[发明专利]一种用户未来体重预测方法、装置、服务器及存储介质

权利要求书

1.一种用户未来体重预测方法，其特征在于，包括：

根据用户的历史体重数据生成指定周期长度的用户体重特征数据；

根据所述用户体重特征数据的周期长度选择对应的预先训练好的深度学习回归模型或线性模型并输入，输出用户未来预测时间段的预测体重数据。

2.根据权利要求1所述的用户未来体重预测方法，其特征在于，所述根据用户的历史体重数据生成指定周期长度的用户体重特征数据，包括：

获取用户的历史体重数据；

判断所述历史体重数据是否存在异常值；

若是，则清洗所述异常值，得到清洗后的历史体重数据；

根据所述清洗后的历史体重数据生成指定周期长度的用户体重特征数据。

3.根据权利要求1所述的用户未来体重预测方法，其特征在于，所述根据用户的历史体重数据生成指定周期长度的用户体重特征数据之前，还包括对多个基于不同周期长度的深度学习回归模型进行训练，所述对多个基于不同周期长度的深度学习回归模型进行训练包括：

采集大量用户的历史体重测量数据，将所述历史体重测量数据分成训练输入数据和对应的训练输出数据，所述训练输入数据基于不同周期长度设置，所述训练输出数据和训练输入数据对应且基于预测时间段设置；

根据所述训练输入数据生成多个周期长度的历史体重特征数据；

使用对应的所述训练输出数据对所述历史体重特征数据进行标记，以生成多个周期长度的训练样本集；

将所述多个周期长度的训练样本集的每个历史体重特征数据输入至对应周期长度的深度学习回归模型进行训练。

4.根据权利要求3所述的用户未来体重预测方法，其特征在于，所述对多个基于不同周期长度的深度学习回归模型进行训练之后，还包括对基于不同周期长度的深度学习回归模型进行检测，所述对基于不同周期长度的深度学习回归模型进行检测包括：

采集大量未用作模型训练的用户的历史体重测量数据，将所述历史体重测量数据分成检测输入数据和对应的检测输出数据，所述检测输入数据基于不同周期长度设置，所述检测输出数据和检测输入数据对应且基于预测时间段设置；

根据所述检测输入数据生成多个周期长度的历史体重特征数据；

使用对应的所述检测输出数据对所述历史体重特征数据进行标记，以生成多个周期长度的检测样本集；

将所述多个周期长度的检测样本集的所有历史体重特征数据输入至对应周期长度的深度学习回归模型进行预测，以输出检测数据的模型预测结果；

根据所述检测数据的模型预测结果与所述检测输出数据的匹配程度，确认每个周期长度的深度学习回归模型是否需要继续训练。

5.根据权利要求3或4任一所述的用户未来体重预测方法，其特征在于，所述采集大量用户的历史体重测量数据之后或所述采集大量未用作模型训练的用户的历史体重测量数据之后，包括：

判断所述历史体重测量数据中的每日体重测量数据是否存在异常值；

若是，则清洗所述异常值，并通过前后日期数据取均值的方式进行填充；

判断所述每日体重测量数据是否存在缺失；

若是，则通过前后日期数据取均值的方式进行填充。

6.根据权利要求3或4任一所述的用户未来体重预测方法，其特征在于，所述用户体重特征数据和所述历史体重特征数据都为三维时序数组，其中，所述三维时序数组的三个维度分别为用户名、日期、体重值。

7.根据权利要求1所述的用户未来体重预测方法，其特征在于，所述线性模型是当输入数据周期长度小于预设值时才会选用，且此线性模型不需要提前训练。

8.一种用户未来体重预测装置，其特征在于，包括：

数据生成单元，用于根据用户的历史体重数据生成指定周期长度的用户体重特征数据；

数据预测单元，用于根据所述用户体重特征数据的周期长度选择对应的预先训练好的深度学习回归模型或线性模型并输入，输出用户未来预测时间段的预测体重数据。