[发明专利]用户活动识别方法、装置、存储介质及电子设备

权利要求书

1.一种用户活动识别方法，其特征在于，包括：

获取目标用户在目标时间区间内的全景数据序列；

对所述全景数据序列进行特征提取，获取全景特征序列，其中，所述全景特征序列中包括每个样本点的全景特征；

根据时间递归神经网络模型，计算所述全景特征序列中每个样本点在多个活动标签上的概率分布；

根据预设的连接时序分类模型，以及所述全景数据序列中每个样本点在多个活动标签上的概率分布，进行解码处理，确定所述目标用户在所述目标时间区间内的活动标签序列。

2.如权利要求1所述的用户活动识别方法，其特征在于，根据预设的连接时序分类模型，以及所述全景数据序列中每个样本点在多个活动标签上的概率分布，进行解码处理，确定所述目标用户在所述目标时间区间内的活动标签序列的步骤包括：

根据所述全景数据序列中每个时间点在多个活动标签上的概率分布，确定全部的标签路径；

根据预设的连接时序分类模型，对所述全部的标签路径进行解码处理，确定所述目标用户在所述目标时间区间内的活动标签序列。

3.如权利要求2所述的用户活动识别方法，其特征在于，根据预设的连接时序分类模型，对所述全部的标签路径进行解码处理，确定所述目标用户在所述目标时间区间内的活动标签序列的步骤包括：

根据预设的连接时序分类模型，按照最佳路径解码算法或者前缀查找解码算法，对所述全部的标签路径进行解码处理，获取概率值最大的活动标签序列，作为与所述全景数据序列对应的活动标签序列。

4.如权利要求1所述的用户活动识别方法，其特征在于，所述时间递归神经网络模型为长短时记忆网络模型，所述长短时记忆网络模型包括多个循环神经层和分类层；根据时间递归神经网络模型，计算所述全景特征序列中每个样本点在多个活动标签上的概率分布的步骤包括：

在所述循环神经层对所述全景特征序列进行计算，提取时序特征；

将所述时序特征输入所述分类层进行计算，获取所述全景特征序列中每个样本点在多个活动标签上的概率分布。

5.如权利要求1所述的用户活动识别方法，其特征在于，所述全景数据序列包括传感器数据序列和终端状态数据序列；所述对所述全景数据序列进行特征提取，获取全景特征序列的步骤包括：

对所述传感器数据序列和所述终端状态数据序列进行预处理；

根据经过预处理后的所述传感器数据序列生成第一全景特征序列，并根据经过预处理后的所述终端状态数据序列生成第二全景特征序列；

融合所述第一全景特征序列和所述第二全景特征序列，生成所述全景特征序列。

6.如权利要求1至5任一项所述的用户活动识别方法，其特征在于，所述方法还包括：

获取样本全景数据序列以及所述样本全景数据序列对应的活动标签序列；

对所述样本全景数据序列提取特征，获取样本全景特征序列；

根据所述时间递归神经网络模型，计算所述样本全景特征序列中每个样本点在所述多个活动标签上的概率分布；

将所述样本全景特征序列中每个样本点在所述多个活动标签上的概率分布，以及所述样本全景数据序列对应的活动标签序列作为训练数据；

根据所述训练数据训练所述连接时序分类模型。

7.如权利要求6所述的用户活动识别方法，其特征在于，根据所述训练数据训练所述连接时序分类模型的步骤包括：

确定所述连接时序分类模型的损失函数；

基于所述训练数据，根据梯度下降算法优化所述损失函数，以训练所述连接时序分类模型。