一种用于安全评估系统的用户数据高效存储方法及系统与流程

本发明涉及数据分析，尤其涉及一种用于安全评估系统的用户数据高效存储方法及系统。

背景技术：

1、心理安全评估系统通常采用传统的数据分析方法来处理和分析用户的心理状态数据。这些方法主要依赖于原始的测试结果数据，通过简单的统计分析或基本的机器学习算法（聚类）进行分析和分类。这种方法在一定程度上根据测试评分能够对用户的心理状态进行评估和分类，为心理健康管理提供基础支持。

2、传统方法在处理复杂的心理状态数据时存在主要问题在于难以有效捕捉和分析用户心理状态的动态变化。直接使用原始测试评分进行聚类分析未能挖掘样本的心理状态随时间的变化特征，也未考虑不同样本之间的个体差异，这导致评估结果无法准确反映用户的真实心理健康状况，例如相同的评分并不代表样本的心理状态是相似的，一直处在正常范围内起伏波动的评分也不能完全说明样本心理安全程度。

3、因此，提出一种用于安全评估系统的用户数据高效存储方法及系统，来解决现有技术存在的困难，成为亟需解决的问题。

技术实现思路

1、有鉴于此，本发明实施例提供了一种用于安全评估系统的用户数据高效存储方法及系统，以解决用户心理健康状况反映不准确的问题。

2、第一方面，本发明实施例中提供了一种用于安全评估系统的用户数据高效存储方法，该方法包括以下步骤：

3、在每个采样时刻获取每种心理安全测试类型对应的测试评分组成对应采样时刻的样本数据，将预设时段内的所有样本数据组成样本数据序列；

4、针对所述样本数据序列中的任一样本数据，获取以所述样本数据为中心构建的样本数据窗口，取所述样本数据窗口中的任一种心理安全测试类型为目标类型，根据所述样本数据窗口中属于所述目标类型的所有测试评分的变化，获取所述样本数据中属于所述目标类型的测试评分的评分敏感度因子；

5、根据所述样本数据序列中每种心理安全测试类型对应的数据周期性和数据波动性，获取所述样本数据序列的状态转换敏感因子，利用所述状态转换敏感因子，对所述样本数据中属于所述目标类型的测试评分的评分敏感度因子进行因子优化，得到所述样本数据中属于所述目标类型的测试评分的优化评分敏感度因子；

6、利用所述优化评分敏感度因子对所述样本数据中属于所述目标类型的测试评分进行数值优化，得到优化测试评分，根据所述样本数据序列中每个样本数据的每个测试评分对应的优化测试评分，得到优化后的样本数据序列；

7、获取至少两个所述优化后的样本数据序列，对所有优化后的样本数据序列进行聚类，得到对应的聚类结果，根据聚类结果进行归类存储。

8、优选的，所述根据所述样本数据窗口中属于所述目标类型的所有测试评分的变化，获取所述样本数据中属于所述目标类型的测试评分的评分敏感度因子，包括：

9、在所述样本数据窗口中获取所述目标类型对应的第一个测试评分和最后一个测试评分，获取所述第一个测试评分和所述最后一个测试评分之间的评分差值，计算所述评分差值与所述第一个测试评分之间的评分比值；

10、根据所述第一个测试评分的时间戳和所述最后一个测试评分的时间戳，得到时间戳差值，利用以自然常数为底数的指数函数，对所述时间戳差值和预设的时间衰减系数的乘积进行负映射，得到对应的映射值；

11、获取所述评分比值与所述映射值之间的相乘结果，将常数1和所述相乘结果的和作为所述样本数据中属于所述目标类型的测试评分的评分敏感度因子。

12、优选的，所述根据所述样本数据序列中每种心理安全测试类型对应的数据周期性和数据波动性，获取所述样本数据序列的状态转换敏感因子，包括：

13、分别获取所述样本数据序列中每种心理安全测试类型的所有测试评分的平均值和线性回归斜率，根据所述样本数据序列中每种心理安全测试类型的所有测试评分的平均值和线性回归斜率，得到所述样本数据序列的长期状态变化趋势指标；

14、分别获取所述样本数据序列中每种心理安全测试类型的所有测试评分的标准差和平均值，根据所述样本数据序列中每种心理安全测试类型的所有测试评分的标准差和平均值，得到所述样本数据序列的状态波动强度；

15、分别获取所述样本数据序列中每种心理安全测试类型的所有测试评分的自相关函数，根据所述样本数据序列中每种心理安全测试类型的所有测试评分的自相关函数，得到所述样本数据序列的周期性模式强度；

16、根据所述长期状态变化趋势指标、所述状态波动强度和所述周期性模式强度得到所述样本数据序列的状态转换敏感因子。

17、优选的，所述根据所述样本数据序列中每种心理安全测试类型的所有测试评分的平均值和线性回归斜率，得到所述样本数据序列的长期状态变化趋势指标，包括：

18、针对所述样本数据序列中的任一心理安全测试类型，在所述样本数据序列中获取所述心理安全测试类型对应的测试评分序列，计算所述测试评分序列的测试评分均值和线性回归斜率，获取所述测试评分均值和所述线性回归斜率的第一比值；

19、根据所述样本数据序列中的每种心理安全测试类型对应的第一比值，计算第一比值均值，对所述第一比值均值进行归一化处理，得到的结果作为所述样本数据序列的长期状态变化趋势指标。

20、优选的，所述根据所述样本数据序列中每种心理安全测试类型的所有测试评分的标准差和平均值，得到所述样本数据序列的状态波动强度，包括：

21、针对所述样本数据序列中的任一心理安全测试类型，在所述样本数据序列中获取所述心理安全测试类型对应的测试评分序列，计算所述测试评分序列的测试评分均值和标准差，获取所述测试评分均值和所述标准差的第二比值；

22、根据所述样本数据序列中的每种心理安全测试类型对应的第二比值，计算第二比值均值，对所述第二比值均值进行归一化处理，得到的结果作为所述样本数据序列的状态波动强度。

23、优选的，所述根据所述样本数据序列中每种心理安全测试类型的所有测试评分的自相关函数，得到所述样本数据序列的周期性模式强度，包括：

24、针对所述样本数据序列中的任一心理安全测试类型，在所述样本数据序列中获取所述心理安全测试类型对应的测试评分序列，计算所述测试评分序列中的每个测试评分的自相关系数，得到最大自相关系数；

25、根据所述样本数据序列中的每种心理安全测试类型对应的最大自相关系数，计算最大自相关系数的均值，对所述最大自相关系数的均值进行归一化处理，得到的结果作为所述样本数据序列的周期性模式强度。

26、优选的，所述根据所述长期状态变化趋势指标、所述状态波动强度和所述周期性模式强度得到所述样本数据序列的状态转换敏感因子，包括：

27、计算所述长期状态变化趋势指标、所述状态波动强度和所述周期性模式强度的相加结果，获取所述长期状态变化趋势指标与所述相加结果的比值作为所述长期状态变化趋势指标的权重系数，获取所述状态波动强度与所述相加结果的比值作为所述状态波动强度的权重系数，获取所述周期性模式强度与所述相加结果的比值作为所述周期性模式强度的权重系数；

28、获取预设倍数的所述长期状态变化趋势指标与常数1之间的相减结果，根据所述长期状态变化趋势指标、所述状态波动强度、所述周期性模式强度的自适应权重系数，对所述相减结果、所述状态波动强度和所述周期性模式强度进行加权求和，得到的加权求和结果作为所述样本数据序列的状态转换敏感因子。

29、优选的，所述利用所述状态转换敏感因子，对所述样本数据中属于所述目标类型的测试评分的评分敏感度因子进行因子优化，得到所述样本数据中属于所述目标类型的测试评分的优化评分敏感度因子，包括：

30、获取所述状态转换敏感因子和常数1之间的相加值，将所述相加值和所述样本数据中属于所述目标类型的测试评分的评分敏感度因子之间的乘积作为所述样本数据中属于所述目标类型的测试评分的优化评分敏感度因子。

31、优选的，所述利用所述优化评分敏感度因子对所述样本数据中属于所述目标类型的测试评分进行数值优化，得到优化测试评分，包括：

32、将所述优化评分敏感度因子与所述样本数据中属于所述目标类型的测试评分之间的乘积作为优化测试评分。

33、第二方面，本发明实施例还提供了一种用于安全评估系统的用户数据高效存储系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的一种用于安全评估系统的用户数据高效存储方法。

34、本发明实施例与现有技术相比存在的有益效果是：

35、本发明在每个采样时刻获取每种心理安全测试类型对应的测试评分组成对应采样时刻的样本数据，将预设时段内的所有样本数据组成样本数据序列；针对所述样本数据序列中的任一样本数据，获取以所述样本数据为中心构建的样本数据窗口，取所述样本数据窗口中的任一种心理安全测试类型为目标类型，根据所述样本数据窗口中属于所述目标类型的所有测试评分的变化，获取所述样本数据中属于所述目标类型的测试评分的评分敏感度因子；根据所述样本数据序列中每种心理安全测试类型对应的数据周期性和数据波动性，获取所述样本数据序列的状态转换敏感因子，利用所述状态转换敏感因子，对所述样本数据中属于所述目标类型的测试评分的评分敏感度因子进行因子优化，得到所述样本数据中属于所述目标类型的测试评分的优化评分敏感度因子；利用所述优化评分敏感度因子对所述样本数据中属于所述目标类型的测试评分进行数值优化，得到优化测试评分，根据所述样本数据序列中每个样本数据的每个测试评分对应的优化测试评分，得到优化后的样本数据序列；获取至少两个所述优化后的样本数据序列，对所有优化后的样本数据序列进行聚类，得到对应的聚类结果，根据聚类结果进行归类存储。其中，由获取的状态转换敏感因子对评分敏感度因子进行优化得到的优化敏感因子不仅考虑了样本数据的短期局部特征，还考虑了样本数据中的长期全局特征，通过为不同样本分析短期波动和长期的状态变化调整获取的心理安全测试数据值，不仅仅通过测试评分数值来对样本进行分类，更深入挖掘每个样本的个体差异，使得心理健康评估系统能够更全面、更准确地捕捉用户心理状态的复杂动态变化。