一种移动消费群组识别的系统及方法技术方案

本发明专利技术公开了一种移动消费群组识别的系统及方法，系统包括手机客户端和后台服务器，以及手机客户端与后台服务器交换数据的网络；方法包括构建后台机器学习分类模型的训练集数据库、移动消费群组加速度数据采集、群组识别与结果反馈等步骤；本发明专利技术可以适用于大型室内场所的移动群组识别，只需要场所内提供无线接入，基础限制少，同时群组识别效果较好。

【技术实现步骤摘要】
一种移动消费群组识别的系统及方法
本专利技术属于手机传感器技术与线下移动购物的结合
，涉及一种移动消费群组识别的系统及方法，具体涉及一种基于安卓手机传感器的移动消费群组识别系统及方法。技术背景移动群组消费是指一群人，例如家人，伴侣，同事朋友等，基于移动设备交流而进行的群组性消费活动。群组性消费在生活中并不少见譬如大学生社团班级朋友聚餐、情侣闺蜜逛街、家长孩子出游等。据调查，当人在公共场合时，百分之七十的时间是和其他人一起的，也就是说大部分情况下他们是进行的群组性消费。当前应用市场上比较受欢迎的几个团购软件，美团，百度糯米，大众点评等，这些软件的主要功能是为用户提供全国各地众多商家的团购促销信息，用户通过浏览和搜索得到自己想要的团购等。但是这往往比较耗时，虽然它们会主动向顾客推送促销信息，但是这种推送并不带有针对性，所有使用该应用的用户都会收到宣传。另外一个由阿里巴巴公司推出的“喵街”应用，“喵街”与以上应用的区别在于它是面向商场的，能够向用户提供商场内优惠打折和新品信息。虽然“喵街”相对普通的团购软件增加了即时性功能，但是并没有考虑到群组性消费这一概念。“喵街”将用户看成是单独的个体，当面向的是群体性消费的时候，我们需要结合群组信息来推送有针对性的宣传促销信息。对移动消费群组进行有针对性的宣传促销信息推送，首先需要识别商场内的移动群组。目前室内群组识别的方法主要通过群组对象在物理位置上的一致性进行判断，位置信息主要通过手机GPS、无线定位或者视频信息来获得。采用GPS、无线定位或者视频信息来获得移动对象的位置都有一定的局限性。首先GPS定位在室外的环境能够得到比较好的定位准确度，但在室内人员比较密集并且存在障碍物遮挡的情况下，定位准确度将会受到很大的影响。目前也有越来越多的应用考虑使用无线定位获得运动对象的位置信息，考虑到无线定位的准确度与无线接入点的密度有很大的关系，如果需要比较高的定位精度，需要无线接入点的密度足够的大。如果需要通过视频获得运动对象的相对位置信息，摄像头位置的放置是一个需要考虑的主要因素，并且对视频信息的处理远复杂于对手机传感器数据的处理。另一方面，在真实的环境中，一个群组内的对象并不是始终保持比较近的相对位置，当一个群组内的对象存在分开活动的情况下，通过以上方法并不能识别出一个群组的全部对象。
技术实现思路
针对以上提出的目前团购软件存在的不足以及群组消费的巨大市场，本专利技术提出了一种移动消费群组识别的系统及方法。同时在移动群组识别过程中规避目前方法中存在的不足，提出采用安卓设备内置的加速度传感器来进行群组的识别。采用移动设备内置的加速度传感器进行群组的识别没有基础环境的限制，并且在移动对象比较拥挤和群组内对象存在分开活动的情况下也能够得到比较好的识别结果。本专利技术的系统所采用的技术方案是：一种移动消费群组识别的系统，其特征在于：包括手机客户端和后台服务器，以及所述手机客户端与后台服务器交换数据的网络；所述手机客户端用于获取手机内置加速度传感器的数据，并将获取到的加速度传感器数据传入所述后台服务器；所述后台服务器用于将加速度传感器数据进行滑动窗口的处理，提取每个窗口的特征值，依据已有的训练集，根据未知行为序列的加速度特征值用机器学习分类模型来预测移动对象的行为序列，然后比较不同对象交互行为序列的差异值来判断对象之间的关联，进而得到移动对象的群组划分，并将群组划分情况反馈到所述手机客户端。本专利技术的方法所采用的技术方案是：一种移动消费群组识别的方法，其特征在于，包括以下步骤：步骤1：构建后台机器学习分类模型的训练集数据库；设置手机的采样频率为SENSOR_RATE_NORMAL，采集预定义的交互行为动作，记录相应的时间，通过滑动窗口提取特征值；本实施例选取的滑动窗口大小为2S，相邻窗口重叠半个窗口大小；特征值选择加速度X、Y、Z轴和三轴合成加速度数据，每个轴上选择的特征值分别为时域上的最大值、最小值、平均值、标准差；通过对时域上的数据进行快速傅里叶变换得到频域上数据，频域上选择平均值、标准差、偏度和峰度，即在一个时间窗口选取的特征值有八个，一共是32个特征值。选择机器学习中的分类模型对带标记的行为序列与对应的加速度特征值进行训练，获得后台机器学习分类模型的训练集数据库。步骤2：移动消费群组加速度数据采集；当用户接入商场无线时获得该用户在商场的ID信息，数据传输到后台服务器按照ID信息进行存储。步骤3：群组识别与结果反馈；具体实现包括以下子步骤：步骤3.1：交互行为预测；将对象的加速度数据放入后台机器学习分类模型的训练集中预测交互行为序列，得到对象的行为序列，如对象A和B的行为序列表示为CA和CB。步骤3.2：计算对象之间的行为差异；将对象的所有行为序列划分为连续15S的窗口大小，然后在每个窗口通过编辑距离判断对象之间的行为序列的差异其中，对象A和B的行为序列表示为CA和CB，和分别表示在第t个窗口对象A和B的行为序列，表示为对象A和B在第t个窗口的编辑距离。步骤3.3：对差异值进行平滑处理；平滑处理的公式为：其中，表示对象A和B之间的行为差异，t表示当前的时间窗口，b表示平滑处理后当前窗口的编辑距离为当前窗口与前后多少个窗口的平均值的参数，τ表示从-b到b的迭代。步骤3.4：判断对象之间的关联；通过设置阈值φ判断对象之间是否关联；如果平滑处理后的对象A和B之间行为差异值则认为对象A和B有关联，表示为如果平滑处理后的对象A和B之间行为差异值则认为对象A和B无关联，表示为步骤3.5：群组划分；基于多数表决的群组划分，假设给定群组关联的判断窗口总数为TWIN，两个对象在GWIN个窗口内被认为是一个群组的对象，若GWIN>0.7*TWIN，则认为这两个对象是一个群组的对象，否则认为这两个对象不是同一个群组的对象。步骤3.6：反馈到手机客户端；将群组划分结果反馈到手机客户端，每隔5分钟更新一次群组划分结果。相对于现有技术，本专利技术的有益效果是：通过移动设备内置的加速度传感器进行移动群组的识别，对基础设施没有太大的依赖，只需要室内环境中有所述手机客户端与后台服务器交换数据的网络即可；同时采用行为序列的相似性计算对象之间的关联，当同一群组内的对象在物理位置上存在短时间的不相邻也能很好的识别；基于多数表决的方式进行群组划分，能够考虑到群组之间的交互导致群组内对象行为的不一致性，因此具有更加广泛的适用范围。附图说明图1为本专利技术的系统原理图；图2为本专利技术的系统工作流程图；图3为本专利技术的方法流程图。具体实施方式为了便于本领域普通技术人员理解和实施本专利技术，下面结合附图及实施例对本专利技术作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本专利技术，并不用于限定本专利技术。考虑到日常生活中，当人们进行群组性消费时，群组内对象并不是单纯的一起行走，会有各种交互行为，如挥手、一起行走、挽手、勾肩、坐下、起立和群组内对象一起静止的行为，因此提出使用安卓手机中内置的加速度传感器进行交互行为的识别，通过判断对象间交互动作的相似性来进行移动群组识别，群组识别结果可以与目前的手机购物应用软件相结合，为移动消费群组提供及时并且有针对具体人数的团购和促销信息。请见图1，本专利技术提供的一种移动消费群组识别的系统本文档来自技高网...

【技术保护点】
一种移动消费群组识别的系统，其特征在于：包括手机客户端和后台服务器，以及所述手机客户端与后台服务器交换数据的网络；所述手机客户端用于获取手机内置加速度传感器的数据，并将获取到的加速度传感器数据传入所述后台服务器；所述后台服务器用于将加速度传感器数据进行滑动窗口的处理，提取每个窗口的特征值，依据已有的训练集，根据未知行为序列的加速度特征值用机器学习分类模型来预测移动对象的行为序列，然后比较不同对象交互行为序列的差异值来判断对象之间的关联，进而得到移动对象的群组划分，并将群组划分情况反馈到所述手机客户端。

【技术特征摘要】
1.一种移动消费群组识别的系统，其特征在于：包括手机客户端和后台服务器，以及所述手机客户端与后台服务器交换数据的网络；所述手机客户端用于获取手机内置加速度传感器的数据，并将获取到的加速度传感器数据传入所述后台服务器；所述后台服务器用于将加速度传感器数据进行滑动窗口的处理，提取每个窗口的特征值，依据已有的训练集，根据未知行为序列的加速度特征值用机器学习分类模型来预测移动对象的行为序列，然后比较不同对象交互行为序列的差异值来判断对象之间的关联，进而得到移动对象的群组划分，并将群组划分情况反馈到所述手机客户端。2.根据权利要求1所述的移动消费群组识别的系统，其特征在于：所述手机客户端的无线ID为手机用户在系统中的唯一标识。3.一种移动消费群组识别的方法，其特征在于，包括以下步骤：步骤1：构建后台机器学习分类模型的训练集数据库；步骤2：移动消费群组加速度数据采集；步骤3：群组识别与结果反馈。4.根据权利要求3所述的移动消费群组识别的方法，其特征在于，步骤1的具体实现过程是：设置手机的采样频率为SENSOR_RATE_NORMAL，采集预定义的交互行为动作，记录相应的时间，通过滑动窗口提取特征值；选择机器学习中的分类模型对带标记的行为序列与对应的加速度特征值进行训练，获得后台机器学习分类模型的训练集数据库。5.根据权利要求4所述的移动消费群组识别的方法，其特征在于：所述通过滑动窗口提取特征值，选取的滑动窗口大小为2S，相邻窗口重叠半个窗口大小；特征值选择加速度X、Y、Z轴和三轴合成加速度数据，每个轴上选择的特征值分别为时域上的最大值、最小值、平均值、标准差；通过对时域上的数据进行快速傅里叶变换得到频域上数据，频域上选择平均值、标准差、偏度和峰度，即在一个时间窗口选取的特征值有八个，一共是32个特征值；设置手机的采样频率为SENSOR_RATE_NORMAL，采集预定义的交互行为动作，记录相应的时间，通过滑动窗口提取特征值，我们选取滑动窗口的大小为2S，相邻窗口重叠半个窗口大小；特征值选择加速度X、Y、Z轴和三轴合成加速度数据，每个轴上选择的特征值分别为时域上的最大值、最小值、平均值、标准差；通过对时域上的数据进行快速傅里叶变换得到频域上数据，频域上选择平均值、标准差、偏度和峰度，即在一个时间窗口选取的特征...

【专利技术属性】
技术研发人员：朱卫平，陈娇娇，许琳，张泽宇，杨耀航，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北,42