用户生活模式预测方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术实施例公开了一种用户生活模式预测方法、装置、电子设备及存储介质，方法包括：获取用户的活动轨迹切换模式数据；将活动轨迹切换模式数据输入至训练好的差分卷积神经网络模型，得到用户的生活模式；所述差分卷积神经网络模型为在卷积神经网络模型基础上，将差分因子和差分计算单元内置于卷积神经网络内部，并将差分因子和卷积核同时作为神经网络训练参数得到的模型。本发明专利技术实施例可以得到较为准确的生活模式预测结果。此外，本发明专利技术实施例采用活动轨迹切换模式数据进行预测，相对于单纯依靠活动轨迹数据进行预测的方法，具有能够摆脱空间位置局限性的优势。

Prediction methods, devices, electronic devices and storage media of user's life mode

【技术实现步骤摘要】
用户生活模式预测方法、装置、电子设备及存储介质
本专利技术涉及计算机
，具体涉及一种用户生活模式预测方法、装置、电子设备及存储介质。
技术介绍
在城市的快速发展过程中，对于城市的规划和建设显得越来越重要。对于一座城市的规划与建设往往需要依托该城市的人口分布、功能区划分、人群生活模式等这些特点。其中，城市的人口分布情况可以通过户口调查或居民身份居住信息等方式获得。功能区划分可以通过城市功能划分计划表等途径获得。目前，对于人群生活模式这一特点没有很好的途径获得，但是人群生活模式对于城市的规划和建设往往起着至关重要的作用。例如，假设某一类人群的生活模式是工作地和居住地的两点一线，则分析该类人群的数量以及对应的工作地分布或居住地分布情况，则有助于城市的建设和发展。随着大数据时代的到来，数据的获取以及处理能力正在发生日新月异的突破，如何借助用户数据进行城市大规模人群生活模式的挖掘，成为目前面临的新挑战。
技术实现思路
由于现有方法存在上述问题，本专利技术实施例提出一种用户生活模式预测方法、装置、电子设备及存储介质。第一方面，本专利技术实施例提供了一种用户生活模式预测方法，包括：获取用户的活动轨迹切换模式数据；将所述活动轨迹切换模式数据输入至训练好的差分卷积神经网络模型，得到所述用户的生活模式；其中，所述训练好的差分卷积神经网络模型为利用与不同类型生活模式对应的活动轨迹切换模式数据进行训练后得到；其中，所述差分卷积神经网络模型为在卷积神经网络模型基础上，将差分因子和差分计算单元内置于卷积神经网络内部，并将差分因子和卷积核同时作为神经网络训练参数得到的模型。进一步地，在将所述活动轨迹切换模式数据输入至训练好的差分卷积神经网络模型之前，所述用户生活模式预测方法，还包括：获取目标区域内预设数量用户的活动轨迹切换模式数据；基于目标区域内预设数量用户的活动轨迹切换模式数据对目标区域内预设数量用户进行不同生活模式的聚类分类，得到目标区域内预设数量用户的生活模式聚类分类结果；根据目标区域内预设数量用户的活动轨迹切换模式数据和目标区域内预设数量用户的生活模式聚类分类结果，对差分卷积神经网络模型进行训练，得到训练好的差分卷积神经网络模型。进一步地，所述获取目标区域内预设数量用户的活动轨迹切换模式数据，具体包括：确定目标区域预设数量用户与工作日对应的第一活动轨迹切换模式数据；确定目标区域预设数量用户与节假日对应的第二活动轨迹切换模式数据；根据第一活动轨迹切换模式数据和第二活动轨迹切换模式数据确定目标区域内预设数量用户的活动轨迹切换模式数据。进一步地，所述确定目标区域预设数量用户与工作日对应的第一活动轨迹切换模式数据，具体包括：根据目标区域预设数量用户在多个工作日中位于每个工作日不同时间分片的位置数据确定目标区域预设数量用户在工作日不同时间分片的候选位置数据；将目标区域预设数量用户在工作日不同时间分片的候选位置数据作为目标区域预设数量用户与工作日对应的第一活动轨迹切换模式数据。进一步地，所述根据目标区域预设数量用户在多个工作日中位于每个工作日不同时间分片的位置数据确定目标区域预设数量用户在工作日不同时间分片的候选位置数据，具体包括：根据相应用户在多个工作日中位于任一时间分片访问的基站的位置信息生成与相应时间分片对应的多边形；根据多边形中任一条边对应的两个相邻基站分别被相应用户访问的频率和两个相邻基站的距离确定所述任一条边的权重；将多边形中权重小于预设阈值的边去除，将该边对应的两个相邻基站中访问频率较低的基站去除，并将与去除基站被相应用户访问的频率均分至与所述去除基站相邻的基站上，当多边形中不存在权重小于预设阈值的边时，确定相应的多边形为最小多边形；根据最小多边形确定初始搜索范围，并在所述初始搜索范围内确定相应用户位于所述任一时间分片的候选位置数据。进一步地，所述根据最小多边形确定初始搜索范围，并在所述初始搜索范围内确定相应用户位于所述任一时间分片的候选位置数据，具体包括：确定最小多边形的外接圆，并根据外接圆确定初始搜索范围；根据所述初始搜索范围内每个基站被相应用户访问的频率以及与外接圆圆心的距离确定每个基站的点击率；选择点击率最大的基站对应的位置数据作为相应用户位于所述任一时间分片的候选位置数据。进一步地，所述基于目标区域内预设数量用户的活动轨迹切换模式数据对目标区域内预设数量用户进行不同生活模式的聚类分类，具体包括：根据目标区域内预设数量用户的活动轨迹切换模式数据，确定不同用户之间的活动轨迹切换模式数据的编码距离；根据不同用户之间的活动轨迹切换模式数据的编码距离，基于预设聚类算法，将不同用户进行分类，并根据不同分类用户对应的活动轨迹切换模式数据确定不同分类用户对应的生活模式。第二方面，本专利技术实施例提供了一种用户生活模式预测装置，包括：获取模块，获取用户的活动轨迹切换模式数据；预测模块，将所述活动轨迹切换模式数据输入至训练好的差分卷积神经网络模型，得到所述用户的生活模式；其中，所述训练好的差分卷积神经网络模型为利用与不同类型生活模式对应的活动轨迹切换模式数据进行训练后得到；其中，所述差分卷积神经网络模型为在卷积神经网络模型基础上，将差分因子和差分计算单元内置于卷积神经网络内部，并将差分因子和卷积核同时作为神经网络训练参数得到的模型。第三方面，本专利技术实施例还提供了一种电子设备，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计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的用户生活模式预测方法。第四方面，本专利技术实施例还提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所述的用户生活模式预测方法。由上述技术方案可知，本专利技术实施例提供的用户生活模式预测方法、装置、电子设备及存储介质，采用了活动轨迹切换模式数据进行预测，相对于单纯依靠活动轨迹数据进行预测的方法，具有能够摆脱空间位置局限性的优势。此外，由于本专利技术实施例采用活动轨迹切换模式数据作为预测基础数据，为此，本专利技术实施例适应性地提供了一种差分卷积神经网络模型，在该差分卷积神经网络模型中，差分因子和差分计算单元内置于卷积神经网络内部，且差分因子和卷积核同时作为神经网络训练参数，该差分卷积神经网络模型能够实现对序列化的活动轨迹切换模式数据的特征提取，而传统的卷积操作，无法实现对本专利技术实施例中提及的活动轨迹切换模式数据的特征提取，此外，本实施例提供的差分卷积神经网络模型在训练过程中，能够从各类活动轨迹切换模式训练数据中抽取各类活动轨迹切换模式的特征空间，最大化特征空间的差异性，从而可以提高分类的准确率。因此，本专利技术实施例在采用差分卷积神经网络模型对用户的活动轨迹切换模式数据进行预测时，可以得到较为准确的生活模式预测结果。附图说明为了更清楚地说明本专利技术实施例或现有技本文档来自技高网...

【技术保护点】
1.一种用户生活模式预测方法，其特征在于，包括：/n获取用户的活动轨迹切换模式数据；/n将所述活动轨迹切换模式数据输入至训练好的差分卷积神经网络模型，得到所述用户的生活模式；/n其中，所述训练好的差分卷积神经网络模型为利用与不同类型生活模式对应的活动轨迹切换模式数据进行训练后得到；其中，所述差分卷积神经网络模型为在卷积神经网络模型基础上，将差分因子和差分计算单元内置于卷积神经网络内部，并将差分因子和卷积核同时作为神经网络训练参数得到的模型。/n

【技术特征摘要】
1.一种用户生活模式预测方法，其特征在于，包括：
获取用户的活动轨迹切换模式数据；
将所述活动轨迹切换模式数据输入至训练好的差分卷积神经网络模型，得到所述用户的生活模式；
其中，所述训练好的差分卷积神经网络模型为利用与不同类型生活模式对应的活动轨迹切换模式数据进行训练后得到；其中，所述差分卷积神经网络模型为在卷积神经网络模型基础上，将差分因子和差分计算单元内置于卷积神经网络内部，并将差分因子和卷积核同时作为神经网络训练参数得到的模型。


2.根据权利要求1所述的用户生活模式预测方法，其特征在于，在将所述活动轨迹切换模式数据输入至训练好的差分卷积神经网络模型之前，所述用户生活模式预测方法，还包括：
获取目标区域内预设数量用户的活动轨迹切换模式数据；
基于目标区域内预设数量用户的活动轨迹切换模式数据对目标区域内预设数量用户进行不同生活模式的聚类分类，得到目标区域内预设数量用户的生活模式聚类分类结果；
根据目标区域内预设数量用户的活动轨迹切换模式数据和目标区域内预设数量用户的生活模式聚类分类结果，对差分卷积神经网络模型进行训练，得到训练好的差分卷积神经网络模型。


3.根据权利要求2所述的用户生活模式预测方法，其特征在于，所述获取目标区域内预设数量用户的活动轨迹切换模式数据，具体包括：
确定目标区域预设数量用户与工作日对应的第一活动轨迹切换模式数据；
确定目标区域预设数量用户与节假日对应的第二活动轨迹切换模式数据；
根据第一活动轨迹切换模式数据和第二活动轨迹切换模式数据确定目标区域内预设数量用户的活动轨迹切换模式数据。


4.根据权利要求3所述的用户生活模式预测方法，其特征在于，所述确定目标区域预设数量用户与工作日对应的第一活动轨迹切换模式数据，具体包括：
根据目标区域预设数量用户在多个工作日中位于每个工作日不同时间分片的位置数据确定目标区域预设数量用户在工作日不同时间分片的候选位置数据；
将目标区域预设数量用户在工作日不同时间分片的候选位置数据作为目标区域预设数量用户与工作日对应的第一活动轨迹切换模式数据。


5.根据权利要求4所述的用户生活模式预测方法，其特征在于，所述根据目标区域预设数量用户在多个工作日中位于每个工作日不同时间分片的位置数据确定目标区域预设数量用户在工作日不同时间分片的候选位置数据，具体包括：
根据相应用户在多个工作日中位于任一时间分片访问的基站的位置信息生成与相应时间分片对应的多边形；
根据多边形中任一条边对应的两个...

【专利技术属性】
技术研发人员：牛鑫，范磊，昌玮，谭昶，陈恩红，熊辉，缪守宝，陈建梅，闫志敏，王飞，汪俊，汪雪松，
申请(专利权)人：讯飞智元信息科技有限公司，
类型：发明
国别省市：安徽;34