女性生理周期的预测方法及装置、终端与流程
本发明涉及计算机技术领域，特别涉及一种女性生理周期的预测方法及装置、终端。
背景技术：
女性自身的生理周期对生活和工作的规划和安排有着非常积极和重要的作用和意义。因而，通过提前预测女性生理周期，实现对生活和工作的合理规划。
目前，女性生理周期的预测通常根据历史生理周期的开始日期及结束日期，计算平均生理周期时长。然而，对于生理周期不规律的女性而言，仅仅通过自身的平均生理周期时长进行生理周期的预测将导致生理周期预测的准确性较低。
因此，准确地对女性生理周期进行预测将成为当前所亟待解决的技术问题。
技术实现要素：
为了解决相关技术中对女性生理周期预测的准确率较低的技术问题，本发明提供了一种女性生理周期的预测方法及装置、终端。
第一方面，本发明实施例提供了一种女性生理周期的预测方法，包括：
对目标女性生理周期相关的目标历史特征进行特征类型识别，确定所述目标历史特征的特征类型；
在预置的样本特征模型库中选取与所述特征类型相同的样本特征模型；
将所述目标历史特征在所述样本特征模型中进行迭代运算，得到所述目标历史特征对应的生理周期预测时长。
第二方面，本发明实施例提供了一种女性生理周期的预测装置，包括：
特征类型识别模块，用于对目标女性生理周期相关的个体历史特征进行特征类型识别，获取所述个体历史特征对应的特征类型；
样本特征模型选取模块，用于在预置的样本特征模型库中选取与所述特征类型相同的样本特征模型；
运算模块，用于将所述个体历史特征在所述样本特征模型中进行迭代运算，得到所述个体历史特征对应的生理周期预测时长。
第三方面，本发明实施例还提供了一种终端，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如第一方面所述的方法。
第四方面，本发明实施例还提供了一种存储介质，用于存储程序，该程序在被执行时使得终端执行如第一方面所述的方法。
本发明的实施例提供的技术方案可以包括以下有益效果：
对女性生理周期进行预测时，先对目标女性生理周期相关的目标历史特征进行特征类型识别，确定目标历史特征的特征类型，然后在预置的样本特征模型库中选取与特征类型相同的样本特征模型，进而将目标历史特征在这部分样本特征模型中进行迭代运算得到生理周期预测时长，因而通过综合考虑目标女性自身生理周期相关的目标历史特征及其它大量的样本特征，使计算得到的生理周期预测时长更加准确，大大提高了对女性生理周期预测的准确性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种女性生理周期的预测方法流程图。
图2是根据图1对应实施例示出的另一种女性生理周期的预测方法流程图。
图3是根据图2对应实施例示出的另一种女性生理周期的预测方法流程图。
图4是图2对应实施例示出的女性生理周期的预测方法中步骤s220的一种具体实现流程图。
图5是图4对应实施例示出的女性生理周期的预测方法中步骤s223的一种具体实现流程图。
图6是图4对应实施例示出的女性生理周期的预测方法中步骤s223的另一种具体实现流程图。
图7是图4对应实施例示出的女性生理周期的预测方法中步骤s223的另一种具体实现流程图。
图8是图1对应实施例示出的女性生理周期的预测方法中步骤s130的一种具体实现流程图。
图9是根据一示例性实施例示出的一种女性生理周期的预测装置框图。
图10是根据图9对应实施例示出的另一种女性生理周期的预测装置框图。
图11是根据图10对应实施例示出的另一种女性生理周期的预测装置框图。
图12是图10对应实施例示出的女性生理周期的预测中特征处理模块220的一种框图。
图13是图12对应实施例示出的女性生理周期的预测中特征建模子模块223的一种框图。
图14是图12对应实施例示出的女性生理周期的预测中特征建模子模块223的另一种框图。
图15是图12对应实施例示出的女性生理周期的预测中特征建模子模块223的另一种框图。
图16是图9对应实施例示出的女性生理周期的预测中运算模块130的一种框图。
图17是根据一示例性实施例示出的一种终端的结构框图。
具体实施方式
这里将详细地对示例性实施例执行说明，其示例表示在附图中。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种女性生理周期的预测方法流程图。如图1所示，该女性生理周期的预测方法可以包括以下步骤。
在步骤s110中，对目标女性生理周期相关的目标历史特征进行特征类型识别，确定目标历史特征的特征类型。
女性生理周期，即女性的月经周期。
目标历史特征为目标女性自身相关的身体特征及环境特征等特征。例如，目标历史特征包括历史生理周期的开始、结束日期，年龄，地域，运动量，心情等特征中的一个或多个。
可以理解的是，女性生理周期与女性自身的历史特征存在一定程度的相关性。
对于同一女性而言，由于其不同时期的身体特征或环境特征等特征的不同，其不同时期的生理周期也将存在一定的差别。
特征类型是历史特征的类型。
例如，某一历史特征a中的地域特征为华南地区，因而根据地域特征，该历史特征a对应的特征类型为华南类。
又例如，根据某一历史特征b中的历史生理周期的开始、结束日期，计算历史特征b的生理周期波动率s为15％，而预置的特征类型按照波动率分特征类型t1＝[0，5％)、t2＝[5％，10％)、t3＝[10％，20％)、t4＝[20％，∞)进行对比，确定历史特征b的特征类型为特征类型t3。
在步骤s120中，在预置的样本特征模型库中选取与特征类型相同的样本特征模型。
样本特征模型库是预先准备的。
样本特征模型库中包括多个样本特征模型，而各样本特征模型是对其相应的历史特征建模而得到的。因而，各样本特征模型具有对应的特征类型。
由于与目标历史特征对应的特征类型相同的样本特征模型中，其相应的历史特征与该目标历史特征存在一定的特征相似性。因此，通过在样本特征模型库中选取与目标历史特征的特征类型相同的样本特征模型，进而将该目标历史特征在选取的样本特征模型中进行迭代运算，进一步保证了生理周期预测时长的准确性。
在步骤s130中，将目标历史特征在样本特征模型中进行迭代运算，得到目标历史特征对应的生理周期预测时长。
生理周期预测时长是根据目标历史特征而预测的生理周期时长。通过生理周期预测时长，对下一次生理周期的开始日期进行预测。
将目标历史特征在样本特征模型中进行迭代运算的方法有多种，通过回归(如回归树)、多分类(如决策树、贝叶斯、多分类逻辑回归等)、时间序列(如paa，piece-wiseaverageapproximation)、基于概率转移(如马尔可夫链)、神经网络等方法均可实现个体历史特征在样本特征模型中的迭代运算。
在一具体的示例性实施例中，通过马尔科夫转移矩阵进行迭代运算，根据历史生理周期、年龄、地域、运动量、心情等个体历史特征建立个体马尔科夫转移矩阵，在样本特征模型库中选取特征类型相同的样本特征模型后，将个体马尔科夫转移矩阵与选取的样本特征模型对应的样本马尔科夫转移矩阵进行迭代训练，计算得到个体历史特征对应的生理周期预测时长。
可选的，在进行迭代运算时，为避免过拟合，使用个体历史特征进行迭代训练的次数为m次：m/16<＝m<＝m/8，m为样本特征模型数量。
通过如上所述的方法，根据目标历史特征对应的特征类型，在预置的样本特征模型库中选取特征类型相同的样本特征模型，使样本特征模型相应的历史特征与该目标历史特征存在一定的特征相似性，保证了计算得到的生理周期预测时长的准确性，从而根据目标历史特征即可准确得到生理周期预测时长，实现了简便且准确地对女性生理周期进行预测。
图2是根据一示例性实施例示出的另一种女性生理周期的预测方法流程图。如图2所示，在图1对应实施例中的步骤s120之前，该女性生理周期的预测方法还可以包括以下步骤。
在步骤s210中，通过数据采集获取不同女性各自生理周期相关的历史特征。
如前的，女性的身体特征或所处的环境特征将影响该女性的生理周期。而对于同一女性而言，由于其不同时期的身体特征或环境特征等特征的不同，其不同时期的生理周期也将存在一定的差别。
因此，若仅仅根据女性的历史特征进行生理周期的预测，将严重影响对生理周期预测的准确性。
对于不同的女性，其生理周期相关的历史特征或多或少地存在一定的差异。但通过数据采集获取不同女性各自生理周期相关的历史特征，并根据历史特征中某些特征共性，对历史特征进行特征类型分类，按照某一特征类型的历史特征对目标历史特征进行生理周期进行预测，将大大提高生理周期预测的准确性。
在一具体的示例性实施例中，针对不同女性在终端app(application，应用程序)中的生理周期记录，对其进行数据采集获取不同女性各自生理周期相关的历史特征。
在一具体的示例性实施例中，历史特征包括历史生理周期、年龄、地域、记录特征、运动量、睡眠状况等特征中的一个或多个。其中：
1)历史生理周期：用户的前t次周期的原始值means＝[m1,m2,...,mt]。
2)年龄：用户的实际年龄age。
3)地域：用户的城市编码city。
4)记录特征：记录特征包括心情、习惯、不舒服症状中的一种或多种。
心情：原始特征为每天一个记录emoi＝[1,2,3,4,5]，其中1：伤心、2：不开心、3：一般、4：开心、5：超开心。所构造的心情特征为：rec_emo＝[e1,e2,...,en-2],其中
习惯：原始特征为每天一个记录haoi＝[1,2,3,4,5]，分别代表吃早饭、吃水果等。所构造的习惯特征为：rec_ha＝[ha1,ha2,...,han-1]，其中hai＝count(haoi)-count(haoi-1),count(x)为x中有记录的个数。比如有记录2个习惯，则为2，表示用户的各习惯变化情况。
不舒服症状:原始特征为每天一组记录,一组里面包含人体的头部不舒服特征：[头痛、眩晕、粉刺、呕吐、失眠、贪冷饮]，记为：head＝[h1,h2,...,ha]、腹部sto＝[s1,s2,...,sb]、腰臀wh＝[w1,w1,...,wc]、全身all＝[a1,a2,...,ad]、内部in＝[i1,i2,...,ie]的不舒服记录。所构造的不舒服症状特征为：rec_unhealthy＝[uh1,uh2,...,uhn]，uh1i＝[uh_headi,uh_stoi,uh_whi,uh_alli,uh_ini]，其中,uh_headi＝count(headi),uh_stoi＝count(stoi),uh_whi＝count(whi),uh_all＝count(alli),uh_in＝count(ini),count(x)为x中有记录的个数。
5)运动量：rec_mo＝[mo1,mo2,...,mon-1]，其中moi＝motioni-motioni-1,motioni是是用户量(如步数)。
6)睡眠状况：rec_slp＝[slp1,slp2,...,slpn-1]，其中slpi＝sleepi-sleepi-1,sleepi是用户睡眠时间。
例如，历史特征feature＝[means,age,city,rec_emo，rec_ha,rec_unhealthy,rec_mo,rec_slp]；又例如，历史特征feature＝[means,age,city]；
在步骤s220中，对历史特征进行特征处理，得到历史特征对应的特征类型及特征模型。
特征处理是对历史特征进行特征类型分类或特征建模等处理。
通过特征处理，将具有预定特征相似性的历史特征分为同一特征类型。从而在对个体历史特征的生理周期进行预测时，选取与个体特征相似程度较高的历史特征对应的样本特征模型为基准，保证了生理周期预测时长的准确性。
可以理解的是，各历史特征只是一系列数据，在进行生理周期的预测时，需预先对特征数据进行特征建模处理，根据得到的特征模型进行生理周期的预测计算。
对历史特征进行特征处理得到历史特征对应的特征类型时，可以是根据历史特征中的某一个特征对历史特征进行分类；也可以是根据综合的某几个特征对历史特征进行分类；还可以是通过其它的方式对历史特征进行分类得到历史特征对应的特征类型。
在步骤s230中，将特征模型作为样本特征模型，通过各历史特征对应的样本特征模型和类型形成样本特征模型库。
样本特征模型库是进行生理周期预测时作为参考的特征模型库。
在对各历史特征对应的特征模型和特征类型后，将特征模型与特征类型进行对应存储，进而形成样本特征模型库。在进行生理周期的预测时，为实现生理周期预测时长的计算提供参考。
利用如上所述的方法，通过数据采集获取不同女性各自生理周期相关的历史特征，并进行特征处理，得到各历史特征对应的特征类型及特征模型，进而将特征模型与特征类型进行对应存储形成样本特征模型库，为实现生理周期预测时长的计算提供参考。
图3是根据一示例性实施例示出的另一种女性生理周期的预测方法流程图。如图3所示，在图2对应实施例中的步骤s220之前，该女性生理周期的预测方法还可以包括以下步骤。
在步骤s310中，获取各历史特征中的生理周期时长；
生理周期时长是一个生理周期的时间长度。例如，某一女性相邻两次生理周期a、b的开始日期分别为5月1日、5月31日，则该女性的生理周期a的生理周期时长为30天。
在历史特征包括各次的生理周期时长时，直接获取各次生理周期时长；在历史特征包括各次的生理周期开始日期时，则根据相邻两次生理周期的开始日期计算每一次的生理周期时长。
在步骤s320中，根据生理周期时长对历史特征进行异常排除。
异常排除是将历史特征中明显异常的历史特征进行排除。
可以理解的是，由于身体或环境等原因，导致某一次生理周期出现明显异常时，该次明显异常的生理周期将对生理周期的预测不具有参考意义。
因此，通过预设生理周期标准，对历史特征进行异常排除。
异常排除的方式有多种，可以预设一个生理周期时长阈值，将生理周期时长小于该生理周期时长阈值的历史特征排除；也可以预设一个生理周期时长增幅阈值，将相比上一次生理周期时长，增幅的绝对值大于该生理周期时长增幅阈值的历史特征排除；还可以通过其他的方式对历史特征进行异常排除。
例如，生理周期时长阈值设置为15天，当某次生理周期时长为14天时，将该次生理周期对应的历史特征进行排除；又例如，生理周期时长阈值设置为平均生理周期时长的2倍，某一女性的平均生理周期时长为28天，当某次生理周期时长为60天时，则将该次生理周期对应的历史特征进行排除。
利用如上所述的方法，针对不同女性各自生理周期相关的历史特征，通过生理周期时长对历史特征进行异常排除，避免样本特征模型库中数据出现异常，提高了基于样本特征模型库而得到的生理周期预测时长的准确性。
图4是根据一示例性实施例示出的对步骤s220进一步的细节的描述。如图4所示，历史特征包括历史生理周期时长，该步骤s220可以包括以下步骤。
在步骤s221中，根据历史生理周期时长，计算各历史特征对应的生理周期波动率。
历史生理周期时长是历史各次生理周期的时间长短。而每次生理周期时长即为相邻两次生理周期开始日期之间的时间间隔。
可以理解是，对于某一女性，其各次生理周期的时间长短并非完全一致的。由于身体特征或环境特征等因素的变化，其生理周期的时间长短也将随之改变。即，生理周期时长是与生理周期期间的历史特征相关的。
其历史特征中的某一个或多个特征的改变，例如，对于某一女性a的生理周期1，其时长为28天，但生理周期2期间，其心情特别不好，导致生理周期2的时长改变为30天。
生理周期波动率是生理周期波动幅度大小。
针对某一女性的历史特征，可以通过对比每两个相邻生理周期的时长，计算得到生理周期波动率；也可以针对该女性所有的生理周期，预先计算平均生理周期时长，对比每个生理周期时长与平均生理周期时长之间的波动幅度，进而根，即为生理周期波动率；也可以针对该女性所有的生理周期，综合比较得到生理周期波动率；还可以通过其他的方式计算得到生理周期波动率，在此不进行限定。
在一具体的示例性实施例中，针对女性f1，根据其历史特征，其生理周期时长依次为30、28、32、30、30，通过对比每两个相邻的生理周期时长，计算得到的波动率依次为6.7％、14.3％、6.3％、0，则该女性f1的历史特征对应的生理周期波动率为这4个波动率的平均值，即为6.8％。
在另一具体的示例性实施例中，针对女性f2，根据其历史特征，其生理周期时长依次为30、28、32、30、30，通过预先计算平均生理周期时长为30，对比得到每个生理周期时长与平均生理周期时长之间的波动幅度分别为：0、6.7％、6.7％、0、0，计算这5个波动幅度的平均值得到的生理周期波动率为1.3％。
在又一具体的示例性实施例中，针对女性f3，根据其历史生理周期时长，综合计算其生理周期波动率。其生理周期波动率cv的计算公式如下：
cv＝sd/u*100％，其中：
例如，女性a按照生理周期的时间顺序，其5个生理周期的时长依次为：28、30、32、31、29。则u＝30，
在步骤s222中，针对每一生理周期波动率，通过将生理周期波动率与预定的生理周期波动参考值进行对比，确定历史特征所属的特征类型。
生理周期波动参考值是预先设定的。按照预定的生理周期波动参考值，基于各女性的历史特征对应生理周期波动率，对历史特征进行特征类型的分类。
例如，预定的生理周期波动参考值为数值区间[0,0.1)、[0.1,0.2)、[0.2,0.3)、[0.3,0.4)、[0.4,inf)，其对应的特征类型分别为a1、a2、a3、a4、a5。当某一历史特征对应的生理周期波动率为4.7％时，则其对应的特征类型为a1。
在步骤s223中，针对每一个特征类型，对所属特征类型的历史特征进行特征建模。
特征建模是按照相应的算法为历史特征建立相应的模型。
通过建立相应的特征模型，使对目标历史特征预测得到的生理周期预测时长更加便利及准确。
利用如上所述的方法，通过历史特征对应的生理周期波动率对各历史特征进行特征类型的分类，在后续对目标历史特征进行生理周期的预测时，根据生理周期波动率在样本特征模型库中选取样本特征模型，使选取的样本特征模型的生理周期波动率与目标历史特征的生理周期波动率趋于一致，从而提高了生理周期预测时长计算的准确性。
图5是根据一示例性实施例示出的对步骤s223进一步的细节的描述。如图5所示，该步骤s223可以包括以下步骤。
在步骤s2231中，针对每一个特征类型，根据所属特征类型的每一个历史特征建立转移矩阵。
转移矩阵是一种由转移概率组成的矩阵。也就是说构成转移矩阵的元素是一个个的转移概率。
转移矩阵的各元素都是非负的，并且各行元素之和等于1，各元素用概率表示，在一定条件下是互相转移的，故称为转移矩阵。
对于一个历史特征a，该历史特征a包括n个生理周期，通过对第1至第t-1次生理周期的历史特征，对第t次生理周期的时长进行预测，得到生理周期预测时长，进而与实际的第t次生理周期的时长进行对比，通过将t＝2……n，得到历史特征a的准确率，即周期转移矩阵中历史特征a对应的转移概率。
在步骤s2232中，将转移矩阵确定为历史特征对应的特征模型。
利用如上所述的方法，针对每一个特征类型，根据所属特征类型的历史特征建立转移矩阵，得到对应的特征模型，进而根据特征模型对目标历史特征进行生理周期的预测，通过建立特征模型进行生理周期的预测，使计算更加简便及准确。
图6是根据一示例性实施例示出的对步骤s223进一步的细节的描述。如图6所示，该步骤s223还可以包括以下步骤。
在步骤s2234中，针对每一个特征类型，根据所属特征类型的历史特征建立周期转移矩阵。
如前所述的，每一个历史特征从属于一个特征类型。因而，对于一个特征类型，可能存在一个或多个历史特征。
针对每一个特征类型，将该特征类型下的所有历史特征作为一个整体，建立周期转移矩阵。
周期转移矩阵是一种转移矩阵。也就是说构成周期转移矩阵的元素是一个个的转移概率。只是周期转移矩阵是根据特征类型中的所有历史特征的转移矩阵而构建的。
在一具体的示例性实施例中，周期转移矩阵为马尔科夫矩阵。
在步骤s2235中，将周期转移矩阵确定为特征类型对应的特征模型。
利用如上所述的方法，根据所属特征类型的历史特征建立周期转移矩阵，得到特征类型对应的特征模型，进而根据对应的特征类型中的特征模型对目标历史特征进行生理周期的预测，进一步提高了计算的简便性。
可选的，在一示例性实施例中，图6中对应实施例中的步骤s2235之后，该女性生理周期的预测方法还可以包括以下步骤：
根据历史特征的更新对转移矩阵进行迭代更新。
可以理解的是，随着时间的推移，历史特征中的数据是不断更新的。
例如，经过一个新的生理周期后，女性a将根据新的生理周期对其历史特征进行更新；又例如，女性a后续发现以前记录的历史特征有误而对其进行修订。
因此，在历史特征中的数据更新后，对相应的转移矩阵进行迭代更新，保证转移矩阵的准确性。
迭代更新是根据数据更新后的历史特征，重新计算转移矩阵的元素。
根据历史特征的更新对转移矩阵进行迭代更新时，可以是按照预设的时间间隔，根据历史特征的更新对转移矩阵进行迭代更新；也可以是对历史特征的更新进行监控，在监控到历史特征更新后，根据历史特征的更新对转移矩阵进行迭代更新；还可以是按照其他的方式根据历史特征的更新对转移矩阵进行迭代更新。
可选的，在根据历史特征的更新对转移矩阵进行迭代更新时，对并未更新的历史特征对应的转移矩阵并不进行更新，从而大大减小了对转移矩阵进行迭代更新的计算量，提高了对转移矩阵进行迭代更新的速度。
可选的，图7是根据一示例性实施例示出的对图4对应实施例中的步骤s223进一步的细节的描述。如图7所示，该步骤s223可以包括以下步骤。
在步骤s2237中，根据历史特征计算各历史特征对应的生理周期次数。
生理周期次数是在数据采集到的历史特征中生理周期的记录次数。
可以理解的是，历史特征中的生理周期次数越多，该历史特征对应的样本特征模型的预测准确率就越高。
在一具体的示例性实施例中，根据历史特征中的生理周期开始时间及结束时间，获取历史特征中的生理周期次数。
在步骤s2238中，按照生理周期次数对历史特征进行周期建模，得到各生理周期次数对应的周期特征模型。
周期建模是以生理周期次数为基准，将生理周期次数相同的历史特征作为一个整体进行建模。
在一具体的示例性实施例中，如历史特征的生理周期次数为11，即生理周期m＝[m1,m2,...,m10,m11]，假设使用特征个数为8的回归树模型，则至少可以得到3个周期特征模型<mi,yi>：<m1＝[m1,m2,...,m8],y1＝m9>、<m2＝[m2,m3,...,m9],y2＝m10>、<m3＝[m3,m4,...,m10],y3＝m11>。
通过实际的数据表明，现有预测技术主要是取固定值/平均值/简单公式变形进行预测，由于无法捕捉生理周期周期性的波动，其准确率往往很低，约8％～10％。历史特征中只存在生理周期的开始时间及结束时间时，基于百万级的样本特征模型，根据5个生理周期进行数据模型融合，其预测的准确度达到15％～18％；历史特征中还包括与生理周期相关的其他特征，如依重要性程度依次为：年龄、睡眠时间、运动量、痛经程度、流量等特征时，对生理周期预测的准确率达到17％～19％。历史特征中只存在生理周期的开始时间及结束时间，当历史特征中的生理周期次数达到10次以上时，基于六十多万样本特征模型预测的准确率达到22％～25％；而历史特征中还包括与生理周期相关的其他特征时的预测准确率达到26％～30％。
利用如上所述的方法，按照历史特征中的生理周期次数对历史特征进行周期建模，得到历史特征对应的周期特征模型，进而基于周期特征模型对目标历史特征进行生理周期预测时长的计算，由于对历史特征进行生理周期预测的准确率与历史特征中的生理周期次数相关，因而通过基于与生理周期次数的周期特征模型对目标历史特征进行生理周期的预测，提高了生理周期预测时长计算的准确性。
可选的，在一示例性实施例中，图7中对应实施例中的步骤s2238之后，该女性生理周期的预测方法还可以包括以下步骤：
针对每一个生理周期次数，对生理周期次数对应的周期特征模型进行准确率的统计。
如前的，针对每一女性的历史特征，计算得到相应的准确率。而与生理周期次数对应的周期特征模型中，每一个生理周期次数对应的周期特征模型存在一个或多个女性的历史特征。
因而，针对每一个生理周期次数对应的周期特征模型，对该周期特征模型进行准确率的统计。
对生理周期次数对应的周期特征模型进行准确率的统计时，可以根据该生理周期次数下所有历史特征的准确率求平均值，将该平均值作为该生理周期次数对应的周期特征模型的准确率；也可以是在该生理周期次数下所有历史特征的准确率中，删除准确率最大和最小的一部分准确率，再进行准确率的平均，将得到的平均值作为该生理周期次数对应的周期特征模型的准确率；也可以提取该生理周期次数下所有历史特征的准确率中最小的准确率，将该最小的准确率作为该生理周期次数对应的周期特征模型的准确率；还可以通过其它的方式对生理周期次数对应的周期特征模型进行准确率的统计。
利用如上所述的方法，按照历史特征中的生理周期次数对历史特征进行周期建模，得到历史特征对应的周期特征模型，并计算各不同生理周期次数的周期特征模型的准确率，进行生理周期的预测，由于对历史特征进行生理周期预测的准确率与历史特征中的生理周期次数相关，因而通过基于与生理周期次数的周期特征模型对目标历史特征进行生理周期的预测，提高了生理周期预测时长计算的准确性。
可选的，图8是根据一示例性实施例示出的对图1中对应实施例示出的步骤s130进一步的细节的描述。如图8所所示，样本特征模型按照生理周期次数分为多个周期特征模型，每个周期特征模型具有相应的准确率，该步骤s130可以包括以下步骤。
在步骤s131中，根据目标历史特征的生理周期次数，从样本特征模型中选取匹配的周期特征模型。
从样本特征模型中选取匹配的周期特征模型时，可以是选取生理周期次数等于该目标历史特征的生理周期次数对应的周期特征模型，也可以是选取生理周期次数大于该目标历史特征的生理周期次数对应的周期特征模型。
例如，目标历史特征中的生理周期次数为8，而样本特征模型库中的周期特征模型按照生理周期次数分为周期特征模型
又例如，目标历史特征中的生理周期次数为8，而样本特征模型库中的周期特征模型按照生理周期次数分为周期特征模型
在步骤s132中，针对生理周期次数匹配的每一个周期特征模型，将目标历史特征与周期特征模型进行迭代运算，得到目标历史特征在周期特征模型下对应的生理周期预测时长。
通过将目标历史特征与生理周期次数匹配的各周期特征模型分别进行迭代运算，得到目标历史特征在各周期特征模型下对应的生理周期预测时长。
例如，目标历史特征中的生理周期次数为8，而样本特征模型库中的周期特征模型按照生理周期次数分为周期特征模型
在步骤s133中，根据生理周期预测时长及对应的周期特征模型的准确率，计算个体历史特征对应的生理周期预测时长。
在一具体的示例性实施例中，与目标历史特征中的生理周期次数匹配的样本特征基础模型分别为
利用如上所述的方法，通过历史特征中的生理周期次数在周期特征模型中选取匹配的周期特征模型，进而基于周期特征模型分别对目标历史特征进行生理周期预测时长的计算，得到目标历史特征在并根据各周期特征模型的准确率，得到最终的生理周期预测时长，保证了生理周期预测时长计算的准确性。
下述为本发明装置实施例，可以用于执行上述女性生理周期的预测方法实施例。对于本发明装置实施例中未披露的细节，请参照本发明女性生理周期的预测方法实施例。
图9是根据一示例性实施例示出的一种女性生理周期的预测装置框图，该装置包括但不限于：特征类型识别模块110、样本特征模型选取模块120及运算模块130。
特征类型识别模块110，用于对目标女性生理周期相关的个体历史特征进行特征类型识别，获取个体历史特征对应的特征类型；
样本特征模型选取模块120，用于在预置的样本特征模型库中选取与特征类型相同的样本特征模型；
运算模块130，用于将个体历史特征在样本特征模型中进行迭代运算，得到个体历史特征对应的生理周期预测时长。
上述装置中各个模块的功能和作用的实现过程具体详见上述女性生理周期的预测方法中对应步骤的实现过程，在此不再赘述。
图10是根据图9对应实施例示出的一种女性生理周期的预测装置框图，该装置还包括但不限于：历史特征获取模块210、特征处理模块220及模型库形成模块230。
历史特征获取模块210，用于通过数据采集获取不同女性各自生理周期相关的历史特征；
特征处理模块220，用于对历史特征进行特征处理，得到历史特征对应的特征类型及特征模型；
模型库形成模块230，用于将特征模型作为样本特征模型，通过各历史特征对应的样本特征模型和类型形成样本特征模型库。
图11是根据图10对应实施例示出的一种女性生理周期的预测装置框图，该装置还包括但不限于：生理周期时长获取模块310及异常排除模块320。
生理周期时长获取模块310，用于获取各历史特征中的生理周期时长；
异常排除模块320，用于根据生理周期时长对历史特征进行异常排除。
可选的，如图12所示，图10中的特征处理模块220包括但不限于：波动率计算子模块221、特征类型确定子模块222和特征建模子模块223。
波动率计算子模块221，用于根据历史生理周期时长，计算各女性的历史特征对应的生理周期波动率；
特征类型确定子模块222，用于针对每一生理周期波动率，通过将生理周期波动率与预定的生理周期波动参考值进行对比，确定历史特征所属的特征类型；
特征建模子模块223，用于针对每一个特征类型，对所属特征类型的历史特征进行特征建模。
可选的，如图13所示，图12中的特征建模子模块223包括但不限于：转移矩阵建立单元2231和历史特征模型确定单元2232。
转移矩阵建立单元2231，用于针对每一个特征类型，根据所属特征类型的每一个历史特征建立转移矩阵；
历史特征模型确定单元2232，用于将转移矩阵确定为历史特征对应的特征模型。
可选的，图12中的特征建模子模块223还包括但不限于：迭代更新单元。
迭代更新单元，用于根据历史特征的更新对转移矩阵进行迭代更新。
可选的，如图14所示，图12中的特征建模子模块223包括但不限于：周期转移矩阵建立单元2234和周期特征模型确定单元2235。
周期转移矩阵建立单元2234，用于针对每一个特征类型，根据所属特征类型的历史特征建立周期转移矩阵；
周期特征模型确定单元2235，用于将周期转移矩阵确定为特征类型对应的特征模型。
可选的，如图15所示，图12中的特征建模子模块223还包括但不限于：周期次数计算单元2237和周期建模单元2238。
周期次数计算单元2237，用于根据历史特征计算各历史特征对应的生理周期次数；
周期建模单元2238，用于按照生理周期次数对历史特征进行周期建模，得到各生理周期次数对应的周期特征模型。
可选的，图12中的特征建模子模块223还包括但不限于：迭代更新单元。
模型准确率统计单元，用于针对每一个生理周期次数，对生理周期次数对应的周期特征模型进行准确率的统计。
可选的，如图16所示，样本特征模型按照生理周期次数分为多个周期特征模型，每个周期特征具有相应的准确率，图9中的运算模块130还包括但不限于：周期特征模型选取子模块131、代运算子模块132和预测时长计算子模块133。
周期特征模型选取子模块131，用于根据目标历史特征的生理周期次数，从样本特征模型中选取匹配的周期特征模型；
迭代运算子模块132，用于针对生理周期次数匹配的每一个周期特征模型，将目标历史特征与周期特征模型进行迭代运算，得到目标历史特征在周期特征模型下对应的生理周期预测时长；
预测时长计算子模块133，用于根据生理周期预测时长及对应的周期特征模型的准确率，计算目标历史特征对应的生理周期预测时长。
图17是根据一示例性实施例示出的一种终端100的框图。参考图17，终端100可以包括以下一个或者多个组件：处理组件101，存储器102，电源组件103，多媒体组件104，音频组件105，传感器组件107以及通信组件108。其中，上述组件并不全是必须的，终端100可以根据自身功能需求增加其他组件或减少某些组件，本实施例不作限定。
处理组件101通常控制终端100的整体操作，诸如与显示，电话呼叫，数据通信，相机操作以及记录操作相关联的操作等。处理组件101可以包括一个或多个处理器109来执行指令，以完成上述操作的全部或部分步骤。此外，处理组件101可以包括一个或多个模块，便于处理组件101和其他组件之间的交互。例如，处理组件101可以包括多媒体模块，以方便多媒体组件104和处理组件101之间的交互。
存储器102被配置为存储各种类型的数据以支持在终端100的操作。这些数据的示例包括用于在终端100上操作的任何应用程序或方法的指令。存储器102可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如sram(staticrandomaccessmemory，静态随机存取存储器)，eeprom(electricallyerasableprogrammableread-onlymemory，电可擦除可编程只读存储器)，eprom(erasableprogrammablereadonlymemory，可擦除可编程只读存储器)，prom(programmableread-onlymemory，可编程只读存储器)，rom(read-onlymemory，只读存储器)，磁存储器，快闪存储器，磁盘或光盘。存储器102中还存储有一个或多个模块，该一个或多个模块被配置成由该一个或多个处理器109执行，以完成图1、图2、图3、图4和图5任一所示方法中的全部或者部分步骤。
电源组件103为终端100的各种组件提供电力。电源组件103可以包括电源管理系统，一个或多个电源，及其他与为终端100生成、管理和分配电力相关联的组件。
多媒体组件104包括在所述终端100和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括lcd(liquidcrystaldisplay，液晶显示器)和tp(touchpanel，触摸面板)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。
音频组件105被配置为输出和/或输入音频信号。例如，音频组件105包括一个麦克风，当终端100处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器102或经由通信组件108发送。在一些实施例中，音频组件105还包括一个扬声器，用于输出音频信号。
传感器组件107包括一个或多个传感器，用于为终端100提供各个方面的状态评估。例如，传感器组件107可以检测到终端100的打开/关闭状态，组件的相对定位，传感器组件107还可以检测终端100或终端100一个组件的位置改变以及终端100的温度变化。在一些实施例中，该传感器组件107还可以包括磁传感器，压力传感器或温度传感器。
通信组件108被配置为便于终端100和其他设备之间有线或无线方式的通信。终端100可以接入基于通信标准的无线网络，如wifi(wireless-fidelity，无线网络)，2g或3g，或它们的组合。在一个示例性实施例中，通信组件108经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件108还包括nfc(nearfieldcommunication，近场通信)模块，以促进短程通信。例如，在nfc模块可基于rfid(radiofrequencyidentification，射频识别)技术，irda(infrareddataassociation，红外数据协会)技术，uwb(ultra-wideband，超宽带)技术，bt(bluetooth，蓝牙)技术和其他技术来实现。
在示例性实施例中，终端100可以被一个或多个asic(applicationspecificintegratedcircuit，应用专用集成电路)、dsp(digitalsignalprocessing，数字信号处理器)、pld(programmablelogicdevice，可编程逻辑器件)、fpga(field－programmablegatearray，现场可编程门阵列)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
该实施例中的终端的处理器执行操作的具体方式已经在有关该女性生理周期的预测方法的实施例中执行了详细描述，此处将不再做详细阐述说明。
可选的，本发明还提供一种终端，执行图1、图2、图3、图4和图5任一所示的女性生理周期的预测方法的全部或者部分步骤。所述终端包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述实施例中任一项所述的女性生理周期的预测方法。
该实施例中的终端的处理器执行操作的具体方式已经在有关该女性生理周期的预测方法的实施例中执行了详细描述，此处将不做详细阐述说明。
在示例性实施例中，还提供了一种存储介质，该存储介质为计算机可读存储介质，例如可以为包括指令的临时性和非临时性计算机可读存储介质。该存储介质例如包括指令的存储器102，上述指令可由终端100的处理器109执行以完成上述女性生理周期的预测方法。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，本领域技术人员可以在不脱离其范围执行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
- 还没有人留言评论。精彩留言会获得点赞！