用户行为的预测方法及其相关设备与流程

1.本技术涉及人工智能技术领域，尤其涉及一种用户行为的预测方法及其相关设备。


背景技术：

2.预测用户行为能够得到用户的行为模式，从而根据用户的行为模式实现用户的个性化推荐，或者协助用户的安全行程，甚至可以根据用户的行为模式，判断用户是否为同一个人来进行风险预测。因此用户行为的预测较为重要。
3.当前通常是通过手机应用(application，app)收集用户的行为事件，如点击事件、页面切换事件等来进行用户行为的预测的。但是，这种用户行为预测方式完全依赖于用户的输入，并且只能在安装、且运行相关app的情况下才能收集到用户的输入，从而进行用户行为的预测，具有偏向性，数据收集成本较高。


技术实现要素：

4.本技术实施例的目的在于提出一种用户行为的预测方法及其相关设备，以解决数据收集成本较高的问题。
5.为了解决上述技术问题，本技术实施例提供一种用户行为的预测方法，采用了如下所述的技术方案：
6.获取历史时间段内的传感器数据，并根据所述传感器数据生成训练数据集；所述训练数据集包括所述历史时间段内的多个子时间段和每个所述子时间段对应的用户行为；根据所述训练数据集对预设神经网络模型进行用户行为预测训练，直至损失函数收敛，得到行为预测模型；获取当前时间段对应的目标用户行为，并将所述目标用户行为输入所述行为预测模型，得到未来时间段的用户行为。
7.进一步的，所述根据所述训练数据集对预设神经网络模型进行用户行为预测训练，直至损失函数收敛，得到行为预测模型，包括：根据所述训练数据集中的子时间段，将所述训练数据集划分为至少一个输入输出对；其中，目标输入输出对包括一个输入数据和一个输出数据；一个输入数据和一个输出数据中均包括一个子时间段和所述一个子时间段对应的用户行为；且所述目标输入输出对中输入数据对应的子时间段中的时刻，均早于所述目标输入输出对中输出数据对应的子时间段中的时刻；所述目标输入输出对为所述至少一个输入输出对中任一输入输出对；将所述至少一个输入输出对中的输入数据，作为预设神经网络模型的输入，所述至少一个输入输出对中的输出数据，作为预设神经网络模型的输出，对预设神经网络模型进行用户行为预测训练，直至损失函数收敛，得到行为预测模型。
8.进一步的，所述训练数据集包括至少两个训练数据，一个所述训练数据包括一个子时间段和所述一个子时间段对应的用户行为；所述根据所述训练数据集中的子时间段，将所述训练数据集划分为至少一个输入输出对，包括：对所述训练数据集中的每个所述训练数据执行处理操作，得到至少一个输入输出对；所述处理操作包括：在第一训练数据的子
时间段中的时刻，均早于第二训练数据的子时间段中的时刻，且所述第一训练数据的子时间段中的第一个时刻与所述第二训练数据的子时间段中的第一个时刻之间的时长为目标时长时，确定所述第一训练数据为输入数据，所述第二训练数据为输出数据；其中，所述第一训练数据与所述第二训练数据均为所述训练数据集中任一训练数据；将所述第一训练数据作为输入数据，所述第二训练数据作为输出数据生成一个输入输出对。
9.进一步的，所述传感器数据由所述历史时间段内的时刻和每个时刻对应的数据值组成；所述根据所述传感器数据生成训练数据集，包括：通过傅里叶变换将所述传感器数据转换为频率数据集；所述频率数据集由所述历史时间段内的多个子时间段和每个所述子时间段对应的频率组成；根据所述频率数据集和预设关系确定每个所述子时间段对应的用户行为；所述预设关系为频率和用户行为之间的对应关系；根据每个所述子时间段对应的用户行为生成训练数据集。
10.进一步的，所述用户行为至少包括步行、静止、玩手机、开车；所述根据所述频率数据集和预设关系确定每个所述子时间段对应的用户行为，包括：对每个子时间段对应的频率在预设关系中执行匹配操作，得到每个子时间段对应的用户行为；所述匹配操作包括：在目标子时间段对应的频率，处于所述预设关系中目标用户行为对应的频率中时，确定所述目标子时间段对应的用户行为是目标用户行为；所述目标用户行为为步行、静止、玩手机、开车中的任一用户行为。
11.进一步的，所述获取历史时间段内的传感器数据，包括：获取历史时间段内目标传感器的传感器数据；所述目标传感器为加速计、陀螺仪、气压计、协处理器中的至少一个。
12.进一步的，在根据所述传感器数据生成训练数据集之前，所述预测方法还包括：对所述传感器数据进行去噪处理。
13.为了解决上述技术问题，本技术实施例还提供一种用户行为的预测装置，采用了如下所述的技术方案：生成模块，用于获取历史时间段内的传感器数据，并根据所述传感器数据生成训练数据集；所述训练数据集包括所述历史时间段内的多个子时间段和每个所述子时间段对应的用户行为；训练模块，用于根据所述训练数据集对预设神经网络模型进行用户行为预测训练，直至损失函数收敛，得到行为预测模型；预测模块，用于获取当前时间段对应的目标用户行为，并将所述目标用户行为输入所述行为预测模型，得到未来时间段的用户行为。
14.进一步的，所述训练模块包括划分子模块和训练子模块；所述划分子模块，用于根据所述训练数据集中的子时间段，将所述训练数据集划分为至少一个输入输出对；其中，目标输入输出对包括一个输入数据和一个输出数据；一个输入数据和一个输出数据中均包括一个子时间段和所述一个子时间段对应的用户行为；且所述目标输入输出对中输入数据对应的子时间段中的时刻，均早于所述目标输入输出对中输出数据对应的子时间段中的时刻；所述目标输入输出对为所述至少一个输入输出对中任一输入输出对；所述训练子模块，用于将所述至少一个输入输出对中的输入数据，作为预设神经网络模型的输入，所述至少一个输入输出对中的输出数据，作为预设神经网络模型的输出，对预设神经网络模型进行用户行为预测训练，直至损失函数收敛，得到行为预测模型。
15.进一步的，所述训练数据集包括至少两个训练数据，一个所述训练数据包括一个子时间段和所述一个子时间段对应的用户行为；所述划分子模块，具体用于：对所述训练数
据集中的每个所述训练数据执行处理操作，得到至少一个输入输出对；所述处理操作包括：在第一训练数据的子时间段中的时刻，均早于第二训练数据的子时间段中的时刻，且所述第一训练数据的子时间段中的第一个时刻与所述第二训练数据的子时间段中的第一个时刻之间的时长为目标时长时，确定所述第一训练数据为输入数据，所述第二训练数据为输出数据；其中，所述第一训练数据与所述第二训练数据均为所述训练数据集中任一训练数据；将所述第一训练数据作为输入数据，所述第二训练数据作为输出数据生成一个输入输出对。
16.进一步的，所述传感器数据由所述历史时间段内的时刻和每个时刻对应的数据值组成；所述生成模块包括转换子模块、确定子模块以及生成子模块：所述转换子模块，用于通过傅里叶变换将所述传感器数据转换为频率数据集；所述频率数据集由所述历史时间段内的多个子时间段和每个所述子时间段对应的频率组成；所述确定子模块，用于根据所述频率数据集和预设关系确定每个所述子时间段对应的用户行为；所述预设关系为频率和用户行为之间的对应关系；所述生成子模块，用于根据每个所述子时间段对应的用户行为生成训练数据集。
17.进一步的，所述用户行为至少包括步行、静止、玩手机、开车；所述确定子模块，具体用于：对每个子时间段对应的频率在预设关系中执行匹配操作，得到每个子时间段对应的用户行为；所述匹配操作包括：在目标子时间段对应的频率，处于所述预设关系中目标用户行为对应的频率中时，确定所述目标子时间段对应的用户行为是目标用户行为；所述目标用户行为为步行、静止、玩手机、开车中的任一用户行为。
18.进一步的，所述生成模块还包括获取子模块；所述获取子模块，用于获取历史时间段内目标传感器的传感器数据；所述目标传感器为加速计、陀螺仪、气压计、协处理器中的至少一个。
19.进一步的，所述预测装置还包括处理模块；所述处理模块，用于对所述传感器数据进行去噪处理。
20.为了解决上述技术问题，本技术实施例还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述用户行为的预测方法的步骤。
21.为了解决上述技术问题，本技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述用户行为的预测方法的步骤。
22.与现有技术相比，本技术实施例主要有以下有益效果：获取历史时间段内的传感器数据，并根据传感器数据生成训练数据集。之后，根据训练数据集对预设神经网络模型进行用户行为预测训练，直至损失函数收敛，得到行为预测模型。最后，获取当前时间段对应的目标用户行为，并将目标用户行为输入行为预测模型，得到未来时间段的用户行为。其中，训练数据集包括历史时间段内的多个子时间段和每个子时间段对应的用户行为。能够直接使用传感器数据训练用户行为预测模型，以预测用户行为，避免了对用户输入的依赖，节省了数据采集成本。
附图说明
23.为了更清楚地说明本技术中的方案，下面将对本技术实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本技术的一些实施例，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他的附图。
24.图1是本技术可以应用于其中的示例性系统架构图；
25.图2是根据本技术的用户行为的预测方法的一个实施例的流程图；
26.图3是图2中步骤s21的一种具体实施方式的流程图；
27.图4是图2中步骤s22的一种具体实施方式的流程图；
28.图5是根据本技术的用户行为的预测装置的一个实施例的结构示意图；
29.图6是图5所示训练模块一种具体实施方式的结构示意图；
30.图7是图5所示生成模块一种具体实施方式的结构示意图；
31.图8是根据本技术的计算机设备的一个实施例的结构示意图。
具体实施方式
32.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技术的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本技术；本技术的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本技术的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
33.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技术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。
34.为了使本技术领域的人员更好地理解本技术方案，下面将结合附图，对本技术实施例中的技术方案进行清楚、完整地描述。
35.如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
36.用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
37.终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、mp3播放器(moving picture expertsgroup audio layer iii，动态影像专家压缩标准音频层面3)、mp4(moving pictureexperts group audio layer iv，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
38.服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
39.需要说明的是，本技术实施例提供的用户行为的预测方法可以应用于上述终端设备101、102、103。该终端设备101、102、103可以统称为电子设备。即本技术实施例提供的用户行为的预测方法的执行主体可以为用户行为的预测装置，用户行为的预测装置可以为上述电子设备(如终端设备101、102、103)。
40.应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
41.继续参考图2，示出了根据本技术的用户行为的预测方法的一个实施例的流程图。该用户行为的预测方法包括以下步骤：
42.步骤s21，获取历史时间段内的传感器数据，并根据传感器数据生成训练数据集。
43.其中，训练数据集包括历史时间段内的多个子时间段和每个子时间段对应的用户行为。
44.首先，获取历史时间段内的传感器数据。
45.具体的，在电子设备为手机时，打开手机app后，即可通过手机硬件中目标传感器，采集到历史时间段内目标传感器的传感器数据。其中，目标传感器为加速计、陀螺仪、气压计、协处理器中的至少一个。
46.在本实施例中，能够获取到传感器数据，为用户行为的预测提供数据支撑，避免了数据采集过程中对用户输入的依赖，节省了数据采集成本。
47.之后，根据传感器数据生成训练数据集。具体的，传感器数据由历史时间段内的时刻和每个时刻对应的数据值组成，如图3所示，根据传感器数据生成训练数据集的方式，包括以下步骤：
48.步骤s211，通过傅里叶变换将传感器数据转换为频率数据集。
49.其中，频率数据集由历史时间段内的多个子时间段和每个子时间段对应的频率组成。
50.具体的，传感器采集到的传感器数据是由时刻与数据值组成的。首先根据传感器数据建立坐标系，将数据值分布于坐标系中得到传感器数据函数。再通过传感器数据函数和傅里叶变换将传感器数据转换为频率数据集。
51.例如，目标传感器在2秒(s)内采集100个数据值，则以时间为横坐标，数据值为纵坐标建立直角坐标系，数据值将分布于直角坐标系中100个点，将这100个点连接即可得到函数f(t)在0～2s内的曲线。由傅里叶级数可知，任何一个函数均可以表示为一系列正余弦函数的累加，因此函数f(t)可以表示为：函数的累加，因此函数f(t)可以表示为：其中，f(t)用于表示传感器数据对应的函数；n用于表示历史时间段内采集到数据值的个数，如2s采集到100个点；f用于表示正余弦函数的频率，an用于表示余弦函数的幅值，bn用于表示正弦函数的幅值。这样，将2秒(s)内采集100个数据值代入f(t)内，即能够得到每个子时间段对应的频率，如，1s对应50个点。
52.步骤s212，根据频率数据集和预设关系确定每个子时间段对应的用户行为。
53.其中，预设关系为频率和用户行为之间的对应关系。
54.具体的，用户行为至少包括步行、静止、玩手机、开车。根据频率数据集和预设关系确定每个子时间段对应的用户行为的方式，包括：对每个子时间段对应的频率在预设关系中执行匹配操作，得到每个子时间段对应的用户行为。
55.其中，匹配操作包括：在目标子时间段对应的频率，处于预设关系中目标用户行为对应的频率中时，确定目标子时间段对应的用户行为是目标用户行为。目标用户行为为步行、静止、玩手机、开车中的任一用户行为。例如，目标子时间段对应的频率为20，在预设关系中步行对应的频率为10-30，则确定目标子时间段对应的用户行为为步行。
56.在本实施例中，能够根据频率数据集合和预设关系确定出每个子时间段对应的用户行为，从而生成训练数据集。以便于后续根据训练数据集训练生成行为预测模型，从而实现用户行为的预测。
57.步骤s213，根据每个子时间段对应的用户行为生成训练数据集。
58.在本实施例中，将传感器数据转化为频率数据集，并利用频率数据集和预设关系将频率数据集转换为训练数据集。以便于后续根据训练数据集训练生成行为预测模型，从而实现用户行为的预测。
59.步骤s22，根据训练数据集对预设神经网络模型进行用户行为预测训练，直至损失函数收敛，得到行为预测模型。
60.具体的，如图4所示，根据训练数据集对预设神经网络模型进行用户行为预测训练，直至损失函数收敛，得到行为预测模型的方式，包括以下步骤：
61.步骤s221，根据训练数据集中的子时间段，将训练数据集划分为至少一个输入输出对。
62.其中，目标输入输出对包括一个输入数据和一个输出数据。一个输入数据和一个输出数据中均包括一个子时间段和一个子时间段对应的用户行为，且目标输入输出对中输入数据对应的子时间段中的时刻，均早于目标输入输出对中输出数据对应的子时间段中的时刻。目标输入输出对为至少一个输入输出对中任一输入输出对。
63.具体的，训练数据集包括至少两个训练数据，一个训练数据包括一个子时间段和一个子时间段对应的用户行为。根据训练数据集中的子时间段，将训练数据集划分为至少一个输入输出对的方式，包括：对训练数据集中的每个训练数据执行处理操作，得到至少一个输入输出对。
64.其中，处理操作包括：在第一训练数据的子时间段中的时刻，均早于第二训练数据的子时间段中的时刻，且第一训练数据的子时间段中的第一个时刻与第二训练数据的子时间段中的第一个时刻之间的时长为目标时长时，确定第一训练数据为输入数据，第二训练数据为输出数据。之后，将第一训练数据作为输入数据，第二训练数据作为输出数据生成一个输入输出对。第一训练数据与第二训练数据均为训练数据集中任一训练数据。例如，训练数据a的子时间段为0s-1s，训练数据b的子时间段为2s-3s，训练数据c的子时间段为4s-5s，目标时长为2s，则当训练数据a为输入数据时，训练数据b为输出数据，训练数据a和训练数据b组成一个输入输出对；当训练数据b为输入数据时，训练数据c为输出数据，训练数据b和训练数据c组成一个输入输出对。
65.在本实施例中，在第一训练数据的子时间段中的时刻，均早于第二训练数据的子时间段中的时刻，且第一训练数据的子时间段中的第一个时刻与第二训练数据的子时间段
中的第一个时刻之间的时长为目标时长时，确定第一训练数据为输入数据，第二训练数据为输出数据。这样，将训练数据划分为输入输出对，以便于后续根据划分的输入输出对训练行为预测模型，从而实现用户行为的预测。
66.步骤s222，将至少一个输入输出对中的输入数据，作为预设神经网络模型的输入，至少一个输入输出对中的输出数据，作为预设神经网络模型的输出，对预设神经网络模型进行用户行为预测训练，直至损失函数收敛，得到行为预测模型。
67.在本实施例中，将训练数据划分为至少一个输入输出对，并使用至少一个输入输出对训练生成行为预测模型。其中，输入数据的子时间段中的时刻均早于输出数据中的时刻。这样，使用输入输出对训练生成的行为预测模型，能够利用当前时间段的用户行为预测出未来时间段的用户行为，从而实现用户行为的预测。
68.步骤s23，获取当前时间段对应的目标用户行为，并将目标用户行为输入行为预测模型，得到未来时间段的用户行为。
69.在本实施例中，获取历史时间段内的传感器数据，并根据传感器数据生成训练数据集。之后，根据训练数据集对预设神经网络模型进行用户行为预测训练，直至损失函数收敛，得到行为预测模型。最后，获取当前时间段对应的目标用户行为，并将目标用户行为输入行为预测模型，得到未来时间段的用户行为。其中，训练数据集包括历史时间段内的多个子时间段和每个子时间段对应的用户行为。能够直接使用传感器数据训练用户行为预测模型，以预测用户行为，避免了对用户输入的依赖，节省了数据采集成本。
70.可选的，在步骤s21之前，用户行为的预测方法还包括对传感器数据进行去噪处理。
71.具体的，可以使用小波变换算法对传感器数据进行去噪处理，或者使用滤波器对传感器数据进行滤波，从而达到去噪效果。
72.在本实施例中，对传感器数据进行去噪处理，能够避免噪声对行为预测模型的影响，提高行为预测模型预测用户行为的准确性。
73.本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
74.人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
75.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)等非易失性存储介质，或随机存储记忆体(random access memory，ram)等。
76.应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤
的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
77.进一步参考图5，作为对上述图2所示方法的实现，本技术提供了一种用户行为的预测装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
78.如图5所示，本实施例所述的用户行为的预测装置500包括：生成模块501、训练模块502以及预测模块503。其中：
79.生成模块501，用于获取历史时间段内的传感器数据，并根据所述传感器数据生成训练数据集；所述训练数据集包括所述历史时间段内的多个子时间段和每个所述子时间段对应的用户行为；训练模块502，用于根据所述训练数据集对预设神经网络模型进行用户行为预测训练，直至损失函数收敛，得到行为预测模型；预测模块503，用于获取当前时间段对应的目标用户行为，并将所述目标用户行为输入所述行为预测模型，得到未来时间段的用户行为。
80.在本实施例中，获取历史时间段内的传感器数据，并根据传感器数据生成训练数据集。之后，根据训练数据集对预设神经网络模型进行用户行为预测训练，直至损失函数收敛，得到行为预测模型。最后，获取当前时间段对应的目标用户行为，并将目标用户行为输入行为预测模型，得到未来时间段的用户行为。其中，训练数据集包括历史时间段内的多个子时间段和每个子时间段对应的用户行为。能够直接使用传感器数据训练用户行为预测模型，以预测用户行为，避免了对用户输入的依赖，节省了数据采集成本。
81.在本实施例的一些可选的实现方式中，参阅图6，为训练模块502的一种具体实施方式的结构示意图，所述训练模块502包括划分子模块5021和训练子模块5022；所述划分子模块5021，用于根据所述训练数据集中的子时间段，将所述训练数据集划分为至少一个输入输出对；其中，目标输入输出对包括一个输入数据和一个输出数据；一个输入数据和一个输出数据中均包括一个子时间段和所述一个子时间段对应的用户行为；且所述目标输入输出对中输入数据对应的子时间段中的时刻，均早于所述目标输入输出对中输出数据对应的子时间段中的时刻；所述目标输入输出对为所述至少一个输入输出对中任一输入输出对；所述训练子模块5022，用于将所述至少一个输入输出对中的输入数据，作为预设神经网络模型的输入，所述至少一个输入输出对中的输出数据，作为预设神经网络模型的输出，对预设神经网络模型进行用户行为预测训练，直至损失函数收敛，得到行为预测模型。
82.在本实施例中，将训练数据划分为至少一个输入输出对，并使用至少一个输入输出对训练生成行为预测模型。其中，输入数据的子时间段中的时刻均早于输出数据中的时刻。这样，使用输入输出对训练生成的行为预测模型，能够利用当前时间段的用户行为预测出未来时间段的用户行为，从而实现用户行为的预测。
83.在本实施例的一些可选的实现方式中，所述训练数据集包括至少两个训练数据，一个所述训练数据包括一个子时间段和所述一个子时间段对应的用户行为；所述划分子模块5021，具体用于：对所述训练数据集中的每个所述训练数据执行处理操作，得到至少一个输入输出对；所述处理操作包括：在第一训练数据的子时间段中的时刻，均早于第二训练数
据的子时间段中的时刻，且所述第一训练数据的子时间段中的第一个时刻与所述第二训练数据的子时间段中的第一个时刻之间的时长为目标时长时，确定所述第一训练数据为输入数据，所述第二训练数据为输出数据；其中，所述第一训练数据与所述第二训练数据均为所述训练数据集中任一训练数据；将所述第一训练数据作为输入数据，所述第二训练数据作为输出数据生成一个输入输出对。
84.在本实施例中，在第一训练数据的子时间段中的时刻，均早于第二训练数据的子时间段中的时刻，且第一训练数据的子时间段中的第一个时刻与第二训练数据的子时间段中的第一个时刻之间的时长为目标时长时，确定第一训练数据为输入数据，第二训练数据为输出数据。这样，将训练数据划分为输入输出对，以便于后续根据划分的输入输出对训练行为预测模型，从而实现用户行为的预测。
85.在本实施例的一些可选的实现方式中，参阅图7，为生成模块501的一种具体实施方式的结构示意图，所述传感器数据由所述历史时间段内的时刻和每个时刻对应的数据值组成；所述生成模块501包括转换子模块5011、确定子模块5012以及生成子模块5013：所述转换子模块5011，用于通过傅里叶变换将所述传感器数据转换为频率数据集；所述频率数据集由所述历史时间段内的多个子时间段和每个所述子时间段对应的频率组成；所述确定子模块5012，用于根据所述频率数据集和预设关系确定每个所述子时间段对应的用户行为；所述预设关系为频率和用户行为之间的对应关系；所述生成子模块5013，用于根据每个所述子时间段对应的用户行为生成训练数据集。
86.在本实施例中，将传感器数据转化为频率数据集，并利用频率数据集和预设关系将频率数据集转换为训练数据集。以便于后续根据训练数据集训练生成行为预测模型，从而实现用户行为的预测。
87.在本实施例的一些可选的实现方式中，所述用户行为至少包括步行、静止、玩手机、开车；所述确定子模块5012，具体用于：对每个子时间段对应的频率在预设关系中执行匹配操作，得到每个子时间段对应的用户行为；所述匹配操作包括：在目标子时间段对应的频率，处于所述预设关系中目标用户行为对应的频率中时，确定所述目标子时间段对应的用户行为是目标用户行为；所述目标用户行为为步行、静止、玩手机、开车中的任一用户行为。
88.在本实施例中，能够根据频率数据集合和预设关系确定出每个子时间段对应的用户行为，从而生成训练数据集。以便于后续根据训练数据集训练生成行为预测模型，从而实现用户行为的预测。
89.在本实施例的一些可选的实现方式中，所述生成模块501还包括获取子模块；所述获取子模块，用于获取历史时间段内目标传感器的传感器数据；所述目标传感器为加速计、陀螺仪、气压计、协处理器中的至少一个。
90.在本实施例中，能够获取到传感器数据，为用户行为的预测提供数据支撑，避免了数据采集过程中对用户输入的依赖，节省了数据采集成本。
91.在本实施例的一些可选的实现方式中，所述预测装置还包括处理模块；所述处理模块，用于对所述传感器数据进行去噪处理。
92.在本实施例中，对传感器数据进行去噪处理，能够避免噪声对行为预测模型的影响，提高行为预测模型预测用户行为的准确性。
93.为解决上述技术问题，本技术实施例还提供计算机设备。具体请参阅图8，图8为本实施例计算机设备基本结构框图。
94.所述计算机设备8包括通过系统总线相互通信连接存储器81、处理器82、网络接口83。需要指出的是，图中仅示出了具有组件81-83的计算机设备8，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(application specific integrated circuit，asic)、可编程门阵列(field－programmable gate array，fpga)、数字处理器(digital signal processor，dsp)、嵌入式设备等。
95.所述计算机设备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。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
96.所述存储器81至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器81可以是所述计算机设备8的内部存储单元，例如该计算机设备8的硬盘或内存。在另一些实施例中，所述存储器81也可以是所述计算机设备8的外部存储设备，例如该计算机设备8上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。当然，所述存储器81还可以既包括所述计算机设备8的内部存储单元也包括其外部存储设备。本实施例中，所述存储器81通常用于存储安装于所述计算机设备8的操作系统和各类应用软件，例如用户行为的预测方法的计算机可读指令等。此外，所述存储器81还可以用于暂时地存储已经输出或者将要输出的各类数据。
97.所述处理器82在一些实施例中可以是中央处理器(central processing unit，cpu)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器82通常用于控制所述计算机设备8的总体操作。本实施例中，所述处理器82用于运行所述存储器81中存储的计算机可读指令或者处理数据，例如运行所述用户行为的预测方法的计算机可读指令。
98.所述网络接口83可包括无线网络接口或有线网络接口，该网络接口83通常用于在所述计算机设备8与其他电子设备之间建立通信连接。
99.在本实施例中，获取历史时间段内的传感器数据，并根据传感器数据生成训练数据集。之后，根据训练数据集对预设神经网络模型进行用户行为预测训练，直至损失函数收敛，得到行为预测模型。最后，获取当前时间段对应的目标用户行为，并将目标用户行为输入行为预测模型，得到未来时间段的用户行为。其中，训练数据集包括历史时间段内的多个子时间段和每个子时间段对应的用户行为。能够直接使用传感器数据训练用户行为预测模型，以预测用户行为，避免了对用户输入的依赖，节省了数据采集成本。
100.本技术还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的用户行为的预测方法的步骤。
101.在本实施例中，获取历史时间段内的传感器数据，并根据传感器数据生成训练数
据集。之后，根据训练数据集对预设神经网络模型进行用户行为预测训练，直至损失函数收敛，得到行为预测模型。最后，获取当前时间段对应的目标用户行为，并将目标用户行为输入行为预测模型，得到未来时间段的用户行为。其中，训练数据集包括历史时间段内的多个子时间段和每个子时间段对应的用户行为。能够直接使用传感器数据训练用户行为预测模型，以预测用户行为，避免了对用户输入的依赖，节省了数据采集成本。
102.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本技术各个实施例所述的方法。
103.显然，以上所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例，附图中给出了本技术的较佳实施例，但并不限制本技术的专利范围。本技术可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本技术的公开内容的理解更加透彻全面。尽管参照前述实施例对本技术进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式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效替换。凡是利用本技术说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本技术专利保护范围之内。