【技术实现步骤摘要】
本专利技术属于计算机领域，尤其涉及一种融合m-one编码与深度学习的饮食健康指标预测方法。
技术介绍
1、在现代数据分析与机器学习应用中，特征编码技术对数据建模效果具有重要影响。尤其是在处理缺失数据、分类变量以及复杂特征交互关系时，编码方式的选择直接决定了模型的准确性和鲁棒性。传统的独热(one-hot)编码方法虽然简单有效，但存在局限性：对类别数量较多的特征，会导致编码后的数据维度急剧增加，降低模型效率；无法体现离散特征类别与目标变量之间的关联性；未能捕捉复杂的特征交互关系，从而影响模型的预测性能。
技术实现思路
1、专利技术目的：本专利技术的目的在于提供一种基于m-one编码与麻雀算法优化的卷积神经网络(cnn)和长短期记忆网络(lstm)结合的方法，旨在高效补全用户调味料摄入量数据并精准预测健康指标(如血糖、血压、血脂等)。创新性地将传统one-hot编码扩展为m-one编码，通过二维“影响矩阵”动态捕捉离散特征(如烹饪方式、地域差异、饮食频率)与目标变量的复杂关系，并结合1d-cnn提取数值数据的时序特征。整合后的特征通过lstm进行时间序列建模，以捕捉调味料摄入量随时间变化的规律。在此基础上，采用麻雀算法(ssa)优化cnn卷积层大小、lstm神经元个数及学习率，实现模型性能的全面提升。最终，模型能够补全缺失的调味料数据，并基于补全数据预测用户健康指标，为个性化健康管理提供技术支持。本专利技术在特征表达、数据补全及健康预测方面具有显著优势，为健康数据处理领域提供了一种创新
2、技术方案：本专利技术的一种融合m-one编码与深度学习的饮食健康指标预测方法，包括如下步骤：
3、步骤1：采集目标用户调味料摄入量数据及饮食频率、烹饪方式和地域差异影响因素的数据；
4、步骤2：对采集的数据预处理，补全缺失数据并归一化处理后，对烹饪方式及地域差异离散特征进行多维影响矩阵m-one编码，生成二维影响矩阵，捕捉离散特征与目标变量之间的复杂关系；
5、步骤3：根据输入数据的特性，确定三维数据格式的参数，按时间序列划分，将数值型数据和离散型数据按时间步长划分为连续的时间窗口；
6、步骤4：构建cnn-lstm模型，使用一维卷积神经网络1d-cnn对调味料摄入量和饮食频率数据进行卷积操作，提取时序数据的特征；同时，将二维影响矩阵输入卷积神经网络cnn进行一维卷积神经网络1d-cnn处理，提取离散特征与目标变量之间的交互关系；
7、步骤5：通过麻雀算法优化cnn卷积层大小、两个lstm层的神经元个数和学习率；
8、步骤6：对优化后模型进行训练与评估，并基于模型实现对目标用户饮食健康指标的预测。
9、进一步的，步骤1具体为：采集的数据包括两部分，第一部分为数值特征，包括油使用量、盐使用量、酱油使用量、糖使用量及饮食频率；第二部分为离散特征，包括烹饪方式及地域差异。
10、进一步的，步骤2具体包括如下步骤：
11、步骤2.1：针对调味料摄入量和饮食频率的数值型特征，采用线性插值法对缺失数据进行初步补全，确保补全后的数据保持时间序列的趋势和波动特性，设原始时间序列数据为x＝{x1,x2,…,xn}，缺失数据的处理规则为：
12、如果xt缺失，则其值通过线性插值计算：
13、
14、若数据位于序列的起始或末尾区域，采用最近邻方法填充：
15、
16、其中，t1为非缺失数据点之前的位置，t2为的非缺失数据点之后的位置，xt表示第t时刻的特征值，表示第t1时刻的特征值，表示第t2时刻的特征值；
17、步骤2.2：对补全后的调味料摄入量和饮食频率的数值型特征，执行归一化或标准化操作，使数据在同一尺度上分布，使模型更快收敛并提升预测精度，归一化将数据值压缩到区间[0,1]，公式如下所示：
18、
19、其中，min (x)和max(x)分别为原始数据序列的最小值和最大值，为归一化后的值；
20、标准化将数据调整为均值为0、标准差为1的分布，公式如下：
21、
22、其中，μ为原始数据的均值，σ为原始数据的标准差，xt表示第t时刻的特征值，x't为标准化后的值；
23、步骤2.3：针对离散特征包括烹饪方式和地域差异，采用m-one编码生成二维影响矩阵，该矩阵用于捕捉离散特征与目标变量的交互关系，设离散特征c＝{c1,c2,…,cm}，其中m是类别的索引，cm表示第m个离散特征，目标变量y＝{y1,y2,…,yn}，其中n是目标变量的索引，yn表示第n个目标变量，矩阵m的元素mij表示第i个特征类别与第j个目标变量的关联程度，定义如下：
24、
25、矩阵构造流程为行构造表示每行表示烹饪方式或地域差异的具体类别，列构造表示每列表示目标变量；值赋予是根据数据分布和统计分析结果，判断特征类别对目标变量是否有显著影响，并以二值形式填充矩阵。
26、进一步的，步骤3具体包括如下步骤：
27、步骤3.1：根据输入数据的特性，确定三维数据格式的参数，将整理后的数据转换为cnn-lstm模型的三维数据格式，形状为(样本数,时间步长,特征数)；
28、步骤3.2：数据整理流程，按时间序列划分，将数值型数据xnum和离散型数据xdis按时间步长t＝10划分为连续的时间窗口，数值型数据xnum为调味料摄入量和饮食频率，xnum形状为(1000,5)；离散型数据xdis为m-one编码的二维影响矩阵，xdis形状为(1000,8)，组合数据后划分为nsamples个样本，每个样本包含t天的数据，整体的特征矩阵x＝[xnum,xdis]形状为(1000,13)，对x进行重塑操作，重塑后的特征矩阵xreshaped＝reshape(x[:nsamples×t],(nsamples,t,f))，最终形状为(100,10,13)。
29、进一步的，步骤4具体包括如下步骤：
30、步骤4.1：使用1d卷积神经网络1d-cnn进行特征提取，模型的卷积层设计如下：
31、第一卷积层：卷积核个数设置为16，卷积核大小为1×3；
32、
33、其中，n为输入长度，k为卷积核的大小，s为步长，计算得到卷积层输出的大小，conv1d output size表示卷积层输出的大小；
34、第二卷积层：卷积核个数设置为8，卷积核大小仍为1×3，输出通道为8；
35、relu激活函数：每个卷积层之后应用relu激活函数，公式为：
36、f(x)＝max(0,x)
37、池化层：池化层采用最大池化，池化核大小为1×2，步长为1×2，最大池化公式为：
38、y＝max(x1,x2,…,xk)
39、其中，x1,x2,…,xk为池化区域内的元素，x表示激活函数的本文档来自技高网...
【技术保护点】
1.一种融合M-One编码与深度学习的饮食健康指标预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种融合M-One编码与深度学习的饮食健康指标预测方法，其特征在于，步骤1具体为：采集的数据包括两部分，第一部分为数值特征，包括油使用量、盐使用量、酱油使用量、糖使用量及饮食频率；第二部分为离散特征，包括烹饪方式及地域差异。
3.根据权利要求1所述的一种融合M-One编码与深度学习的饮食健康指标预测方法，其特征在于，步骤2具体包括如下步骤：
4.根据权利要求1所述的一种融合M-One编码与深度学习的饮食健康指标预测方法，其特征在于，步骤3具体包括如下步骤：
5.根据权利要求1所述的一种融合M-One编码与深度学习的饮食健康指标预测方法，其特征在于，步骤4具体包括如下步骤：
6.根据权利要求1所述的一种融合M-One编码与深度学习的饮食健康指标预测方法，其特征在于，步骤5具体包括如下步骤：
7.根据权利要求1所述的一种融合M-One编码与深度学习的饮食健康指标预测方法，其特征在于，步骤6具体为：评估指
8.一种计算机装置，包括存储器、处理器及存储在存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1所述方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1所述方法的步骤。
10.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1所述方法的步骤。
...【技术特征摘要】
1.一种融合m-one编码与深度学习的饮食健康指标预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种融合m-one编码与深度学习的饮食健康指标预测方法，其特征在于，步骤1具体为：采集的数据包括两部分，第一部分为数值特征，包括油使用量、盐使用量、酱油使用量、糖使用量及饮食频率；第二部分为离散特征，包括烹饪方式及地域差异。
3.根据权利要求1所述的一种融合m-one编码与深度学习的饮食健康指标预测方法，其特征在于，步骤2具体包括如下步骤：
4.根据权利要求1所述的一种融合m-one编码与深度学习的饮食健康指标预测方法，其特征在于，步骤3具体包括如下步骤：
5.根据权利要求1所述的一种融合m-one编码与深度学习的饮食健康指标预测方法，其特征在于，步骤4...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。