[发明专利]行为活动预测方法、装置、设备及情绪预测方法

权利要求书

1.一种基于机器学习的行为活动预测方法，其特征在于，包括步骤：

S11：获取第一预设时间内行为活动特征数据，得到第一训练样本集；

S12：根据所述第一训练样本集对行为活动预测模型进行训练，得到训练后的第一行为活动预测模型；

S13：获取用于预测的特征值，得到第一预测样本集；

S14：根据所述第一预测样本集和所述训练后的第一行为活动预测模型，进行行为活动预测。

2.根据权利要求1所述的一种基于机器学习的行为活动预测方法，其特征在于，步骤S11中行为活动特征数据包括时间特征、加速度特征和位置特征；

所述时间特征指活动的时间段处于一天24小时的哪个时间段，为一个24维特征，特征值为0或1；

所述加速度特征指活动的时间段中传感器的各轴加速度值的时域特征和频域特征；

所述位置特征指活动的时间段中活动时长最长的位置所在的经纬度。

3.根据权利要求1所述的一种基于机器学习的行为活动预测方法，其特征在于，步骤S12中行为活动预测模型为2分类模型，具体为根据活动类型个数建立与所述活动类型个数对应的多个2分类模型；

所述2分类模型中定义一类活动为正类，其余活动为负类；

所述活动类型包括：通勤和/或饮食和/或教育和/或家庭和/或自我保养和/或专业服务和/或购物和/或社交休闲和/或运动和/或工作。

4.根据权利要求3所述的一种基于机器学习的行为活动预测方法，其特征在于，步骤S12中根据所述第一训练样本集对行为活动预测模型进行训练，得到训练后的第一行为活动预测模型，所述训练过程通过逻辑回归模型进行活动预测模型的训练，所述逻辑回归模型为：

其中，n表示的特征值个数，h为正类活动类型的概率，ω_i为第i个特征值对应的权值参数，x_i为第i个特征值；

通过最小化加了惩罚项的损失函数来确定所述权值参数，所述损失函数具体为：

其中，num为样本数量，ω为权值参数，x⁽ⁱ⁾是第i个样本的特征向量，y⁽ⁱ⁾是第i个样本的目标量，取值包括1和-1，正类为1，负类为-1，α为惩罚因子，采用梯度下降法进行求解；

所述活动预测模型的训练过程具体为：

获取α的不同取值；

在每一个α的取值情况下，采用交叉验证的策略，即得到多个准确度评价指标值，获取平均值作为当前α的准确度评价指标；

对比α所有取值情况下的准确度评价指标值，选择准确度评价指标值最高的对应的α值，并采用第一训练样本集作为训练样本，训练2分类模型得到近似最优2分类模型；

所述准确度评价指标指预测对的样本数占总样本的比例。

5.根据权利要求4所述的一种基于机器学习的行为活动预测方法，其特征在于，步骤S14中所述的进行行为活动预测为：根据多个近似最优2分类模型预测不同活动类型，并计算不同活动类型对应的次数和活动时长，具体为：

采集预测时间内的传感器信号构成预测样本，将预测样本分别输入所述多个近似最优2分类模型中，得到在每个模型中的活动类型概率，选择概率最大的活动类型作为预测时间内的活动类型，相应的记录活动时长。

6.一种基于机器学习的行为活动预测装置，其特征在于，包括：

特征值获取模块，用于获取第一预设时间内行为活动特征数据，得到第一训练样本集；

训练模块，用于根据所述第一训练样本集对行为活动预测模型进行训练，得到训练后的第一行为活动预测模型；

预测样本获取模块，用于获取用于预测的特征值，得到第一预测样本集；

行为活动预测模块，用于根据所述第一预测样本集和所述训练后的第一行为活动预测模型，进行行为活动预测。