本发明属于数据处理技术领域，尤其涉及用户行为提示生成方法及终端设备。
背景技术
市面上传统的生活助手类的应用程序，都是只能根据用户自行设定的提醒规则，在特定的时间点对用户进行行为提示，如早上9点提示用户进行锻炼，晚上10点提示用户睡觉等。然而，这些现有的这些生活助手类的应用程序都是极其被动的跟随用户的设定或者用户状态触发提示，而无法根据用户的实际情况来主动为用户发出提示或建议。因此，现有技术中的生活助手类的应用程序智能化程度较为低下，无法根据用户的实际情况智能化地为用户生活作息提供行为提示建议。
技术实现要素：
有鉴于此，本发明实施例提供了一种用户行为提示生成方法及终端设备，以解决现有技术中应用程序智能化程度低下，无法根据用户的实际情况智能化地为用户生活作息提供行为提示建议的问题。
本发明实施例的第一方面提供了一种用户行为提示生成方法，包括：
获取用户在第一预设时间段内的作息行为计划，所述作息行为计划中存储有所述用户在所述第一预设时间段的目标完成行为，以及每个所述目标完成行为在所述第一预设时间段内的目标完成时间；
从所述用户的历史行为数据中筛选出所述目标完成行为对应的目标行为历史数据，并对所述目标行为历史数据进行深度学习，得到所述第一预设时间段内，与每个所述目标完成行为一一对应的行为预测数据，所述行为预测数据中包含所述目标完成行为的预测完成时间；
根据每个所述目标完成行为对应的所述预测完成时间中，与其对应的所述目标完成时间存在差异的时间点，生成错误行为警告。
本发明实施例的第二方面提供了一种用户行为提示生成终端设备，所述用户行为提示生成终端设备包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如下步骤。
获取用户在第一预设时间段内的作息行为计划，所述作息行为计划中存储有所述用户在所述第一预设时间段的目标完成行为，以及每个所述目标完成行为在所述第一预设时间段内的目标完成时间；
从所述用户的历史行为数据中筛选出所述目标完成行为对应的目标行为历史数据，并对所述目标行为历史数据进行深度学习，得到所述第一预设时间段内，与每个所述目标完成行为一一对应的行为预测数据，所述行为预测数据中包含所述目标完成行为的预测完成时间；
根据每个所述目标完成行为对应的所述预测完成时间中，与其对应的所述目标完成时间存在差异的时间点，生成错误行为警告。
本发明实施例的第三方面提供了一种计算机可读存储介质，包括：存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上所述的用户行为提示生成方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：考虑到用户虽然会有自己的作息行为计划，但实际情况中往往难以有效的执行这些计划，并且，由于用户本身作息行为习惯的问题，实际情况经常会存在作息行为习惯与作息行为计划相冲突的地方，如用户现在作息行为习惯是每天晚上10点吃晚饭，但计划希望每天下午6点准时吃饭准时，此时虽然有了计划，但由于用户习惯了10点吃饭，即使6点提醒了用户吃饭，到10点其仍会想吃东西，此时就极有可能破坏制定的计划。
因此，为了实现根据用户的实际情况进行智能化的提示，以保证作息行为计划的正常执行，本发明实施例会根据用户实际历史的行为数据来预测用户在作息计划期间可能的行为，并对预测行为完成时间对与作息行为计划不同的时间点，生成对应的行为错误警告的提示，告知用户此时不能进行冲突的行为，如上述的计划是晚上6点吃晚饭，但预测晚上10点用户仍可能会吃东西，此时需要在晚上10点警告用户不能吃东西，以保证作息行为计划的正常执行。相对现有技术中仅能根据用户设定的时间点来进行特定事件的行为提示，本发明实施例中还能根据用户实际的生活习惯，来预测用户的行为，并在不应当进行某项行为时及时发出相应的警告提示，从而实现了根据用户的实际情况智能化地为用户生活作息提供行为建议的目的，极大地提升了应用程序的智能化程度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的用户行为提示生成方法的实现流程示意图；
图2是本发明实施例二提供的用户行为提示生成方法的实现流程示意图；
图3是本发明实施例三提供的用户行为提示生成方法的实现流程示意图；
图4是本发明实施例四提供的用户行为提示生成装置的结构示意图；
图5是本发明实施例五提供的用户行为提示生成终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
图1示出了本发明实施例一提供的用户行为提示生成方法的实现流程图，详述如下：
s101，获取用户在第一预设时间段内的作息行为计划，作息行为计划中存储有用户在第一预设时间段的目标完成行为，以及每个目标完成行为在第一预设时间段内的目标完成时间。
其中，作息行为计划是指用户在未来的一段时间内，计划完成的一些行为，包括但不限于如运动计划、饮食计划和作息计划等，如计划在未来的一个月内，每天早上8点开始跑步半小时，每天晚上11点睡觉，每天7：30、12：00以及17：30准时吃饭等。该作息行为计划既可以是用户自行设置并输入的，也可以是根据用户的身体状况的一些数据进行分析后自动生成的，此处不予限定，具体可由实际应用情况决定。在本发明实施例中，预设时间段是指在当前时间之后的未来的一段时间，如未来一个月，具体需由用户或技术人员根据实际需求选取。
s102，从用户的历史行为数据中筛选出目标完成行为对应的目标行为历史数据，并对目标行为历史数据进行深度学习，得到第一预设时间段内，与每个目标完成行为一一对应的行为预测数据，行为预测数据中包含目标完成行为的预测完成时间。
其中目标行为历史数据，是指用户在当前时间之前对这些目标完成行为的完成情况历史数据，如历史数据中用户是每天什么时间点起床、跑步以及睡觉的。其数据来源既可以是用户自行输入的，或者是从其他数据来源获取的，如可以是利用可穿戴设备等，对用户日常生活行为进行采集记录的。由于目标行为历史数据是用于对用户行为的预测，但考虑到过久的数据对用户预测的实际意义较小，甚至可能会反过来影响对用户行为预测的准确性，因此，本发明实施例中的目标行为历史数据，是指当前时间前的某一段时间，其具体的时间段选取可有技术人员根据实际情况设定。
一个作息行为计划中可能包含一种或多种行为计划，如可能同时包含跑步计划，早餐计划和睡觉计划等，这些行为计划对应着不同的目标完成行为。由于实际情况中，这些目标完成行为在用户生活中的规律性较强，如每天吃早餐的时间和睡觉的时间，每周跑步的时间等，规律性均较强，因此，理论上是可以利用用户行为历史数据来完成对这些目标完成行为的分析预测的，以实现预知用户在未来时间内完成这些目标完成行为的时间等数据。同时，考虑到这些目标完成行为之间独立性较强，因此，优选地，以每个具体的行为为单位来进行预测，可以实现对用户未来一段时间各个目标完成行为完成时间的独立准确预测。
因此，为了为用户提供更加个性化智能化的行为提示，本发明实施例中会基于用户的行为历史数据来作为训练样本，构建对用户目标完成行为的预测模型，以实现对用户在未来一段时间内目标完成行为的预测，为后续智能化的提示奠定基础。其中，具体的深度学习预测模型构建的方法，既可以选用已有的一些网络模型来完成。
s103，根据每个目标完成行为对应的预测完成时间中，与其对应的目标完成时间存在差异的时间点，生成错误行为警告。
其中，错误行为警告用于提示用户，在该时间点不应当进行何种活动，以使得用户能够有效地执行作息行为计划，杜绝与作息行为计划不和的一些生活行为。由于作息行为计划仅仅是一项计划，实际情况中难以确定用户是否能及时有效地完成这个计划，但可以确定的是，无论作息计划如何，用户的历史作息行为习惯都难以及时发生变化，如用户习惯用户现在作息行为习惯是每天晚上10点吃晚饭，但计划希望每天下午6点准时吃饭准时，此时虽然有了计划，但由于用户习惯了10点吃饭，即使6点提醒了用户吃饭，到10点其仍会想吃东西。因此，若直接只是根据作息行为计划进行行为事件提示，如在下午6点提示用户吃饭，但到了原作息行为事件时，如上述的晚上10点时，用户仍可能继续历史的行为习惯，特别是对一些本身自制能力较弱的用户，更是不理。
因此，为了实现对用户个性化智能化的提示，以提升对用户生活作息提示建议的有效性，本发明实施例中会基于用户行为历史数据来识别预测用户在未来一段时间内执行目标完成行为的时间，同时将其与作息行为计划中设定的目标完成行为的目标完成时间进行对比，若存在差异，说明根据用户习惯，有一个不应当进行目标完成行为的时间点，是用户进行目标完成行为的习惯时间点，但此时用户不应当进行目标完成行为，这会对正常的作息行为计划造成极大影响，例如，发现根据预测用户在每天晚上10点会吃晚饭，但根据作息行为计划，应该是6点钟吃晚饭的，因此，即使是6点钟已经提示过了用户应当吃晚饭，为了防止用户在10点钟由于习惯继续吃东西，本发明实施例也会在每天晚上10点生成对应的错误行为警告，告知用户晚上10点不能吃东西。
为了实现根据用户的实际情况进行智能化的提示，以保证作息行为计划的正常执行，本发明实施例会根据用户实际历史的行为数据来预测用户在作息计划期间可能的行为，并对预测行为完成时间对与作息行为计划不同的时间点，生成对应的行为错误警告的提示，告知用户此时不能进行冲突的行为，以保证作息行为计划的正常执行。相对现有技术中仅能根据用户设定的时间点来进行特定事件的行为提示，本发明实施例中还能根据用户实际的生活习惯，来预测用户的行为，并在不应当进行某项行为时及时发出相应的警告提示，从而实现了根据用户的实际情况智能化地为用户生活作息提供行为建议的目的，极大地提升了应用程序的智能化程度。
作为本发明实施例二，如图2所示，获取用户在第一预设时间段内的作息行为计划，包括：
s201，获取用户的个人信息、第一预设时间段的天气预报数据以及用户输入作息行为计划。
其中，个人信息包括但不限于用户的性别、年龄、体重、现居地、出生地、偏好以及爱好的运动等。天气预报数据是指未来的第一预设时间段内每天的天气如何。
s202，基于个人信息以及天气预报数据，计算作息行为计划中包含的目标完成行为的可执行概率，并对可执行概率低于概率阈值的目标完成行为的目标完成时间进行调整。
其中，可执行概率，是指作息行为在未来的一段时间内可以执行的可能性概率。作息行为计划中包含着用户在未来一段时间内希望完成的一些行为计划，但实际情况中，由于用户个人身体情况的差异以及天气情况的不同，并不是所有行为都适合用户做的，如用户设置了未来一个月每天8点跑步，但天气预报数据显示未来一周内天天要下大雨，因此未来一周用户内并不适合跑步，此时跑步的可执行概率就较低。因此为了保证最终得到的作息行为计划能真正的满足用户的实际需求，以提高对用户生活作息提示的有效性，本发明实施例中，会根据用户的个人信息以及天气预报数据来对用户设置的作息行为计划进行修正，以使得最终得到的是真实可用的作息行为计划。
其中，可执行概率具体的计算方法，可以由技术人员自行设定。作为本发明计算可执行概率的一种具体实现方式，包括：
根据用户的个人信息以分析作息行为计划中，是否存在不适宜用户的目标完成行为，并将不适宜的目标完成行为的可执行概率设置为0。例如，可以由技术人员对每种目标完成行为设置对应的限制信息，如孕妇或患有某些特定疾病的用户不适合跑步等，此时直接根据这些规则，即可很快地判断出用户是否适宜进行目标完成行为。
对于非不适宜的目标完成行为，判断这些所有目标完成时间对应的天气预报数据，是否都适合进行这些目标完成行为，若非都适合，将这些目标完成行为的可执行概率设置为概率阈值以下的一个值。如，当作息行为计划中是未来一个月内每天早上8点跑步，但天气预报数据显示，未来一周内都会下雨，因此未来一周内，在早上8点都已经不适合跑步了，此时会将跑步的可执行概率值设置为低于概率阈值的一个具体值，以告知后续需要对跑步的目标完成时间进行修改。
对可执行概率小于概率阈值的目标完成行为的目标完成时间进行调整。对于可执行概率为0的目标完成行为，直接将从作息行为计划中删除，即将其所有的目标完成时间均设置为空。对应非0但小于概率阈值的目标完成行为，根据在第一预设时间内每天天气预报数据的具体情况，对目标完成时间进行修改，如，若某天不适合进行跑步，则直接将改天的跑步取消，若显示在原目标完成时间时会下雨，但一个小时之后，天气晴朗时候跑步，此时会将目标完成时间修改为原目标完成时间之后的时间，具体的修改方法/规则，可以有技术人员根据实际情况自行设定。
作为本发明的一个实施例，在对目标行为历史数据进行深度学习，得到第一预设时间段内，与每个目标完成行为一一对应的行为预测数据时，包括：
对每个目标行为历史数据分别进行深度学习，得到与目标完成行为一一对应的行为预测模型，并利用行为预测模型，对第一预设时间段内的每个目标完成行为分别进行分析预测，得到与目标完成行为一一对应的行为预测数据。
由上述说明可知，对每个目标完成行为进行独立预测，可提高对目标完成行为预测的准确性。因此，本发明实施例中会基于每个目标完成行为对应的目标行为历史数据分别进行学习建模，如对历史的跑步数据作为训练样本，进行独立学习训练建模，以得到跑步对应的预测模型。再利用得到的这些预测模块，一一对目标完成行为进行预测。其中，具体深度学习建模方法，可由技术人员根据实际需求进行设定，包括但不限于如利用bp神经网络进行学习建模。
作为本发明实施例三，如图3所示，对目标完成行为构建行为预测模型过程，包括：
s301，对目标行为历史数据中目标完成行为的历史完成时间进行分析，确定出目标完成行为对应的行为重复周期，并按照存储所述目标行为历史数据的时间顺序，将目标行为历史数据划分为n个时间长度均为行为重复周期的目标行为历史数据段，得到n个周期样本数据。
s302，基于n个周期样本数据进行模型训练，得到行为预测模型。
由于实际情况中，很多作息行为的周期都不是一天，如跑步计划和起床时间，往往都是以一周为周期的行为，因此，若对每个目标完成行为都直接使用一天作为周期，可能会使得预测的准确率较低。因此，在本发明实施例中会首先根据每个目标完成行为的目标行为历史数据来识别出其对应的行为重复周期，如根据用户在过去年内每天跑步的历史数据，识别出跑步行为的最小重复周期，再根据这个周期，来对目标完成行为的目标行为历史数据进行数据段划分，得到对应的n个周期样本数据。由于重复周期内用户行为的规律性较强，因此，将其作为样本数据进行训练，得到的预测准确率也会相对较强。
作为本发明的一个优选实施例，在基于n个周期样本数据进行模型构建时，可以将每个周期样本数据中，周期内对应的同一天的数据分别提取，如假设跑步的周期是一周，那此时就会将每周一、周二、…、周日的数据分别提取，得到对应的7组周期样本数据。再基于这些小的周期样本数据分别进行建模，得到多个对应的预测模型，最后在预测时，以一天为单位进行分别进行预测，如上述的，对第一预设时间内的每周一、周二、…、周日分别进行预测，以得到第一预设时间内的每天对应的预测数据。在本发明实施例中，每个目标完成行为对应着一个或多个行为预测子模型，用于对重复周期内每一天的行为预测，以提升对预测的准确性。
作为本发明的一个实施例，在生成提示之后，包括：基于用户在第一预设时间段内目标完成行为的行为数据，对行为预测模型进行更新训练。
在生成提示之后，对第一预设时间内用户对这些目标完成行为的实际行为数据进行记录，如实际在第一预设时间内每天的跑步数据，并基于这些数据对预测模型进行更新训练，以提升预测模型的预测准确率。
对应于上文实施例的方法，图4示出了本发明实施例提供的用户行为提示生成装置的结构框图，为了便于说明，仅示出了与本发明实施例相关的部分。图4示例的用户行为提示生成装置可以是前述实施例一提供的用户行为提示生成方法的执行主体。
参照图4，该用户行为提示生成装置包括：
计划获取模块41，用于获取用户在第一预设时间段内的作息行为计划，所述作息行为计划中存储有所述用户在所述第一预设时间段的目标完成行为，以及每个所述目标完成行为在所述第一预设时间段内的目标完成时间。
行为预测模块42，用于从所述用户的历史行为数据中筛选出所述目标完成行为对应的目标行为历史数据，并对所述目标行为历史数据进行深度学习，得到所述第一预设时间段内，与每个所述目标完成行为一一对应的行为预测数据，所述行为预测数据中包含所述目标完成行为的预测完成时间。
提示生成模块43，用于根据每个所述目标完成行为对应的所述预测完成时间中，与其对应的所述目标完成时间存在差异的时间点，生成错误行为警告。
进一步地，所述计划获取模块41，包括：
获取所述用户的个人信息、所述第一预设时间段的天气预报数据以及所述用户输入所述作息行为计划。
基于所述个人信息以及所述天气预报数据，计算所述作息行为计划中包含的所述目标完成行为的可执行概率，并对所述可执行概率低于概率阈值的所述目标完成行为的所述目标完成时间进行调整。
进一步地，所述行为预测模块42，包括：
对每个所述目标行为历史数据分别进行深度学习，得到与所述目标完成行为一一对应的行为预测模型，并利用所述行为预测模型，对所述第一预设时间段内的每个所述目标完成行为分别进行分析预测，得到与所述目标完成行为一一对应的所述行为预测数据。
进一步地，所述行为预测模块42，包括：
对所述目标行为历史数据中所述目标完成行为的历史完成时间进行分析，确定出所述目标完成行为对应的行为重复周期，并按照存储所述目标行为历史数据的时间顺序，将所述目标行为历史数据划分为n个时间长度均为所述行为重复周期的目标行为历史数据段，得到n个周期样本数据。
基于所述n个周期样本数据进行模型训练，得到所述行为预测模型。
该用户行为提示生成装置，还包括：
基于所述用户在所述第一预设时间段内所述目标完成行为的行为数据，对所述行为预测模型进行更新训练。
本发明实施例提供的用户行为提示生成装置中各模块实现各自功能的过程，具体可参考前述图1所示实施例一的描述，此处不再赘述。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
还应理解的是，虽然术语“第一”、“第二”等在文本中在一些本发明实施例中用来描述各种元素，但是这些元素不应该受到这些术语的限制。这些术语只是用来将一个元素与另一元素区分开。例如，第一接触可以被命名为第二接触，并且类似地，第二接触可以被命名为第一接触，而不背离各种所描述的实施例的范围。第一接触和第二接触都是接触，但是它们不是同一接触。
图5是本发明一实施例提供的用户行为提示生成终端设备的示意图。如图5所示，该实施例的用户行为提示生成终端设备5包括：处理器50、存储器51，所述存储器51中存储有可在所述处理器50上运行的计算机程序52。所述处理器50执行所述计算机程序52时实现上述各个用户行为提示生成方法实施例中的步骤，例如图1所示的步骤101至103。或者，所述处理器50执行所述计算机程序52时实现上述各装置实施例中各模块/单元的功能，例如图4所示模块41至43的功能。
所述用户行为提示生成终端设备5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述用户行为提示生成终端设备可包括，但不仅限于，处理器50、存储器51。本领域技术人员可以理解，图5仅仅是用户行为提示生成终端设备5的示例，并不构成对用户行为提示生成终端设备5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述用户行为提示生成终端设备还可以包括输入发送设备、网络接入设备、总线等。
所称处理器50可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器51可以是所述用户行为提示生成终端设备5的内部存储单元，例如用户行为提示生成终端设备5的硬盘或内存。所述存储器51也可以是所述用户行为提示生成终端设备5的外部存储设备，例如所述用户行为提示生成终端设备5上配备的插接式硬盘，智能存储卡(smartmediacard，smc)，安全数字(securedigital，sd)卡，闪存卡(flashcard)等。进一步地，所述存储器51还可以既包括所述用户行为提示生成终端设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述用户行为提示生成终端设备所需的其他程序和数据。所述存储器51还可以用于暂时地存储已经发送或者将要发送的数据。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使对应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。