用户行为的预测方法及其相关设备技术

本申请实施例属于人工智能领域，涉及一种用户行为的预测方法，方法包括获取历史时间段内的传感器数据，并根据传感器数据生成训练数据集；训练数据集包括历史时间段内的多个子时间段和每个子时间段对应的用户行为；根据训练数据集对预设神经网络模型进行用户行为预测训练，直至损失函数收敛，得到行为预测模型；获取当前时间段对应的目标用户行为，并将目标用户行为输入行为预测模型，得到未来时间段的用户行为。本申请还提供一种用户行为的预测装置、计算机设备及存储介质。本申请降低了数据采集成本。采集成本。采集成本。

【技术实现步骤摘要】
用户行为的预测方法及其相关设备


[0001]本申请涉及人工智能
，尤其涉及一种用户行为的预测方法及其相关设备。

技术介绍

[0002]预测用户行为能够得到用户的行为模式，从而根据用户的行为模式实现用户的个性化推荐，或者协助用户的安全行程，甚至可以根据用户的行为模式，判断用户是否为同一个人来进行风险预测。因此用户行为的预测较为重要。
[0003]当前通常是通过手机应用(application，APP)收集用户的行为事件，如点击事件、页面切换事件等来进行用户行为的预测的。但是，这种用户行为预测方式完全依赖于用户的输入，并且只能在安装、且运行相关APP的情况下才能收集到用户的输入，从而进行用户行为的预测，具有偏向性，数据收集成本较高。

技术实现思路

[0004]本申请实施例的目的在于提出一种用户行为的预测方法及其相关设备，以解决数据收集成本较高的问题。
[0005]为了解决上述技术问题，本申请实施例提供一种用户行为的预测方法，采用了如下所述的技术方案：
[0006]获取历史时间段内的传感器数据，并根据所述传感器数据生成训练数据集；所述训练数据集包括所述历史时间段内的多个子时间段和每个所述子时间段对应的用户行为；根据所述训练数据集对预设神经网络模型进行用户行为预测训练，直至损失函数收敛，得到行为预测模型；获取当前时间段对应的目标用户行为，并将所述目标用户行为输入所述行为预测模型，得到未来时间段的用户行为。
[0007]进一步的，所述根据所述训练数据集对预设神经网络模型进行用户行为预测训练，直至损失函数收敛，得到行为预测模型，包括：根据所述训练数据集中的子时间段，将所述训练数据集划分为至少一个输入输出对；其中，目标输入输出对包括一个输入数据和一个输出数据；一个输入数据和一个输出数据中均包括一个子时间段和所述一个子时间段对应的用户行为；且所述目标输入输出对中输入数据对应的子时间段中的时刻，均早于所述目标输入输出对中输出数据对应的子时间段中的时刻；所述目标输入输出对为所述至少一个输入输出对中任一输入输出对；将所述至少一个输入输出对中的输入数据，作为预设神经网络模型的输入，所述至少一个输入输出对中的输出数据，作为预设神经网络模型的输出，对预设神经网络模型进行用户行为预测训练，直至损失函数收敛，得到行为预测模型。
[0008]进一步的，所述训练数据集包括至少两个训练数据，一个所述训练数据包括一个子时间段和所述一个子时间段对应的用户行为；所述根据所述训练数据集中的子时间段，将所述训练数据集划分为至少一个输入输出对，包括：对所述训练数据集中的每个所述训练数据执行处理操作，得到至少一个输入输出对；所述处理操作包括：在第一训练数据的子
时间段中的时刻，均早于第二训练数据的子时间段中的时刻，且所述第一训练数据的子时间段中的第一个时刻与所述第二训练数据的子时间段中的第一个时刻之间的时长为目标时长时，确定所述第一训练数据为输入数据，所述第二训练数据为输出数据；其中，所述第一训练数据与所述第二训练数据均为所述训练数据集中任一训练数据；将所述第一训练数据作为输入数据，所述第二训练数据作为输出数据生成一个输入输出对。
[0009]进一步的，所述传感器数据由所述历史时间段内的时刻和每个时刻对应的数据值组成；所述根据所述传感器数据生成训练数据集，包括：通过傅里叶变换将所述传感器数据转换为频率数据集；所述频率数据集由所述历史时间段内的多个子时间段和每个所述子时间段对应的频率组成；根据所述频率数据集和预设关系确定每个所述子时间段对应的用户行为；所述预设关系为频率和用户行为之间的对应关系；根据每个所述子时间段对应的用户行为生成训练数据集。
[0010]进一步的，所述用户行为至少包括步行、静止、玩手机、开车；所述根据所述频率数据集和预设关系确定每个所述子时间段对应的用户行为，包括：对每个子时间段对应的频率在预设关系中执行匹配操作，得到每个子时间段对应的用户行为；所述匹配操作包括：在目标子时间段对应的频率，处于所述预设关系中目标用户行为对应的频率中时，确定所述目标子时间段对应的用户行为是目标用户行为；所述目标用户行为为步行、静止、玩手机、开车中的任一用户行为。
[0011]进一步的，所述获取历史时间段内的传感器数据，包括：获取历史时间段内目标传感器的传感器数据；所述目标传感器为加速计、陀螺仪、气压计、协处理器中的至少一个。
[0012]进一步的，在根据所述传感器数据生成训练数据集之前，所述预测方法还包括：对所述传感器数据进行去噪处理。
[0013]为了解决上述技术问题，本申请实施例还提供一种用户行为的预测装置，采用了如下所述的技术方案：生成模块，用于获取历史时间段内的传感器数据，并根据所述传感器数据生成训练数据集；所述训练数据集包括所述历史时间段内的多个子时间段和每个所述子时间段对应的用户行为；训练模块，用于根据所述训练数据集对预设神经网络模型进行用户行为预测训练，直至损失函数收敛，得到行为预测模型；预测模块，用于获取当前时间段对应的目标用户行为，并将所述目标用户行为输入所述行为预测模型，得到未来时间段的用户行为。
[0014]进一步的，所述训练模块包括划分子模块和训练子模块；所述划分子模块，用于根据所述训练数据集中的子时间段，将所述训练数据集划分为至少一个输入输出对；其中，目标输入输出对包括一个输入数据和一个输出数据；一个输入数据和一个输出数据中均包括一个子时间段和所述一个子时间段对应的用户行为；且所述目标输入输出对中输入数据对应的子时间段中的时刻，均早于所述目标输入输出对中输出数据对应的子时间段中的时刻；所述目标输入输出对为所述至少一个输入输出对中任一输入输出对；所述训练子模块，用于将所述至少一个输入输出对中的输入数据，作为预设神经网络模型的输入，所述至少一个输入输出对中的输出数据，作为预设神经网络模型的输出，对预设神经网络模型进行用户行为预测训练，直至损失函数收敛，得到行为预测模型。
[0015]进一步的，所述训练数据集包括至少两个训练数据，一个所述训练数据包括一个子时间段和所述一个子时间段对应的用户行为；所述划分子模块，具体用于：对所述训练数
据集中的每个所述训练数据执行处理操作，得到至少一个输入输出对；所述处理操作包括：在第一训练数据的子时间段中的时刻，均早于第二训练数据的子时间段中的时刻，且所述第一训练数据的子时间段中的第一个时刻与所述第二训练数据的子时间段中的第一个时刻之间的时长为目标时长时，确定所述第一训练数据为输入数据，所述第二训练数据为输出数据；其中，所述第一训练数据与所述第二训练数据均为所述训练数据集中任一训练数据；将所述第一训练数据作为输入数据，所述第二训练数据作为输出数据生成一个输入输出对。
[0016]进一步的，所述传感器数据由所述历史时间段内的时刻和每个时刻对应的数据值组成；所述生成模块包括转换子模块、确定子模块以及生成子模块：所述转换子模块，用于通过傅里叶变换将所述传感器数据转换为频率数据集；所述频率数据集由所述历史时间段内的多本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用户行为的预测方法，其特征在于，包括下述步骤：获取历史时间段内的传感器数据，并根据所述传感器数据生成训练数据集；所述训练数据集包括所述历史时间段内的多个子时间段和每个所述子时间段对应的用户行为；根据所述训练数据集对预设神经网络模型进行用户行为预测训练，直至损失函数收敛，得到行为预测模型；获取当前时间段对应的目标用户行为，并将所述目标用户行为输入所述行为预测模型，得到未来时间段的用户行为。2.根据权利要求1所述的预测方法，其特征在于，所述根据所述训练数据集对预设神经网络模型进行用户行为预测训练，直至损失函数收敛，得到行为预测模型，包括：根据所述训练数据集中的子时间段，将所述训练数据集划分为至少一个输入输出对；其中，目标输入输出对包括一个输入数据和一个输出数据；一个输入数据和一个输出数据中均包括一个子时间段和所述一个子时间段对应的用户行为；且所述目标输入输出对中输入数据对应的子时间段中的时刻，均早于所述目标输入输出对中输出数据对应的子时间段中的时刻；所述目标输入输出对为所述至少一个输入输出对中任一输入输出对；将所述至少一个输入输出对中的输入数据，作为预设神经网络模型的输入，所述至少一个输入输出对中的输出数据，作为预设神经网络模型的输出，对预设神经网络模型进行用户行为预测训练，直至损失函数收敛，得到行为预测模型。3.根据权利要求2所述的预测方法，其特征在于，所述训练数据集包括至少两个训练数据，一个所述训练数据包括一个子时间段和所述一个子时间段对应的用户行为；所述根据所述训练数据集中的子时间段，将所述训练数据集划分为至少一个输入输出对，包括：对所述训练数据集中的每个所述训练数据执行处理操作，得到至少一个输入输出对；所述处理操作包括：在第一训练数据的子时间段中的时刻，均早于第二训练数据的子时间段中的时刻，且所述第一训练数据的子时间段中的第一个时刻与所述第二训练数据的子时间段中的第一个时刻之间的时长为目标时长时，确定所述第一训练数据为输入数据，所述第二训练数据为输出数据；其中，所述第一训练数据与所述第二训练数据均为所述训练数据集中任一训练数据；将所述第一训练数据作为输入数据，所述第二训练数据作为输出数据生成一个输入输出对。4.根据权利要求1所述的预测方法，其特征在于，所述传感器数据由所述历史时间段内的时刻和每个时刻对应的数据值组成；所述根据所述...

【专利技术属性】
技术研发人员：蔡少康，
申请(专利权)人：中国平安财产保险股份有限公司，
类型：发明
国别省市：