2026山东大学软件学院创新实训——IntelliHealth(四)

2026山东大学软件学院创新实训——IntelliHealth(四)概要这周围绕用户画像、趋势预测和建议生成进行调研并整理了一些可行方案。一、用户画像建模与更新逻辑核心要点在现有项目里我们已经有了两类关键数据HealthProfile静态信息年龄、性别、慢病、过敏史、健康目标、标签等。HealthRecord动态记录体重、睡眠、心率、血压、血糖、疲劳、情绪等时序数据。所以画像设计不再只停留在“标签列表”而是改成“静态 动态 风险分”的向量表达。画像模型设计特征向量画像向量采用统一结构方便后续建议引擎和预测模块共享P(u,t) [ age_norm, gender_enc, bmi_mean_7d, bmi_trend_7d, sleep_mean_7d, sleep_var_7d, hr_mean_7d, bp_sys_mean_7d, bp_dia_mean_7d, sugar_mean_7d, fatigue_mean_3d, stress_mean_3d, medication_adherence_7d, risk_hypertension, risk_fatigue ]其中静态特征直接来自用户档案。动态特征通过时间窗聚合得到均值、波动、趋势。风险特征由规则和统计结果融合得到。更新逻辑增量更新保证 3 秒以内为了达到“新数据输入后 3 秒内完成画像偏移计算”的目标调研建议采用增量更新而不是每次全量重算新记录写入后只更新受影响的窗口统计值。均值/方差采用在线更新方式减少重复扫描。只重算发生变化的向量维度及对应风险分。保存上一版画像向量做差分快速判断状态变化幅度。偏移定义如下delta(u,t) ||P(u,t) - P(u,t-1)||_2当delta超过阈值时可触发更强提醒或策略切换。个性化健康建议生成逻辑建议的生成采用“规则优先 评分排序”的方式先保证可解释再逐步增强疲劳干预连续疲劳较高且睡眠不足提醒调整作息与训练强度。用药提醒存在慢病标签且接近服药时间推送提醒。建议的优先级使用如下评分score w1 * risk_level w2 * urgency w3 * confidence - w4 * annoyance_cost按分数输出 Top-K 建议并附触发原因便于用户理解“为什么推荐这条建议”。二、健康趋势分析与预测核心要点趋势分析这一块目标是短期预测也就是预测用户短期内的健康指标。连续指标短期预测以体重为例结合当前数据规模先采用轻量且稳定的预测策略第一层滑动平均 EWMA指数加权移动平均。第二层Holt 线性趋势应对上升/下降趋势。第三层数据量变大后再考虑升级到更复杂模型。EWMA 公式如下y_hat_t alpha * y_t (1 - alpha) * y_hat_(t-1)误差评价使用 MAPEMAPE (1/n) * Σ |(y_t - y_hat_t) / y_t| * 100%目标平均绝对误差控制在 ±5% 以内。下周计划根据这周的调研内容尝试完成代码部分。