[发明专利]基于大数据深度学习的个人时空协同预测方法和机器人

权利要求书

1.一种人工智能方法，其特征在于，所述方法包括：

个人预测深度学习模型构建步骤：初始化多个深度学习神经网络模型作为多个个人预测深度学习模型，将每一时间每一空间的每一个人的个人数据作为输入，将所述每一时间所述每一空间的所述每一个人预期结果作为输出，对所述每一时间所述每一空间的个人预测深度学习模型进行第一训练，不同的个人预测深度学习模型的参数根据预设进行共享或部分共享或不共享；在使用时，将每一时间每一空间的每一个人的数据作为输入，通过所述每一时间所述每一空间的个人预测深度学习模型的计算，得到的输出作为所述每一时间所述每一空间的所述每一个人预测结果；

多人空间预测深度学习模型构建步骤：针对每一时间，将所述每一时间的每一空间的所有个人预测深度学习模型的特征数据集合、空间信息作为输入，将所述每一时间所述每一空间的预期结果作为输出，对所述每一时间的多人空间预测深度学习模型进行训练，得到所述每一时间的多人空间预测深度学习模型；在使用时，每一时间每一空间的所有人的空间信息、个人数据作为输入，通过多人空间预测深度学习模型的计算，得到的输出作为所述每一时间所述每一空间的预测结果；

多人时间预测深度学习模型构建步骤：针对每一空间，将所述每一空间的每一时间的个人预测深度学习模型的特征数据集合、时间信息作为输入，将所述每一时间所述每一空间的预期结果作为输出，对所述每一空间的多人时间预测深度学习模型进行训练，得到所述每一空间的多人时间预测深度学习模型；在使用时，每一时间每一空间的时间信息、所有人个人数据作为输入，通过多人时间预测深度学习模型的计算，得到的输出作为所述每一时间所述每一空间的预测结果；

多人时空预测深度学习模型构建步骤：将每一时间每一空间的所有人个人预测深度学习模型的特征数据集合、时间信息、空间信息作为输入，将所述每一时间所述每一空间的预期结果作为输出，对所述多人时空预测深度学习模型进行训练，得到多人时空预测深度学习模型；在使用时，每一时间每一空间的时间信息、所有个人数据作为输入，通过多人时空预测深度学习模型的计算，得到的输出作为所述每一时间所述每一空间的预测结果。

2.根据权利要求1所述的人工智能方法，其特征在于，所述方法还包括：

个人空间预测深度学习模型第一构建步骤：初始化多个深度学习神经网络模型作为个人空间深度学习预测模型，将每一时间的每一空间每个个人的空间信息和个人数据作为输入，将所述每一时间的所述每一空间的所述每一个人预期结果作为输出，对所述每一时间的个人空间预测深度学习模型进行第二训练，不同的个人空间预测深度学习模型的参数根据预设进行共享或部分共享或不共享；

个人空间预测深度学习模型第二构建步骤：将每一时间每一空间的个人预测深度学习模型的预设隐层的特征数据输入到所述每一时间的个人空间深度学习预测模型进行第三训练；不同的个人空间预测深度学习模型的参数根据预设进行共享或部分共享或不共享；

训练方式第一设置步骤：第二训练和第三训练可以先后进行，也可以交叉进行，或采用预设的方式组合进行，通过第二训练和第三训练得到所述每一时间的个人空间预测深度学习模型；

个人空间预测深度学习模型使用步骤：在使用时，将每一时间的每一空间每个个人的空间信息和个人数据作为输入，通过所述每一时间的个人空间预测深度学习模型的计算，得到的输出作为所述每一时间的所述每一空间的所述每一个人预测结果；

个人时空预测深度学习模型第一构建步骤：初始化多个深度学习神经网络模型作为个人时空预测深度学习模型，将每一时间每一空间每个个人的时间信息和空间信息和个人数据作为输入，将所述每一时间所述每一空间的所述每一个人预期结果作为预期输出，对个人时空预测深度学习模型进行第四训练；不同的个人时空预测深度学习模型的参数根据预设进行共享或部分共享或不共享；

个人时空预测深度学习模型第二构建步骤：将每一时间的个人空间预测深度学习模型的预设隐层作为输入，将所述每一时间所述每一空间的所述每一个人预期结果作为预期输出，对个人时空预测深度学习模型进行第五训练；不同的个人时空预测深度学习模型的参数根据预设进行共享或部分共享或不共享；

训练方式第二设置步骤：第四训练和第五训练可以先后进行，也可以交叉进行，或采用预设的方式组合进行，通过第四训练和第五训练得到个人时空预测深度学习模型；

个人时空预测深度学习模型第一使用步骤：在使用时，将每一时间每一空间每个个人的时间信息和空间信息和个人数据作为输入，通过所述个人时空预测深度学习模型的计算，得到的输出作为所述每一时间所述每一空间的所述每一个人预测结果；

训练方式第三设置步骤：第一训练、第三训练和第五训练可以先后进行，也可以交叉进行，或采用预设的方式组合进行，通过第一训练、第三训练和第五训练得到所述每一时间所述每一空间的个人预测深度学习模型。