CN117150224B - 基于物联网的用户行为数据存储分析方法 - Google Patents

Abstract

本发明涉及数据处理技术领域，具体涉及基于物联网的用户行为数据存储分析方法，包括：根据时间段的第一频率与第一长度得到频率影响因子、波动性影响因子以及差异影响因子；根据频率影响因子、波动性影响因子以及差异影响因子得到理想窗口长度影响因子；根据理想窗口长度影响因子得到理想窗口长度；根据理想窗口长度得到理想窗口；根据理想窗口得到实际窗口以及实际窗口长度；根据实际窗口长度对每个时间段的实际窗口进行阈值筛选得到最终实际窗口；根据最终实际窗口对用户行为数据进行平滑处理并存储处理后的用户行为数据。本发明实现了对不同的用户行为数据进行窗口实时调整，尽可能避免丢失重要用户行为数据的情况。

Description

基于物联网的用户行为数据存储分析方法

技术领域

本发明涉及数据处理技术领域，具体涉及基于物联网的用户行为数据存储分析方法。

背景技术

智能家居系统中所包含的家居设备数量庞大，为了降低核心处理器的用户行为数据负担，需要对用户进行压缩处理，从而保证家居设备响应的效率，提高用户体验。而滑动平均法作为传统的数据压缩方法，是对固定时间窗口内连续的用户行为数据进行平均处理得到新的用户行为数据集，使用较少不同的用户行为数据表示相同的信息内容，从而降低内存空间的消耗。而由于时间窗口的固定，导致无法灵活地对不同的用户行为数据进行窗口调整，可能会存在较大误差、丢失重要的用户行为数据等的情况。对此，本发明提出了一种根据用户行为数据的数据特征得到理想窗口长度影响因子，根据理想窗口长度影响因子得到窗口长度影响参数，根据窗口长度参数实时调整时间窗口的基于物联网的用户行为数据存储分析方法。

发明内容

本发明提供基于物联网的用户行为数据存储分析方法，以解决现有的问题。

本发明的基于物联网的用户行为数据存储分析方法采用如下技术方案：

本发明一个实施例提供了基于物联网的用户行为数据存储分析方法，该方法包括以下步骤：

采集智能家居的用户行为数据，进行预处理得到由时间段构成的时间序列、每个时间段的用户行为数据以及每个时间段的第一频率与第一时长；

根据时间段的第一频率得到每个时间段的频率影响因子；根据时间段的第一时长得到每个时间段的波动性影响因子；根据时间段的第一时长的差异得到每个时间段的差异影响因子；根据频率影响因子、波动性影响因子以及差异影响因子得到每个时间段的理想窗口长度影响因子；根据理想窗口长度影响因子得到每个时间段的初始理想窗口长度；根据初始理想窗口长度得到每个时间段的理想窗口长度；根据理想窗口长度得到每个时间段的理想窗口；

根据理想窗口的第一时长得到每个时间段的实际窗口以及实际窗口长度；根据实际窗口长度与实际窗口所包含的时间段的第一频率与第一时长得到每个时间段的最终实际窗口；

根据最终实际窗口对用户行为数据进行平滑处理并存储处理后的用户行为数据。

优选的，所述根据时间段的第一频率得到每个时间段的频率影响因子，包括的具体方法如下：

将时间段序列中每个时间段的第一频率进行最小最大归一化的结果记为每个时间段的频率影响因子。

优选的，所述根据时间段的第一时长得到每个时间段的波动性影响因子，包括的具体方法如下：

将每个时间段的第一时长的标准差结果记为每个时间段的第一标准差，将每个时间段的第一标准差进行最小最大归一化的结果记为每个时间段的波动性影响因子。

优选的，所述根据时间段的第一时长的差异得到每个时间段的差异影响因子，包括的具体方法如下：

将每对相邻两个时间段中时间顺序在前的时间段记为前时间段，时间顺序在后的时间段记为后时间段，将前时间段与后时间段的第一时长之间差值的绝对值记为前时间段的第一绝对值，将每个前时间段的第一绝对值进行最小最大归一化的结果记为每个前时间段的差异影响因子。

优选的，所述根据频率影响因子、波动性影响因子以及差异影响因子得到每个时间段的理想窗口长度影响因子，包括的具体方法如下：

将每个时间段的频率影响因子、波动性影响因子与差异影响因子的乘积记为每个时间段的理想窗口长度影响因子。

优选的，所述根据理想窗口长度影响因子得到每个时间段的初始理想窗口长度，包括的具体方法如下：

式中，H表示时间段的初始理想窗口长度；表示理想窗口长度最小变化幅值；表示理想窗口最大变化幅值；/>表示时间段的理想窗口长度影响因子。

优选的，所述根据初始理想窗口长度得到每个时间段的理想窗口长度，包括的具体方法如下：

获取每个时间段的初始理想窗口长度，将每个时间段的初始理想窗口长度进行四舍五入的取整结果记为每个时间段的理想窗口长度。

优选的，所述根据理想窗口的第一时长得到每个时间段的实际窗口以及实际窗口长度，包括的具体方法如下：

以时间段为实际窗口起点，沿着时间递增方向判断时间段的理想窗口中是否存在第一时长为0的时间段，若存在第一时长为0的时间段，则以第一个第一时长为0时间段的前一个时间段记为实际窗口终点，实际窗口起点与实际窗口终点包含的时间段区域记为实际窗口，实际窗口中包含的时间段数量记为实际窗口长度；若不存在第一时长为0的时间段，则将时间段的理想窗口记为实际窗口，实际窗口中包含的时间段数量记为实际窗口长度。

优选的，所述根据实际窗口长度与实际窗口所包含的时间段的第一频率与第一时长得到每个时间段的最终实际窗口，包括的具体方法如下：

对于任意一个时间段为目标时间段，预设一个实际窗口长度阈值，获取包含目标时间段的若干个实际窗口，对于任意一个包含目标时间段的实际窗口，若实际窗口的实际窗口长度大于或等于实际窗口长度阈值，则将实际窗口中目标时间段之前第一时长的标准差记为第二标准差，将该目标时间段之后第一时长的标准差记为第三标准差，将该实际窗口中目标时间段之前第一频率的标准差记为第四标准差，将目标时间段之后第一频率的标准差记为第五标准差，将第二标准差与第四标准差的和值记为第一和值，将第三标准差与第五标准差的和值记为第二和值，将第一和值与第二和值的求和结果记为第三和值，获取所有包含目标时间段的实际窗口的第三和值，在所有的第三和值中，若实际窗口的第三和值是最小值，则该实际窗口记为目标时间段的最终实际窗口；

若实际窗口的实际窗口长度小于实际窗口长度阈值，则将时间段的实际窗口记为最终实际窗口；

获取每个时间段的最终实际窗口。

优选的，所述根据最终实际窗口对用户行为数据进行平滑处理并存储处理后的用户行为数据，包括的具体方法如下：

根据每个时间段的最终实际窗口对每个时间段的用户行为数据进行平滑处理，得到处理后的用户行为数据，然后将处理后的用户行为数据通过哈希算法进行存储。

本发明的技术方案的有益效果是：根据智能家居的每个时间段的频率影响因子、波动性影响因子以及差异影响因子，得到理想窗口长度影响因子，实时调整理想窗口长度，从而得到实际窗口以及实际窗口长度，然后根据实际窗口长度对实际窗口进行阈值筛选得到最终实际窗口，根据最终实际窗口对用户行为数据进行平滑处理并存储处理后的用户行为数据，实现了对不同的用户行为数据进行窗口实时调整，尽可能避免丢失重要用户行为数据的情况。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于物联网的用户行为数据存储分析方法的步骤流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于物联网的用户行为数据存储分析方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的基于物联网的用户行为数据存储分析方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的基于物联网的用户行为数据存储分析方法的步骤流程图，该方法包括以下步骤：

步骤S001：采集智能家居的用户行为数据，进行预处理得到时间段序列。

需要说明的是，滑动平均法作为传统的数据压缩方法，是对固定时间窗口内连续的用户行为数据进行平均处理得到新的用户行为数据集，使用较少不同的用户行为数据表示相同的信息内容，从而降低内存空间的消耗。而由于时间窗口长度的固定，导致无法灵活地对不同的用户行为数据进行窗口调整，可能会存在较大误差、丢失重要的用户行为数据等的情况。对此，本实施例提出了一种根据用户行为数据的数据特征得到理想窗口长度影响因子，根据理想窗口长度影响因子得到窗口长度影响参数，根据窗口长度参数实时调整时间窗口的基于物联网的用户行为数据存储分析方法。

具体的，为了实现本实施例提出的基于物联网的用户行为数据存储分析方法，首先需要采集用户行为数据，具体过程为：本实施例并不针对某一家居设备，在本实施例中以台灯这一家居设备为例进行叙述；记录台灯一天24小时内的用户行为数据，其中用户行为数据包含使用次数与使用时长两个维度的维度数据，以一个小时为分界点对台灯记录的24小时进行划分，得到若干时间段，根据时间顺序将若干时间段进行排序得到时间段序列，将每个时间段中用户行为数据的使用次数与使用时长分别记为第一频率与第一时长。其中每个时间段的使用时长包含每个时间段中所有使用次数所使用的总时间，时间段的数量为24/1=24。

至此，通过上述方法得到时间段构成的时间序列、每个时间段的用户行为数据以及每个时间段的第一频率与第一时长。

步骤S002：根据时间段序列中的每个时间段的波动性、频率以及差异得到理想窗口长度影响因子，根据理想窗口长度影响因子得到每个时间段的理想窗口。

需要说明的是，传统的滑动平均法是采用固定长度的窗口，而固定长度的窗口对于部分用户行为数据来说过大，从而导致部分用户行为数据丢失；同时存在固定长度的窗口对于部分用户行为数据来说过小，从而导致存在的数据噪声过大，模糊部分用户行为数据的情况。而在实际生活中，用户行为数据的使用次数越高，说明用户行为数据所属的时间段内用户越有可能使用设备，该时间段越需要注意，因此该时间段的用户行为数据的重要程度越高，该时间段的用户行为数据越需要保留，采用的理想窗口长度越短，因此可以根据用户行为数据的使用次数的差异得到频率影响因子。用户行为数据的波动越大，说明用户行为数据所属的时间段越可能存在重要的用户行为数据变化信息，采用的理想窗口长度越短。

进一步需要说明的是，相邻时间段内的使用时长之间的差异越大，则相邻时间段中时间顺序在前的时间段越有可能是用户经常使用台灯的开始时间段或结束时间段，该时间顺序在前的时间段对应的用户行为数据的重要程度越高，该时间段的用户行为数据越需要保留，采用的理想窗口长度越短。因此，可以根据用户行为数据的使用时长的差异得到差异影响因子。

具体的，本实施例中时间段序列中存在若干时间段，将时间段序列中每个时间段的第一频率进行最小最大归一化的结果记为每个时间段的频率影响因子；将每个时间段的第一时长的标准差结果记为每个时间段的第一标准差，将每个时间段的第一标准差进行最小最大归一化的结果记为每个时间段的波动性影响因子；将每对相邻两个时间段中时间顺序在前的时间段记为前时间段，时间顺序在后的时间段记为后时间段，将前时间段与后时间段的第一时长之间差值的绝对值记为前时间段的第一绝对值，将每个前时间段的第一绝对值进行最小最大归一化的结果记为每个前时间段的差异影响因子。其中最小最大归一化与标准差是现有技术，本实施例不进行叙述；时间段序列中最后一个时间段的差异影响因子本实施例预设为1。

进一步的，根据频率影响因子、波动性影响因子与差异影响因子得到每个时间段的理想窗口长度影响因子，本实施例以任意一个时间段为目标时间段进行叙述，其中目标时间段的理想窗口长度影响因子的计算公式为：

式中，表示目标时间段的理想窗口长度影响因子；y表示目标时间段的理想窗口的频率影响因子；r表示目标时间段的理想窗口的波动性影响因子；v表示目标时间段的理想窗口的差异影响因子；获取每个目标时间段的理想窗口长度影响因子。

进一步的，以目标时间段的第一个点为理想窗口起点，沿着时间递增方向获取理想窗口长度，且将理想窗口长度对应的另一端时间段的最后一个点记为理想窗口终点，将理想窗口起点与理想窗口终点包含的时间段区域记为理想窗口。其中目标时间段的理想窗口的理想窗口长度的计算方法为：

式中，H表示目标时间段的初始理想窗口长度；表示理想窗口长度最小变化幅值，本实施例预设为3，本实施例不进行具体限定，其中/>可根据具体实施情况而定；表示理想窗口最大变化幅值，本实施例预设为21，本实施例不进行具体限定，其中可根据具体实施情况而定；/>表示目标时间段的理想窗口长度影响因子，若理想窗口长度影响因子越大，则目标时间段的用户行为数据越重要，则目标时间段的初始理想窗口长度越小；获取每个目标时间段的初始理想窗口长度，将每个目标时间段的初始理想窗口长度进行四舍五入的取整结果记为每个目标时间段的理想窗口长度，获取每个时间段的理想窗口。

至此，通过上述方法得到每个时间段的理想窗口。

步骤S003：根据每个时间段的理想窗口得到每个时间段的实际窗口，根据实际窗口长度对实际窗口进行阈值筛选得到每个窗口的最终实际窗口。

需要说明的是，在用户使用智能家居时，根据频率影响因子、波动性影响因子与差异影响因子最终得到对应时间段内的理想窗口，其理想窗口中可能包含着不使用智能家居的时间段，由于在实际过程中对用户行为习惯判定主要依据使用智能家居的时间段，而不使用智能家居的时间段对用户行为习惯的判定结果影响微小，为了减少窗口资源的浪费、提高数据处理效率，因此可以通过对应时间段内理想窗口中剔除不使用智能家居的时间段达到目标效果。

进一步需要说明的是，剔除对应时间段内理想窗口中剔除不使用智能家居的时间段后可以得到每个时间段的实际窗口。在包含时间段的若干个实际窗口中存在多个时间段的第一频率与第一时长之间可能会存在较大差异，且对应维度数据的离散程度也存在差异。本实施例以任意一个包含时间段的实际窗口为目标实际窗口进行叙述，若目标实际窗口的离散程度越小，则目标实际窗口的维度数据变化也稳定，分布越密集，目标实际窗口越能代表时间段的最终实际窗口，因此可以根据若干包含时间段的实际窗口得到时间段的最终实际窗口。

具体的，以目标时间段的第一个点为目标实际窗口起点，沿着时间递增方向判断时间段的理想窗口中是否存在第一时长为0的时间段，若存在第一时长为0的时间段，则以第一个第一时长为0时间段的前一个时间段的最后一个点记为目标实际窗口终点，目标实际窗口起点与目标实际窗口终点包含的时间段区域记为实际窗口，目标实际窗口中包含的时间段数量记为实际窗口长度；若不存在第一时长为0的时间段，则将时间段的理想窗口记为实际窗口，实际窗口中包含的时间段数量记为实际窗口长度；在所有时间段中遍历上述操作，获取每个时间段的实际窗口。

进一步的，预设一个实际窗口长度阈值T1，其中本实施例以T1=6为例进行叙述，本实施例不进行具体限定，其中T1可根据具体实施情况而定。获取包含目标时间段的若干个实际窗口，本实施例以任意一个包含目标时间段的实际窗口为例进行叙述，若实际窗口的实际窗口长度大于或等于T1，则将该实际窗口中目标时间段之前第一时长的标准差记为第二标准差，将该目标时间段之后第一时长的标准差记为第三标准差，将该实际窗口中目标时间段之前第一频率的标准差记为第四标准差，将该目标时间段之后第一频率的标准差记为第五标准差，将第二标准差与第四标准差的和值记为第一累加值，将第三标准差与第五标准差的和值记为第二和值，将第一和值与第二和值的求和结果记为第三和值，获取所有包含目标时间段的实际窗口的第三和值，在所有的第三和值中，若该实际窗口的第三和值是最小值，则该实际窗口记为目标时间段的最终实际窗口；

若实际窗口的实际窗口长度小于T1，则将时间段的实际窗口记为最终实际窗口。获取每个时间段的最终实际窗口。

至此，通过上述方法得到每个时间段的最终实际窗口。

步骤S004：根据最终实际窗口进行平滑处理后存储用户行为数据。

具体的，根据每个时间段的最终实际窗口对每个时间段的用户行为数据进行平滑处理，得到处理后的用户行为数据，然后将处理后的用户行为数据通过哈希算法进行存储。其中平滑处理方法是滑动平均法，滑动平均法与哈希算法是现有技术，本实施不进行叙述。

至此，本实施例完成。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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。

Claims (5)

1.基于物联网的用户行为数据存储分析方法，其特征在于，该方法包括以下步骤：

采集智能家居的用户行为数据，进行预处理得到由时间段构成的时间序列、每个时间段的用户行为数据以及每个时间段的第一频率与第一时长；

根据时间段的第一频率得到每个时间段的频率影响因子；根据时间段的第一时长得到每个时间段的波动性影响因子；根据时间段的第一时长的差异得到每个时间段的差异影响因子；根据频率影响因子、波动性影响因子以及差异影响因子得到每个时间段的理想窗口长度影响因子；根据理想窗口长度影响因子得到每个时间段的初始理想窗口长度；根据初始理想窗口长度得到每个时间段的理想窗口长度；根据理想窗口长度得到每个时间段的理想窗口；

根据理想窗口的第一时长得到每个时间段的实际窗口以及实际窗口长度；根据实际窗口长度与实际窗口所包含的时间段的第一频率与第一时长得到每个时间段的最终实际窗口；

根据最终实际窗口对用户行为数据进行平滑处理并存储处理后的用户行为数据；

所述根据理想窗口长度影响因子得到每个时间段的初始理想窗口长度，包括的具体方法如下：

式中，H表示时间段的初始理想窗口长度；表示理想窗口长度最小变化幅值；表示理想窗口最大变化幅值；/>表示时间段的理想窗口长度影响因子；

所述根据时间段的第一频率得到每个时间段的频率影响因子，包括的具体方法如下：

将时间段序列中每个时间段的第一频率进行最小最大归一化的结果记为每个时间段的频率影响因子；

所述根据时间段的第一时长得到每个时间段的波动性影响因子，包括的具体方法如下：

将每个时间段的第一时长的标准差结果记为每个时间段的第一标准差，将每个时间段的第一标准差进行最小最大归一化的结果记为每个时间段的波动性影响因子；

所述根据时间段的第一时长的差异得到每个时间段的差异影响因子，包括的具体方法如下：

将每对相邻两个时间段中时间顺序在前的时间段记为前时间段，时间顺序在后的时间段记为后时间段，将前时间段与后时间段的第一时长之间差值的绝对值记为前时间段的第一绝对值，将每个前时间段的第一绝对值进行最小最大归一化的结果记为每个前时间段的差异影响因子；

所述根据频率影响因子、波动性影响因子以及差异影响因子得到每个时间段的理想窗口长度影响因子，包括的具体方法如下：

将每个时间段的频率影响因子、波动性影响因子与差异影响因子的乘积记为每个时间段的理想窗口长度影响因子。

2.根据权利要求1所述基于物联网的用户行为数据存储分析方法，其特征在于，所述根据初始理想窗口长度得到每个时间段的理想窗口长度，包括的具体方法如下：

获取每个时间段的初始理想窗口长度，将每个时间段的初始理想窗口长度进行四舍五入的取整结果记为每个时间段的理想窗口长度。

3.根据权利要求1所述基于物联网的用户行为数据存储分析方法，其特征在于，所述根据理想窗口的第一时长得到每个时间段的实际窗口以及实际窗口长度，包括的具体方法如下：

以时间段为实际窗口起点，沿着时间递增方向判断时间段的理想窗口中是否存在第一时长为0的时间段，若存在第一时长为0的时间段，则以第一个第一时长为0时间段的前一个时间段记为实际窗口终点，实际窗口起点与实际窗口终点包含的时间段区域记为实际窗口，实际窗口中包含的时间段数量记为实际窗口长度；若不存在第一时长为0的时间段，则将时间段的理想窗口记为实际窗口，实际窗口中包含的时间段数量记为实际窗口长度。

4.根据权利要求1所述基于物联网的用户行为数据存储分析方法，其特征在于，所述根据实际窗口长度与实际窗口所包含的时间段的第一频率与第一时长得到每个时间段的最终实际窗口，包括的具体方法如下：

对于任意一个时间段为目标时间段，预设一个实际窗口长度阈值，获取包含目标时间段的若干个实际窗口，对于任意一个包含目标时间段的实际窗口，若实际窗口的实际窗口长度大于或等于实际窗口长度阈值，则将实际窗口中目标时间段之前第一时长的标准差记为第二标准差，将该目标时间段之后第一时长的标准差记为第三标准差，将该实际窗口中目标时间段之前第一频率的标准差记为第四标准差，将目标时间段之后第一频率的标准差记为第五标准差，将第二标准差与第四标准差的和值记为第一和值，将第三标准差与第五标准差的和值记为第二和值，将第一和值与第二和值的求和结果记为第三和值，获取所有包含目标时间段的实际窗口的第三和值，在所有的第三和值中，若实际窗口的第三和值是最小值，则该实际窗口记为目标时间段的最终实际窗口；

若实际窗口的实际窗口长度小于实际窗口长度阈值，则将时间段的实际窗口记为最终实际窗口；

获取每个时间段的最终实际窗口。

5.根据权利要求1所述基于物联网的用户行为数据存储分析方法，其特征在于，所述根据最终实际窗口对用户行为数据进行平滑处理并存储处理后的用户行为数据，包括的具体方法如下：

根据每个时间段的最终实际窗口对每个时间段的用户行为数据进行平滑处理，得到处理后的用户行为数据，然后将处理后的用户行为数据通过哈希算法进行存储。