[發明專利]一種基于打卡數據的用戶打卡地點預測方法及裝置

在審

• 申請號: 202110157797.6
• 申請日: 2021-02-04
• 公開（公告）號: CN112819230A
• 公開（公告）日: 2021-05-18
• 發明（設計）人: 胡璐錦;王堅;劉飛;石煬;張可威
• 申請（專利權）人: 北京建筑大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06K9/62
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 王治東

本發明提供一種基于打卡數據的用戶打卡地點預測方法及裝置。其中，該方法包括：確定待分析的打卡數據，將打卡數據作為測試集輸入至預設的孤立森林模型中，獲得所述孤立森林模型輸出的用戶的異常打卡地點數據；或者基于協同過濾模型對打卡數據進行分析，得到用戶之間打卡地點和頻率的相似度數據，將待預測用戶對應的標識信息輸入到所述協同過濾模型，根據打卡地點和頻率的相似度高低，確定與所述待預測用戶對應的目標用戶，并基于所述目標用戶對待預測用戶的實際打卡地點進行預測。采用本發明公開的方法，能夠通過分析用戶的各種打卡行為特征及時發現用戶的異常行為，對用戶在不同時段可能去的地點進行提前預測，有效提高了預測效率和預測精度。

技術領域

本發明涉及大數據分析技術領域，具體涉及一種基于打卡數據的用戶打卡地點預測方法和裝置。另外，還涉及一種電子設備及非暫態計算機可讀存儲介質。

背景技術

隨著大數據、人工智能等新技術快速發展，針對特定范圍(比如學校范圍或者工廠園區范圍)內用戶行為特征進行分析和異常行為檢測成為了當前研究的重點內容。比如通過描述性統計分析、T分布隨機鄰域嵌入算法、基于機器學習的聚類算法、基于密度峰度的聚類算法、RBM模型和DBN模型以及基于BGLL算法的異常行為分析，可實現對用戶的打卡數據、消費數據、充值數據、網絡瀏覽數據等進行挖掘和分析。其中，利用描述性統計的頻數分析和交叉頻數分析能夠反映數據之間的差異程度，檢驗數據的異常值；利用T分布領域嵌入算法可以將數據進行降維處理；利用聚類算法對用戶進行分類，確定各類用戶的行為特征；利用BGLL算法能夠分析各類用戶學習行為特征；利用DBN模型和RBM模型能夠分析用戶的興趣特征，監控用戶異常行為等，從而可對用戶進行有針對性的教育引導。

目前用戶行為特征和異常點檢測方法，大部分是對用戶行為的分析研究，主要針對用戶的就餐或消費等數據進行特征分析，研究用戶的成績、興趣、心理等方面的影響。然而，其在數據方面的局限性較大，不能有效分析用戶的各種行為特征。現有技術缺少對用戶異常行為的發現以及缺少對用戶每日在不同時段可能去的地點進行提前預測，從而及時進行有針對性的教育引導。因此如何設計一種及時、有效的基于打卡數據的用戶打卡地點預測方案成為本領域研究的重要課題。

發明內容

為此，本發明提供一種基于打卡數據的用戶打卡地點預測方法及裝置，以解決現有技術中存在的用戶行為特征和異常點檢測方法，局限性較高，預測效率和精度較差，導致無法滿足實際使用需求的問題。

本發明提供一種基于打卡數據的用戶打卡地點預測方法，包括：確定待分析的打卡數據；將所述待分析的打卡數據作為測試集輸入至預設的孤立森林模型中，獲得所述孤立森林模型輸出的用戶的異常打卡地點數據；其中，所述孤立森林模型是以樣本打卡數據、所述樣本打卡數據對應的樣本分析結果預先訓練得到的。

進一步的，所述的基于打卡數據的用戶打卡地點預測方法，還包括：獲取目標用戶預設時間段內的打卡數據集；將所述打卡數據集中的打卡數據按照打卡地點的不同進行分類處理；分類處理完成后，提取預設數量的樣本打卡數據；將所述樣本打卡數據作為訓練樣本集對初始孤立森林模型進行訓練，得到所述孤立森林模型。

進一步的，所述的基于打卡數據的用戶打卡地點預測方法，還包括：基于當前打異常卡地點數據和地點相關性特征，預測下一個相關的異常打卡地點，確定目標用戶對應的異常行為軌跡。

本發明還提供一種基于打卡數據的用戶打卡地點預測方法，包括：

確定待分析的打卡數據；

基于預設的協同過濾模型對所述待分析的打卡數據進行分析，得到用戶之間打卡地點和頻率的相似度數據；

將待預測用戶對應的標識信息輸入到所述協同過濾模型，根據打卡地點和頻率的相似度高低，確定與所述待預測用戶對應的打卡地點和頻率相似的目標用戶；

基于所述目標用戶對應的打卡地點數據，對所述待預測用戶的實際打卡地點進行預測，得到相應的預測打卡地點。