CN102346745B - 单词的用户行为数的预测方法和装置 - Google Patents

Abstract

本申请公开了一种单词的用户行为数的预测方法和装置，用以降低设备的运算量和运算复杂度，降低对设备的性能消耗，提升预测的准确率和可靠性。所述预测方法，包括：对单词的用户行为数的历史数据序列进行时域到频域的变换；根据变换得到的频域序列确定历史数据序列的每一个估计周期及其影响程度值；根据所述历史数据序列的每一个估计周期及其影响程度值，判断所述历史数据序列是否满足平稳序列标准；如果是，采用预测点之前若干历史数据点的用户行为数的均值作为预测点的用户行为数；否则，根据每一个估计周期及其影响程度值选择所述历史数据序列的主周期和奇异点，并基于选定的主周期和奇异点得到预测点的用户行为数。

Description

单词的用户行为数的预测方法和装置

技术领域

本申请涉及互联网领域，尤其涉及一种网站中单词的用户行为数的预测方法和装置。 

背景技术

在互联网领域中，对于网站或搜索引擎来说，网站流量和网站点击量一般呈规律性变化，可以利用历史数据进行有效的预测，但是对于单词的流量和点击量来说，变化一般不具备规律性。对几个基本概念进行澄清：单词的流量是指在互联网领域中，某个网站或搜索引擎上一个单词在设定的时间周期内被搜索的次数；单词的点击量是指在互联网领域中，某个网站或搜索引擎上一个单词在设定的时间周期内被点击的次数；网站流量，是指在互联网领域中某个网站或搜索引擎上在设定的时间周期内所有单词的流量之和；网站点击量，是指在互联网领域中，某个网站或搜索引擎上在设定的时间周期内所有单词的点击量之和；其中，所述的时间周期可以根据实际需求灵活设定，一般情况下时间周期设定为一天。 

本申请实施例中，将单词的流量或者点击量统称为单词的用户行为数。现有技术中，针对用户行为数随着时间周期变化不大的部分单词，可以采用单词前一段时间周期内用户行为数的均值作为单词在当前时间周期内的用户行为数的预测结果；针对用户行为数随着时间周期呈规律性变化的部分单词，可以利用时间序列模型对变化规律进行建模或者利用现有的预测算法(例如机器学习、数据包络分析等)，从而得到单词的用户行为数的预测结果。 

现有技术中提供的单词的流量及点击量的预测方法，存在如下问题： 

很难判断单词的用户行为数随时间周期的变化幅度大小、以及是否呈规律性变化，从而无法准确选择有效的预测算法，导致预测的可靠性低；只有满足一定要求的序列才可以利用时间序列模型进行预测，而实际单词的用户行为数的序列一般无法满足要求，而利用时间序列模型之外的预测算法，导致设备的运算量较大、运算复杂度较高，对设备的性能消耗较大；互联网领域中，面对海量的单词，不可能针对每一个单词建立不同的预测模型，而分类建立预测模型往往导致性能下降，预测的准确率降低。然而，对未来数据的准确预测可以使网站的运营者了解到网站服务器将来会承受多大的网站流量及点击量的冲击，以便对网站服务器的运行状况作出调整。例如，若网站的流量及点击量急剧增大，则需要对服务器进行扩容，若网站流量及点击量减小，则可以利用空闲的服务器处理其他业务需求。综上所述，现有单词的流量及点击量的预测方法，预测的准确率和可靠性低，设备的运算量较大、运算复杂度高，对设备的性能消耗较大。 

发明内容

本申请实施例提供一种单词的用户行为数的预测方法和装置，用以解决现有单词的用户行为数的预测方法存在的预测的准确率和可靠性低，设备的运算量较大、运算复杂度较高，对设备的性能消耗较大的问题。 

本申请实施例提供一种单词的用户行为数的预测方法，包括： 

对单词的用户行为数的历史数据序列进行时域到频域的变换，所述单词的用户行为数为单词的流量或者点击量； 

根据变换得到的频域序列确定所述历史数据序列的每一个估计周期及其影响程度值； 

根据所述历史数据序列的每一个估计周期及其影响程度值，判断所述历史数据序列是否满足平稳序列标准；其中，所述平稳序列标准包括：所有估计周期的影响程度值均不超过设定的影响程度阈值；所述估计周期是指频域序列的 周期，就是根据频率值换算得到的周期值；所述影响程度值是指估计周期在频域序列中所占的比重； 

如果是，采用预测点之前若干历史数据点的用户行为数的均值作为预测点的用户行为数；否则，根据配置的主周期范围，将满足所述主周期范围且影响程度值最大的估计周期作为主周期，在主周期之外的各估计周期中，将影响程度值最大的估计周期作为奇异点，并基于选定的主周期和奇异点得到预测点的用户行为数；其中，所述基于选定的主周期和奇异点得到预测点的用户行为数包括：选取所述历史数据序列中奇异点之后的各历史数据点组成训练数据序列，利用时间序列模型对所述训练数据序列进行建模求解，得到预测点的用户行为数。 

本申请实施例提供一种单词的用户行为数的预测装置，包括： 

变换单元，用于对单词的用户行为数的历史数据序列进行时域到频域的变换，所述单词的用户行为数为单词的流量或者点击量； 

确定单元，用于根据变换得到的频域序列确定所述历史数据序列的每一个估计周期及其影响程度值； 

判断单元，用于根据所述历史数据序列的每一个估计周期及其影响程度值，判断所述历史数据序列是否满足平稳序列标准，如果是，则判定所述历史数据序列为平稳序列，否则判定所述历史数据序列为非平稳序列；其中，所述平稳序列标准包括：所有估计周期的影响程度值均不超过设定的影响程度阈值；所述估计周期是指频域序列的周期，就是根据频率值换算得到的周期值；所述影响程度值是指估计周期在频域序列中所占的比重； 

第一预测单元，用于针对平稳序列，采用预测点之前若干历史数据点的用户行为数的均值作为预测点的用户行为数； 

选择单元，用于针对非平稳序列，根据每一个估计周期及其影响程度值选择所述历史数据序列的主周期和奇异点；其中，所述选择单元包括存储子单元、第一选择子单元、第二选择子单元；存储子单元，用于存储配置的主周期范围； 第一选择子单元，用于根据所述存储子单元中存储的主周期范围，将满足所述主周期范围且影响程度值最大的估计周期作为主周期；第二选择子单元，用于在主周期之外的各估计周期中，将影响程度值最大的估计周期作为奇异点； 

第二预测单元，用于基于选定的主周期和奇异点得到预测点的用户行为数；其中，所述第二预测单元包括选取子单元、预测子单元；所述选取子单元，用于选取所述历史数据序列中奇异点之后的各历史数据点组成训练数据序列；所述预测子单元，用于利用时间序列模型对所述训练数据序列进行建模求解，得到预测点的用户行为数。 

本申请实施例提供的单词的用户行为数的预测方法和装置，首先对单词的用户行为数的历史数据序列进行时域到频域的变换，确定出该历史数据序列的每一个估计周期及其影响程度值，从而可以准确判断单词的用户行为数的变化是否大、以及是否呈规律性变化；针对平稳序列，利用均值算法进行预测，针对非平稳序列，选定主周期和奇异点，基于主周期和奇异点得到预测点的用户行为数，针对不同的序列采取不同的预测算法，能够减轻系统的工作压力，对于平稳序列的历史数据可以快速预测到将来数据，对于非平稳序列的历史数据可以准确、可靠的预测到将来数据；本申请实施例提供的单词的用户行为数的预测方法和装置，对互联网领域中海量的单词均可适用，并且时域到频域的变换、以及针对平稳序列和非平稳序列的预测算法均易于实现，能够有效降低设备的运算量和运算复杂度，降低对设备的性能消耗。 

本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。 

附图说明

图1为本申请实施例中单词的用户行为数的预测方法流程图； 

图2为本申请实施例中针对非平稳序列的一种较佳预测方法流程图； 

图3a为本申请实施例中历史数据序列的时域波形示意图； 

图3b为本申请实施例中历史数据序列的频域波形示意图； 

图4为本申请实施例中预测系统的网络架构示意图； 

图5为本申请实施例中单词的用户行为数的预测装置框图； 

图6为本申请实施例中第二预测单元的一种可能结构框图； 

图7为本申请实施例中第二预测单元的另一种可能结构框图。 

具体实施方式

本申请实施例提供一种单词的用户行为数的预测方法和装置，对单词的用户行为数的历史数据序列进行时域到频域的变换得到频域序列，根据频域序列确定历史数据序列的每一个估计周期及其影响程度值，从而判断出该历史数据序列是否呈明显规律性变化即是否为平稳序列，针对不同的序列采取不同的预测算法，从而降低设备的运算量和运算复杂度，降低对设备的性能消耗，提升预测的准确率和可靠性。 

以下结合说明书附图对本申请的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本申请，并不用于限定本申请，并且在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。 

在介绍本申请实施例的具体实施方式之前，首先澄清几个基本概念： 

单词的用户行为数的预测，是指基于单词的用户行为数（流量或者点击量）的历史数据预测未来数据，需要说明的是，历史数据和未来数据对应的时间周期保持一致。所述的单词一般为用户的搜索词、购买词等。 

例如，若时间周期为天，则可以基于某个单词最近30天的流量预测第31天和第32天的流量；若时间周期为小时，则可以基于某个单词最近20小时的点击量预测第21小时、第22小时和第23小时的点击量，等等。 

为了实现对单词的用户行为数的预测，需要给出单词的用户行为数的历史 数据序列、并指定预测点的数量。单词的用户行为数的历史数据序列，是指由单词的用户行为数的历史数据点组成的序列，历史数据点表示时间点和历史数据两方面含义，预测点表示时间点和未来数据两方面含义。例如基于某个单词最近30天的流量预测第31天和第32天的流量，则历史数据序列由30个历史数据点组成，每一个历史数据点表示特定日期（第1天至第30天中的一天）和当天的流量两方面含义，预测点有两个，每一个预测点表示特定日期（第31天和第32天中的一天）和当天的预测流量两方面含义。 

奇异点，是指在互联网领域中，一个单词的用户行为数发生明显变化的时间点。例如，在该时间点前后某个单词的用户行为数分别属于不同的数量级，或者该时刻点前后某个单词的用户行为数出现了明显的上升或下降。 

本申请实施例首先提供了一种单词的用户行为数的预测系统，该预测系统实际运行的网络架构如图1所示，包括网站数据库100、应用服务器101、预测装置102、解析服务器103，其中： 

网站数据库100，用于存储网站日志，网站日志中记录用户对每一个单词的搜索、点击操作，以及操作时间等信息； 

应用服务器101，用于提供基于单词的用户行为数预测的各种应用服务，例如提供用户界面，根据运维人员的实际需求发起单词的用户行为数的预测请求，并展现预测结果即预测点的用户行为数； 

预测装置102，用于根据应用服务器101发起的该预测请求生成单词的用户行为数的解析请求并发送给解析服务器103，根据解析服务器103返回的单词的用户行为数的历史数据序列，得到预测点的用户行为数，并返回给应用服务器101； 

解析服务器103，用于根据预测装置102发送的该解析请求解析网站数据库100中的网站日志，从解析结果中提取单词的用户行为数的历史数据序列，并返回给预测装置102。 

基于上述单词的用户行为数的预测系统，本申请实施例提供了一种单词的 用户行为数的预测方法，如图2所示，包括： 

S201、对单词的用户行为数的历史数据序列进行时域到频域的变换； 

S202、根据变换得到的频域序列确定该历史数据序列的每一个估计周期及其影响程度值；其中，估计周期是指频域序列的可能的周期，就是根据频率值换算得到的周期值，影响程度值是指估计周期在频域序列中所占的比重； 

S203、根据该历史数据序列的每一个估计周期及其影响程度值，判断该历史数据序列是否满足平稳序列标准； 

S204、如果是，采用预测点之前若干历史数据点的用户行为数的均值作为预测点的用户行为数；否则，根据每一个估计周期及其影响程度值选择所述历史数据序列的主周期和奇异点，并基于选定的主周期和奇异点得到预测点的用户行为数。主周期是指从历史数据序列的各估计周期中选择的一个可能性最高的周期。 

在S201的具体实施中，首先对单词的用户行为数的历史数据序列的提取过程进行说明。应用服务器根据运维人员的实际需求发起单词的用户行为数的预测请求，预测装置根据应用服务器发起的该预测请求生成单词的用户行为数的解析请求并发送给解析服务器，解析服务器根据预测装置发送的该解析请求解析网站数据库中的网站日志，从解析结果中提取单词的用户行为数的历史数据序列，并返回给预测装置；从而预测装置可以对单词的用户行为数的历史数据序列进行时域到频域的变换。 

一般利用FFT（Fast Fourier Transformation，快速傅里叶变换）、小波变换等对历史数据序列进行时域到频域的变换，其中FFT算法是DFT（Discrete Fourier Transformation，离散傅立叶变换）的一种快速算法。针对单词的用户行为数的历史数据序列来说，时域是描述其时间特性时使用的坐标系，时域波形表示单词的用户行为数的历史数据随时间的变化，其中横坐标为时间，纵坐标为时间点对应的历史数据；频域是描述其频率特性时使用的坐标系，频域波形表示该历史数据序列的每一个可能的周期（即估计周期）的影响程度值，其 中横坐标为与估计周期相对应的频率，纵坐标为频率点对应的估计周期的影响程度值。 

在S202的具体实施中，以FFT为例介绍实现原理。 

离散傅立叶变换公式如公式[1]所示： 

$X\left(k\right)=\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}x\left(n\right)e^{-j\frac{2\mathrm{\π}}{N}\mathrm{nk}}---\left[1\right]$

其中，x(n)表示单词的用户行为数的历史数据序列，X(k)表示变换得到的频域序列，频域序列是以频率为横坐标的序列，每一个频率值与历史数据序列的每一个可能的周期（即估计周期）相对应；其中，频率值k对应的纵坐标值X(k)为频率值k对应的估计周期的影响程度值，进一步根据频域序列中频率值k换算得到对应的估计周期，根据频率值k对应的纵坐标值X(k)得到估计周期的影响程度值。 

下面介绍频率值k与估计周期的对应关系： 

离散傅立叶逆变换公式如公式[2]所示： 

$x\left(n\right)=\frac{1}{N}\underset{k=0}{\overset{N-1}{\mathrm{\Σ}}}X\left(k\right)e^{j\frac{2\mathrm{\π}}{N}\mathrm{nk}}---\left[2\right]$

假设x(n)周期为T，则公式[3]成立： 

$\frac{2\mathrm{\π}}{N}k(n+T)=\frac{2\mathrm{\π}}{N}\mathrm{kn}+\frac{2\mathrm{\π}}{N}\mathrm{kT}---\left[3\right]$

根据公式[3]可以得出公式[4]： 

$T=\frac{N}{k}---\left[4\right]$

公式[4]即可表示频率值k与估计周期的对应关系，其中，N表示单词的用户行为数的历史数据序列的点数，所述点数是指该历史数据序列中历史数据点的数量；k表示第k个频率的数值，取值范围是[1，N-1]；T表示估计周期。 

举例进行说明，假设单词的用户行为数的历史数据序列为某个单词最近N天的流量，则时域波形如图3a所示，利用FFT对该历史数据序列进行时域到频域的变换得到频域序列，则频域波形如图3b所示。根据频域序列，频率值k 对应的纵坐标值X(k)作为频率值k对应的估计周期的影响程度值，结合公式[4]即可得到根据频率值k换算得到的估计周期及其影响程度值。假设单词的流量的点数N等于40，频域序列中频率值k等于4时，对应的纵坐标值X(k)等于6，则根据公式[4]可以得到频率值k等于4对应的估计周期为

估计周期10的影响程度值X(k)为6。 

在S202的具体实施中，根据从网站日志的解析结果中提取出的单词的用户行为数的历史数据序列，将该历史数据序列中的每一个历史数据作为FFT的输入数据即可得到输出结果；根据输出结果中每一个频率值可以得到该历史数据序列的每一个可能的周期，本申请实施例中称为估计周期；每一个频率值对应的影响程度值为该频率值相应的估计周期的影响程度值。 

所谓平稳序列是指未呈现明显规律性变化的序列，明显规律性变化即周期变化，理论上平稳序列的定义如下： 

对于序列x(t)，如果满足如下条件，则为平稳序列，否则为非平稳序列，所述条件包括： 

（1）对于任意的t∈N，（数学期望的平方小于正无穷大） 

（2）对于任意的t∈N，EX_t＝μ；（数学期望为常数） 

（3）对于任意的t，s∈N，

（自协方差函数为常数） 

在S203的具体实施中，预先设置的平稳序列标准包括：所有估计周期的影响程度值均不超过设定的影响程度阈值。一般情况下，影响程度阈值的取值为10。具体实施中，根据不同的应用可以灵活设置平稳序列标准，例如至少90%的估计周期的影响程度值不超过设定的影响程度阈值。 

例如针对某个单词的用户行为数的历史数据序列，如果确定出其每一个估计周期点及其影响程度值如表1所示，则可以判定该历史数据序列为平稳序列，如果确定出其每一个估计周期点及其影响程度值如表2所示，则可以判定该历史数据序列为非平稳序列。 

表1 

估计周期	影响程度值
		10	6
3	5
		15	3
128	3

表2 

估计周期	影响程度值
		7	1000
42	800
		63	380
16	260

在S204的具体实施中，针对平稳序列，所述的若干历史数据点的具体数量可以根据实际的应用灵活设定。 

在S204的具体实施中，针对非平稳序列，所述的根据每一个估计周期及其影响程度值选择所述历史数据序列的主周期和奇异点，具体包括： 

主周期是指历史数据序列的各估计周期中可能性最高的一个估计周期，根据配置的主周期范围，将满足所述主周期范围且影响程度值最大的估计周期作为主周期；并在主周期之外的各估计周期中，将影响程度值最大的估计周期作为奇异点。 

举例进行说明，例如针对某个单词的用户行为数的历史数据序列，确定出其每一个估计周期点及其影响程度值如表2所示，针对时间周期为一天的具体应用场景，通过分析大量的数据实验和实际业务数据，确定主周期范围为小于等于7，则选定主周期为7，奇异点为42。 

基于选定的主周期和奇异点，得到预测点的用户行为数的一种较佳实现方案，具体包括如下步骤： 

步骤1、选取该历史数据序列中奇异点之后的各历史数据点组成训练数据 序列； 

步骤2、利用时间序列模型对所述训练数据序列进行建模求解，得到预测点的用户行为数。 

基于选定的主周期和奇异点，得到预测点的用户行为数的另一种较佳实现方案，如图4所示，具体包括如下步骤： 

S401、选取该历史数据序列中奇异点之后的各历史数据点组成训练数据序列； 

S402、分别对同一主周期位置上的各训练数据进行取均值运算，得到每一个主周期位置对应的周期均值； 

S403、将每一个训练数据与其主周期位置对应的周期均值相减，得到去除周期的训练数据序列； 

S404、利用时间序列模型对所述去除周期的训练数据序列进行建模求解，得到预测点的去除周期的用户行为数； 

所述的时间序列模型一般采用ARMA模型（Auto-Regressive and Moving Average Model，自回归滑动平均模型），ARMA模型由AR模型（自回归模型）和MA模型（滑动平均模型）为基础混合构成；ARMA模型的定义如公式[5]所示： 

其中，ε_t表示白噪声序列，

θ为参数； 

具体实施中，将去除周期的训练数据序列中各训练数据作为ARMA模型的输入数据，再利用参数估计算法（最小二乘算法、最大似然估计算法等）进行参数估计即可得到

θ的参数值；得到

θ的参数值之后代入ARMA模型，在将去除周期的训练数据序列中各训练数据作为ARMA模型（已带入θ的参数值）的输入数据，根据输出结果便可得到预测点的预测结果即去除周 期的用户行为数。 

S405、将预测点的去除周期的用户行为数与其主周期位置对应的周期均值相加，得到预测点的用户行为数。 

举例说明具体实施过程，假设某个单词的流量的训练数据序列为：1.1、2.1、3.1、3.9、0.9、2.2、2.9、4.1，单位为百次；选定的主周期为4；需要说明的是，此处只是假设一个训练数据序列说明具体实施过程； 

第一步、分别对每隔4个位置的训练数据进行取均值运算，得到： 

第一个主周期位置对应的周期均值为：(1.1+0.9)/2=1 

第二个主周期位置对应的周期均值为：(2.1+2.2)/2=2.15 

第三个主周期位置对应的周期均值为：(3.1+2.9)/2=3 

第四个主周期位置对应的周期均值为：(3.9+4.1)/2=4 

第二步、将每一个训练数据与其主周期位置对应的周期均值相减，得到： 

1.1-1=0.1 

2.1-2.15=-0.05 

3.1-3=0.1 

3.9-4=-0.1 

0.9-1=-0.1 

2.2-2.15=0.05 

2.9-3=-0.1 

4.1-4=0.1 

去除周期的训练数据序列为：0.1、-0.05、0.1、-0.1、-0.1、0.05、-0.1、0.1； 

第三步、将去除周期的训练数据序列利用ARMA模型进行建模求解，得到预测点的去除周期的用户行为数（即预测结果），假设预测点的数量为3，则得到预测结果即每一个预测点的去除周期的用户行为数为：-0.05、0.1、0.05； 

第四步、将预测点的去除周期的用户行为数与其主周期位置对应的周期均值相加，得到： 

第一个预测点的用户行为数为：-0.05+1=0.95 

第二个预测点的用户行为数为：0.1+2.15=2.25 

第三个预测点的用户行为数为：0.05+3=3.05 

由于时间序列模型对奇异点的敏感度很强，有时去除周期的训练数据仍然会存在少数的奇异点，导致基于时间序列模型的预测结果存在较大偏差，基于此，本申请实施例进一步采用均值算法与时间序列模型相结合的计算方法，对基于时间序列模型的预测结果进行判断，如果预测结果明显存在较大偏差，则利用基于主周期的均值算法代替时间序列模型重新进行预测。例如：某个历史数据序列（时间周期为一天）的主周期为7，如果通过评估基于时间序列模型的预测结果发现预测结果明显存在较大偏差，则采用当前预测点之前7天的历史数据均值作为预测结果，即所述预测方法还包括如下步骤： 

确认当前得到的预测点的用户行为数的偏差超出设定的偏差阈值时，采用所述预测点之前一个主周期内去除周期的训练数据的均值作为所述预测点的去除周期的用户行为数； 

将预测点的去除周期的用户行为数与其主周期位置对应的周期均值相加，得到预测点的用户行为数。 

下面对单词的用户行为数的预测系统中，预测装置的结构和功能进行详细介绍，由于该预测装置解决问题的原理与单词的用户行为数的预测方法相似，因此该预测装置的实施可以参见方法的实施，重复之处不再赘述。该预测装置的结构示意图，如图5所示，包括： 

变换单元501，用于对单词的用户行为数的历史数据序列进行时域到频域的变换； 

确定单元502，用于根据变换得到的频域序列确定所述历史数据序列的每一个估计周期及其影响程度值； 

判断单元503，用于根据所述历史数据序列的每一个估计周期及其影响程度值，判断所述历史数据序列是否满足平稳序列标准，如果是，则判定所述历史数据序列为平稳序列，否则判定所述历史数据序列为非平稳序列； 

第一预测单元504，用于针对平稳序列，采用预测点之前若干历史数据点的用户行为数的均值作为预测点的用户行为数； 

选择单元505，用于针对非平稳序列，根据每一个估计周期及其影响程度值确定所述历史数据序列的主周期和奇异点； 

第二预测单元506，用于基于选定的主周期和奇异点得到预测点的用户行为数。 

具体实施中，选择单元505的一种可能结构，具体包括： 

第一选择子单元，用于根据配置的主周期范围，将满足所述主周期范围且影响程度值最大的估计周期作为主周期； 

第二选择子单元，用于在主周期之外的各估计周期中，将影响程度值最大的估计周期作为奇异点。 

具体实施中，第二预测单元506的一种可能结构，如图6所示，具体包括： 

选取子单元601，用于选取所述历史数据序列中奇异点之后的各历史数据点组成训练数据序列； 

预测子单元602，用于利用时间序列模型对所述训练数据序列进行建模求解，得到预测点的用户行为数。 

具体实施中，第二预测单元506的另一种可能结构，如图7所示，具体包括： 

选取子单元701，用于选取所述历史数据序列中奇异点之后的各历史数据点组成训练数据序列； 

运算子单元702，用于分别对同一主周期位置上的各训练数据进行取均值运算，得到每一个主周期位置对应的周期均值； 

去周期处理子单元703，用于将每一个训练数据与其主周期位置对应的周期均值相减，得到去除周期的训练数据序列； 

预测子单元704，用于利用时间序列模型对所述去除周期的训练数据序列进行建模求解，得到预测点的去除周期的用户行为数； 

周期恢复处理子单元705，用于用于将预测点的去除周期的用户行为数与其主周期位置对应的周期均值相加，得到预测点的用户行为数。 

针对第二预测单元506的上述结构，还可以包括： 

重预测子单元706，用于确认周期恢复处理子单元705当前得到的预测点的用户行为数的偏差超出设定的偏差阈值时，采用所述预测点之前一个主周期内去除周期的训练数据的均值作为所述预测点的去除周期的用户行为数；将预测点的去除周期的用户行为数与其主周期位置对应的周期均值相加，得到预测点的用户行为数。 

本申请实施例提供的单词的用户行为数的预测方法和装置，首先对单词的用户行为数的历史数据序列进行时域到频域的变换，确定出该历史数据序列的每一个估计周期及其影响程度值，从而可以准确判断单词的用户行为数的变化是否大、以及是否呈规律性变化；针对平稳序列，利用均值算法进行预测，针对非平稳序列，选定主周期和奇异点，基于主周期和奇异点得到预测点的用户行为数，针对不同的序列采取不同的预测算法，能够减轻系统的工作压力，对于平稳序列的历史数据可以快速预测到将来数据，对于非平稳序列的历史数据可以准确、可靠的预测到将来数据。 

本申请实施例中，对互联网领域中海量的单词均可适用，并且时域到频域的变换、以及针对平稳序列和非平稳序列的预测算法均易于实现，能够有效降低设备的运算量和运算复杂度，降低对设备的性能消耗； 

本申请实施例中，针对非平稳序列，选定奇异点之后的各历史数据点组成训练数据序列，利用时间序列模型对训练数据序列进行建模求解，通过去周期处理和周期恢复处理降低频域到时域的逆变换造成的误差，进一步降低设备的运算量和运算复杂度，降低对设备的性能消耗，提高预测的准确率。 

本领域的技术人员应明白，本申请的实施例可提供为方法、装置、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含 有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。 

本申请是参照根据本申请实施例的方法、装置和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。 

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。 

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。 

尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。 

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。 

Claims (7)

1.一种单词的用户行为数的预测方法，其特征在于，包括：

对单词的用户行为数的历史数据序列进行时域到频域的变换，所述单词的用户行为数为单词的流量或者点击量；

根据变换得到的频域序列确定所述历史数据序列的每一个估计周期及其影响程度值；

根据所述历史数据序列的每一个估计周期及其影响程度值，判断所述历史数据序列是否满足平稳序列标准；其中，所述平稳序列标准包括：所有估计周期的影响程度值均不超过设定的影响程度阈值；所述估计周期是指频域序列的周期，就是根据频率值换算得到的周期值；所述影响程度值是指估计周期在频域序列中所占的比重；

如果是，采用预测点之前若干历史数据点的用户行为数的均值作为预测点的用户行为数；否则，根据配置的主周期范围，将满足所述主周期范围且影响程度值最大的估计周期作为主周期，在主周期之外的各估计周期中，将影响程度值最大的估计周期作为奇异点，并基于选定的主周期和奇异点得到预测点的用户行为数；其中，所述基于选定的主周期和奇异点得到预测点的用户行为数包括：选取所述历史数据序列中奇异点之后的各历史数据点组成训练数据序列，利用时间序列模型对所述训练数据序列进行建模求解，得到预测点的用户行为数。

2.如权利要求1所述的方法，其特征在于，所述基于选定的主周期和奇异点得到预测点的用户行为数，还包括：

选取所述历史数据序列中奇异点之后的各历史数据点组成训练数据序列；

分别对同一主周期位置上的各训练数据进行取均值运算，得到每一个主周期位置对应的周期均值；

将每一个训练数据与其所在的主周期位置对应的周期均值相减，得到去除周期的训练数据序列；

利用时间序列模型对所述去除周期的训练数据序列进行建模求解，得到预测点的去除周期的用户行为数；

将预测点的去除周期的用户行为数与其所在的主周期位置对应的周期均值相加，得到预测点的用户行为数。

3.如权利要求2所述的方法，其特征在于，将预测点的去除周期的用户行为数与其所在的主周期位置对应的周期均值相加，得到预测点的用户行为数之后，还包括：

确认当前得到的预测点的用户行为数的偏差超出设定的偏差阈值时，采用所述预测点之前一个主周期内去除周期的训练数据的均值作为所述预测点的去除周期的用户行为数；

将预测点的去除周期的用户行为数与其主周期位置对应的周期均值相加，得到预测点的用户行为数。

4.如权利要求1所述的方法，其特征在于，利用快速傅里叶变换FFT、或者小波变换对所述历史数据序列进行时域到频域的变换。

5.一种单词的用户行为数的预测装置，其特征在于，包括：

变换单元，用于对单词的用户行为数的历史数据序列进行时域到频域的变换，所述单词的用户行为数为单词的流量或者点击量；

确定单元，用于根据变换得到的频域序列确定所述历史数据序列的每一个估计周期及其影响程度值；

判断单元，用于根据所述历史数据序列的每一个估计周期及其影响程度值，判断所述历史数据序列是否满足平稳序列标准，如果是，则判定所述历史数据序列为平稳序列，否则判定所述历史数据序列为非平稳序列；其中，所述平稳序列标准包括：所有估计周期的影响程度值均不超过设定的影响程度阈值；所述估计周期是指频域序列的周期，就是根据频率值换算得到的周期值；所述影响程度值是指估计周期在频域序列中所占的比重；

第一预测单元，用于针对平稳序列，采用预测点之前若干历史数据点的用户行为数的均值作为预测点的用户行为数；

选择单元，用于针对非平稳序列，根据每一个估计周期及其影响程度值选择所述历史数据序列的主周期和奇异点；其中，所述选择单元包括存储子单元、第一选择子单元、第二选择子单元；存储子单元，用于存储配置的主周期范围；第一选择子单元，用于根据所述存储子单元中存储的主周期范围，将满足所述主周期范围且影响程度值最大的估计周期作为主周期；第二选择子单元，用于在主周期之外的各估计周期中，将影响程度值最大的估计周期作为奇异点；

第二预测单元，用于基于选定的主周期和奇异点得到预测点的用户行为数；其中，所述第二预测单元包括选取子单元、预测子单元；所述选取子单元，用于选取所述历史数据序列中奇异点之后的各历史数据点组成训练数据序列；所述预测子单元，用于利用时间序列模型对所述训练数据序列进行建模求解，得到预测点的用户行为数。

6.如权利要求5所述的装置，其特征在于，所述第二预测单元还包括：

选取子单元，用于选取所述历史数据序列中奇异点之后的各历史数据点组成训练数据序列；

运算子单元，用于分别对同一主周期位置上的各训练数据进行取均值运算，得到每一个主周期位置对应的周期均值；

去周期处理子单元，用于将每一个训练数据与其所在的主周期位置对应的周期均值相减，得到去除周期的训练数据序列；

预测子单元，用于利用时间序列模型对所述去除周期的训练数据序列进行建模求解，得到预测点的去除周期的用户行为数；

周期恢复处理子单元，用于将预测点的去除周期的用户行为数与其所在的主周期位置对应的周期均值相加，得到预测点的用户行为数。

7.如权利要求6所述的装置，其特征在于，所述第二预测单元，还包括：

重预测子单元，用于确认所述周期恢复处理子单元当前得到的预测点的用户行为数的偏差超出设定的偏差阈值时，采用所述预测点之前一个主周期内去除周期的训练数据的均值作为所述预测点的去除周期的用户行为数；将预测点的去除周期的用户行为数与其主周期位置对应的周期均值相加，得到预测点的用户行为数。

Images