一种情景数据处理方法、装置及存储介质制造方法及图纸

本发明专利技术公开了一种情景数据处理方法、装置及存储介质，其中方法包括获取当前情景数据，当前情景数据包括当前用户情景数据、当前物理情景数据；基于当前情景数据构建情景空间模型；采用深度Q网络进行增强学习，得到学习后的情景空间模型；采用神经网络算法对学习后的情景空间模型进行训练，得到训练后的情景空间模型的最优参数，并以最优参数更新学习后的情景空间模型；基于更新后的情景空间模型对待推理的情景数据进行处理，得到对应的情景模式。本发明专利技术实施例提供的情景数据处理方法、装置及存储介质，通过构建情景空间模型，并采用深度Q学习网络与神经网络算法对情景数据进行处理，降低了情景数据的冗余度，进而提高了情景数据处理的准确率。

【技术实现步骤摘要】
一种情景数据处理方法、装置及存储介质
本专利技术涉及模式识别
，尤其是涉及一种情景数据处理方法、装置及存储介质。
技术介绍
现如今移动设备能够获取大量的用户使用行为数据、传感器数据和周围环境数据，利用移动设备进行情境计算以及相关行为研究，挖掘有效信息，推导出用户的行为模式并主动向其提供相应的服务，能够实现情景模式的推理。在现有技术中，对情景数据的处理方法是先利用物联网技术、云计算技术、后台数据库、网络存储以及传感器技术等获取环境数据信息，再建立单一的形式化静态模型，预设相关匹配规则，最后对所有数据套用处理(如SWRL处理方法)，从而筛选出符合规则的情景模式。但是，由于情景数据往往数量巨大且关系复杂，因此采集到的情景数据往往具有较大的冗余度，这会导致数据处理的准确率大大降低。
技术实现思路
本专利技术提供一种情景数据处理方法、装置及存储介质，以解决现有的情景数据具有较大的冗余度的技术问题，通过深度Q学习网络与神经网络算法对数据进行处理，降低了情景数据的冗余度，进而提高了数据处理的准确率。为了解决上述技术问题，本专本文档来自技高网...

【技术保护点】
1.一种情景数据处理方法，其特征在于，包括：/n获取当前情景数据，所述当前情景数据至少包括当前用户情景数据、当前物理情景数据；/n基于所述当前情景数据构建情景空间模型；/n采用深度Q网络对所述情景空间模型进行增强学习，得到学习后的情景空间模型；/n采用神经网络算法对所述学习后的情景空间模型进行训练，得到训练后的情景空间模型的最优参数，并以所述最优参数更新所述学习后的情景空间模型；/n基于更新后的情景空间模型对待推理的情景数据进行处理，得到对应的情景模式。/n

【技术特征摘要】
1.一种情景数据处理方法，其特征在于，包括：
获取当前情景数据，所述当前情景数据至少包括当前用户情景数据、当前物理情景数据；
基于所述当前情景数据构建情景空间模型；
采用深度Q网络对所述情景空间模型进行增强学习，得到学习后的情景空间模型；
采用神经网络算法对所述学习后的情景空间模型进行训练，得到训练后的情景空间模型的最优参数，并以所述最优参数更新所述学习后的情景空间模型；
基于更新后的情景空间模型对待推理的情景数据进行处理，得到对应的情景模式。


2.如权利要求1所述的情景数据处理方法，其特征在于，所述基于所述当前情景数据构建情景空间模型的步骤，具体为：
基于所述当前用户情景数据的数据ID、用户信息数据、用户需求数据构建当前用户情景数据集合；
基于所述当前物理情景数据的标识ID、环境数据、用户身体数据构建当前物理情景数据集合；
以所述当前用户情景数据集合、所述当前物理情景数据集合构建所述情景空间模型。


3.如权利要求2所述的情景数据处理方法，其特征在于，所述以所述当前用户情景数据集合、所述当前物理情景数据集合构建所述情景空间模型的步骤，具体为：
根据所述当前用户情景数据集合的维度、所述当前物理情景数据集合的维度构建所述情景空间模型。


4.如权利要求2所述的情景数据处理方法，其特征在于，所述采用深度Q网络对所述情景空间模型进行增强学习的步骤，具体为：
采用...

【专利技术属性】
技术研发人员：占善华，杜翠凤，房小兆，
申请(专利权)人：广州杰赛科技股份有限公司，广东司法警官职业学院，广东工业大学，
类型：发明
国别省市：广东;44