[发明专利]一种用于运动行为、关系识别的数据分析方法、电子设备

说明书

本发明公开了一种用于运动行为、关系识别的数据分析方法、电子设备，首先，通过移动端设置的多传感器收集运动数据构成初始数据集；其次，基于时间序列分析法对初始数据集进行预处理，得到时序特征数据集；其次，分析时序特征数据集，得到用于模型构建的精细特征；其次，基于提取的精细特征建立运动身份识别模型和运动模式分析模型；最后，对运动身份识别模型中的特征进行合理的数学分析、解释得到和运动风格有关的一组运动特征；结合所述运动特征对每个用户进行分析，构造一组和用户对应的用户特征，结合运动身份预测模型和用户的运动特征判断用户间是否存在代跑等作弊行为，利用运动模式预测模型判断用户跑步时是否使用了交通工具等作弊行为。

技术领域

本发明涉及数据分析技术领域，更具体地说，涉及一种用于运动行为、关系识别的数据分析方法、电子设备。

背景技术

人工智能界认为机器学习是人工智能领域中最能体现智能的一个分支之一。它致力于研究如何通过计算的手段，利用经验来改善系统自身的性能。机器学习所研究的主要内容是关于计算机上从数据中产生模型的算法。将经验数据提供给它，它就能通过这些数据产生模型。在面临新的情况发生时，模型就能够提供给相应的判断。

随机森林是一类常见的机器学习算法，是一个包含了多棵多个决策树的分类器。它的优点有：适用于耦合多维变量的问题，能够处理高维数据和多重共线性数据；对异常值和噪声容忍度高，模型不易出现过拟合现象，能够得到较高的模拟精度；在决定类别时，它能够评估变数的重要性等。

现今，相关的理论和技术均以完善。在充足数据集的支持下，利用机器学习的随机森林方法能够较好解决各种分类问题。

然而，如今许多高校通过“步道乐跑”、“运动世界校园”等手机APP督促学生课外体育锻炼，但因各种软件为了对学生的运动行为模式进行识别，所提出的算法和模型均缺乏有效性，导致代跑和骑行等作弊情况大量发生。目前利用手机APP进行运动作弊的研究较少，且目前国内外对于利用多传感器识别运动行为模式的分析较少，大多都仅停留在少数传感器上，没有对于多传感器的预测分析提供一个有效的方法或成果。

发明内容

本发明要解决的技术问题在于，针对现有技术对于利用多传感器识别运动行为模式的分析较少，大多都仅停留在少数传感器上，无法得出准确的分析结果的缺陷，提供一种用于运动行为、关系识别的数据分析方法、电子设备。

本发明解决其技术问题所采用的技术方案是：构造一种用于运动行为识别的数据分析方法，包括以下步骤：

S1、获取用于反映用户运动行为的初始数据集；

S2、针对初始数据集中的每项数据，基于时间序列分析方法进行预处理，提取出每项数据的时序特征，构建第一时序特征数据集；

S3、基于所述第一时序特征数据集，利用机器学习分类算法进行数据分类和初始运动模式分析模型构建后，分析每项分类特征对当前建模模型精确率的影响程度，根据影响程度的大小对所述第一时序特征数据集进行筛除；随后，基于当前筛选所得的第二时序特征数据集进行运动模式分析模型和运动身份识别模型的构建；

其中，筛选第二时序特征数据集具体为：根据每项分类特征对当前建模模型精确率的影响程度，按照影响程度的大小，分析第一时序特征数据集中每项时序特征在所述初始运动模式分析模型所占的权重值α_i，i＝1,...,M，M为时序特征的总数量；

将每项时序特征的权重值α_i与预设的权重阈值β进行比较，选择权重值α_i大于β的时序特征，组成第二时序特征数据集；

其中，权重值α_i确认方法具体为：采用平均精度减小法分析每项时序特征在所述初始运动模式分析模型中所占的权重α_i：

给每项时序特征加入随机噪声；