一種基於行動裝置傳感器數據的生活模式分析方法及系統的製作方法

2023-09-23 02:57:25

專利名稱：一種基於行動裝置傳感器數據的生活模式分析方法及系統的製作方法
技術領域：
本發明涉及數據挖掘技術領域，尤其涉及一種基於行動裝置傳感器數據的生活模式分析方法及系統。
背景技術：
目前，行動裝置中通常都內置有各種傳感器，包括全球定位系統(GlobalPositioning System, GPS)、加速計、陀螺儀、麥克風、距離感應等,用戶可以通過系統提供的接口來獲取這些傳感器記錄的原始數據。目前存在基於GPS數據對用戶單日數據進行數據挖掘，從而發現用戶停留地點的算法。在其他傳感器數據分析方面，目前存在基於可穿戴的傳感器設備獲取的數據來對用戶的行為進行推斷的方法。在數據挖掘方面，目前存在OPTICS和DBSCAN等基於密度的聚類分析方法；在興趣點搜索方面，國內外有較多的地圖服務向第三方開發者開放興趣點搜索的相關接口。分析並總結目前基於傳感器數據的生活數據挖掘的相關研究，不外乎兩大類:第一類是將同種傳感器固定分布在不同的房間，分別收集數據，將各位置的傳感器數據匯總後在時間和位置兩個維度上進行分析處理；第二類是可攜式傳感器隨用戶移動並實時地記錄用戶的位置信息，匯總數據後在時間維度上對用戶的位置信息進行分析。如圖1所示，基於傳感器網絡的生活數據挖掘的基本流程是:首先由分布在不同地理位置(通常為各個房間內)的各傳感器收集原始數據並匯總到資料庫保存，當收集了足夠的數據後，分別對各個傳感器的原始數據依照時間序列進行分析，將其與歷史數據進行對比分析。如圖2所示，基於便攜設備傳感器數據要求用戶隨身攜帶傳感器設備，通過分析各傳感器數據在時間和空間上的特徵，從而對用戶環境進行判斷，進而對用戶的生活模式進行提取。

現有的技術方案主要有以下缺點:(I)對於圖1所示的技術方案:需要提前在固定的房間內布設傳感器網絡，成本較高、使用場景不靈活(不具有便攜性)且不具有通用性；此外，還需提前配置傳感器與計算機之間的連接，較為繁瑣。(2)對於圖2所示的技術方案:要求用戶隨時攜帶額外的電子設備或佩戴可穿戴設備，也有一定的硬體成本；且便攜的傳感器裝置本省並不能夠處理數據，需要將數據以無線傳輸的方式發送到計算機進行處理，靈活性較差。

發明內容
本發明的目的在於克服現有技術的不足，本發明提供了一種基於行動裝置傳感器數據的生活模式分析方法及系統，可降低數據挖掘與分析的成本，並提高使用的靈活性，且具有可移植性，使用方便，提高用戶的體驗性。
為了解決上述問題，本發明提出了一種基於行動裝置傳感器數據的生活模式分析方法，所述方法包括:從行動裝置的各傳感器收集原始數據；根據各傳感器的數據特點和能耗特點對原始數據進行數據預處理並獲得數據序列；根據駐留點檢測方式獲得駐留點序列；對所述駐留點序列進行聚類分析，得到地點歷史序列；對地點歷史序列中的每一條數據進行興趣點搜索，並對地點歷史進行標記；判斷用戶的身份是否已知，若否，則根據興趣點標記推斷用戶身份。優選地，所述原始數據包括定位數據和運動狀態原始數據。優選地，所述從行動裝置的各傳感器收集原始數據的步驟包括:通用CoreLocation框架收集定位數據；通過CoreMotion框架收集來自加速度計、陀螺儀、電子羅盤的運動狀態原始數據。優選地，所述定位數據包括蜂窩塔三角定位數據、W1-Fi節點資料庫查詢數據和GPS定位數據。優選地，所述根據各傳感器的數據特點和能耗特點對原始數據進行數據預處理並獲得數據序列的步驟包括:對收集到的定位數據進行坐標變換；將變換後的坐標進行反向地理編碼；將用戶ID、 經緯度、時間戳、運動模式、反向地理編碼結果以及記錄ID寫入資料庫中。優選地，所述根據各傳感器的數據特點和能耗特點對原始數據進行數據預處理並獲得數據序列的步驟包括:將每一時刻的傳感器數據進行濾波處理；分別使用第二範式來表徵每一時刻傳感器的數據；維護一個第二範式的隊列；將隊列中的第二範式序列進行傅立葉變換；計算其功率譜；從功率譜截取區分度較大的數據構成指紋向量；在頻率域上與預置的運動模式進行相似度比較；用相似度最高的預置運動模式的名稱對用戶的當前的運動模式進行標記。相應地，本發明實施例還公開了一種基於行動裝置傳感器數據的生活模式分析系統，所述系統包括:收集模塊，用於從行動裝置的各傳感器收集原始數據；預處理模塊，用於根據各傳感器的數據特點和能耗特點對原始數據進行數據預處理並獲得數據序列；駐留點處理模塊，用於根據駐留點檢測方式獲得駐留點序列；聚類分析模塊，用於對所述駐留點序列進行聚類分析，得到地點歷史序列；標記模塊，用於對地點歷史序列中的每一條數據進行興趣點搜索，並對地點歷史進行標記；判斷模塊，用於判斷用戶的身份是否已知，若否，則根據興趣點標記推斷用戶身份。優選地，所述收集模塊用於通用CoreLocation框架收集定位數據；通過CoreMo t i on框架收集來自加速度計、陀螺儀、電子羅盤的運動狀態原始數據。優選地，所述預處理模塊還用於對收集到的定位數據進行坐標變換；將變換後的坐標進行反向地理編碼；將用戶ID、經緯度、時間戳、運動模式、反向地理編碼結果以及記錄ID寫入資料庫中。優選地，所述預處理模塊還用於將每一時刻的傳感器數據進行濾波處理；分別使用第二範式來表徵每一時刻傳感器的數據；維護一個第二範式的隊列；將隊列中的第二範式序列進行傅立葉變換；計算其功率譜；從功率譜截取區分度較大的數據構成指紋向量；在頻率域上與預置的運動模式進行相似度比較；用相似度最高的預置運動模式的名稱對用戶的當前的運動模式進行標記。本發明可以運行在大多數人每天都隨身攜帶的智慧型手機上，具有較好的靈活性和可移植性；由於無需提前布設固定的傳感器網絡或攜帶額外的可穿戴設備，故用戶無需額外購置其他硬體設備，數據挖掘與分析的成本低廉，且較為方便；從行動裝置內置的各種傳感器來收集原始數據，且程序運行在後臺，用戶在進入軟體後不需執行任何額外的配置操作，操作簡便，能夠有效地免除了傳統事務提醒軟體中枯燥繁瑣的手工輸入過程，使得用戶移動終端的事務提醒功能更加智能化和自動化；另外，能夠有效地對用戶的生活行為模式、用戶身份等信息做出識別和推斷，進而自動針對用戶生成個性化的事務提醒方案，該提醒方案將針對用戶的行為軌跡進行相應的優化處理，有針對性地生成基於時間和基於位置的提醒，且隨著用戶生活模式的改變能夠自適應地進行事務提醒方案的調整，而不需額外的配置；並且，該方案實現的軟體可利用相應接口與系統內置提醒軟體相互交互，使得生成的事務提醒能夠自動同步到 用戶的其他設備上，較為方便，用戶體驗好。


為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對於本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其它的附圖。圖1是現有基於傳感器網絡的生活數據挖掘的基本架構示意圖；圖2是現有基於便攜設備傳感器數據的生活數據挖掘的基本架構示意圖；圖3本發明實施例的基於行動裝置傳感器數據的生活模式分析方法的流程示意圖；圖4是本發明實施例方法所涉及到的軟體基本架構示意圖；圖5是本發明實施例中定位數據的預處理過程的過程示意圖；圖6是本發明實施例中加速度計數據的處理過程的過程示意圖；圖7是本發明實施例中第二範式隊列的示意圖；圖8是本發明實施例中截取指紋信息的示意圖；圖9是本發明實施例中收集運動模式指紋信息的流程示意圖；圖10是本發明實施例中駐留點檢測過程示意圖；圖11是本發明實施例中基於中心點周邊POI關鍵詞搜索的不意圖；圖12是本發明實施例中基於中心點標記分類的用戶身份推斷的過程示意圖；圖13是本發明實施例中自動生成事務提醒的架構示意圖；圖14是本發明實施例的基於行動裝置傳感器數據的生活模式分析系統的結構組成示意圖。
具體實施例方式下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基於本發明中的實施例，本領域普通技術人員在沒有作出創造性勞動前提下所獲得的所有其他實施例，都屬於本發明保護的範圍。行動裝置中通常都內置有各種傳感器，它們記錄了大量的原始數據，有待從中發掘更有價值的信息。目前，大量用戶習慣於每天隨身攜帶智慧型手機或平板電腦，其傳感器數據很好地記錄了用戶的生活狀態和行為模式。在本發明中，從行動裝置中各傳感器收集到的原始數據入手，針對不同傳感器的特點，建立相應的數據處理的模型。首先對數據進行預處理，然後進行數據挖掘，從中提取用戶的生活模式，進而可以利用獲取的生活模式信息對用戶有針對性地提供各類服務。本發明方法及系統適用於目前絕大多數的移動智能終端，故具有較好的普適性。軟體為C-S架構，在移動設 備平臺上開發客戶端，在公有雲平臺上開發其伺服器端。首先，軟體由行動裝置內置的GPS、加速計、陀螺儀、麥克風、距離感應等傳感器收集信息，結合進程監控、基於社交網絡的文本分析等方式，獲取用戶信息並上傳至伺服器；伺服器端綜合分析所獲得的信息，進化數據集的信息，不斷靠近該用戶的生活模式，逐步訓練後可以自動為用戶生成基於時間和基於地點的個性化的提醒服務，並自動寫入內置提醒軟體。下面將結合圖3、圖4對本發明實施例的基於行動裝置傳感器數據的生活模式分析方法的實現過程進行詳細說明。圖3是本發明實施例的基於行動裝置傳感器數據的生活模式分析方法，如圖3所示，該方法包括:S301，從行動裝置的各傳感器收集原始數據；S302，根據各傳感器的數據特點和能耗特點對原始數據進行數據預處理並獲得數據序列；S303，根據駐留點檢測方式獲得駐留點序列；S304，對駐留點序列進行聚類分析，得到地點歷史序列；S305，對地點歷史序列中的每一條數據進行興趣點搜索，並對地點歷史進行標記；S306，判斷用戶的身份是否已知，若否，則根據興趣點標記推斷用戶身份，進而針對用戶身份再次進行更加精準的興趣點搜索過程。如圖4所示，以iOS平臺為例，闡述本發明實施例方法所涉及到的軟體基本架構。伺服器負責持久保存用戶數據，以便用戶方便地使用不同設備進行數據收集。CoreMotion框架負責獲取用戶的加速度計、陀螺儀和電子羅盤等傳感器的數據KoreLocation框架負責從蜂窩塔、W1-Fi接入點以及GPS衛星來獲取用戶的位置數據；ShareKit框架獲取用戶社交網絡帳戶發送的文本信息並上傳至SAE伺服器進行保存。當收集到足夠量的數據後，客戶端請求下載數據後在本地進行處理和分析。在S301中，在不同的智慧型手機平臺上有相應的接口，以iOS為例進行闡述。採用CoreLocation框架收集定位數據，定位數據包括蜂窩塔三角定位數據、W1-Fi節點資料庫查詢數據和GPS定位數據。根據不同的環境情況使用這三種方式中的一種或幾種，從而在保證較高精度的同時，也要保持較低的能耗。通過CoreMotion框架可以收集來自加速度計、陀螺儀、電子羅盤等傳感器的運動狀態原始數據。在本發明實施例中，定位數據的預處理過程如圖5所示，首先對收集到的定位原始數據進行坐標變換；然後將變換後的坐標進行反向地理編碼，用以輔助判斷；最後，將用戶ID、經緯度、時間戳、運動模式、反向地理編碼結果以及記錄ID寫入資料庫中。下面將具體針對其中的詳細進行闡述。具體實施中，將GPS收集到的地理坐標數據記為(latitude, longitude)。由於該數據是基於WGS-84坐標系的，而需要依照國家測繪局對地理坐標信息進行非線性加偏處理，以符合國測局的加密標準算法。變換後的坐標係為GCJ-02坐標系(Guojia CehuiJu-02Coordinate System),將變換後的坐標記為(latitude，，longitude』 );對變換後的坐標(latitude』 , longitude』)進行反向地理編碼(Reverse Geocoding),從而得到更加豐富的環境信息，諸如街道、建築物名稱等，記為(thoroughfare, building),這些環境信息對後期數據的分析以及對用戶位置的判斷起到輔助的作用；並將用戶ID、變換後的經緯度、時間戳、運動模式、反向地理編碼結果連同記錄ID —同寫入資料庫。另外，加速度計數據的處理過程如圖6所示。先將每一時刻的傳感器數據進行濾波處理；然後分別使用第二範式來表徵每一時刻傳感器的數據；動態地維護一個第二範式的隊列；再將隊列中的第二範式序列進行傅立葉變換；計算其功率譜；然後從功率譜截取區分度較大的數據構成指紋向量；進而在頻率域上與預置的運動模式進行相似度比較；最後，用相似度最高的預置運動模式的名稱對用戶的當前的運動模式進行標記。除時間戳外，收集到的加速度數據有三個維度，分別為該矢量在X、y、Z軸上的分量都為實數，在空間中進行正交分解所得到的三個分量分別記為accx、accY、accZ。考慮到在收集數據的過程中，並不能保證用戶攜帶設備的指向，故在具體實施中考慮將三個維度等同處理。然而由於 重力加速度(gravity)豎直向下，具有明確的方向性，故考慮通過設置高通濾波器(High-Pass Filter)來消除重力加速度對實驗數據的幹擾。將採樣率設為60Hz，將截止頻率設為5Hz，將濾波後的數據記為(accX，，accY』，accZ』)。由於不考慮設備本身的方位，所以此處採用計算濾波後數據的第二範式，它可以有效地反映出傳感器數據的瞬時特點，並能夠有效地降低數據維度，降低數據處理的複雜度，儘可能地減少資源受限的行動裝置的計算量開銷。將計算得到的第二範式的序列記為(2NF1, 2NF2,……，2NFn_l，2NFn)。以60Hz的頻率對加速度計進行採樣，將最近一秒內數據的第二範式不斷存入隊列(Queue)，圖7所示為第二範式隊列示意圖。在更新位置信息時，對隊列中的數據序列進行快速傅立葉變換，在算法中利用輸入信號都為實數的特點，對計算過程進行相應的簡化，傅立葉變換後的結果記為(freqO, freql,……，freqn/2+l)。接著對變換後的頻率數據計算出相應的功率譜，及功率序列為(powO, powl,......, pown/2+1 )0考慮到算法的空間複雜度等因素，這裡選取低頻率的若干數據作為運動模式的指紋(Fingerprint),用以標記該運動模式，圖8即為截取指紋信息的示意圖，記截取的指紋為(powO, powl, pow2, pow3, pow4)。
如圖9所示為收集運動模式指紋信息的基本流程圖。通過長時間收集數據求平均值的方式，對跳躍、奔跑、行走和靜止等常見的運動模式(Motion Pattern)的頻率譜特徵進行了計算和分析，將處理後的結果作為內置的運動模式保存起來。接著將功率譜作為一個向量，與內置運動模式的功率譜進行相似度計算。將採用基於歐幾裡得距離的相似度比較方法，將計算結果規約到(0，I]區間裡，計算公式為:
權利要求
1.一種基於行動裝置傳感器數據的生活模式分析方法，其特徵在於，所述方法包括: 從行動裝置的各傳感器收集原始數據； 根據各傳感器的數據特點和能耗特點對原始數據進行數據預處理並獲得數據序列； 根據駐留點檢測方式獲得駐留點序列； 對所述駐留點序列進行聚類分析，得到地點歷史序列； 對地點歷史序列中的每一條數據進行興趣點搜索，並對地點歷史進行標記； 判斷用戶的身份是否已知，若否，則根據興趣點標記推斷用戶身份。
2.如權利要求1所述的基於行動裝置傳感器數據的生活模式分析方法，其特徵在於，所述原始數據包括定位數據和運動狀態原始數據。
3.如權利要求2所述的基於行動裝置傳感器數據的生活模式分析方法，其特徵在於，所述從行動裝置的各傳感器收集原始數據的步驟包括:通用CoreLocation框架收集定位數據；通過CoreMotion框架收集來自加速度計、陀螺儀、電子羅盤的運動狀態原始數據。
4.如權利要求2或3所述的基於行動裝置傳感器數據的生活模式分析方法，其特徵在於，所述定位數據包括蜂窩塔三角定位數據、W1-Fi節點資料庫查詢數據和GPS定位數據。
5.如權利要求4所述的基於行動裝置傳感器數據的生活模式分析方法，其特徵在於，所述根據各傳感器的數據特點和能耗特點對原始數據進行數據預處理並獲得數據序列的步驟包括:對收集到的定位數據進行坐標變換；將變換後的坐標進行反向地理編碼；將用戶ID、經緯度、時間戳、運動模式、反向地理編碼結果以及記錄ID寫入資料庫中。
6.如權利要求4所述的基於行動裝置傳感器數據的生活模式分析方法，其特徵在於，所述根據各傳感器的數據特點和能耗特點對原始數據進行數據預處理並獲得數據序列的步驟包括:將每一時刻的傳感器數據進行濾波處理；分別使用第二範式來表徵每一時刻傳感器的數據；維護一個第二範式的隊列；將隊列中的第二範式序列進行傅立葉變換；計算其功率譜；從功率譜截取區分度較大的數據構成指紋向量；在頻率域上與預置的運動模式進行相似度比較；用相似度最高的預置運動模式的名稱對用戶的當前的運動模式進行標記。
7.一種基於行動裝置傳感器數據的生活模式分析系統，其特徵在於，所述系統包括: 收集模塊，用於從行動裝置的各傳感器收集原始數據； 預處理模塊，用於根據各傳感器的數據特點和能耗特點對原始數據進行數據預處理並獲得數據序列； 駐留點處理模塊，用於根據駐留點檢測方式獲得駐留點序列； 聚類分析模塊，用於對所述駐留點序列進行聚類分析，得到地點歷史序列； 標記模塊，用於對地點歷史序列中的每一條數據進行興趣點搜索，並對地點歷史進行標記； 判斷模塊，用於判斷用戶的身份是否已知，若否，則根據興趣點標記推斷用戶身份。
8.如權利要求7所述的基於行動裝置傳感器數據的生活模式分析系統，其特徵在於，所述收集模塊用於通用CoreLocation框架收集定位數據；通過CoreMotion框架收集來自加速度計、陀螺儀、電子羅盤的運動狀態原始數據。
9.如權利要求7所述的基於行動裝置傳感器數據的生活模式分析系統，其特徵在於，所述預處理模塊還用於對收集到的定位數據進行坐標變換；將變換後的坐標進行反向地理編碼；將用戶ID、經緯度、時間戳、運動模式、反向地理編碼結果以及記錄ID寫入資料庫中。
10.如權利要求6所述的基於行動裝置傳感器數據的生活模式分析系統，其特徵在於，所述預處理模塊還用於將每一時刻的傳感器數據進行濾波處理；分別使用第二範式來表徵每一時刻傳感器的數據；維護一個第二範式的隊列；將隊列中的第二範式序列進行傅立葉變換；計算其功率譜；從功率譜截取區分度較大的數據構成指紋向量；在頻率域上與預置的運動模式進行相似度比較；用相似度最高的預置運動模式的名稱對用戶的當前的運動模式進 行標記 。
全文摘要
本發明實施例公開了一種基於行動裝置傳感器數據的生活模式分析方法及系統，其中，該方法包括從行動裝置的各傳感器收集原始數據；根據各傳感器的數據特點和能耗特點對原始數據進行數據預處理並獲得數據序列；根據駐留點檢測方式獲得駐留點序列；對所述駐留點序列進行聚類分析，得到地點歷史序列；對地點歷史序列中的每一條數據進行興趣點搜索，並對地點歷史進行標記；判斷用戶的身份是否已知，若否，則根據興趣點標記推斷用戶身份。實施本發明實施例，可降低數據挖掘與分析的成本，並提高使用的靈活性，且具有可移植性，使用方便，提高用戶的體驗性。
文檔編號G06F17/30GK103218442SQ20131014172
公開日2013年7月24日 申請日期2013年4月22日 優先權日2013年4月22日
發明者羅笑南, 徐馳, 林格, 伍楷舜 申請人:中山大學