[发明专利]网络行为预测模型的构建方法及装置、网络行为预测方法

说明书

本发明提供了一种网络行为预测模型的构建方法及装置、网络行为预测方法，其中的预测模型的构建方法包括：首先收集网络行为历史数据；并对网络行为历史数据进行预处理；然后采用预设聚类算法FCM对预处理后的网络行为历史数据进行聚类，构建网络行为训练集；再将网络行为训练集输入最小二乘支持向量机LSSVM进行训练，并查找LSSVM的优化参数；最后基于优化参数，构建网络行为预测模型。本发明实现了对用户网络行为进行预测并提高预测准确性的技术效果。

技术领域

本发明涉及行为识别技术领域，具体涉及一种网络行为预测模型的构建方法及装置、网络行为预测方法。

背景技术

人体行为识别是一种通过获取和分析人体行为相关数据，判断人体行为状态的技术。通过获知人体基础行为活动，该技术能够为运动追踪、健康监测、跌倒检测、老年人监护、病人恢复训练、复杂行为识别、辅助工业制造、人机交互、增强现实、室内定位及导航、个人特征识别、城市化计算等众多领域的研究和应用提供人体相关信息，因此具有重要的应用价值和研究意义。

现有技术中，通常采用移动设备(例如传感器、GPS、六轴陀螺仪等)来采集人体的相关数据，然后通过识别模型来进行人体行为的识别。

本发明申请人在实施本发明的过程中，发现现有技术中至少存在如下技术问题：

现有方法中，仅能识别人体的运动行为，例如走路、跑步、静止等，而无法对人体的其他行为进行识别或预测，且缺乏对行为预测进行准确预测的模型。

由此可知，现有技术中存在无法对用户的网络行为进行预测或者进行准确预测的问题。

发明内容

有鉴于此，本发明实施例提供了一种网络行为预测模型的构建方法及装置、网络行为预测方法，用以解决或者至少解决现有技术中存在无法对用户的网络行为进行预测或者进行准确预测的问题。

本发明第一方面提供了一种网络行为预测模型的构建方法，包括：

步骤S1：收集网络行为历史数据；

步骤S2：对网络行为历史数据进行预处理；

步骤S3：采用预设聚类算法FCM对预处理后的网络行为历史数据进行聚类，构建网络行为训练集；

步骤S4：将网络行为训练集输入最小二乘支持向量机LSSVM进行训练，并查找LSSVM的优化参数；

步骤S5：基于优化参数，构建网络行为预测模型。

在一种实施方式中，步骤S1中，网络行为历史数据包括以下信息中的一种或多种：

GPS信息、移动信息、时间信息和使用信息。

在一种实施方式中，步骤S2，具体包括采用公式(1)对网络行为历史数据进行预处理，

x'＝(x-x_min)/(x_max-x_min) (1)

其中，x'表示预处理后的网络行为历史数据，x表示收集的网络行为历史数据，x_max和x_min分别表示预设的数据规模上界和下界。

在一种实施方式中，步骤S3具体包括：

步骤S3.1：根据公式(2)计算隶属度矩阵：

步骤S3.2：计算价值函数J，判断J是否小于阈值R，如果小于则终止，得到聚类中心C、模糊隶属度矩阵U和距离矩阵D，执行步骤S3.4，否则执行步骤S3.3；

步骤S3.3：根据式(3)重新计算聚类中心Ci：