技术新讯 > 计算推算,计数设备的制造及其应用技术 > 一种多用户多模态行为轨迹预测方法、装置以及处理设备  >  正文

一种多用户多模态行为轨迹预测方法、装置以及处理设备

  • 国知局
  • 2024-11-06 14:47:34

本申请涉及用户行为预测领域,具体涉及一种多用户多模态行为轨迹预测方法、装置以及处理设备。

背景技术:

1、近年来互联网、物联网、云计算等技术的发展,由信息社会逐渐进入大数据时代,数据呈现出海量、多维以及异构等特点,特别是大数据的典型特征日益凸显,如数据规模大(volume)、类型多(variety)、产生速度快(velocity)、数据不完整(veracity)、价值密度低(value)等。

2、已有的数据处理方法往往是在数据预处理阶段,将多维数据组织成向量的形式进行分析,这不仅破坏了数据的原始结构,而且也带来了数据向量化表示的维度灾难,对高维数据利用张量理论进行表示,既能保持复杂数据类型的内在结构又可以有效的提取核心数据,而在原始张量上进行大数据分析往往会带来维度灾难问题。

3、在大数据时代,利用海量历史数据对用户未来行为的预测成为当下学者讨论的热点,作为一种经典的预测模型,马尔科夫模型是根据历史数据,预测未来等时间间隔点上的各类事件状态转移情况,由传统的单一因素取决前一个状态变为多个因素取决前多个状态,就形成了多元多阶马尔科夫模型,这种多阶(或高阶)马尔科夫链在各种应用领域中也得到了越来越多的关注。根据多元多阶马尔可夫模型的特性,一般是通过z-特征分解得到特征张量,利用特征张量的top-k的概率值来进行预测。

4、然而,本申请发明人发现:一般的多元多阶马尔科夫模型仅适用于单个用户,却忽略了不同用户之间的相互影响,鉴于社会关系理论认知,人的移动行为模式是会受到他人的潜在影响的,因此单用户多元多阶马尔可夫模型难以满足精准预测的要求。

5、同时,大数据时代的预测具有多模态特性,传统马尔科夫链的预测系统是在矩阵空间进行实现,难以满足不同情境下的多模态预测需求。

6、此外,大数据时代的数据量非常巨大,传统的串行计算方法异常耗时,难以满足实际的时间响应需求。

7、也就是说,传统的马尔科夫模型应用方案是难以满足现今高效且高精度的用户行为预测需求的。

技术实现思路

1、本申请提供了一种多用户多模态行为轨迹预测方法、装置以及处理设备,用于在马尔科夫模型的基础上,结合了张量链分解,并通过关注用户之间的相互影响,来预测多用户多模态行为轨迹,如此配置的多用户多模态行为轨迹预测模型可以有效满足高效且高精度的多用户多模态行为轨迹预测需求。

2、第一方面,本申请提供了一种多用户多模态行为轨迹预测方法,方法包括:

3、在触发多用户多模态行为轨迹预测任务后,获取不同用户的用户数据;

4、将用户数据输入预先配置的多用户多模态行为轨迹预测模型,使得多用户多模态行为轨迹预测模型进行相应的多用户多模态行为轨迹预测处理,其中,多用户多模态行为轨迹预测处理在马尔科夫模型的基础上,结合张量链分解,并通过关注用户之间的相互影响,来预测多用户多模态行为轨迹;

5、提取多用户多模态行为轨迹预测模型输出的不同用户的多用户多模态行为轨迹预测结果。

6、第二方面,本申请提供了一种多用户多模态行为轨迹预测装置,装置包括:

7、数据获取单元,用于在触发多用户多模态行为轨迹预测任务后,获取不同用户的用户数据;

8、行为预测单元,用于将用户数据输入预先配置的多用户多模态行为轨迹预测模型,使得多用户多模态行为轨迹预测模型进行相应的多用户多模态行为轨迹预测处理,其中,多用户多模态行为轨迹预测处理在马尔科夫模型的基础上,结合张量链分解,并通过关注用户之间的相互影响,来预测多用户多模态行为轨迹;

9、结果提取单元,用于提取多用户多模态行为轨迹预测模型输出的不同用户的多用户多模态行为轨迹预测结果。

10、第三方面,本申请提供了一种处理设备,包括处理器和存储器,存储器中存储有计算机程序,处理器调用存储器中的计算机程序时执行本申请第一方面或者本申请第一方面任一种可能的实现方式提供的方法。

11、第四方面,本申请提供了一种计算机可读存储介质,计算机可读存储介质存储有多条指令,指令适于处理器进行加载,以执行本申请第一方面或者本申请第一方面任一种可能的实现方式提供的方法。

12、从以上内容可得出,本申请具有以下的有益效果:

13、本申请针对于本申请在马尔科夫模型的基础上,结合了张量链分解,并通过关注用户之间的相互影响,来预测多用户多模态行为轨迹,如此配置的多用户多模态行为轨迹预测模型,在输入触发多用户多模态行为轨迹预测任务的不同用户的用户数据之后,可以高效地获得不同用户的、高精度的多用户多模态行为轨迹预测结果,有效满足高效且高精度的多用户多模态行为轨迹预测需求。

技术特征:

1.一种多用户多模态行为轨迹预测方法,其特征在于,所述方法包括:

2.根据权利要求1所述的方法,其特征在于,所述多用户多模态行为轨迹预测模型包括以下配置内容:

3.根据权利要求2所述的方法,其特征在于,所述用户影响力权重矩阵包括以下处理内容:

4.根据权利要求2所述的方法,其特征在于,所述并行执行方案先垂直并行再水平并行执行统一乘,包括以下处理内容:

5.根据权利要求2所述的方法,其特征在于,所述多用户多元多阶马尔科夫转移模型的并行计算转移过程,包括以下处理内容:

6.根据权利要求2所述的方法,其特征在于,所述水平操作具体采用二分并行模式或者两端并行模式。

7.根据权利要求6所述的方法,其特征在于,所述水平操作具体采用所述两端并行模式。

8.一种多用户多模态行为轨迹预测装置,其特征在于,所述装置包括:

9.一种处理设备,其特征在于,包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器调用所述存储器中的计算机程序时执行如权利要求1至7任一项所述的方法。

10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有多条指令,所述指令适于处理器进行加载,以执行权利要求1至7任一项所述的方法。

技术总结本申请提供了一种多用户多模态行为轨迹预测方法、装置以及处理设备,用于在马尔科夫模型的基础上,结合了张量链分解,并通过关注用户之间的相互影响,来预测多用户多模态行为轨迹,如此配置的多用户多模态行为轨迹预测模型可以有效满足高效且高精度的多用户多模态行为轨迹预测需求。方法包括:在触发多用户多模态行为轨迹预测任务后,获取不同用户的用户数据;将用户数据输入预先配置的多用户多模态行为轨迹预测模型,多用户多模态行为轨迹预测处理在马尔科夫模型的基础上,结合张量链,并通过关注用户之间的相互影响,来预测多用户多模态行为轨迹;提取多用户多模态行为轨迹预测模型输出的不同用户的多用户多模态行为轨迹预测结果。技术研发人员:刘华中,王家玮,丁继红,尹晓雪,李仁,周晓彤受保护的技术使用者:海南大学技术研发日:技术公布日:2024/11/4

本文地址:https://www.jishuxx.com/zhuanli/20241106/324148.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。