一种基于行为识别的在岗状态监测方法与流程

1.本发明涉及在岗监测技术领域，具体涉及一种基于行为识别的在岗状态监测方法。


背景技术：

2.各行各业中，都存在需要人员值班监控的情形，例如消防监控领域、物流监控领域、物业监控领域、危化品企业的运输储存等监控领域，人员监控领域中，值班人员需要具备一定的资质，通过技术认定考核获得证书后方可上岗。而且，针对不同区域，人员监控的值班人员数量和值班时间都有特定的安排，以确保值班室内的值班人员能应对可能出现的情况。
3.机器学习(ml)是人工智能的一个重要组成部分，它更加强调预测结果的准确性，与传统统计相比，它可能会揭示数据中以前未检测到的变量。近年来越来越多的研究试图使用工作时的在岗状态监测，但很少建立出可靠的ml预测模型。现有对在岗状态监测时，评估在岗状态的特征参数选取偏向于普遍特征，未考虑个体差异性产生的特异性特征，因此造成个性化行为难以得到识别，导致预测准确性低，而且在岗状态评估模型的固化，导致模型无法与在岗状态监测全过程中的评估需求进行自适应适配，模型的适用性不足。


技术实现要素：

4.本发明的目的在于提供一种基于行为识别的在岗状态监测方法，以解决现有技术中评估在岗状态的特征参数选取偏向于普遍特征，未考虑个体差异性产生的特异性特征，因此造成个性化行为难以得到识别，导致预测准确性低，而且在岗状态评估模型的固化，导致模型无法与在岗状态监测全过程中的评估需求进行自适应适配，模型的适用性不足的技术问题。
5.为解决上述技术问题，本发明具体提供下述技术方案：
6.一种基于行为识别的在岗状态监测方法，包括以下步骤：
7.步骤s1、监测目标对象的行为画像，将目标对象的行为画像进行行为标记得到行为属性，行为属性包括共性化行为和个性化行为；
8.步骤s2、将行为画像依据行为属性分为共性化行为画像和个性化行为画像，基于共性化行为画像构建在岗状态共性化识别模型，基于个性化行为画像构建在岗状态个性化识别模型；
9.步骤s3、设定在岗状态个性化识别模型和在岗状态共性化识别模型的适应性权重，依据适应性权重对岗状态个性化识别模型和在岗状态共性化识别模型进行组合得到最优在岗状态识别模型，以实现对岗状态监测泛化性和准确性的自适应适配。
10.作为本发明的一种优选方案，所述行为画像包括工作行为图像、工作设备日志、考勤系统日志。
11.作为本发明的一种优选方案，所述将目标对象的行为画像进行行为标记得到行为
属性，包括：
12.在所有目标对象的行为画像中依次对每个行为画像进行均衡性量化，所述均衡性量化的公式为：
[0013][0014]
式中，pi为第i个行为画像的均衡性，si为第i个行为画像，sj为第j个行为画像，i，j为计数变量，n为行为画像的总数量；
[0015]
基于均衡性量化结果对行为画像进行行为标记，其中，
[0016]
当行为画像的均衡性高于预设值，则将行为画像的行为属性标记为个性化行为；
[0017]
当行为画像的均衡性低于或等于预设值，则将行为画像的行为属性标记为共性化行为。
[0018]
作为本发明的一种优选方案，所述将行为画像依据行为属性分为共性化行为画像和个性化行为画像，包括：
[0019]
将个性化行为对应的行为画像作为个性化行为画像；
[0020]
将共性化行为对应的行为画像作为共性化行为画像。
[0021]
作为本发明的一种优选方案，所述基于共性化行为画像构建在岗状态共性化识别模型，包括：
[0022]
对共性化行为画像中进行在岗状态的人工标记；
[0023]
将共性化行为画像作为cnn神经网络的第一输入项，将共性化行为画像对应的在岗状态作为cnn神经网络的第一输出项；
[0024]
利用cnn神经网络对第一输入项和第一输出项进行网络训练得到所述在岗状态共性化识别模型；
[0025]
所述在岗状态共性化识别模型的模型表达式为：
[0026]
labela＝cnn(sa)；
[0027]
式中，labela为共性化行为画像对应的在岗状态，sa为共性化行为画像，cnn为cnn神经网络。
[0028]
作为本发明的一种优选方案，所述基于个性化行为画像构建在岗状态个性化识别模型，包括：
[0029]
对个性化行为画像中进行在岗状态的人工标记；
[0030]
将个性化行为画像作为cnn神经网络的第二输入项，将个性化行为画像对应的在岗状态作为cnn神经网络的第二输出项；
[0031]
利用cnn神经网络对第二输入项和第二输出项进行网络训练得到所述在岗状态个性化识别模型；
[0032]
所述在岗状态个性化识别模型的模型表达式为：
[0033]
labelb＝cnn(sb)；
[0034]
式中，labelb为个性化行为画像对应的在岗状态，sb为个性化行为画像，cnn为cnn神经网络。
[0035]
作为本发明的一种优选方案，所述设定在岗状态个性化识别模型和在岗状态共性
化识别模型的适应性权重，包括：
[0036]
设定在岗状态共性化识别模型和在岗状态个性化识别模型的适应性权重，所述适应性权重的函数表达式为：
[0037][0038][0039]
式中，a
t
为第t个时序处在岗状态共性化识别模型的适应性权重，b
t
为第t个时序处在岗状态个性化识别模型的适应性权重，d为行为画像的总数量，m
t
为第t个时序处得到在岗状态的模型预测值符合真实情况的行为画像的数据长度，n为模型预测总时序数，t为模型预测时序值，r
t
为第t个时序处在岗状态个性化识别模型得到的在岗状态的模型预测值符合真实情况的行为画像的数据长度，ri为第t个时序处在岗状态共性化识别模型得到的在岗状态的评价数据符合真实情况的行为画像的数据长度，m
t
＝r
t
+r
t
。
[0040]
作为本发明的一种优选方案，所述依据适应性权重对岗状态个性化识别模型和在岗状态共性化识别模型进行组合得到最优在岗状态识别模型，包括：
[0041]
将在岗状态共性化识别模型和在岗状态个性化识别模型的适应性权重对在岗状态共性化识别模型和在岗状态个性化识别模型进行加权组合得到最优在岗状态识别模型，所述最优在岗状态识别模型的函数表达式为：
[0042]
label
t
＝a
t
*labela
t
+b
t
*labelb
t
；
[0043]
式中，label
t
为第t个时序处得到在岗状态，labela
t
为在岗状态共性化识别模型在第t个时序处得到在岗状态的预测值，labelb
t
为在岗状态个性化识别模型在第t个时序处得到在岗状态的预测值。
[0044]
作为本发明的一种优选方案，所述工作行为图像、工作设备日志、考勤系统日志在均衡化量化前进行归一化处理。
[0045]
作为本发明的一种优选方案，所述在岗状态包括正常在岗状态、异常在岗状态和非在岗状态。
[0046]
本发明与现有技术相比较具有如下有益效果：
[0047]
本发明将行为画像依据行为属性分为共性化行为画像和个性化行为画像，基于共性化行为画像构建在岗状态共性化识别模型，基于个性化行为画像构建在岗状态个性化识别模型，在评估在岗状态的特征参数选取分别偏向于共性化特征和个性化特征，在整体在岗状态评估上考虑个体差异性产生的特异性特征，提高个性化行为的识别能力，提高预测准确性，设定在岗状态个性化识别模型和在岗状态共性化识别模型的适应性权重，依据适应性权重对岗状态个性化识别模型和在岗状态共性化识别模型进行组合得到最优在岗状态识别模型，避免在岗状态评估模型的固化，导致模型无法与在岗状态监测全过程中的泛化性和准确性需求进行自适应适配，提高模型的适用性。
附图说明
[0048]
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方
式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
[0049]
图1为本发明实施例提供的基于行为识别的在岗状态监测方法流程图。
具体实施方式
[0050]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0051]
近年来越来越多的研究试图使用工作时的在岗状态监测，但很少建立出可靠的ml预测模型。现有对在岗状态监测时，评估在岗状态的特征参数选取偏向于普遍特征，未考虑个体差异性产生的特异性特征，因此造成个性化行为难以得到识别，导致预测准确性低，而且在岗状态评估模型的固化，导致模型无法与在岗状态监测全过程中的评估需求进行自适应适配，模型的适用性不足，本发明提供了一种基于行为识别的在岗状态监测方法，在评估在岗状态的特征参数选取分别偏向于共性化特征和个性化特征，在整体在岗状态评估上考虑个体差异性产生的特异性特征，提高个性化行为的识别能力，提高预测准确性，而且避免在岗状态评估模型的固化，导致模型无法与在岗状态监测全过程中的泛化性和准确性需求进行自适应适配，提高模型的适用性。
[0052]
如图1所示，本发明提供了一种基于行为识别的在岗状态监测方法，包括以下步骤：
[0053]
步骤s1、监测目标对象(企业工作人员)的行为画像，将目标对象的行为画像进行行为标记得到行为属性，行为属性包括共性化行为和个性化行为；
[0054]
步骤s2、将行为画像依据行为属性分为共性化行为画像和个性化行为画像，基于共性化行为画像构建在岗状态共性化识别模型，基于个性化行为画像构建在岗状态个性化识别模型；
[0055]
步骤s3、设定在岗状态个性化识别模型和在岗状态共性化识别模型的适应性权重，依据适应性权重对岗状态个性化识别模型和在岗状态共性化识别模型进行组合得到最优在岗状态识别模型，以实现对岗状态监测泛化性和准确性的自适应适配。
[0056]
行为画像包括工作行为图像、工作设备日志、考勤系统日志，其中，工作行为图像包括工作人员在过程中被拍摄到的行为图像，工作设备日志包括网页浏览记录、电脑操作日志等等，考勤系统日志主要记录上下班打卡记录。
[0057]
本发明在利用行为识别对工作人员的在岗状态监测时，分别提取出符合全体人员的共性化行为以及专属个体人员的个性化行为，共性化行为比如程序员端坐在电脑前进行编程，咖啡师在咖啡机前进行调配，其中端坐敲击键盘、电脑设备操作日志为编程软件的编程日志均属于程序员正常在岗状态的共性化行为，咖啡师调配咖啡、咖啡机操作日志均属于咖啡师正常在岗状态的共性化行为，利用共性化行为进行在岗状态的监测能够适用于大部分工作人员，具有全体泛化性但精度不足，在共性化行为中结合个性化行为，可以避免由于个人的工作习惯导致的个人在岗状态误判，比如，该工作人员会在工作状态下无意识的
开启音乐设备，或者无意识的出现咬手指、抖腿等行为，依据共性化行为识别，这些个性化行为将会被误判为异常在岗状态，仅利用共性化行为进行在岗状态监测会导致监测精度较低，难以适配个体差异性，因此本发明即提出了利用共性化行为进行的在岗状态识别(岗状态共性化识别模型)，也提出了利用个性化行为进行在岗状态识别(岗状态个性化识别模型)，能够获取在岗状态识别的泛化性和精准性。
[0058]
在构建在岗状态共性化识别模型和在岗状态个性化识别模型，需要对目标对象的行为画像进行标记，从而提取共性化行为和个性化行为，在进行行为属性标记时，本发明利用均衡性量化对每个行为画像进行均衡性分析，通过全体行为画像直接得到共性化行为画像和个性化行为画像，其中，均衡性越高，则表明该行为画像与其余行为画像的差异性越高，该行为画像表征个性化行为的可能性越高，同样的，均衡性越低，则表明该行为画像与其余行为画像的差异性越低，该行为画像表征个性化行为的可能性越低，利用均衡性分析可以提高行为属性提取的可解释性，相较于现有的行为属性标记，计算复杂度低，可解释性强。
[0059]
将目标对象的行为画像进行行为标记得到行为属性，包括：
[0060]
在所有目标对象的行为画像中依次对每个行为画像进行均衡性量化，均衡性量化的公式为：
[0061][0062]
式中，pi为第i个行为画像的均衡性，si为第i个行为画像，sj为第j个行为画像，i，j为计数变量，n为行为画像的总数量，|s
i-sj|为si和sj的欧式距离；
[0063]
基于均衡性量化结果对行为画像进行行为标记，其中，
[0064]
当行为画像的均衡性高于预设值，则将行为画像的行为属性标记为个性化行为；
[0065]
当行为画像的均衡性低于或等于预设值，则将行为画像的行为属性标记为共性化行为。
[0066]
将行为画像依据行为属性分为共性化行为画像和个性化行为画像，包括：
[0067]
将个性化行为对应的行为画像作为个性化行为画像；
[0068]
将共性化行为对应的行为画像作为共性化行为画像。
[0069]
基于共性化行为画像构建在岗状态共性化识别模型，包括：
[0070]
对共性化行为画像中进行在岗状态的人工标记；
[0071]
将共性化行为画像作为cnn神经网络的第一输入项，将共性化行为画像对应的在岗状态作为cnn神经网络的第一输出项；
[0072]
利用cnn神经网络对第一输入项和第一输出项进行网络训练得到在岗状态共性化识别模型；
[0073]
在岗状态共性化识别模型的模型表达式为：
[0074]
labela＝cnn(sa)；
[0075]
式中，labela为共性化行为画像对应的在岗状态，sa为共性化行为画像，cnn为cnn神经网络。
[0076]
基于个性化行为画像构建在岗状态个性化识别模型，包括：
[0077]
对个性化行为画像中进行在岗状态的人工标记；
[0078]
将个性化行为画像作为cnn神经网络的第二输入项，将个性化行为画像对应的在岗状态作为cnn神经网络的第二输出项；
[0079]
利用cnn神经网络对第二输入项和第二输出项进行网络训练得到在岗状态个性化识别模型；
[0080]
在岗状态个性化识别模型的模型表达式为：
[0081]
labelb＝cnn(sb)；
[0082]
式中，labelb为个性化行为画像对应的在岗状态，sb为个性化行为画像，cnn为cnn神经网络。
[0083]
在岗状态监测的初期，监测工作人员的数量较训练时得到了较大的增长，面临监测的工作人员类别增多，此时对在岗状态监测的需求是高泛化性，即能够适用匹配更多数量或类型的工作人员，而到在岗状态监测的后期，模型已经适应了多种多样的工作人员的真实行为类型，此时模型本身已经具有了高泛化性，并且为了进一步匹配个体化特异性行为，保证在岗状态监测的精准性，此时对在岗状态监测的需求是高准确性。
[0084]
由于在岗状态共性化识别模型的准确性能不足，泛化性能强和在岗状态个性化识别模型的准确性能强，泛化性能不足的情况，将两种类型模型进行最优组合，使得组合模型能够在准确性能和泛化性能中得到均衡，本发明通过设定在岗状态共性化识别模型和在岗状态个性化识别模型的适应性权重，对在岗状态共性化识别模型和在岗状态个性化识别模型进行权重组合使得准确性能和泛化性能得到均衡，在预测模型使用初期，保持高泛化性能，在预测模型使用后期，保持高准确性能，满足在岗状态监测全过程的监测需求。
[0085]
设定在岗状态个性化识别模型和在岗状态共性化识别模型的适应性权重，包括：
[0086]
设定在岗状态共性化识别模型和在岗状态个性化识别模型的适应性权重，适应性权重的函数表达式为：
[0087][0088][0089]
式中，a
t
为第t个时序处在岗状态共性化识别模型的适应性权重，b
t
为第t个时序处在岗状态个性化识别模型的适应性权重，d为行为画像的总数量，m
t
为第t个时序处得到在岗状态的模型预测值符合真实情况的行为画像的数据长度，n为模型预测总时序数，t为模型预测时序值，r
t
为第t个时序处在岗状态个性化识别模型得到的在岗状态的模型预测值符合真实情况的行为画像的数据长度，ri为第t个时序处在岗状态共性化识别模型得到的在岗状态的评价数据符合真实情况的行为画像的数据长度，m
t
＝r
t
+r
t
。
[0090]
依据适应性权重对岗状态个性化识别模型和在岗状态共性化识别模型进行组合得到最优在岗状态识别模型，包括：
[0091]
将在岗状态共性化识别模型和在岗状态个性化识别模型的适应性权重对在岗状态共性化识别模型和在岗状态个性化识别模型进行加权组合得到最优在岗状态识别模型，最优在岗状态识别模型的函数表达式为：
[0092]
label
t
＝a
t
*labela
t
+b
t
*labelb
t
；
[0093]
式中，label
t
为第t个时序处得到在岗状态，labela
t
为在岗状态共性化识别模型在第t个时序处得到在岗状态的预测值，labelb
t
为在岗状态个性化识别模型在第t个时序处得到在岗状态的预测值。
[0094]
在模型使用初期，由于考虑到工作人员使用量相较与训练数据得到了大大增长，即模型遇到的工作人员的真实行为类型更加多种多样，此时需要的是预测的包容性强，即能够适用匹配更多数量或类型的工作人员，因此此时使得在岗状态共性化识别模型具有高权重，从而保证组合后的最优在岗状态识别模型具有高泛化性，而到了模型使用后期，由于模型已经适应了多种多样的工作人员的真实行为类型，此时模型本身已经具有了高泛化性，并且为了进一步匹配个体化特异性，因此此时使得在岗状态个性化识别模型具有高权重，从而保证组合后的最优在岗状态识别模型具有高个体准确性，因此本发明将最优在岗状态共性化识别模型和最优在岗状态个性化识别模型的组合权重设定为适应性权重，在模型使用初期b
t
接近于0，a
t
接近于1，而后期b
t
逐渐增加至1，a
t
逐渐降低至0，根据模型的使用周期进行自适应调整匹配，使得整个模型使用周期内合理均衡泛化性和个体准确性，满足实际场景的需求。
[0095]
工作行为图像、工作设备日志、考勤系统日志在均衡化量化前进行归一化处理。
[0096]
在岗状态包括正常在岗状态、异常在岗状态和非在岗状态。
[0097]
本发明将行为画像依据行为属性分为共性化行为画像和个性化行为画像，基于共性化行为画像构建在岗状态共性化识别模型，基于个性化行为画像构建在岗状态个性化识别模型，在评估在岗状态的特征参数选取分别偏向于共性化特征和个性化特征，在整体在岗状态评估上考虑个体差异性产生的特异性特征，提高个性化行为的识别能力，导致预测准确性低，设定在岗状态个性化识别模型和在岗状态共性化识别模型的适应性权重，依据适应性权重对岗状态个性化识别模型和在岗状态共性化识别模型进行组合得到最优在岗状态识别模型，避免在岗状态评估模型的固化，导致模型无法与在岗状态监测全过程中的泛化性和准确性需求进行自适应适配，提高模型的适用性。
[0098]
工作设备日志还可以包括实时监控、管理、管控并保存每台被控电脑的网站访问内容、文件下载及上传内容、对各网盘、云服务器、云存储等服务的上传下载内容进行监控、管理、管控、程序数据的发送和接收内容、各通讯软件的实时聊天内容及聊天记录内容、邮件收发内容、网络上行下行数据及使用网络程序进程内容。
[0099]
本发明提供了一种执行上述方法的软件系统，具体如下：
[0100]
本发明专利为了企业、事业单位、政府机构等组织及个人在管理人员时能够更高效、更科学、更智能、更便捷的进行人员管理而发明本软件系统，本软件系统为模块化，服务范围广，可根据不同行业、领域及不同需求配置各功能，可服务的行业、领域包括但不仅限于教育、医疗、购物、运输、作业、科研等行业、领域，所有行业及领域，凡是涉及到与本软件功能、模块、技术等内容相关的组织、个人、行业、领域等，都属于本软件服务对象，具体专利内容如下：
[0101]
本软件通过软件或软硬件相结合的形式来实现本管理专利办法，以saas化或独立部署模式分配各功能给各企业、事业、政府机构、个体组织、个人等群体，最终通过手机app(本文内的app包括安卓、ios等所有手机、平板电脑的app，同时包括所有各车辆的车载系
统、车载电脑的app)、小程序、电脑(本文内的电脑包括苹果各版本电脑及具有windows、unix、linux等所有操作系统运算能力的设备)等运行本软件。
[0102]
本软件主要由分为考勤管理模块、工作流模块、电脑监管模块、工作状态监控模块组成，其中，考勤管理模块用于统计考勤系统日志，工作流模块用于拍摄工作行为图像，电脑监管模块用于统计工作设备日志，工作状态监控模块用于植入在岗状态识别模型进行工作状态识别。
[0103]
以上实施例仅为本技术的示例性实施例，不用于限制本技术，本技术的保护范围由权利要求书限定。本领域技术人员可以在本技术的实质和保护范围内，对本技术做出各种修改或等同替换，这种修改或等同替换也应视为落在本技术的保护范围内。

技术特征：
1.一种基于行为识别的在岗状态监测方法，其特征在于，包括以下步骤：步骤s1、监测目标对象的行为画像，将目标对象的行为画像进行行为标记得到行为属性，行为属性包括共性化行为和个性化行为；步骤s2、将行为画像依据行为属性分为共性化行为画像和个性化行为画像，基于共性化行为画像构建在岗状态共性化识别模型，基于个性化行为画像构建在岗状态个性化识别模型；步骤s3、设定在岗状态个性化识别模型和在岗状态共性化识别模型的适应性权重，依据适应性权重对岗状态个性化识别模型和在岗状态共性化识别模型进行组合得到最优在岗状态识别模型，以实现对岗状态监测泛化性和准确性的自适应适配。2.根据权利要求1所述的一种基于行为识别的在岗状态监测方法，其特征在于：所述行为画像包括工作行为图像、工作设备日志、考勤系统日志。3.根据权利要求2所述的一种基于行为识别的在岗状态监测方法，其特征在于：所述将目标对象的行为画像进行行为标记得到行为属性，包括：在所有目标对象的行为画像中依次对每个行为画像进行均衡性量化，所述均衡性量化的公式为：式中，p
i
为第i个行为画像的均衡性，s
i
为第i个行为画像，s
j
为第j个行为画像，i，j为计数变量，n为行为画像的总数量，|s
i-s
j
|为s
i
和s
j
的欧式距离；基于均衡性量化结果对行为画像进行行为标记，其中，当行为画像的均衡性高于预设值，则将行为画像的行为属性标记为个性化行为；当行为画像的均衡性低于或等于预设值，则将行为画像的行为属性标记为共性化行为。4.根据权利要求3所述的一种基于行为识别的在岗状态监测方法，其特征在于：所述将行为画像依据行为属性分为共性化行为画像和个性化行为画像，包括：将个性化行为对应的行为画像作为个性化行为画像；将共性化行为对应的行为画像作为共性化行为画像。5.根据权利要求3或4所述的一种基于行为识别的在岗状态监测方法，其特征在于：所述基于共性化行为画像构建在岗状态共性化识别模型，包括：对共性化行为画像中进行在岗状态的人工标记；将共性化行为画像作为cnn神经网络的第一输入项，将共性化行为画像对应的在岗状态作为cnn神经网络的第一输出项；利用cnn神经网络对第一输入项和第一输出项进行网络训练得到所述在岗状态共性化识别模型；所述在岗状态共性化识别模型的模型表达式为：labela＝cnn(sa)；式中，labela为共性化行为画像对应的在岗状态，sa为共性化行为画像，cnn为cnn神经网络。
6.根据权利要求3所述的一种基于行为识别的在岗状态监测方法，其特征在于：所述基于个性化行为画像构建在岗状态个性化识别模型，包括：对个性化行为画像中进行在岗状态的人工标记；将个性化行为画像作为cnn神经网络的第二输入项，将个性化行为画像对应的在岗状态作为cnn神经网络的第二输出项；利用cnn神经网络对第二输入项和第二输出项进行网络训练得到所述在岗状态个性化识别模型；所述在岗状态个性化识别模型的模型表达式为：labelb＝cnn(sb)；式中，labelb为个性化行为画像对应的在岗状态，sb为个性化行为画像，cnn为cnn神经网络。7.根据权利要求4所述的一种基于行为识别的在岗状态监测方法，其特征在于，所述设定在岗状态个性化识别模型和在岗状态共性化识别模型的适应性权重，包括：设定在岗状态共性化识别模型和在岗状态个性化识别模型的适应性权重，所述适应性权重的函数表达式为：权重的函数表达式为：式中，a
t
为第t个时序处在岗状态共性化识别模型的适应性权重，b
t
为第t个时序处在岗状态个性化识别模型的适应性权重，d为行为画像的总数量，m
t
为第t个时序处得到在岗状态的模型预测值符合真实情况的行为画像的数据长度，n为模型预测总时序数，t为模型预测时序值，r
t
为第t个时序处在岗状态个性化识别模型得到的在岗状态的模型预测值符合真实情况的行为画像的数据长度，r
i
为第t个时序处在岗状态共性化识别模型得到的在岗状态的评价数据符合真实情况的行为画像的数据长度，m
t
＝r
t
+r
t
。8.根据权利要求2所述的一种基于行为识别的在岗状态监测方法，其特征在于，所述依据适应性权重对岗状态个性化识别模型和在岗状态共性化识别模型进行组合得到最优在岗状态识别模型，包括：将在岗状态共性化识别模型和在岗状态个性化识别模型的适应性权重对在岗状态共性化识别模型和在岗状态个性化识别模型进行加权组合得到最优在岗状态识别模型，所述最优在岗状态识别模型的函数表达式为：label
t
＝a
t
*labela
t
+b
t
*labelb
t
；式中，label
t
为第t个时序处得到在岗状态，labela
t
为在岗状态共性化识别模型在第t个时序处得到在岗状态的预测值，labelb
t
为在岗状态个性化识别模型在第t个时序处得到在岗状态的预测值。9.根据权利要求2所述的一种基于行为识别的在岗状态监测方法，其特征在于，所述工作行为图像、工作设备日志、考勤系统日志在均衡化量化前进行归一化处理。10.根据权利要求2所述的一种基于行为识别的在岗状态监测方法，其特征在于，所述
在岗状态包括正常在岗状态、异常在岗状态和非在岗状态。

技术总结
本发明公开了一种基于行为识别的在岗状态监测方法，包括以下步骤：将行为画像依据行为属性分为共性化行为画像和个性化行为画像，基于共性化行为画像构建在岗状态共性化识别模型，基于个性化行为画像构建在岗状态个性化识别模型，设定在岗状态个性化识别模型和在岗状态共性化识别模型的适应性权重，依据适应性权重对岗状态个性化识别模型和在岗状态共性化识别模型进行组合得到最优在岗状态识别模型。本发明在整体在岗状态评估上考虑个体差异性产生的特异性特征，提高个性化行为的识别能力，提高预测准确性，避免在岗状态评估模型的固化，导致模型无法与在岗状态监测全过程中的泛化性和准确性需求进行自适应适配，提高模型的适用性。的适用性。的适用性。


技术研发人员：张凯元
受保护的技术使用者：陕西省君凯电子科技有限公司
技术研发日：2023.04.18
技术公布日：2023/7/20