用户活动识别方法、装置、存储介质及电子设备制造方法及图纸

本申请实施例公开了一种用户活动识别方法、装置、存储介质及电子设备，其中，本申请实施例获取目标用户在目标时间区间内的全景数据序列；对全景数据序列进行特征提取，获取全景特征序列，其中，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，确定目标用户在目标时间区间内的活动标签序列，实现了序列到序列的用户活动识别。

【技术实现步骤摘要】
用户活动识别方法、装置、存储介质及电子设备
本申请涉及数据处理
，具体涉及一种用户活动识别方法、装置、存储介质及电子设备。
技术介绍
活动识别方案中，一般采集一段时间内的用户数据作为依据，进行用户活动的识别，这种活动识别方案多是对独立的用户活动进行识别，无法处理时间序列数据，难以实现序列到序列的用户活动识别。
技术实现思路
本申请实施例提供了一种用户活动识别方法、装置、存储介质及电子设备，能够实现序列到序列的用户活动识别。第一方面，本申请实施例了提供了的一种用户活动识别方法，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。第二方面，本申请实施例了提供了的一种用户活动识别装置，包括：数据获取模块，用于获取目标用户在目标时间区间内的全景数据序列；特征提取模块，用于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；概率计算模块，用于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；活动分类模块，用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。第三方面，本申请实施例提供的存储介质，其上存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行如本申请任一实施例提供的用户活动识别方法。第四方面，本申请实施例提供了一种电子设备，包括处理器和存储器，所述存储器有计算机程序，所述处理器通过调用所述计算机程序，用于执行如本申请任一实施例提供的用户活动识别方法。本申请实施例提供的技术方案，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以获取全景特征序列，该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，接下来，根据连接时序分类模型以及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，确定目标用户在目标时间区间内的活动标签序列。该用户活动识别方案中，通过时间递归神经网络模型对全景数据序列的各个样本点进行初步分类，获取概率分布，将概率分布作为连接时序分类模型的输入，进行解码运算，获取活动标签序列，实现了序列到序列的用户活动识别。附图说明为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述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申请的一些实施例，对于本领域技术人员来讲，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为本申请实施例提供的用户活动识别方法的全景感知架构示意图。图2为本申请实施例提供的用户活动识别方法的第一种流程示意图。图3为本申请实施例提供的用户活动识别方法的第二种流程示意图。图4为本申请实施例提供的用户活动识别方法中数据处理流程示意图。图5为本申请实施例提供的用户活动识别方法的第三种流程示意图。图6为本专利技术实施例提供的前向后向算法的示意图。图7为本申请实施例提供的用户活动识别装置的结构示意图。图8为本申请实施例提供的电子设备的第一种结构示意图。图9为本申请实施例提供的电子设备的第二种结构示意图。具体实施方式下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本申请的保护范围。在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。参考图1，图1为本申请实施例提供的用户活动识别方法的全景感知架构示意图。所述用户活动识别方法应用于电子设备。所述电子设备中设置有全景感知架构。所述全景感知架构为电子设备中用于实现所述用户活动识别方法的硬件和软件的集成。其中，全景感知架构包括信息感知层、数据处理层、特征抽取层、情景建模层以及智能服务层。信息感知层用于获取电子设备自身的信息或者外部环境中的信息。所述信息感知层可以包括多个传感器。例如，所述信息感知层包括距离传感器、磁场传感器、光线传感器、加速度传感器、指纹传感器、霍尔传感器、位置传感器、陀螺仪、惯性传感器、姿态感应器、气压计、心率传感器等多个传感器。其中，距离传感器可以用于检测电子设备与外部物体之间的距离。磁场传感器可以用于检测电子设备所处环境的磁场信息。光线传感器可以用于检测电子设备所处环境的光线信息。加速度传感器可以用于检测电子设备的加速度数据。指纹传感器可以用于采集用户的指纹信息。霍尔传感器是根据霍尔效应制作的一种磁场传感器，可以用于实现电子设备的自动控制。位置传感器可以用于检测电子设备当前所处的地理位置。陀螺仪可以用于检测电子设备在各个方向上的角速度。惯性传感器可以用于检测电子设备的运动数据。姿态感应器可以用于感应电子设备的姿态信息。气压计可以用于检测电子设备所处环境的气压。心率传感器可以用于检测用户的心率信息。数据处理层用于对信息感知层获取到的数据进行处理。例如，数据处理层可以对信息感知层获取到的数据进行数据清理、数据集成、数据变换、数据归约等处理。其中，数据清理是指对信息感知层获取到的大量数据进行清理，以剔除无效数据和重复数据。数据集成是指将信息感知层获取到的多个单维度数据集成到一个更高或者更抽象的维度，以对多个单维度的数据进行综合处理。数据变换是指对信息感知层获取到的数据进行数据类型的转换或者格式的转换等，以使变换后的数据满足处理的需求。数据归约是指在尽可能保持数据原貌的前提下，最大限度的精简数据量。特征抽取层用于对数据处理层处理后的数据进行特征抽取，以提取所述数据中包括的特征。提取到的特征可以反映出电子设备自身的状态或者用户的状态或者电子设备所处环境的环境状态等。其中，特征抽取层可以通过过滤法、包装法、集成法等方法来提取特征或者对提取到的特征进行处理。过滤法是指对提取到的特征进行过滤，以删除冗余的特征数据。包装法用于对提取到的特征进行筛选。集成法是指将多种特征提取方本文档来自技高网...

【技术保护点】
1.一种用户活动识别方法，其特征在于，包括：/n获取目标用户在目标时间区间内的全景数据序列；/n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；/n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；/n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。/n

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：陈仲铭，何明，
申请(专利权)人：OPPO广东移动通信有限公司，
类型：发明
国别省市：广东;44