[发明专利]一种基于打卡数据的用户打卡地点预测方法及装置

说明书

本发明提供一种基于打卡数据的用户打卡地点预测方法及装置。其中，该方法包括：确定待分析的打卡数据，将打卡数据作为测试集输入至预设的孤立森林模型中，获得所述孤立森林模型输出的用户的异常打卡地点数据；或者基于协同过滤模型对打卡数据进行分析，得到用户之间打卡地点和频率的相似度数据，将待预测用户对应的标识信息输入到所述协同过滤模型，根据打卡地点和频率的相似度高低，确定与所述待预测用户对应的目标用户，并基于所述目标用户对待预测用户的实际打卡地点进行预测。采用本发明公开的方法，能够通过分析用户的各种打卡行为特征及时发现用户的异常行为，对用户在不同时段可能去的地点进行提前预测，有效提高了预测效率和预测精度。

技术领域

本发明涉及大数据分析技术领域，具体涉及一种基于打卡数据的用户打卡地点预测方法和装置。另外，还涉及一种电子设备及非暂态计算机可读存储介质。

背景技术

随着大数据、人工智能等新技术快速发展，针对特定范围(比如学校范围或者工厂园区范围)内用户行为特征进行分析和异常行为检测成为了当前研究的重点内容。比如通过描述性统计分析、T分布随机邻域嵌入算法、基于机器学习的聚类算法、基于密度峰度的聚类算法、RBM模型和DBN模型以及基于BGLL算法的异常行为分析，可实现对用户的打卡数据、消费数据、充值数据、网络浏览数据等进行挖掘和分析。其中，利用描述性统计的频数分析和交叉频数分析能够反映数据之间的差异程度，检验数据的异常值；利用T分布领域嵌入算法可以将数据进行降维处理；利用聚类算法对用户进行分类，确定各类用户的行为特征；利用BGLL算法能够分析各类用户学习行为特征；利用DBN模型和RBM模型能够分析用户的兴趣特征，监控用户异常行为等，从而可对用户进行有针对性的教育引导。

目前用户行为特征和异常点检测方法，大部分是对用户行为的分析研究，主要针对用户的就餐或消费等数据进行特征分析，研究用户的成绩、兴趣、心理等方面的影响。然而，其在数据方面的局限性较大，不能有效分析用户的各种行为特征。现有技术缺少对用户异常行为的发现以及缺少对用户每日在不同时段可能去的地点进行提前预测，从而及时进行有针对性的教育引导。因此如何设计一种及时、有效的基于打卡数据的用户打卡地点预测方案成为本领域研究的重要课题。

发明内容

为此，本发明提供一种基于打卡数据的用户打卡地点预测方法及装置，以解决现有技术中存在的用户行为特征和异常点检测方法，局限性较高，预测效率和精度较差，导致无法满足实际使用需求的问题。

本发明提供一种基于打卡数据的用户打卡地点预测方法，包括：确定待分析的打卡数据；将所述待分析的打卡数据作为测试集输入至预设的孤立森林模型中，获得所述孤立森林模型输出的用户的异常打卡地点数据；其中，所述孤立森林模型是以样本打卡数据、所述样本打卡数据对应的样本分析结果预先训练得到的。

进一步的，所述的基于打卡数据的用户打卡地点预测方法，还包括：获取目标用户预设时间段内的打卡数据集；将所述打卡数据集中的打卡数据按照打卡地点的不同进行分类处理；分类处理完成后，提取预设数量的样本打卡数据；将所述样本打卡数据作为训练样本集对初始孤立森林模型进行训练，得到所述孤立森林模型。

进一步的，所述的基于打卡数据的用户打卡地点预测方法，还包括：基于当前打异常卡地点数据和地点相关性特征，预测下一个相关的异常打卡地点，确定目标用户对应的异常行为轨迹。

本发明还提供一种基于打卡数据的用户打卡地点预测方法，包括：

确定待分析的打卡数据；

基于预设的协同过滤模型对所述待分析的打卡数据进行分析，得到用户之间打卡地点和频率的相似度数据；

将待预测用户对应的标识信息输入到所述协同过滤模型，根据打卡地点和频率的相似度高低，确定与所述待预测用户对应的打卡地点和频率相似的目标用户；

基于所述目标用户对应的打卡地点数据，对所述待预测用户的实际打卡地点进行预测，得到相应的预测打卡地点。