预测用户状态变化的方法和装置制造方法及图纸

本发明专利技术实施例提供预测用户状态变化的方法和装置，其中，所述方法包括：获取预设状态用户的多个体征数据，所述体征数据包括动态体征参数的特征数据和静态体征参数对应的数据；根据所述多个体征数据以及参数相关性确定至少一个目标体征数据，其中，所述参数相关性为所述动态体征参数与所述静态体征参数之间的相关性；根据所述至少一个目标体征数据以及预设的基于极限梯度增强自适应算法的用户状态预测模型预测所述预设状态用户的状态变化发生概率；输出所述预设状态用户的状态变化发生概率。采用本发明专利技术的技术方案，可以提高预测的精度。

【技术实现步骤摘要】
预测用户状态变化的方法和装置
本专利技术涉及概率预测领域，尤其涉及预测用户状态变化的方法和装置。
技术介绍
数据预测是指通过对样本数据(历史数据)的输入值和输出值进行关联性学习，得到预测模型，在利用该预测模型对未来的输入值进行输出值预测，从而得到一个预测数据。数据预测可以用于用户行为预测、人体健康预测、灾难灾害预测、环境变迁预测等应用领域。数据预测主要采用决策树方法、人工神经网络、支持向量机、正则化方法、朴素贝叶斯等机器学习算法建立数据模型，从而用该数据模型进行预测。在目前的一些方案中，一般采用多变量逻辑回归算法对用户状态变化概率进行预测，但是，采用多变量逻辑回归算法得到的模型很难捕捉到复杂数据中的非线性关系，模型的预测精度不高。
技术实现思路
本专利技术实施例提供预测用户状态变化的方法和装置，可以提高模型的预测精度。本专利技术实施例第一方面提供一种预测用户状态变化的方法，包括：获取预设状态用户的多个体征数据，所述体征数据包括动态体征参数的特征数据和静态体征参数对应的数据；根据所述多个体征数据以及参数相关性确定至少一个目标体征数据，其中，所述参数相关性为所述动态体征参数与所述静态体征参数之间的相关性；根据所述至少一个目标体征数据以及预设的基于极限梯度增强自适应算法的用户状态预测模型预测所述预设状态用户的状态变化发生概率；输出所述预设状态用户的状态变化发生概率。本专利技术实施例第二方面提供预测用户状态变化的装置，包括：获取单元，用于获取预设状态用户的多个体征数据，所述体征数据包括动态体征参数的特征数据和静态体征参数对应的数据；第一确定单元，用于根据所述多个体征数据以及参数相关性确定至少一个目标体征数据，其中，所述参数相关性为所述动态体征参数与所述静态体征参数之间的相关性；预测单元，用于根据所述至少一个目标体征数据以及预设的基于极限梯度增强自适应算法的用户状态预测模型预测所述预设状态用户的状态变化发生概率；输出单元，用于输出所述预设状态用户的状态变化发生概率。本专利技术实施例第三方面提供一种预测用户状态变化的装置，包括处理器、存储器以及输入输出接口，所述处理器、存储器和输入输出接口相互连接，其中，所述输入输出接口用于输入输出数据，所述存储器用于存储预测用户状态变化的装置执行上述方法的应用程序代码，所述处理器被配置用于执行上述第一方面的方法。本专利技术实施例第四方面提供一种计算机存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述第一方面的方法。本专利技术实施例中，通过对预设状态用户的动态体征参数的特征数据和静态体征参数对应的数据进行处理，得到目标体征数据，将目标体征数据作为输入值采用基于极限梯度增强自适应算法的用户状态预测模型对预设状态用户的状态变化发生概率进行预测，采用基于极限梯度增强自适应算法得到的用户状态预测模型可以提高预测的精度，另外，对用户的动态体征参数和静态体征参数处理可以简化模型的复杂度。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术实施例提供的一种预测用户状态变化的方法；图2是本专利技术实施例提供的另一种预测用户状态变化的方法的流程示意图；图3是本专利技术实施例提供的一种分类树模型的示意图；图4是本专利技术实施例提供的一种预测用户状态变化的装置的结构示意图；图5是本专利技术实施例提供的另一种预测用户状态变化的装置的结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。首先参见图1，图1是本专利技术实施例提供的一种预测用户状态变化的方法的流程示意图，如图所示，所述方法至少包括：S101，获取预设状态用户的多个体征数据，所述体征数据包括动态体征参数的特征数据和静态体征参数对应的数据。其中，预设状态用户指具有共同特征或属性的一类用户，例如预设状态用户为重症用户、中风的用户、患糖尿病的用户，等等。这里，多个特征数据由动态体征参数的特征数据和静态体征参数对应的数据构成，动态体征参数和静态体征参数均不限于一个。可选地，静态体征参数可以为年龄、体重、性别、身高、病症类型、用户所在的病房类型等在一段时间内数据固定不变或变化很小的反映用户的基本特征的体征参数。可选地，动态体征参数可以为格拉斯哥昏迷指数(GlasgowComaScore，GCS)、血浆蛋白(Albumin)、碱性磷酸酶(Alkalinephosphatase，ALP)、谷丙转氨酶(Alaninetransaminase，ALT)、谷草转氨酶(Aspartatetransaminase，AST)、胆红素(Bilirubin)、血尿素氮(Bloodureanitrogen，BUN)、胆固醇(Cholesterol)、肌氨酸酐(Serumcreatinine，Creatinine)、有创舒张动脉血压(Invasivediastolicarterialbloodpressure)、有创收缩动脉血压(Invasivesystolicarterialbloodpressure，SysABP)、指吸入氧浓度(FractionalinspiredO2，FiO2)、血糖(Serumglucose，Glucose)、血清碳酸氢盐(Serumbicarbonate，HCO3)、红细胞比容(Hematocrit，HCT)、心率(Heartrate，HR)、血清钾(Serumpotassium，K)、全血乳酸(Lactate)、血清镁(Serummagnesium，Mg)、侵入性平均动脉压(nvasivemeanarterialbloodpressure，MAP)、机械通气呼吸(Mechanicalventilationrespiration，MechVent)、血清钠(Serumsodium，Na)、无创舒张动脉血压(Non-invasivediastolicarterialbloodpressure，NIDiasABP)、无创收缩动脉血压(Non-invasivesystolicarterialbloodpressure，NISysABP)、无创平均动脉血压(Non-invasivemeanarterialbloodpressure，NIMAP)、血氧分压(PartialpressureofarterialO2，PaO2)、酸碱值(ArterialpH，pH)、血小板(Platelets)、呼吸速率(RespRate)、动脉血氧饱和度(O2saturationinhemoglobin，SaO2)、体温(Temperature，Temp)、肌钙蛋白(Troponin-I，TropI)、尿排出量(Urineoutput，Urine)、白细胞数量(Whitebloodcellcount，WBC)等在一段时间内数据本文档来自技高网...

【技术保护点】
一种预测用户状态变化的方法，其特征在于，包括：获取预设状态用户的多个体征数据，所述体征数据包括动态体征参数的特征数据和静态体征参数对应的数据；根据所述多个体征数据以及参数相关性确定至少一个目标体征数据，其中，所述参数相关性为所述动态体征参数与所述静态体征参数之间的相关性；根据所述至少一个目标体征数据以及预设的基于极限梯度增强自适应算法的用户状态预测模型预测所述预设状态用户的状态变化发生概率；输出所述预设状态用户的状态变化发生概率。

【技术特征摘要】
1.一种预测用户状态变化的方法，其特征在于，包括：获取预设状态用户的多个体征数据，所述体征数据包括动态体征参数的特征数据和静态体征参数对应的数据；根据所述多个体征数据以及参数相关性确定至少一个目标体征数据，其中，所述参数相关性为所述动态体征参数与所述静态体征参数之间的相关性；根据所述至少一个目标体征数据以及预设的基于极限梯度增强自适应算法的用户状态预测模型预测所述预设状态用户的状态变化发生概率；输出所述预设状态用户的状态变化发生概率。2.根据权利要求1所述的方法，其特征在于，所述获取预设状态用户的多个体征数据之前还包括：确定第一时间范围内的多个预设状态用户的目标体征数据和所述多个预设状态用户的用户状态；将所述多个预设状态用户的目标体征数据以及所述多个预设状态用户的用户状态作为训练样本，采用极限梯度增强自适应算法对用户状态预测模型进行训练得到所述用户状态预测模型。3.根据权利要求1所述的方法，其特征在于，所述获取预设状态用户的多个动态体征参数的特征数据包括：分别获取所述预设状态用户在第二时间范围内各个动态体征参数对应的时序数据；分别对各个动态体征参数对应的时序数据进行数据处理得到所述各个动态体征参数的特征数据，进而确定多个动态体征参数的特征数据。4.根据权利要求1-3任一项所述的方法，其特征在于，所述动态体征参数的特征数据包括：动态体征参数对应的时序数据的平均值、动态体征参数对应的时序数据的最大值、动态体征参数对应的时序数据的最小值、动态体征参数对应的时序数据的方差以及动态体征参数对应的时序数据的标准差中的至少一种特征数据。5.根据权利要求1所述的方法，其特征在于，所述根据所述多个体征数据以及参数相关性确定至少一个目标体征数据包括：根据所述多个体征数据构建N维数据，其中，N等于所述动态体征参数的特征数据的数量与所述静态体征参数对应的数据的数量之和；根据所述参数相关性对所述N维数据进行降维处理得到M维数据，其中，M为正整数且小于N；将所述M维数据中的各个数据确定为目标体征数据。6.根据权利要求5所述的方法，其特征在于，所述根据所述参数相关性对所述N维数据进行降维处理得到M维数据包括：根据所述参数相关性采用主成分分析算法或自编码算法对所述N维数据进行降维处理得到M维数据。7.根据权利要求5所述的方法，其特征在于，所述根据所述参数相关性对所述N维数据进行降维处理得到M维数据包括：根据所述参数相关性将所述N维数据划分为M个数据分组；分别保留所述M个数...

【专利技术属性】
技术研发人员：杨明，张启，刘子威，刘诗媛，张朝棋，
申请(专利权)人：深圳和而泰智能控制股份有限公司，
类型：发明
国别省市：广东,44