[發明專利]一種基于大數據的行為預測方法、裝置、設備及存儲介質

在審

• 申請號: 202011046915.8
• 申請日: 2020-09-29
• 公開（公告）號: CN112132357A
• 公開（公告）日: 2020-12-25
• 發明（設計）人: 楊特春;劉弘胤;尚子淳;潘巖;陳訊
• 申請（專利權）人: 佳都新太科技股份有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/26
• 代理公司: 北京澤方譽航專利代理事務所(普通合伙) 11884
• 代理人: 唐明磊

1.一種基于大數據的行為預測方法，其特征在于，包括：

基于預測目標在設定時間范圍內的活動信息，確定預測目標的積分分值；

將所述積分分值輸入行為預測模型，由所述行為預測模型對所述積分分值進行分析得到預測目標的預警積分值；

根據所述預警積分值對預測目標進行冒泡排序，并根據排序結果確定對預測目標的展示方式。

2.根據權利要求1所述的基于大數據的行為預測方法，其特征在于，所述活動信息包括積分項、積分條件和積分頻次，所述積分項、所述積分條件、所述積分頻次和所述積分分值存在預設的積分關聯關系。

3.根據權利要求2所述的基于大數據的行為預測方法，其特征在于，所述基于預測目標在設定時間范圍內的活動信息，確定預測目標的積分分值，包括：

獲取預測目標在設定時間范圍內的活動信息，確定預測目標對應的積分項、積分條件和積分頻次；

基于所述積分關聯關系確定所述積分項、所述積分條件和所述積分頻次對應的積分分值。

4.根據權利要求1所述的基于大數據的行為預測方法，其特征在于，所述基于預測目標在設定時間范圍內的活動信息，確定預測目標的積分分值之前，還包括：

基于神經學習網絡搭建行為預測模型，并利用歷史監測數據對所述行為預測模型進行訓練。

5.根據權利要求4所述的基于大數據的行為預測方法，其特征在于，所述基于神經學習網絡搭建行為預測模型，并利用歷史監測數據對所述行為預測模型進行訓練，包括：

基于神經學習網絡搭建行為預測模型，所述行為預測模型的向量模式為z＝w^Tx+b，其中z為預警積分值、w為權值項、b為偏置項、x為積分分值；

以歷史監測數據中的積分分值為輸入、預警積分值為輸出，對所述行為預測模型進行訓練并對權值項和偏置項進行調優，直至所述行為預測模型達到準確率要求。

6.根據權利要求5所述的基于大數據的行為預測方法，其特征在于，所述以歷史監測數據中的積分分值為輸入、預警積分值為輸出，對所述行為預測模型進行訓練并對權值項和偏置項進行調優，直至所述行為預測模型達到準確率要求，包括：

預先設定多組權值項和偏置項的值，并基于設定的所述權值項和所述偏置項，以歷史監測數據中的積分分值為輸入、預警積分值為輸出，對所述行為預測模型進行訓練；

基于所述行為預測模型未達到準確率要求，篩選多組對應準確率靠前的權值項和偏置項；

對篩選出的所述權值項和所述偏置項的值進行交叉替換和/或隨機替換，并補充權值項和偏置項的設置數量，基于更新后的權值項和偏置項對所述行為預測模型進行訓練，直至所述行為預測模型達到準確率要求。

7.根據權利要求4所述的基于大數據的行為預測方法，其特征在于，所述基于神經學習網絡搭建行為預測模型，并利用歷史監測數據對所述行為預測模型進行訓練，包括：

基于神經學習網絡搭建行為預測模型，所述行為預測模型的向量模式為z＝w^Tx+b，其中z為預警積分值、w為權值項、b為偏置項、x為積分分值；

基于所述行為預測模型的向量模式，將所述行為預測模型的輸出模式設置為其中y為預警狀態值；

以歷史監測數據中的積分分值為輸入、預警狀態值為輸出，對所述行為預測模型進行訓練并對權值項和偏置項進行調優，直至所述行為預測模型達到準確率要求。

8.根據權利要求7所述的基于大數據的行為預測方法，其特征在于，所述根據所述預警積分值對預測目標進行冒泡排序，并根據排序結果確定對預測目標的展示方式之后，還包括：

響應于指示預測目標存在威脅的預警狀態值，進行異常預警。