本发明涉及数据分析处理，具体涉及一种智能手环运动监测数据分析方法。
背景技术：
1、智能手环通常配备有各种传感器，如加速度计、陀螺仪等，用于监测个体的运动情况。这些设备可以实时收集运动数据，如步数、心率、卡路里消耗等。对于此类数据进行预测分析，有利于对个体健康情况进行预测分析，提前指定训练计划等。在现有预测模型中，时间序列是按时间顺序排列的一系列数据点。在运动数据分析中，时间序列分析用于理解数据随时间的变化规律，从而进行预测或趋势分析。
2、目前常见的对运动数据进行预测的方法为通过arima模型实现对运动数据的预测，它结合了自回归（ar）、差分和移动平均（ma）三个主要概念，适用于分析和预测线性时间序列数据。使用arima模型进行手环不同维度数据的预测分析时，其依据自相关系数与偏相关系数得到的截尾与拖尾结果会因为单一维度数据周期性不固定，造成相关系数图的可信度降低，即用户习惯和需求在不同时间不一致，进而使得周期性随着时间的推移变化频繁，并且将数据平稳化后周期性也会进一步降低，进而使得依据该相关系数图得到预测模型阶数不可信，导致最终的预测结果欠佳。
技术实现思路
1、为了解决使用arima模型进行手环不同维度数据的预测分析时，最终的预测结果欠佳的技术问题，本发明的目的在于提供一种智能手环运动监测数据分析方法，所采用的技术方案具体如下：
2、获取智能手环监测到的不同种类的历史运动数据；
3、对不同种类的历史运动数据进行融合降维，得到降维运动数据；根据降维运动数据的变化特征，对历史运动数据进行分割，得到运动周期段；
4、根据智能手环不同种类的历史运动数据的运动周期段的关联性，确定相关系数构建得到相关图时不同历史运动数据所处运动周期段的相关系数权重；
5、将相关系数权重作为计算相关系数时的权重，得到预测模型阶数和对应的arima预测模型，将智能手环监测到的历史运动数据输入arima预测模型，得到智能手环的用户的预测数据。
6、优选的，所述根据降维运动数据的变化特征，对历史运动数据进行分割，得到运动周期段，包括：
7、对所述降维运动数据进行拟合，得到连续函数段；根据连续函数段的变化特征，对历史运动数据进行分割，得到运动周期段。
8、优选的，所述根据连续函数段的变化特征，对历史运动数据进行分割，得到运动周期段，包括：
9、根据连续函数段的变化特征，确定在连续函数段上历史运动数据所对应的离散点的划分必要性；基于所述划分必要性，确定出分割点，对历史运动数据进行分割，得到运动周期段。
10、优选的，所述根据连续函数段的变化特征，确定在连续函数段上历史运动数据所对应的离散点的划分必要性，包括：
11、所述划分必要性的计算公式为：
12、；
13、其中，为连续函数段上第u个降维运动数据所对应的离散点的划分必要性；为降维运动数据所对应的离散点的预设邻域内离散点的数量；为连续函数段上第u个降维运动数据所对应的离散点的预设邻域内第i个离散点的切线斜率值；为连续函数段上第u个降维运动数据所对应的离散点的预设邻域内第i个离散点对应的数值；连续函数段上第u个降维运动数据所对应的离散点的预设邻域内所有离散点的数值均值；x为连续函数段上第u个降维运动数据所对应的离散点的预设邻域内第i个离散点，在连续函数段上的次序值；norm为归一化函数；为取绝对值符号。
14、优选的，所述基于所述划分必要性，确定出分割点，对历史运动数据进行分割，得到运动周期段，包括：
15、将对应的归一化后的划分必要性大于或等于预设划分阈值的离散点，作为分割点；
16、将得到的分割点对应的时间，作为分割时间；基于分割时间，对不同种类的历史运动数据进行分割，得到运动周期段。
17、优选的，所述根据智能手环不同种类的历史运动数据的运动周期段的关联性，确定相关系数构建得到相关图时不同历史运动数据所处运动周期段的相关系数权重，包括：
18、所述相关系数权重的计算公式为：
19、；
20、其中，为第v个运动周期段内第t个历史运动数据的相关系数权重；为第v个运动周期段内第t个历史运动数据的数据平稳维度的权重值；为第v个运动周期段内第t个历史运动数据的数据关联性维度的权重值；为预设权重。
21、优选的，所述数据平稳维度的权重值的计算公式为：
22、；
23、其中，为第v个运动周期段内第t个历史运动数据的数据平稳维度的权重值；为预设数据邻域范围内运动周期段的数量；为第v个运动周期段内历史运动数据的数量；为第v个运动周期段内第t个历史运动数据的对应的划分必要性；为第v个运动周期段的预设数据邻域范围内第s个运动周期段的第t个历史运动数据；为第v个运动周期段的历史运动数据的均值。
24、优选的，所述数据关联性维度的权重值的计算公式为：
25、；
26、其中，为第v个运动周期段内第t个历史运动数据的数据关联性维度的权重值；为以自然常数e为底数的指数函数；为符号函数；为除当前维度外的第c个维度的第v个运动周期段内第t-j个历史运动数据；为除当前维度外的第c个维度的第v个运动周期段内第t-j-1个历史运动数据；为当前维度下第v个运动周期段内第t-j个历史运动数据；为符号函数计算的次数；为第v个运动周期段内历史运动数据的数量；为取绝对值符号。
27、优选的，所述对不同种类的历史运动数据进行融合降维，得到降维运动数据，包括：
28、每种历史运动数据对应一个维度，利用pca主成分分析算法，对不同维度的历史运动数据进行融合降维，得到降维运动数据。
29、优选的，所述对所述降维运动数据进行拟合，得到连续函数段，包括：
30、使用最小二乘法，对降维运动数据进行拟合，得到连续函数段。
31、本发明实施例至少具有如下有益效果：
32、本发明实施例涉及数据分析处理技术领域。该方法首先获取智能手环监测到的不同种类的历史运动数据；对不同种类的历史运动数据进行融合降维，得到降维运动数据，该降维运动数据是为了统一在得到预测模型阶数权重过程中不同维度之间的历史运动数据的关联性获取方式，避免不同维度具备不同的周期段结果进而使得维度关联性的获取较为困难，因此将确定多个维度数据中最具代表性的维度，并且将该维度数据的周期段划分结果也作为其它数据的划分结果；根据降维运动数据的变化特征，对历史运动数据进行分割，得到运动周期段，由于同一周期下的运动数据变化越平稳，其越易于预测，故首先对历史运动数据进行分割，得到运动周期段；根据智能手环不同种类的历史运动数据的运动周期段的关联性，确定运动周期段的相关系数权重，当不同运动周期段的运动数据的关联性越高时，则反映该运动周期段在参与构建相关系数时的权重也就越高，使得后续得到的预测数据的准确性更高，消除因为单一维度周期性不稳定引起的相关系数计算时可信度降低，进而影响预测结果的问题；将相关系数权重作为计算相关系数时的权重，得到预测模型阶数和对应的arima预测模型，将智能手环监测到的历史运动数据输入arima预测模型，得到智能手环的用户的预测数据。本发明结合智能手环的不同种类的运动数据的周期关联性，确定相关系数构建得到相关图时不同运动数据所处周期的相关系数权重，消除因为数据周期性不断变化导致的预测结果不精准问题。
1.一种智能手环运动监测数据分析方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的一种智能手环运动监测数据分析方法，其特征在于，所述根据降维运动数据的变化特征，对历史运动数据进行分割，得到运动周期段，包括：
3.根据权利要求1所述的一种智能手环运动监测数据分析方法，其特征在于，所述根据连续函数段的变化特征，对历史运动数据进行分割，得到运动周期段，包括：
4.根据权利要求3所述的一种智能手环运动监测数据分析方法，其特征在于，所述根据连续函数段的变化特征，确定在连续函数段上历史运动数据所对应的离散点的划分必要性，包括：
5.根据权利要求3所述的一种智能手环运动监测数据分析方法，其特征在于，所述基于所述划分必要性，确定出分割点，对历史运动数据进行分割，得到运动周期段，包括：
6.根据权利要求1所述的一种智能手环运动监测数据分析方法，其特征在于，所述根据智能手环不同种类的历史运动数据的运动周期段的关联性，确定相关系数构建得到相关图时不同历史运动数据所处运动周期段的相关系数权重，包括：
7.根据权利要求6所述的一种智能手环运动监测数据分析方法，其特征在于，所述数据平稳维度的权重值的计算公式为：
8.根据权利要求6所述的一种智能手环运动监测数据分析方法，其特征在于，所述数据关联性维度的权重值的计算公式为：
9.根据权利要求1所述的一种智能手环运动监测数据分析方法，其特征在于，所述对不同种类的历史运动数据进行融合降维，得到降维运动数据，包括：
10.根据权利要求2所述的一种智能手环运动监测数据分析方法，其特征在于，所述对所述降维运动数据进行拟合，得到连续函数段，包括：
