集包括位置轨迹数据、心率指标数据和运动关联数据。例如，对于第一用户A，根据初始化状态数据集和目标聚类中心的计算，服务器将其分配到"家庭"位置群体、"放松"心率群体和"步行"运动群体。对于第一用户B，则可能被分配到"办公室"位置群体、"活动"心率群体和"跑步"运动群体。通过这样的数据集初始化和分类过程，服务器将第一用户的状态数据集转化为多个第二用户的状态数据集。这些第二用户状态数据集包含了位置轨迹数据、心率指标数据和运动关联数据，可以用于进一步的分析和应用。

在一具体实施例中，如图3所示，执行步骤S104的过程可以具体包括如下步骤：

S301、对位置轨迹数据进行轨迹点密度计算，得到轨迹点密度数据，并根据轨迹点密度数据和电子围栏考勤训练区域进行空间分析，得到轨迹地图分布模型；

S302、对心率指标数据进行特征值计算，得到对应的多个特征值，并通过预置的概率分布函数和多个特征值，对心率指标数据进行分布曲线拟合，得到心率曲线分布模型；

S303、对运动关联数据进行运动类型分类，得到每种运动类型的子数据集，并对每种运动类型的子数据集进行运动状态热力分布图构建，得到运动状态热力分布模型；

S304、将轨迹地图分布模型、心率曲线分布模型以及运动状态热力分布模型作为多个目标数据分布模型。

具体的，服务器针对位置轨迹数据，服务器进行轨迹点密度计算。通过对轨迹数据进行空间上的密度分析，可以得到每个位置的轨迹点密度数据。这些密度数据反映了在特定位置附近的轨迹点的数量，用于衡量位置的热门程度或拥挤程度。结合电子围栏考勤训练区域，服务器进行空间分析，将轨迹点密度数据与考勤区域进行比较，从而得到轨迹地图分布模型。这个模型可以显示位置轨迹在考勤区域中的分布情况，帮助服务器理解用户在不同区域的活动情况。对于心率指标数据，服务器进行特征值计算。通过对心率数据进行统计和分析，提取出多个特征值，例如平均心率、最大心率、心率变异性等。这些特征值反映了用户的心率表现和心脏健康状况。服务器使用预置的概率分布函数和这些特征值，对心率指标数据进行分布曲线拟合，得到心率曲线分布模型。这个模型描述了心率数据在不同数值范围内的分布情况，有助于服务器了解用户的心率水平和心脏健康状态。针对运动关联数据，服务器进行运动类型分类。通过对运动数据进行分析和分类算法的应用，可以将数据划分为不同的运动类型子数据集，如跑步、游泳、骑行等。针对每种运动类型的子数据集，服务器构建运动状态热力分布图。这个图像表示了在空间上用户进行某种运动类型的热门区域和活动强度，有助于服务器了解用户在不同地点和运动类型下的运动行为。通过对位置轨迹数据的轨迹点密度计算和空间分析、对心率指标数据的特征值计算和分布曲线拟合、以及对运动关联数据的运动类型分类和运动状态热力分布图构建，服务器得到轨迹地图分布模型、心率曲线分布模型和运动状态热力分布模型。这些模型提供了对用户行为和健康状况的深入认识，为后续的考勤训练和决策提供了重要的数据基础。这些目标数据分布模型可以用于进一步的分析和决策制定。例如，假设服务器有一批用户的位置轨迹数据、心率指标数据和运动关联数据。服务器对这些数据分别进行轨迹点密度计算、特征值计算和运动类型分类。基于计算结果，服务器生成轨迹地图分布模型、心率曲线分布模型和运动状态热力分布模型。例如，在轨迹地图分布模型中，服务器发现某个区域的轨迹点密度较高，表示该区域是用户活动频繁的地方，可能是运动场所。在心率曲线分布模型中，服务器观察到某个特定的心率范围在数据集中出现的频率较高，这可能与用户的健康状态有关。在运动状态热力分布模型中，服务器看到某种运动类型在特定地区的热力图分布较高，说明该地区是该运动类型的热门区域。这些目标数据分布模型可以为服务器提供对用户行为和健康状况的深入理解。例如，服务器利用轨迹地图分布模型来识别用户常去的地方，从而推荐相关的运动或服务；利用心率曲线分布模型，服务器评估用户的心脏健康状况，及时发现异常情况；利用运动状态热力分布模型，服务器了解用户喜欢的运动类型和运动强度，为其提供个性化的健身建议。

在一具体实施例中，如图4所示，执行步骤S105的过程可以具体包括如下步骤：

S401、对轨迹地图分布模型进行轨迹分布特征提取，得到多个轨迹分布特征点，并对多个轨迹分布特征点进行向量映射，得到轨迹分布特征向量；

S402、对心率曲线分布模型进行心率曲线特征提取，得到多个心率曲线特征点，并对心率曲线特征点进行向量映射，得到心率分布特征向量；

S403、对运动状态热力分布模型进行运动状态特征提取，得到多个运动状态特征点，并对多个运动状态特征点进行向量映射，得到运动状态特征向量；

S404、将轨迹分布特征向量、心率分布特征向量以及运动状态特征向量输入预置的考勤训练状态决策模型集，其中，考勤训练状态决策模型集包括：轨迹异常检测模型、心率异常检测模型以及运动状态检测模型；

S405、通过考勤训练状态决策模型集，分别对轨迹分布特征向量、心率分布特征向量以及运动状态特征向量进行决策分析，得到多个子决策分析结果；

S406、根据多个子决策分析结果生成每个第二用户对应的初始考勤训练决策分析结果。

具体的，服务器针对轨迹地图分布模型，服务器提取轨迹分布特征。通过对轨迹地图进行分析，可以识别出多个具有代表性的轨迹分布特征点，例如热门活动区域、人群聚集地等。对这些特征点进行向量映射，将其转化为轨迹分布特征向量。对心率曲线分布模型进行特征提取。服务器从心率曲线中提取出多个关键的特征点，如最大心率、心率变异性等。通过对这些特征点进行向量映射，服务器得到心率分布特征向量，用于描述用户的心率分布情况。对运动状态热力分布模型进行特征提取。根据不同的运动类型，服务器提取出相应的特征点，如运动频率、运动时长等。将这些特征点进行向量映射，可以得到运动状态特征向量，用于表示用户的运动状态分布情况。将轨迹分布特征向量、心率分布特征向量和运动状态特征向量输入预置的考勤训练状态决策模型集。这个模型集包括轨迹异常检测模型、心率异常检测模型和运动状态检测模型。通过这些模型，服务器对每个特征向量进行决策分析，判断用户的轨迹、心率和运动状态是否正常。根据决策模型的结果，服务器生成每个第二用户对应的初始考勤训练决策分析结果。例如，如果某个用户的轨迹分布特征向量表明其活动区域与考勤训练区域相符，心率分布特征向量表明其心率在正常范围内，运动状态特征向量表明其处于适宜的运动状态，那么可以将该用户的初始考勤训练决策分析结果判定为正常。通过以上步骤，服务器利用轨迹地图分布模型、心率曲线分布模型和运动状态热力分布模型提取特征，并结合考勤训练状态决策模型集进行决策分析，最终生成每个第二用户对应的初始考勤训练决策分析结果。这样的流程可以帮助服务器对第二用户的轨迹、心率和运动状态进行综合评价，以判断其是否符合考勤训练要求。

在一具体实施例中，执行步骤S106的过程可以具体包括如下步骤：

（1）根据设备状态数据集对每个第二用户进行训练完成度分析，得到训练完成度，以及根据设备状态数据集对每个第二用户进行犯规情况分析，得到训练犯规情况；

（2）基于训练完成度以及训练犯规情况，对初始考勤训练决策分析结果进行决策精度校验，得到决策精度校验结果；

（3）根据决策精度校验结果生成目标考勤训练决策分析结果。

具体的，服务器根据设备状态数据集对每个第二用户进行训练完成度分析。设备状态数据集可以包括用户的训练时间、训练强度、训练频率等信息。通过对这些数据进行分析，可以评估每个用户的训练完成度，即他们在训练计划中实际完成的程度。例如，可以计算每个用户的训练时间占计划时间的比例，来衡量其训练完成度。同时，服务器根据设备状态数据集对每个第二用户进行犯规情况分析。犯规情况可以包括未按计划进行训练、训练时长不达标、训练强度过低等。通过分析设备状态数据，服务器判断用户是否按照训练计划进行训练，以及他们在训练过程中是否存在犯规行为。基于训练完成度和训练犯规情况，服务器对初始考勤训练决策分析结果进行决策精度校验。根据初始决策结果，例如将某个用户判定为合格或不合格，服务器与实际的训练完成度和犯规情况进行比较。如果初始决策与实际情况相符，则说明决策精度较高；如果存在偏差或错误，说明决策精度可能需要进行校验和调整。根据决策精度校验结果，生成目标考勤训练决策分析结果。根据校验结果，服务器对初始决策进行调整，确保决策结果更准确和可靠。例如，如果某个用户的初始决策结果为合格，但校验结果显示其训练完成度较低或存在犯规情况，则可以将其考勤训练决策分析结果调整为不合格。举个例子来说明，假设服务器对一支训练队的队员进行考勤训练分析。服务器收集到每个队员的设备状态数据，包括他们的训练时间、训练强度和训练频率。通过对数据的分析，服务器得到每个队员的训练完成度，比如队员A完成了90%的训练计划。同时，服务器还分析了队员的犯规情况，发现队员B在训练过程中经常缺席或训练时间较短，存在训练犯规情况。这样，服务器就完成了针对每个第二用户的训练完成度分析和训练犯规情况分析。基于训练完成度和训练犯规情况，服务器对初始考勤训练决策分析结果进行决策精度校验。假设初始决策结果中将队员A判定为合格，而队员B判定为不合格。服务器将这些决策结果与实际的训练完成度和犯规情况进行对比。在校验过程中，发现队员A的实际训练完成度与初始决策相符，即90%的完成度符合合格的标准。然而，队员B的实际犯规情况与初始决策不一致，因为初始决策并没有考虑到他频繁缺席的情况。这表明初始决策存在一定的偏差。根据决策精度校验结果，服务器调整初始考勤训练决策分析结果。在这个例子中，服务器将队员B的考勤训练决策分析结果从不合格调整为合格，以反映其实际的训练完成度。这样，服务器就根据决策精度校验结果生成了目标考勤训练决策分析结果。综上所述，通过对设备状态数据集进行训练完成度分析和训练犯规情况分析，结合初始考勤训练决策分析结果进行决策精度校验，服务器生成目标考勤训练决策分析结果。这样的流程可以帮助服务器更准确地评估第二用户的训练情况，并做出相应的考勤训练决策。

在一具体实施例中，执行步骤S107的过程可以具体包括如下步骤：

（1）对目标考勤训练决策分析结果进行考核指标计算，得到每个第二用户的考核指标；

（2）对每个第二用户的考核指标进行排名分析，得到M个第二用户的考核排名；

（3）根据考核排名生成M个第二用户的目标考勤训练记录，并将目标考勤训练记录传输至预置的后台管理中心进行可视化管理。

具体的，对目标考勤训练决策分析结果进行考核指标计算是为了评估每个第二用户在考勤训练中的表现。考核指标可以根据具体需求和标准进行定义，常见的考核指标包括训练完成度、训练成绩、纪律遵守等。通过对这些指标的计算，可以得到每个第二用户的考核指标。举个例子来说明。假设考核指标包括训练完成度和训练成绩。服务器根据第二用户的训练记录和表现，计算出用户A的训练完成度为90%、训练成绩为优秀；用户B的训练完成度为80%、训练成绩为良好；用户C的训练完成度为70%、训练成绩为及格。这样，服务器就得到了每个第二用户的考核指标。对每个第二用户的考核指标进行排名分析，以确定他们在整个训练队伍中的位置。根据考核指标的不同权重和重要性，可以使用不同的排名方法，如总分排名或加权平均排名。假设服务器使用加权平均排名，将训练完成度的权重设为0.6，训练成绩的权重设为0.4。根据这个排名方法，经过计算和比较，服务器得到了用户A的排名为第一，用户B的排名为第二，用户C的排名为第三。根据考核排名，服务器生成了M个第二用户的目标考勤训练记录。这些记录包含了每个用户的考核指标、排名以及其他相关信息。例如，服务器记录了用户A的训练完成度为90%、训练成绩为优秀，并将其排名标记为第一；用户B的训练完成度为80%、训练成绩为良好，并将其排名标记为第二；用户C的训练完成度为70%、训练成绩为及格，并将其排名标记为第三。这些目标考勤训练记录可以用于后续的可视化管理和绩效评估。将这些目标考勤训练记录传输至预置的后台管理中心进行可视化管理。后台管理中心可以提供一个集中的平台，用于监控和管理第二用户的训练情况。通过可视化的方式，管理人员可以直观地了解每个第二用户的考核指标、排名和训练记录，并根据这些信息做出相应的决策和安排。

上面对本发明实施例中基于智能穿戴设备的考勤训练管理方法进行了描述，下面对本发明实施例中基于智能穿戴设备的考勤训练管理系统进行描述，请参阅图5，本发明实施例中基于智能穿戴设备的考勤训练管理系统一个实施例包括：

验证模块501，用于通过电子围栏考勤训练区域和N个第一用户的智能穿戴设备进行用户考勤身份验证，确定待考勤训练的M个第二用户，其中，M≤N；

采集模块502，用于对所述M个第二用户进行考勤训练过程监控和考勤训练数据采集，得到M个第一用户状态数据集，并获取所述智能穿戴设备的设备状态数据集；

分类模块503，用于对每个第一用户状态数据集进行数据集分类，得到多个第二用户状态数据集，其中，所述多个第二用户状态数据集包括：位置轨迹数据、心率指标数据以及运动关联数据；

构建模块504，用于对所述多个第二用户状态数据集进行数据模型构建，得到多个目标数据分布模型；

分析模块505，用于将所述多个目标数据分布模型输入预置的考勤训练状态决策模型集进行考勤训练状态决策分析，得到每个第二用户对应的初始考勤训练决策分析结果；

校验模块506，用于根据所述设备状态数据集对所述初始考勤训练决策分析结果进行决策精度校验，得到决策精度校验结果，并根据所述决策精度校验结果生成目标考勤训练决策分析结果；

管理模块507，用于对所述目标考勤训练决策分析结果进行考核指标计算，生成所述M个第二用户的目标考勤训练记录，并将所述目标考勤训练记录传输至预置的后台管理中心进行可视化管理。

通过上述各个组成部分的协同合作，对第一用户状态数据集进行数据集分类，得到多个第二用户状态数据集；进行数据模型构建，得到多个目标数据分布模型；将多个目标数据分布模型输入考勤训练状态决策模型集进行考勤训练状态决策分析，得到初始考勤训练决策分析结果；进行决策精度校验，得到决策精度校验结果，并根据决策精度校验结果生成目标考勤训练决策分析结果；对目标考勤训练决策分析结果进行考核指标计算，生成M个第二用户的目标考勤训练记录，并将目标考勤训练记录传输至预置的后台管理中心进行可视化管理，本发明通过智能穿戴设备进行用户考勤身份验证和数据采集，实现了自动化的考勤管理，不再依赖传统的手动签到或纸质记录，减轻了人力资源的负担，提高了考勤管理的效率和准确性。智能穿戴设备可以实时监测用户的位置轨迹、心率指标和运动相关数据，能够及时获取用户的训练状态和表现，通过数据集分类和数据模型构建，可以分析用户的位置轨迹、心率指标和运动关联数据，利用预置的考勤训练状态决策模型集，对采集到的数据进行分析和决策，对每个第二用户的训练表现进行量化和比较，进而实现了智能化考勤训练管理以及提高了考勤训练的准确率。

上面图5从模块化功能实体的角度对本发明实施例中的基于智能穿戴设备的考勤训练管理系统进行详细描述，下面从硬件处理的角度对本发明实施例中基于智能穿戴设备的考勤训练管理设备进行详细描述。

图6是本发明实施例提供的一种基于智能穿戴设备的考勤训练管理设备的结构示意图，该基于智能穿戴设备的考勤训练管理设备600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，CPU）610（例如，一个或一个以上处理器）和存储器620，一个或一个以上存储应用程序633或数据632的存储介质630（例如一个或一个以上海量存储设备）。其中，存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对基于智能穿戴设备的考勤训练管理设备600中的一系列指令操作。更进一步地，处理器610可以设置为与存储介质630通信，在基于智能穿戴设备的考勤训练管理设备600上执行存储介质630中的一系列指令操作。

基于智能穿戴设备的考勤训练管理设备600还可以包括一个或一个以上电源640，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口660，和/或，一个或一个以上操作系统631，例如Windows Serve，MacOS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图6示出的基于智能穿戴设备的考勤训练管理设备结构并不构成对基于智能穿戴设备的考勤训练管理设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

本发明还提供一种基于智能穿戴设备的考勤训练管理设备，所述基于智能穿戴设备的考勤训练管理设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述基于智能穿戴设备的考勤训练管理方法的步骤。

本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述基于智能穿戴设备的考勤训练管理方法的步骤。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，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或者该技术方案的全部或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中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（randomacceS memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于智能穿戴设备的考勤训练管理方法，其特征在于，所述基于智能穿戴设备的考勤训练管理方法包括：

通过电子围栏考勤训练区域和N个第一用户的智能穿戴设备进行用户考勤身份验证，确定待考勤训练的M个第二用户，其中，M≤N；

对所述M个第二用户进行考勤训练过程监控和考勤训练数据采集，得到M个第一用户状态数据集，并获取所述智能穿戴设备的设备状态数据集；

对每个第一用户状态数据集进行数据集分类，得到多个第二用户状态数据集，其中，所述多个第二用户状态数据集包括：位置轨迹数据、心率指标数据以及运动关联数据；

对所述多个第二用户状态数据集进行数据模型构建，得到多个目标数据分布模型；

将所述多个目标数据分布模型输入预置的考勤训练状态决策模型集进行考勤训练状态决策分析，得到每个第二用户对应的初始考勤训练决策分析结果；

根据所述设备状态数据集对所述初始考勤训练决策分析结果进行决策精度校验，得到决策精度校验结果，并根据所述决策精度校验结果生成目标考勤训练决策分析结果；

对所述目标考勤训练决策分析结果进行考核指标计算，生成所述M个第二用户的目标考勤训练记录，并将所述目标考勤训练记录传输至预置的后台管理中心进行可视化管理。

2.根据权利要求1所述的基于智能穿戴设备的考勤训练管理方法，其特征在于，所述通过电子围栏考勤训练区域和N个第一用户的智能穿戴设备进行用户考勤身份验证，确定待考勤训练的M个第二用户，其中，M≤N，包括：

基于预置的电子围栏考勤训练区域，对N个第一用户的智能穿戴设备进行用户信息识别，得到每个第一用户的用户身份信息；

对每个第一用户的用户身份信息进行向量编码，得到每个第一用户的第一身份信息编码向量；

基于预置的后台管理中心获取待训练的多个目标用户以及每个目标用户对应的第二身份信息编码向量；

计算所述第一身份信息编码向量以及所述第二身份信息编码向量的内积，以及计算所述第一身份信息编码向量以及所述第二身份信息编码向量的范数；

将所述内积除以所述范数，得到每个第一用户的信息相似度，并判断所述信息相似度是否超过预设相似度阈值，得到每个第一用户的判断结果；

若所述判断结果为是，则确定第一用户通过用户考勤身份验证，并将用户考勤身份验证通过的第一用户确定为待考勤训练的M个第二用户，其中，M≤N。

3.根据权利要求1所述的基于智能穿戴设备的考勤训练管理方法，其特征在于，所述对每个第一用户状态数据集进行数据集分类，得到多个第二用户状态数据集，其中，所述多个第二用户状态数据集包括：位置轨迹数据、心率指标数据以及运动关联数据，包括：

获取位置数据标签、心率数据标签以及运动数据标签，并根据所述位置数据标签、所述心率数据标签以及所述运动数据标签对每个第一用户状态数据集进行数据集初始化，得到多个初始化状态数据集；

将每个初始化状态数据集输入预置的状态数据分类模型，并调用所述状态数据分类模型的初始移动密度函数对每个初始化状态数据集进行聚类中心计算，得到多个初始聚类中心；

对所述每个初始化状态数据集与所述多个初始聚类中心进行距离计算，得到多个聚类中心距离，并对所述多个聚类中心距离进行平均值计算，得到平均聚类距离；

通过所述平均聚类距离对所述初始移动密度函数进行搜索半径参数调整，得到目标搜索半径参数，并将所述初始移动密度函数的初始搜索半径参数替换为所述目标搜索半径参数，得到目标移动密度函数；

通过所述目标移动密度函数对所述每个初始化状态数据集进行聚类中心计算，得到目标聚类中心；

根据所述目标聚类中心，对所述每个初始化状态数据集进行数据集分类，得到多个第二用户状态数据集，其中，所述多个第二用户状态数据集包括：位置轨迹数据、心率指标数据以及运动关联数据。

4.根据权利要求1所述的基于智能穿戴设备的考勤训练管理方法，其特征在于，所述对所述多个第二用户状态数据集进行数据模型构建，得到多个目标数据分布模型，包括：

对所述位置轨迹数据进行轨迹点密度计算，得到轨迹点密度数据，并根据所述轨迹点密度数据和所述电子围栏考勤训练区域进行空间分析，得到轨迹地图分布模型；

对所述心率指标数据进行特征值计算，得到对应的多个特征值，并通过预置的概率分布函数和所述多个特征值，对所述心率指标数据进行分布曲线拟合，得到心率曲线分布模型；

对运动关联数据进行运动类型分类，得到每种运动类型的子数据集，并对每种运动类型的子数据集进行运动状态热力分布图构建，得到运动状态热力分布模型；

将所述轨迹地图分布模型、所述心率曲线分布模型以及所述运动状态热力分布模型作为多个目标数据分布模型。

5.根据权利要求4所述的基于智能穿戴设备的考勤训练管理方法，其特征在于，所述将所述多个目标数据分布模型输入预置的考勤训练状态决策模型集进行考勤训练状态决策分析，得到每个第二用户对应的初始考勤训练决策分析结果，包括：

对所述轨迹地图分布模型进行轨迹分布特征提取，得到多个轨迹分布特征点，并对所述多个轨迹分布特征点进行向量映射，得到轨迹分布特征向量；

对所述心率曲线分布模型进行心率曲线特征提取，得到多个心率曲线特征点，并对所述心率曲线特征点进行向量映射，得到心率分布特征向量；

对所述运动状态热力分布模型进行运动状态特征提取，得到多个运动状态特征点，并对所述多个运动状态特征点进行向量映射，得到运动状态特征向量；

将所述轨迹分布特征向量、所述心率分布特征向量以及所述运动状态特征向量输入预置的考勤训练状态决策模型集，其中，所述考勤训练状态决策模型集包括：轨迹异常检测模型、心率异常检测模型以及运动状态检测模型；

通过所述考勤训练状态决策模型集，分别对所述轨迹分布特征向量、所述心率分布特征向量以及所述运动状态特征向量进行决策分析，得到多个子决策分析结果；

根据所述多个子决策分析结果生成每个第二用户对应的初始考勤训练决策分析结果。

6.根据权利要求1所述的基于智能穿戴设备的考勤训练管理方法，其特征在于，所述根据所述设备状态数据集对所述初始考勤训练决策分析结果进行决策精度校验，得到决策精度校验结果，并根据所述决策精度校验结果生成目标考勤训练决策分析结果，包括：

根据所述设备状态数据集对每个第二用户进行训练完成度分析，得到训练完成度，以及根据所述设备状态数据集对每个第二用户进行犯规情况分析，得到训练犯规情况；

基于所述训练完成度以及所述训练犯规情况，对所述初始考勤训练决策分析结果进行决策精度校验，得到决策精度校验结果；

根据所述决策精度校验结果生成目标考勤训练决策分析结果。

7.根据权利要求1所述的基于智能穿戴设备的考勤训练管理方法，其特征在于，所述对所述目标考勤训练决策分析结果进行考核指标计算，生成所述M个第二用户的目标考勤训练记录，并将所述目标考勤训练记录传输至预置的后台管理中心进行可视化管理，包括：

对所述目标考勤训练决策分析结果进行考核指标计算，得到每个第二用户的考核指标；

对每个第二用户的考核指标进行排名分析，得到所述M个第二用户的考核排名；

根据所述考核排名生成所述M个第二用户的目标考勤训练记录，并将所述目标考勤训练记录传输至预置的后台管理中心进行可视化管理。

8.一种基于智能穿戴设备的考勤训练管理系统，其特征在于，所述基于智能穿戴设备的考勤训练管理系统包括：

验证模块，用于通过电子围栏考勤训练区域和N个第一用户的智能穿戴设备进行用户考勤身份验证，确定待考勤训练的M个第二用户，其中，M≤N；

采集模块，用于对所述M个第二用户进行考勤训练过程监控和考勤训练数据采集，得到M个第一用户状态数据集，并获取所述智能穿戴设备的设备状态数据集；

分类模块，用于对每个第一用户状态数据集进行数据集分类，得到多个第二用户状态数据集，其中，所述多个第二用户状态数据集包括：位置轨迹数据、心率指标数据以及运动关联数据；

构建模块，用于对所述多个第二用户状态数据集进行数据模型构建，得到多个目标数据分布模型；

分析模块，用于将所述多个目标数据分布模型输入预置的考勤训练状态决策模型集进行考勤训练状态决策分析，得到每个第二用户对应的初始考勤训练决策分析结果；

校验模块，用于根据所述设备状态数据集对所述初始考勤训练决策分析结果进行决策精度校验，得到决策精度校验结果，并根据所述决策精度校验结果生成目标考勤训练决策分析结果；

管理模块，用于对所述目标考勤训练决策分析结果进行考核指标计算，生成所述M个第二用户的目标考勤训练记录，并将所述目标考勤训练记录传输至预置的后台管理中心进行可视化管理。

9.一种基于智能穿戴设备的考勤训练管理设备，其特征在于，所述基于智能穿戴设备的考勤训练管理设备包括：存储器和至少一个处理器，所述存储器中存储有指令；

所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于智能穿戴设备的考勤训练管理设备执行如权利要求1-7中任一项所述的基于智能穿戴设备的考勤训练管理方法。

10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任一项所述的基于智能穿戴设备的考勤训练管理方法。