[发明专利]一种数据预测模型建立方法及其设备、存储介质、服务器

说明书

本发明实施例公开一种数据预测模型建立方法及其设备、存储介质、服务器，其中方法包括如下步骤：获取第一用户标识对应的第一历史数据点集合，并所述第一用户标识在所述第一历史数据点集合中的第一分布参数；基于第一历史数据点集合检测第二用户标识在第一历史数据点集合中的第二分布参数；获取第二用户标识的第二历史数据点集合，并获取第二历史数据点集合中的当前历史数据点的时间分布参数和位置分布参数；采用第一分布参数、第二分布参数、时间分布参数以及位置分布参数生成针对第二用户标识的数据预测模型。采用本发明，可以较好地描述用户移动规律的周期性和长时相关性，提高对移动状态预测的准确性。

技术领域

本发明涉及计算机技术领域，尤其涉及一种数据预测模型建立方法及其设备、存储介质、服务器。

背景技术

随着互联网技术的不断发展，智能手机、平板电脑等智能设备中安装的很多终端应用(例如，交互应用、电子地图等)都可以根据用户的移动规律预测用户的将来移动状态，即可以预测用户在给定时间可能所处的位置或者在给定位置可能对应的时间，进而相关的终端应用可以向用户进行信息定点推送或者精准广告投放。例如，早上8点张某在居民楼B开启某打车APP时，该APP可以预测到张某可能在9点是到达办公楼C，该APP可以向张某发送办公楼附近的早餐信息推荐。

现有技术中，马尔可夫模型(Markov Model)或卡尔曼滤波(Kalman filtering)模型都可以作为预测用户移动状态的数据预测模型，通过用户的前一状态完成对用户移动状态的预测，然而，由于马尔可夫模型和卡尔曼滤波模型均是采用用户的前一状态完成对将来移动状态的预测，对于具有较强周期性的用户移动行为(例如，每天的通勤行为、每周工作日双休日切换的行为)，上述两种数据预测模型无法对用户移动规律的周期性和长时相关性进行描述，从而会影响对移动状态预测的准确性。

发明内容

本发明实施例提供一种数据预测模型建立方法及其设备、存储介质、服务器，通过大量用户的历史轨迹数据的集合分析大量用户的移动规律以及单个用户的移动规律，可以较好地描述用户移动规律的周期性和长时相关性，提高对移动状态预测的准确性。

本发明实施例第一方面提供了一种数据预测模型建立方法，可包括：

获取第一用户标识对应的第一历史数据点集合，并获取所述第一用户标识在所述第一历史数据点集合中的第一分布参数，所述第一历史数据点集合中的各历史数据点包括时间状态和位置状态；

基于所述第一历史数据点集合检测第二用户标识在所述第一历史数据点集合中的第二分布参数；

获取所述第二用户标识的第二历史数据点集合，并获取所述第二历史数据点集合中的当前历史数据点的时间分布参数和位置分布参数；

采用所述第一分布参数、所述第二分布参数、所述时间分布参数以及所述位置分布参数生成针对所述第二用户标识的数据预测模型。

在一种可能的设计中，所述获取所述第二历史数据点集合中的当前历史数据点的时间分布参数和位置分布参数，包括：

检测所述第二历史数据点集合中的当前历史数据点所属的数据点类型；

根据所述数据点类型并采用参数学习算法，获取所述当前历史数据点的时间状态对应的时间分布参数和所述当前历史数据点的位置状态对应的位置分布参数。

在一种可能的设计中，所述检测所述第二历史数据点集合中的当前历史数据点所属的数据点类型，包括：

将所述第一历史数据点集合中的各历史数据点进行数据点分类，获取数据点分类后的数据点类型集合；

检测所述数据点类型集合中各数据点类型对应的历史数据点与所述第二历史数据点集合中的当前数据点之间的相似度概率，根据所述相似度概率确定所述当前数据点所属的数据点类型。

在一种可能的设计中，还包括：