基于人工智能和大数据分析的协同养老服务方法及系统与流程

1.本发明涉及人工智能技术领域，具体涉及一种基于人工智能和大数据分析的协同养老服务方法及系统。


背景技术：

2.随着社会老龄化现象日益严重，传统的养老模式无法全面满足日益增加的养老需求，运用大数据和人工智能为智慧养老服务提供了新路径和新选择。目前，大数据分析的养老服务主要通过利用智能化电子设备获取老人的日常行为、健康、居家生活数据，并利用随机森林等分类算法，对老人的各方面数据进行综合分析，以根据分析结果进行协同养老服务。
3.本领域的技术人员发现现有技术存在以下问题：但是当老人的各方面数据都相较于其他人比较特殊时，映射在分类结果中会是一个孤立数据，而孤立数据会影响协同养老服务的精准性，进而会导致其无法得到准确的养老服务推荐。


技术实现要素：

4.为了解决上述技术问题，本发明的目的在于提供一种基于人工智能和大数据分析的协同养老服务方法及系统，所采用的技术方案具体如下：
5.第一方面，本发明实施例提供了一种基于人工智能和大数据分析的协同养老服务方法，该方法包括以下具体步骤：
6.采集多个老人的特征数据以构成特征数据集合，所述特征数据包括健康数据、日常生活数据和个人爱好数据；
7.对所述特征数据集合进行密度聚类以得到多个初始聚类区域和多个离散特征数据点，结合所述离散特征数据点与所述初始聚类区域中每个所述特征数据点之间的距离获取每个所述离散特征数据点相对于每个所述初始聚类区域的局部离散程度；根据所述局部离散程度分别将所述离散特征数据点重新划分到所述初始聚类区域中以得到二次聚类后的多个聚类区域；
8.将每个所述聚类区域中的所述特征数据分别与每个养老服务类型所对应的历史服务数据进行相似度匹配，根据匹配结果推荐每个老人所对应的所述养老服务类型。
9.进一步地，所述每个所述离散特征数据点相对于每个所述初始聚类区域的局部离散程度的方法，包括：
10.根据所述初始聚类区域中所有特征数据点之间的位置关系计算当前初始聚类区域的实际聚类密度；
11.计算当前离散特征数据点相对于当前初始聚类区域的局部聚类密度，由所述局部聚类密度与所述实际聚类密度之间的比值得到当前离散特征数据点相对于当前初始聚类区域的所述局部离散程度。
12.进一步地，所述实际聚类密度的获取方法，包括：
13.分别计算当前初始聚类区域中任意一个特征数据点与其他特征数据点之间的欧式距离，得到该特征数据点对应的欧式距离集合，取所述欧式距离集合中的最大欧式距离作为该特征数据点的目标距离；
14.将当前初始聚类区域中所有特征数据点的所述目标距离进行相加得到第一距离之和，结合所述第一距离之和与当前初始聚类区域中所包含的所述特征数据点的总数量得到当前初始聚类区域的所述实际聚类密度。
15.进一步地，所述当前离散特征数据点相对于当前初始聚类区域的局部聚类密度的方法，包括：
16.计算当前离散特征数据点与当前初始聚类区域中每个特征数据点之间的距离，得到第二距离之和，结合所述第二距离之和与当前初始聚类区域中所包含的所述特征数据点的总数量得到当前离散特征数据点相对于当前初始聚类区域的所述局部聚类密度。
17.进一步地，所述局部聚类密度与所述第二距离之和呈负相关关系、所述局部聚类密度与所述总数量呈正相关关系。
18.进一步地，所述密度聚类为dbscan算法。
19.进一步地，本发明实施例还提供了一种基于人工智能和大数据分析的协同养老服务系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述一种基于人工智能和大数据分析的协同养老服务方法中任意一项所述方法的步骤。
20.本发明实施例至少具有如下有益效果：基于离散特征数据所对应的局部离散程度进行二次聚类，能够提高聚类的聚类精度，避免因参数的设置造成离散特征数据识别为异常数据，进而解决了无法为孤立数据所对应的老人进行准确推荐养老服务的问题。
附图说明
21.为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，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的介绍，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的前提下，还可以根据这些附图获得其它附图。
22.图1为本发明一个实施例提供的一种基于人工智能和大数据分析的协同养老服务方法的步骤流程图。
具体实施方式
23.为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于人工智能和大数据分析的协同养老服务方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
24.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
25.下面结合附图具体的说明本发明所提供的一种基于人工智能和大数据分析的协
同养老服务方法及系统的具体方案。
26.请参阅图1，其示出了本发明一个实施例提供的一种基于人工智能和大数据分析的协同养老服务方法的步骤流程图，该方法包括以下步骤：
27.步骤s001，采集多个老人的特征数据以构成特征数据集合，特征数据包括健康数据、日常生活数据和个人爱好数据。
28.具体的，通过健康监测设备获取老人的健康数据，例如：睡眠质量、心率、血压、血糖、体温、呼吸速率等；通过社区专员统计或者监控摄像头捕捉老人的日常生活数据，日常生活数据是指吃穿住行，例如：日常买菜、专人送菜、散步、亲属探访频率、通讯、地理位置等；同样根据社区专员统计或监控摄像头获取老人的个人爱好数据，例如：各项体育运动、下棋、打牌、跳舞等，将健康数据、日常生活数据和个人爱好数据构成老人的特征数据，一个老人对应一个特征数据，获取多个老人的特征数据构成特征数据集合。
29.在获取特征数据的过程中，可能因为各种情况导致部分特征数据的缺失，进而针对老人的特征数据的缺失数据进行数据填充，根据缺失数据维度下的特征数据分布进行自适应的数据缺失填充，其中，常用的数据填充方法有：拉格朗日插值法、随机插值法、均值中位数插值法、贝叶斯预测等。
30.步骤s002，对特征数据集合进行密度聚类以得到多个初始聚类区域和多个离散特征数据点，结合离散特征数据点与初始聚类区域中每个特征数据点之间的距离获取每个离散特征数据点的局部离散程度；根据局部离散程度分别将离散特征数据点重新划分到初始聚类区域中以得到二次聚类后的多个聚类区域。
31.具体的，对特征数据集合中的特征数据进行密度聚类，得到初始聚类区域。密度聚类采用dbscan算法，具体为：以任意一个特征数据作为聚类中心，设定初始聚类半径，根据初始聚类半径得到多个子聚类区域；设置minpts阈值，当子聚类区域内的特征数据点的数量小于minpts阈值时，认为该子聚类区域为边界区域，当子聚类区域内的特征数据点的数量大于或等于minpts阈值时，继续遍历其邻域的其他子聚类区域直到边界区域，进而将这些子聚类区域聚为一个初始聚类区域；遍历特征数据集合中的所有特征数据以完成初始聚类。
32.由于老人的特征数据相较于其他人比较特殊时，在进行初始聚类后不但会得到k个初始聚类区域，还会得到多个离散特征数据点，且离散特征数据点是不属于初始聚类区域中的数据点，也即称为离群点。为了能够让这些离散特征数据点也参与聚类，本发明实施例根据初始聚类后的初始聚类区域和离散点的分布关系进行自适应的二次聚类，二次聚类的过程为：
33.(1)根据初始聚类区域中所有特征数据点之间的位置关系计算每个初始聚类区域的实际聚类密度。
34.具体的，以第k个初始聚类区域为例，计算该区域中第p个特征数据点分别该区域中其他特征数据点之间的欧式距离，得到第p个特征数据点对应的欧式距离集合，取欧式距离集合中的最大欧式距离作为第p个特征数据点的目标距离；同理获取第k个初始聚类区域中每个特征数据点对应的目标距离，得到第一距离之和，结合第一距离之和与第k个初始聚类区域中所包含特征数据点的总数量得到该初始聚类区域的实际聚类密度：
其中，oi为第i个其他特征数据点；numk为第k个初始聚类区域中所包含特征数据点的总数量；为第一距离之和。
35.(2)由离散特征数据点与初始聚类区域中每个特征数据点之间的距离分别获取每个离散特征数据点相对于每个初始聚类区域的局部离散程度。
36.具体的，同样以第k个初始聚类区域为例分别计算第a个离散特征数据点相对于其的局部离散程度：计算第a个离散特征数据点与第k个初始聚类区域中每个特征数据点之间的距离，得到第二距离之和，结合第二距离之和与第k个初始聚类区域中所包含特征数据点的总数量得到第a个离散特征数据点所对应的局部聚类密度；计算局部聚类密度与第k个初始聚类区域的实际聚类密度之间的比值，根据比值得到第a个离散特征数据点所对应的局部离散程度即其中ρ
′a为第a个离散特征数据点所对应的局部聚类密度；ρk为第k个初始聚类区域的实际聚类密度。
37.利用上述局部离散程度的计算方法能够得到所有离散特征数据点相对于第k个初始聚类区域的局部离散程度，进而能获取所有离散特征数据点相对于每个初始聚类区域的局部离散程度。
38.(3)根据局部离散程度对离散特征数据点划分为相对应的初始聚类区域中以实现二次聚类，得到多个聚类区域。
39.具体的，由于一个离散特征数据点相对于每个初始聚类区域都有一个局部离散程度，也即是一个离散特征数据点相对于所有的初始聚类区域有一个局部离散程度集合，将局部离散程度集合中的最小局部离散程度作为对应离散特征数据点的目标局部离散程度，进而将该离散特征数据点划分在目标局部离散程度所对应的初始聚类区域；同理将所有离散特征数据点进行划分以实现二次聚类重新得到多个聚类区域。
40.步骤s003，将每个聚类区域中的特征数据分别与每个养老服务类型的所对应的历史服务数据进行相似度匹配，根据匹配结果推荐每个老人所对应的养老服务类型。
41.具体的，将二次聚类后的聚类区域中的特征数据与养老服务类型所对应的服务数据进行相似度匹配，以对各聚类区域所对应的老人进行针对性的养老服务支持。所述的相似度匹配可通过孪生网络对二次聚类后的聚类区域中所对应的特征数据与养老服务端的服务历史数据进行相似度匹配，其中孪生网络的输入为：聚类区域的特征数据与养老服务端的服务历史数据，损失函数为：余弦距离损失函数，孪生网络的输出为：服务历史数据及其相配的聚类区域所包含的特征数据。根据聚类区域的特征数据所对应的服务历史数据对老人进行针对性的养老服务或指定相关的养老服务体系。
42.综上，本发明实施例提供了一种基于人工智能和大数据分析的协同养老服务方法，该方法采集多个老人的特征数据以构成特征数据集合，特征数据包括健康数据、日常生活数据和个人爱好数据；对特征数据集合进行密度聚类以得到多个初始聚类区域和多个离散特征数据点，结合离散特征数据点与初始聚类区域中每个特征数据点之间的距离获取每个离散特征数据点相对于每个初始聚类区域的局部离散程度；根据局部离散程度分别将离散特征数据点重新划分到初始聚类区域中以得到二次聚类后的多个聚类区域；将每个聚类区域中的特征数据分别与每个养老服务类型所对应的历史服务数据进行相似度匹配，根据
匹配结果推荐每个老人所对应的养老服务类型。基于离散特征数据所对应的局部离散程度进行二次聚类，能够提高聚类的聚类精度，避免因参数的设置造成离散特征数据识别为异常数据，进而解决了无法为孤立数据所对应的老人进行准确推荐养老服务的问题。
43.优选的，为了是初始密度聚类更加准确，根据二次聚类后的聚类结果进行密度聚类过程中minpts阈值的调整，调整方法为：统计二次聚类后每个聚类区域中所重新划分得到的离散特征数据点的第一数量；分别计算每个聚类区域的第一数量和minpts阈值之间的加和，将所有加和的平均值作为新minpts阈值，将新minpts阈值作为后续数据聚类的参数。
44.基于与上述方法相同的发明构思，本发明实施例还提供了一种基于人工智能和大数据分析的协同养老服务系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述一种基于人工智能和大数据分析的协同养老服务方法中任意一项所述方法的步骤。
45.需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
46.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
47.以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。