[發明專利]一種基于可穿戴設備的用戶行為習慣預測方法

在審

• 申請號: 202210084498.9
• 申請日: 2022-01-25
• 公開（公告）號: CN114492990A
• 公開（公告）日: 2022-05-13
• 發明（設計）人: 張旭;張瑞琦;李心慧;陳香
• 申請（專利權）人: 中國科學技術大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/04;G06N3/08
• 代理公司: 北京科迪生專利代理有限責任公司 11251
• 代理人: 安麗

本發明涉及一種基于可穿戴設備的用戶行為習慣預測方法，包括：采集用戶日?；顒訒r的生理數據、運動相關的數據以及用戶基本特征數據；對采集的數據進行預處理；同時建立基于不同時刻和基于不同特征的Attention機制改進的LSTM模型，再使用基于全連接網絡的用戶行為習慣預測整合模型將兩個改進模型整合在一起建立Attention?LSTM復合模型；訓練Attention?LSTM復合模型；通過已訓練好的Attention?LSTM復合模型預測用戶的行為習慣，包括用戶日?；顒訒r的生理數據和運動相關的數據走勢；結合可穿戴設備可以以較低成本獲取大量數據的優勢，最終提升對用戶未來行為習慣預測的精度；本發明聯合可穿戴設備可以對人們自身行為習慣進行監測和預測，有利于及時糾正當下人們不健康的行為習慣。

技術領域

本發明涉及穿戴設備技術領域，特別涉及一種基于可穿戴設備的用戶行為習慣預測方法。

背景技術

據世界衛生組織報道身體活動不足是全球死亡的10個主要風險因素之一，每年造成約320萬人死亡。熬夜、肥胖、運動量不足等是當下許多人生活的常態，對人們自身行為習慣進行監測和預測，有利于及時糾正當下人們不健康的行為習慣，還能為后續人們的運動健康管理和慢病預測提供良好的數據基礎，并為用戶推薦系統提供參考。

人類行為習慣可以由多種變量進行衡量，如睡眠數據、心率值、運動量這些生理數據以及運動相關的數據，它們都是高度個性化的數據，對于身體健康的監測具有重要意義。然而，采集高度個性化的數據需要耗費大量資源，近年來，可穿戴設備廣泛出現和普及，為數據能夠隨時隨地獲取提供了極大的便利性，大大降低了數據采集成本。并且，它能夠借助高速發展的數據挖掘技術,實現更加高效便捷的智能預測系統，給用戶行為習慣預測提供了新的研究方向。

現有的用戶行為預測方法包括馬爾可夫(MC)模型、傳統長短期記憶網絡(LSTM)等。然而，由于馬爾科夫假設當下時刻的狀態只依賴于前一時刻的狀態，忽略了長期歷史信息，模型沒有能力對數據中的長期依賴關系進行建模。理論上，LSTM可以基于任意長的過去的觀測結果進行用戶行為習慣預測，然而，傳統的LSTM預測方法在記憶序列模式時會忽略一些重要特征。一方面，用戶行為習慣可能在短期內發生變化，數據在時序上的重要性有所不同。另一方面，每一位用戶活動在可能開始的時間和可能持續的時間方面都是不同的，用戶活動存在個體差異，不同特征間也存在重要性的區別。傳統單一LSTM網絡模型不能夠很好的獲取到這些時序上和特征上的不同重要性，進而影響LSTM網絡對用戶行為習慣的預測結果。

發明內容

本發明技術解決方案：克服現有技術的不足，提供一種基于可穿戴設備的用戶行為習慣預測方法，以克服當下單一LSTM網絡模型難以獲取用戶數據短期內重要時間特征的缺陷，同時解決其無法對不同特征的重要性進行很好的區別等問題。另外結合可穿戴設備可以以較低成本獲取大量數據的優勢，最終提升對用戶未來行為習慣預測的精度。

本發明技術解決方案：一種基于可穿戴設備的用戶行為習慣預測方法，所述方法包括：

步驟1，采集用戶日常活動時的生理數據、運動相關的數據以及用戶基本特征數據，通過可穿戴設備的陀螺儀傳感器、加速度傳感器、心電傳感器采集用戶日常活動時的心率、睡眠和運動相關的特征數據，再結合收集到的用戶基本特征數據：身高、體重、年齡和性別，構建多元特征向量X_t＝{x₁,...,x_d,...,x_D}，其中，X_t代表相對某日而言，某用戶數據的特征向量，包含D個特征，D代表特征維度，x_d表示某一維特征。

步驟2，對采集的數據進行預處理。

將采集到的數據集中80％的數據作為訓練集，20％的數據作為測試集，并對訓練集和測試集進行預處理，采用離差標準化方法對輸入數據進行歸一化，歸一化公式為：