CN108428161B - 广告的可投放量的预测方法、装置及电子设备 - Google Patents
广告的可投放量的预测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN108428161B CN108428161B CN201810638984.4A CN201810638984A CN108428161B CN 108428161 B CN108428161 B CN 108428161B CN 201810638984 A CN201810638984 A CN 201810638984A CN 108428161 B CN108428161 B CN 108428161B
- Authority
- CN
- China
- Prior art keywords
- advertisement
- advertisements
- historical
- orders
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0242—Determining effectiveness of advertisements
- G06Q30/0245—Surveys
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明实施例提供了一种广告的可投放量的预测方法、装置及电子设备，包括：获取目标广告订单中预投放广告的属性特征；获取所有目标已下单广告订单对应的整体特征；将目标广告订单中预投放广告的属性特征和所有目标已下单广告订单对应的整体特征，输入预先生成的回归模型中，预测出目标广告订单中预投放广告的最大可投放量。本发明实施例是基于预设历史时间段内历史广告订单中已投放广告的属性特征、历史广告订单中已投放广告的最大可投放量及预设历史时间段内每天所有历史广告订单对应的整体特征训练生成回归模型，以预测目标广告订单中预投放广告的最大可投放量，提高了广告的最大可投放量预测的准确率。
Description
技术领域
本发明涉及计算机技术领域，特别是涉及一种广告的可投放量的预测方法、装置及电子设备。
背景技术
目前，越来越多的企业公司利用媒介投放广告来宣传企业文化、产品等，例如，在视频的播放过程中投放广告，或者在网页页面中投放广告。广告投放时通常采用合约式广告投放的方式，即根据广告订单的要求进行广告投放。广告订单是广告主和媒介签订的，每个广告订单中设置有广告的定向投放条件，其中，定向投放条件主要包括广告的投放日期、投放平台、投放地区、投放频道和投放预定量等等，投放预定量即为广告主设定的广告的投放量。对于每个预下单广告订单，需要销售人员预测该广告订单中预投放广告在指定的投放日期能够达到的最大可投放量，以反馈给广告主，作为设定投放预定量的依据。其中，最大可投放量指的是在指定的投放日期能够投放该广告订单中预投放广告的最大次数，该最大可投放量可理解为该广告订单中预投放广告的最大可曝光量，也即是在指定的投放日期能够被用户浏览的最大次数。
现有技术中，通常基于每个预下单广告订单中预投放广告的定向投放条件，将在该定向投放条件下能够投放广告的总量，减去在该定向投放条件下已下单广告订单中预投放广告已占用的投放量，得到的差值即为该预下单广告订单中预投放广告的最大可投放量。
发明人在实现本发明的过程中发现，现有技术至少存在如下问题：
当已下单广告订单中除包含有预下单广告订单中设置的预投放广告的定向投放条件外，还包含有其他定向投放条件，即在总量中已下单广告订单中预投放广告已占用的投放量，是根据已下单广告订单中预投放广告在整体定向投放条件下的投放量预估得到的；同时，总量也是根据播放日志系统，记录每天历史广告订单中已投放广告的实际投放量预估得到的。这样在预测预下单广告订单中预投放广告的最大可投放量时，存在一定的误差，降低了广告的最大可投放量预测的准确率。
发明内容
本发明实施例的目的在于提供一种广告的可投放量的预测方法、装置及电子设备方法及装置，以提高广告的最大可投放量预测的准确率。具体技术方案如下：
第一方面，本发明实施例提供了一种广告的可投放量的预测方法，所述方法包括：
获取目标广告订单中预投放广告的定向投放条件，将所述定向投放条件作为所述目标广告订单中预投放广告的属性特征，所述目标广告订单为预下单广告订单；
确定与所述目标广告订单中预投放广告的预投放日期相同的已下单广告订单，作为目标已下单广告订单，所述目标已下单广告订单包括所述目标已下单广告订单中预投放广告的定向投放条件；
获取所有目标已下单广告订单对应的整体特征，其中，所述整体特征表示在所述所有目标已下单广告订单中预投放广告的定向投放条件下，目标已下单广告订单的累加量，以及表示所述所有目标已下单广告订单中预投放广告在其定向投放条件下的投放累加量；
将所述目标广告订单中预投放广告的属性特征和所述所有目标已下单广告订单对应的整体特征，输入预先生成的回归模型中，预测出所述目标广告订单中预投放广告的最大可投放量，其中，所述回归模型是基于预设历史时间段内历史广告订单中已投放广告的属性特征、所述历史广告订单中已投放广告的最大可投放量及所述预设历史时间段内每天所有历史广告订单对应的整体特征训练生成的。
可选的，所述回归模型采用如下步骤生成：
获取所述预设历史时间段内历史广告订单中已投放广告的属性特征、所述历史广告订单中已投放广告的实际投放参数及所述预设历史时间段内每天所有历史广告订单对应的整体特征；
根据所述历史广告订单中已投放广告的属性特征和所述实际投放参数，采用投放校正公式，计算所述历史广告订单中已投放广告的最大可投放量；
将所述历史广告订单中已投放广告的属性特征、所述历史广告订单中已投放广告的最大可投放量和所述预设历史时间段内每天所有历史广告订单对应的整体特征构建为训练数据，通过所述训练数据对预设模型进行训练，得到训练后的所述回归模型，其中，所述预设模型包括：线性回归模型、迭代决策树模型或支持向量机回归模型。
可选的，所述历史广告订单中已投放广告的属性特征包括：投放日期、投放开始时间、投放结束时间、投放平台、投放地区、投放频道和投放专辑；
所述实际投放参数包括：实际投放量、实际投放开始时间和实际投放结束时间；
所述根据所述历史广告订单中已投放广告的属性特征和所述实际投放参数，采用投放校正公式，计算所述历史广告订单中已投放广告的最大可投放量的步骤，包括：
采用如下公式计算所述历史广告订单中已投放广告的最大可投放量：
其中，ymax表示所述历史广告订单中已投放广告的最大可投放量，yac表示所述历史广告订单中已投放广告的所述实际投放量，Tfin表示所述投放开始时间，Tsta表示所述投放结束时间，tfin表示所述实际投放结束时间，tsta表示所述实际投放开始时间。
可选的，所述预设历史时间段内每天所有历史广告订单对应的整体特征包括：历史广告订单总数、历史广告订单中已投放广告的总投放预定量、投放平台相同的历史广告订单数、投放地区相同的历史广告订单数和投放频道相同的历史广告订单数，
其中，所述投放平台相同的历史广告订单数包括各个投放平台的历史广告订单数，所述投放地区相同的历史广告订单数包括各个投放地区的历史广告订单数，所述放频道相同的历史广告订单数包括各个投放频道的历史广告订单数。
可选的，所述目标广告订单中预投放广告的属性特征包括：预投放日期、预投放开始时间、预投放结束时间、预投放平台、预投放地区、预投放频道和预投放专辑。
可选的，所述所有目标已下单广告订单对应的整体特征包括：目标已下单广告订单总数，目标已下单广告订单中预投放广告的总投放预定量，投放平台相同的目标已下单广告订单数，投放地区相同的目标已下单广告订单数和投放频道相同的目标已下单广告订单数，
其中，所述投放平台相同的目标已下单广告订单数包括各个投放平台的目标已下单广告订单数，所述投放地区相同的目标已下单广告订单数包括各个投放地区的目标已下单广告订单数，所述投放频道相同的目标已下单广告订单数包括各个投放频道的目标已下单广告订单数。
第二方面，本发明实施例提供了一种广告的可投放量的预测装置，所述装置包括：
第一获取模块，用于获取目标广告订单中预投放广告的定向投放条件，将所述定向投放条件作为所述目标广告订单中预投放广告的属性特征，所述目标广告订单为预下单广告订单；
确定模块，用于确定与所述目标广告订单中预投放广告的预投放日期相同的已下单广告订单，作为目标已下单广告订单，所述目标已下单广告订单包括所述目标已下单广告订单中预投放广告的定向投放条件；
第二获取模块，用于获取所有目标已下单广告订单对应的整体特征，其中，所述整体特征表示在所述所有目标已下单广告订单中预投放广告的定向投放条件下，目标已下单广告订单的累加量，以及表示所述所有目标已下单广告订单中预投放广告在其定向投放条件下的投放累加量；
预测模块，用于将所述目标广告订单中预投放广告的属性特征和所述所有目标已下单广告订单对应的整体特征，输入预先生成的回归模型中，预测出所述目标广告订单中预投放广告的最大可投放量，其中，所述回归模型是基于预设历史时间段内历史广告订单中已投放广告的属性特征、所述历史广告订单中已投放广告的最大可投放量及所述预设历史时间段内每天所有历史广告订单对应的整体特征训练生成的。
可选的，所述装置还包括：生成模块，用于生成所述回归模型。
可选的，所述生成模块，包括：
获取子模块，用于获取所述预设历史时间段内历史广告订单中已投放广告的属性特征、所述历史广告订单中已投放广告的实际投放参数及所述预设历史时间段内每天所有历史广告订单对应的整体特征；
计算子模块，用于根据所述历史广告订单中已投放广告的属性特征和所述实际投放参数，采用投放校正公式，计算所述历史广告订单中已投放广告的最大可投放量；
训练子模块，用于将所述历史广告订单中已投放广告的属性特征、所述历史广告订单中已投放广告的最大可投放量和所述预设历史时间段内每天所有历史广告订单对应的整体特征构建为训练数据，通过所述训练数据对预设模型进行训练，得到训练后的所述回归模型，其中，所述预设模型包括：线性回归模型、迭代决策树模型或支持向量机回归模型。
可选的，所述历史广告订单中已投放广告的属性特征包括：投放日期、投放开始时间、投放结束时间、投放平台、投放地区、投放频道和投放专辑；
所述实际投放参数包括：实际投放量、实际投放开始时间和实际投放结束时间；
所述计算子模块，具体用于：
采用如下公式计算所述历史广告订单中已投放广告的最大可投放量：
其中，ymax表示所述历史广告订单中已投放广告的最大可投放量，yac表示所述历史广告订单中已投放广告的所述实际投放量，Tfin表示所述投放开始时间，Tsta表示所述投放结束时间，tfin表示所述实际投放结束时间，tsta表示所述实际投放开始时间。
可选的，所述预设历史时间段内每天所有历史广告订单对应的整体特征包括：历史广告订单总数、历史广告订单中已投放广告的总投放预定量、投放平台相同的历史广告订单数、投放地区相同的历史广告订单数和投放频道相同的历史广告订单数，
其中，所述投放平台相同的历史广告订单数包括各个投放平台的历史广告订单数，所述投放地区相同的历史广告订单数包括各个投放地区的历史广告订单数，所述放频道相同的历史广告订单数包括各个投放频道的历史广告订单数。
可选的，所述目标广告订单中预投放广告的属性特征包括：预投放日期、预投放开始时间、预投放结束时间、预投放平台、预投放地区、预投放频道和预投放专辑。
可选的，所述所有目标已下单广告订单对应的整体特征包括：目标已下单广告订单总数，目标已下单广告订单中预投放广告的总投放预定量，投放平台相同的目标已下单广告订单数，投放地区相同的目标已下单广告订单数和投放频道相同的目标已下单广告订单数，
其中，所述投放平台相同的目标已下单广告订单数包括各个投放平台的目标已下单广告订单数，所述投放地区相同的目标已下单广告订单数包括各个投放地区的目标已下单广告订单数，所述投放频道相同的目标已下单广告订单数包括各个投放频道的目标已下单广告订单数。
第三方面，本发明实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序，实现第一方面任一所述的广告的可投放量的预测方法的步骤。
第四方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现第一方面任一所述的广告的可投放量的预测方法的步骤。
第五方面，本发明实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行第一方面任一所述的广告的可投放量的预测方法的步骤。
本发明实施例提供的一种广告的可投放量的预测方法、装置及电子设备，通过获取目标广告订单中预投放广告的属性特征及所有目标已下单广告订单对应的整体特征，并将获取的属性特征和整体特征输入预先生成的回归模型中，得到目标广告订单中预投放广告的最大可投放量。由于本发明实施例是通过预先生成的回归模型预测目标广告订单中预投放广告的最大可投放量，而没有通过预估在目标广告订单中预投放广告的定向投放条件下能够投放广告的总量，及预估在该定向投放条件下已下单广告订单中预投放广告已占用的投放量，预测得到该目标广告订单中预投放广告的最大可投放量，提高了广告的最大可投放量预测的准确率。当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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本发明的一些实施例，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，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种广告的可投放量的预测方法流程图；
图2为本发明实施例提供的一种广告的可投放量的预测装置结构图；
图3为本发明实施例提供的一种电子设备结构示意图。
具体实施方式
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。
为了提高广告的最大可投放量预测的准确率，本发明实施例提供了一种广告的可投放量的预测方法、装置及电子设备，通过获取目标广告订单中预投放广告的属性特征及所有目标已下单广告订单对应的整体特征，并将获取的属性特征和整体特征输入预先生成的回归模型中，得到目标广告订单中预投放广告的最大可投放量。由于本发明实施例是通过预先生成的回归模型预测目标广告订单中预投放广告的最大可投放量，而没有通过预估在目标广告订单中预投放广告的定向投放条件下能够投放广告的总量，及预估在该定向投放条件下已下单广告订单中预投放广告已占用的投放量，预测得到该目标广告订单中预投放广告的最大可投放量，提高了广告的最大可投放量预测的准确率。
下面首先对本发明实施例所提供的广告的可投放量的预测方法进行介绍。
本发明实施例提供了一种广告的可投放量的预测方法，如图1所示，该方法包括：
S101，获取目标广告订单中预投放广告的定向投放条件，将该定向投放条件作为该目标广告订单中预投放广告的属性特征，目标广告订单为预下单广告订单。
在实际应用中，广告投放时通常采用合约式广告投放的方式，即根据广告订单的要求进行广告投放。广告订单是广告主和媒介签订的，每个广告订单中设置有广告的定向投放条件。针对每一个目标广告订单(预下单广告订单)，即为广告主即将下单的广告订单，在该目标广告订单中包含有预投放广告，同时，广告主在该目标广告订单中设置有预投放广告的定向投放条件。本发明实施例中，将该目标广告订单中预投放广告的定向投放条件作为目标广告订单中预投放广告的属性特征，该属性特征包括：预投放日期、预投放开始时间、预投放结束时间、预投放平台、预投放地区、预投放频道和预投放专辑。
具体的，预投放日期为目标广告订单中预投放广告的投放日期，预投放开始时间、预投放结束时间分别为目标广告订单中预投放广告在预投放日期中的投放开始时间、投放结束时间。例如，该目标广告订单中预投放广告的预投放日期为10月1日，预投放开始时间、预投放结束时间为10月1日这一天的早上8点、晚上8点。预投放平台可以为安卓平台、IOS平台等，预投放地区可以为北京地区、上海地区或者浙江地区等，预投放频道可以为北京、上海卫视等，预投放专辑为节目的类型。例如，预投放专辑可以为古装剧节目、真人秀节目等。另外，目标广告订单中预投放广告的属性特征还可以包括：目标人群的性别。例如，目标广告订单中预投放广告定向的目标人群的性别可以为女性。目标广告订单中预投放广告的属性特征还可以包括：平均最大浏览次数。该平均最大浏览次数指的是在预投放日期这一天，每个用户浏览目标广告订单中预投放广告的最大次数。例如，广告主设定的平均最大浏览次数为3次，即每个用户最多只能浏览该目标广告订单中预投放广告3次。
S102，确定与目标广告订单中预投放广告的预投放日期相同的已下单广告订单，作为目标已下单广告订单，该目标已下单广告订单包括目标已下单广告订单中预投放广告的定向投放条件。
可以理解的是，目标已下单广告订单中包含有预投放广告，广告主在该目标已下单广告订单中设置有预投放广告的定向投放条件。该定向投放条件包括：投放日期、投放开始时间、投放结束时间、投放平台、投放地区、投放频道和投放专辑。其中，目标已下单广告订单中预投放广告的投放日期与目标广告订单中预投放广告的投放日期相同。
S103，获取所有目标已下单广告订单对应的整体特征。
本发明实施例中，整体特征表示在所有目标已下单广告订单中预投放广告的定向投放条件下，目标已下单广告订单的累加量，以及表示所有目标已下单广告订单中预投放广告在其定向投放条件下的投放累加量。
具体的，所有目标已下单广告订单对应的整体特征包括：目标已下单广告订单总数，目标已下单广告订单中预投放广告的总投放预定量，投放平台相同的目标已下单广告订单数，投放地区相同的目标已下单广告订单数和投放频道相同的目标已下单广告订单数。
其中，目标已下单广告订单总数，指的是在目标已下单广告订单中预投放广告的预投放日期这一天，所有目标已下单广告订单的订单个数。投放平台相同的目标已下单广告订单数包括各个投放平台的目标已下单广告订单数。例如，所有目标已下单广告订单中预投放广告的投放平台包括两类投放平台，这两类投放平台可以分别为安卓平台和IOS平台，即以投放平台为分类依据，投放平台相同的目标已下单广告订单数包括：预投放广告的投放平台均为安卓平台时对应的目标已下单广告订单数和投放平台均为IOS平台时对应的目标已下单广告订单数。投放地区相同的目标已下单广告订单数包括各个投放地区的目标已下单广告订单数。例如，所有目标已下单广告订单中预投放广告的投放平台包括两类投放地区，这两类投放地区可以分别为北京地区和上海地区，即以投放地区为分类依据，投放地区相同的目标已下单广告订单数包括：预投放广告的投放地区均为北京地区时对应的目标已下单广告订单数和投放地区均为上海地区时对应的目标已下单广告订单数。投放频道相同的目标已下单广告订单数包括各个投放频道的目标已下单广告订单数。例如，所有目标已下单广告订单中预投放广告的投放频道包括两类投放频道，这两类投放频道可以为北京卫视和上海卫视，即以投放频道为分类依据，投放频道相同的目标已下单广告订单数包括：预投放广告的投放频道均为北京卫视时对应的目标已下单广告订单数和投放频道均为上海卫视时对应的目标已下单广告订单数。
在实际应用中，由于广告主在每个目标已下单广告订单中设置有预投放广告的预定量，也即是预投放广告的投放量。则目标已下单广告订单中预投放广告的总投放预定量，即为所有目标已下单广告订单中预投放广告的预定量之和。另外，所有目标已下单广告订单对应的整体特征还可以包括：投放平台相同的目标已下单广告订单中预投放广告的预定量之和，也即是，在各个投放平台的目标已下单广告订单中预投放广告的预定量之和。
S104，将目标广告订单中预投放广告的属性特征和所有目标已下单广告订单对应的整体特征，输入预先生成的回归模型中，预测出目标广告订单中预投放广告的最大可投放量。
其中，回归模型是基于预设历史时间段内历史广告订单中已投放广告的属性特征、历史广告订单中已投放广告的最大可投放量及预设历史时间段内每天所有历史广告订单对应的整体特征训练生成的。
具体的，该回归模型可以采用如下步骤生成：
步骤一，获取预设历史时间段内历史广告订单中已投放广告的属性特征、历史广告订单中已投放广告的实际投放参数及预设历史时间段内每天所有历史广告订单对应的整体特征。
在实际应用中，将预设历史时间段内每个历史广告订单中已投放广告的定向投放条件作为该历史广告订单中已投放广告的属性特征，该历史广告订单中已投放广告的属性特征包括：投放日期、投放开始时间、投放结束时间、投放平台、投放地区、投放频道和投放专辑。另外，历史广告订单中已投放广告的属性特征还可以包括：目标人群的性别。例如，历史广告订单中已投放广告定向的目标人群的性别可以为女性。历史广告订单中已投放广告的属性特征还可以包括：平均最大浏览次数。该平均最大浏览次数指的是在投放日期这一天，每个用户浏览历史广告订单中已投放广告的最大次数。例如，广告主设定的平均最大浏览次数为3次，即每个用户最多只能浏览该历史广告订单中已投放广告3次。
由于每个历史广告订单都有一个相应的身份标识号码ID，即不同的历史广告订单对应的ID不同。本发明实施例可以根据ID，获取该ID对应的历史广告订单中已投放广告的实际投放参数，该实际投放参数包括：实际投放量、实际投放开始时间和实际投放结束时间。可以理解的是，实际投放参数即为实际曝光参数，实际投放量即为实际曝光量，指的是历史广告订单中已投放广告在投放日期被用户浏览的次数。实际投放开始时间即为实际曝光开始时间，指的是历史广告订单中已投放广告在投放日期首次被用户浏览的时间。实际投放结束时间即为实际曝光结束时间，指的是历史广告订单中已投放广告在投放日期最后一次被用户浏览的时间。
预设历史时间段内每天所有历史广告订单对应的整体特征，是通过统计预设历史时间段内每天历史广告订单中已投放广告的定向投放条件获得的。其中，预设时间段内每天的历史广告订单，指的是设置的投放日期均相同的历史广告订单。预设历史时间段内每天所有历史广告订单对应的整体特征包括：历史广告订单总数、历史广告订单中已投放广告的总投放预定量、投放平台相同的历史广告订单数、投放地区相同的历史广告订单数和投放频道相同的历史广告订单数。其中，投放平台相同的历史广告订单数包括各个投放平台的历史广告订单数，投放地区相同的历史广告订单数包括各个投放地区的历史广告订单数，放频道相同的历史广告订单数包括各个投放频道的历史广告订单数。另外，预设历史时间段内每天所有历史广告订单对应的整体特征还可以包括：投放平台相同的历史广告订单中已投放广告的预定量之和，也即是，在各个投放平台的历史广告订单中已投放广告的预定量之和。
在实际应用场景中，预设历史时间段可以设定为60天，或者是90天，技术人员可以根据具体需求对预设历史时间段的值进行设定，本发明实施例对此不作限定。
步骤二，根据历史广告订单中已投放广告的属性特征和实际投放参数，采用投放校正公式，计算历史广告订单中已投放广告的最大可投放量。
其中，最大可投放量指的是在指定的投放日期能够投放该历史广告订单中已投放广告的最大次数，该最大可投放量可理解为该历史广告订单中已投放广告的最大可曝光量，也即是在指定的投放日期能够被用户浏览的最大次数。由于在本发明实施例中，回归模型的生成涉及有历史广告订单中已投放广告的最大投放量，则可以根据投放校正公式，对获取的历史广告订单中已投放广告的实际投放量进行校正，以得到历史广告订单中已投放广告的最大可投放量。具体的，可以采用如下公式计算历史广告订单中已投放广告的最大可投放量：
其中，ymax表示历史广告订单中已投放广告的最大可投放量，yac表示历史广告订单中已投放广告的所述实际投放量，Tfin表示投放开始时间，Tsta表示投放结束时间，tfin表示实际投放结束时间，tsta表示实际投放开始时间。
步骤三，将历史广告订单中已投放广告的属性特征、历史广告订单中已投放广告的最大可投放量和预设历史时间段内每天所有历史广告订单对应的整体特征构建为训练数据，通过训练数据对预设模型进行训练，得到训练后的回归模型。
其中，回归模型是一种预测模型，可以预测出目标广告订单中预投放广告的最大可投放量。本发明实施例中，可以通过训练数据对线性回归模型进行训练，得到训练后的回归模型。
具体的，通过训练数据对线性回归模型进行训练，得到训练后的回归模型为线性回归模型，该线性回归模型即为线性回归方程，指的是因变量与多个自变量之间的线性关系。例如，本发明实施例得到训练后的线性回归模型可以为：Y＝a+b1x1+b2x2+b3x3+…+bnxn。其中，Y表示因变量，x1、x2、x3、…、xn表示自变量，a、b1、b2、b3、…、bn表示该线性回归方程的参数，这些参数可以通过最小二乘法计算得到。本发明实施例中，因变量指的是预设历史时间段内历史广告订单中已投放广告的最大可投放量，自变量指的是预设历史时间段内历史广告订单中预投放广告的属性特征，及预设历史时间段内每天所有历史广告订单对应的整体特征。可以理解的是，将目标广告订单中预投放广告的属性特征和所有目标已下单广告订单对应的整体特征，输入该线性回归模型中，也即是，将输入项分别乘以对应的参数，并将结果进行累加，得到的累加结果即为该目标广告订单中预投放广告的最大可投放量。
本发明实施例中，还可以通过训练数据对迭代决策树模型或者支持向量机回归模型进行训练，得到训练后的回归模型。在实际应用场景中，技术人员可以根据具体需求选取不同的预设模型，本发明实施例对此不作限定。
本发明实施例提供了一种广告的可投放量的预测方法，通过获取目标广告订单中预投放广告的属性特征及所有目标已下单广告订单对应的整体特征，并将获取的属性特征和整体特征输入预先生成的回归模型中，得到目标广告订单中预投放广告的最大可投放量。由于本发明实施例是通过预先生成的回归模型预测目标广告订单中预投放广告的最大可投放量，而没有通过预估在目标广告订单中预投放广告的定向投放条件下能够投放广告的总量，及预估在该定向投放条件下已下单广告订单中预投放广告已占用的投放量，预测得到该目标广告订单中预投放广告的最大可投放量，提高了广告的最大可投放量预测的准确率。
本发明实施例提供了一种广告的可投放量的预测装置，如图2所示，该装置包括：
第一获取模块210，用于获取目标广告订单中预投放广告的定向投放条件，将该定向投放条件作为目标广告订单中预投放广告的属性特征，目标广告订单为预下单广告订单。
确定模块220，用于确定与目标广告订单中预投放广告的预投放日期相同的已下单广告订单，作为目标已下单广告订单，目标已下单广告订单包括目标已下单广告订单中预投放广告的定向投放条件。
第二获取模块230，用于获取所有目标已下单广告订单对应的整体特征，其中，该整体特征表示在所有目标已下单广告订单中预投放广告的定向投放条件下，目标已下单广告订单的累加量，以及表示所有目标已下单广告订单中预投放广告在其定向投放条件下的投放累加量。
预测模块240，用于将目标广告订单中预投放广告的属性特征和所有目标已下单广告订单对应的整体特征，输入预先生成的回归模型中，预测出目标广告订单中预投放广告的最大可投放量，其中，回归模型是基于预设历史时间段内历史广告订单中已投放广告的属性特征、历史广告订单中已投放广告的最大可投放量及预设历史时间段内每天所有历史广告订单对应的整体特征训练生成的。
本发明实施例提供了一种广告的可投放量的预测装置，通过获取目标广告订单中预投放广告的属性特征及所有目标已下单广告订单对应的整体特征，并将获取的属性特征和整体特征输入预先生成的回归模型中，得到目标广告订单中预投放广告的最大可投放量。由于本发明实施例是通过预先生成的回归模型预测目标广告订单中预投放广告的最大可投放量，而没有通过预估在目标广告订单中预投放广告的定向投放条件下能够投放广告的总量，及预估在该定向投放条件下已下单广告订单中预投放广告已占用的投放量，预测得到该目标广告订单中预投放广告的最大可投放量，提高了广告的最大可投放量预测的准确率。
作为本发明实施例的一种实施方式，该装置还包括：
生成模块，用于生成回归模型。
作为本发明实施例的一种实施方式，上述生成模块，包括：
获取子模块，用于获取预设历史时间段内历史广告订单中已投放广告的属性特征、历史广告订单中已投放广告的实际投放参数及预设历史时间段内每天所有历史广告订单对应的整体特征。
计算子模块，用于根据历史广告订单中已投放广告的属性特征和实际投放参数，采用投放校正公式，计算历史广告订单中已投放广告的最大可投放量。
训练子模块，用于将历史广告订单中已投放广告的属性特征、历史广告订单中已投放广告的最大可投放量和预设历史时间段内每天所有历史广告订单对应的整体特征构建为训练数据，通过训练数据对预设模型进行训练，得到训练后的回归模型，其中，预设模型包括：线性回归模型、迭代决策树模型或支持向量机回归模型。
作为本发明实施例的一种实施方式，历史广告订单中已投放广告的属性特征包括：投放日期、投放开始时间、投放结束时间、投放平台、投放地区、投放频道和投放专辑。
实际投放参数包括：实际投放量、实际投放开始时间和实际投放结束时间。
上述计算子模块，具体用于：
采用如下公式计算历史广告订单中已投放广告的最大可投放量：
其中，ymax表示历史广告订单中已投放广告的最大可投放量，yac表示历史广告订单中已投放广告的实际投放量，Tfin表示投放开始时间，Tsta表示投放结束时间，tfin表示实际投放结束时间，tsta表示实际投放开始时间。
作为本发明实施例的一种实施方式，预设历史时间段内每天所有历史广告订单对应的整体特征包括：历史广告订单总数、历史广告订单中已投放广告的总投放预定量、投放平台相同的历史广告订单数、投放地区相同的历史广告订单数和投放频道相同的历史广告订单数。
其中，投放平台相同的历史广告订单数包括各个投放平台的历史广告订单数，投放地区相同的历史广告订单数包括各个投放地区的历史广告订单数，放频道相同的历史广告订单数包括各个投放频道的历史广告订单数。
作为本发明实施例的一种实施方式，目标广告订单中预投放广告的属性特征包括：预投放日期、预投放开始时间、预投放结束时间、预投放平台、预投放地区、预投放频道和预投放专辑。
作为本发明实施例的一种实施方式，所有目标已下单广告订单对应的整体特征包括：目标已下单广告订单总数，目标已下单广告订单中预投放广告的总投放预定量，投放平台相同的目标已下单广告订单数，投放地区相同的目标已下单广告订单数和投放频道相同的目标已下单广告订单数。
其中，投放平台相同的目标已下单广告订单数包括各个投放平台的目标已下单广告订单数，投放地区相同的目标已下单广告订单数包括各个投放地区的目标已下单广告订单数，投放频道相同的目标已下单广告订单数包括各个投放频道的目标已下单广告订单数。
本发明实施例提供了一种广告的可投放量的预测装置，通过获取目标广告订单中预投放广告的属性特征及所有目标已下单广告订单对应的整体特征，并将获取的属性特征和整体特征输入预先生成的回归模型中，得到目标广告订单中预投放广告的最大可投放量。由于本发明实施例是通过预先生成的回归模型预测目标广告订单中预投放广告的最大可投放量，而没有通过预估在目标广告订单中预投放广告的定向投放条件下能够投放广告的总量，及预估在该定向投放条件下已下单广告订单中预投放广告已占用的投放量，预测得到该目标广告订单中预投放广告的最大可投放量，提高了广告的最大可投放量预测的准确率。
本发明实施例还提供了一种电子设备，如图3所示，包括处理器310、通信接口320、存储器330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信.
存储器330，用于存放计算机程序。
处理器310，用于执行存储器330上所存放的程序时，实现如下步骤：
获取目标广告订单中预投放广告的定向投放条件，将定向投放条件作为目标广告订单中预投放广告的属性特征，目标广告订单为预下单广告订单。
确定与目标广告订单中预投放广告的预投放日期相同的已下单广告订单，作为目标已下单广告订单，目标已下单广告订单包括该目标已下单广告订单中预投放广告的定向投放条件。
获取所有目标已下单广告订单对应的整体特征，其中，整体特征表示在所有目标已下单广告订单中预投放广告的定向投放条件下，目标已下单广告订单的累加量，以及表示所有目标已下单广告订单中预投放广告在其定向投放条件下的投放累加量。
将目标广告订单中预投放广告的属性特征和所有目标已下单广告订单对应的整体特征，输入预先生成的回归模型中，预测出目标广告订单中预投放广告的最大可投放量，其中，回归模型是基于预设历史时间段内历史广告订单中已投放广告的属性特征、历史广告订单中已投放广告的最大可投放量及预设历史时间段内每天所有历史广告订单对应的整体特征训练生成的。
本发明实施例可以通过获取目标广告订单中预投放广告的属性特征及所有目标已下单广告订单对应的整体特征，并将获取的属性特征和整体特征输入预先生成的回归模型中，得到目标广告订单中预投放广告的最大可投放量。由于本发明实施例是通过预先生成的回归模型预测目标广告订单中预投放广告的最大可投放量，而没有通过预估在目标广告订单中预投放广告的定向投放条件下能够投放广告的总量，及预估在该定向投放条件下已下单广告订单中预投放广告已占用的投放量，预测得到该目标广告订单中预投放广告的最大可投放量，提高了广告的最大可投放量预测的准确率。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取目标广告订单中预投放广告的定向投放条件，将定向投放条件作为目标广告订单中预投放广告的属性特征，目标广告订单为预下单广告订单。
确定与目标广告订单中预投放广告的预投放日期相同的已下单广告订单，作为目标已下单广告订单，目标已下单广告订单包括该目标已下单广告订单中预投放广告的定向投放条件。
获取所有目标已下单广告订单对应的整体特征，其中，整体特征表示在所有目标已下单广告订单中预投放广告的定向投放条件下，目标已下单广告订单的累加量，以及表示所有目标已下单广告订单中预投放广告在其定向投放条件下的投放累加量。
将目标广告订单中预投放广告的属性特征和所有目标已下单广告订单对应的整体特征，输入预先生成的回归模型中，预测出目标广告订单中预投放广告的最大可投放量，其中，回归模型是基于预设历史时间段内历史广告订单中已投放广告的属性特征、历史广告订单中已投放广告的最大可投放量及预设历史时间段内每天所有历史广告订单对应的整体特征训练生成的。
本发明实施例可以通过获取目标广告订单中预投放广告的属性特征及所有目标已下单广告订单对应的整体特征，并将获取的属性特征和整体特征输入预先生成的回归模型中，得到目标广告订单中预投放广告的最大可投放量。由于本发明实施例是通过预先生成的回归模型预测目标广告订单中预投放广告的最大可投放量，而没有通过预估在目标广告订单中预投放广告的定向投放条件下能够投放广告的总量，及预估在该定向投放条件下已下单广告订单中预投放广告已占用的投放量，预测得到该目标广告订单中预投放广告的最大可投放量，提高了广告的最大可投放量预测的准确率。
本发明实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行以下步骤：
获取目标广告订单中预投放广告的定向投放条件，将定向投放条件作为目标广告订单中预投放广告的属性特征，目标广告订单为预下单广告订单。
确定与目标广告订单中预投放广告的预投放日期相同的已下单广告订单，作为目标已下单广告订单，目标已下单广告订单包括该目标已下单广告订单中预投放广告的定向投放条件。
获取所有目标已下单广告订单对应的整体特征，其中，整体特征表示在所有目标已下单广告订单中预投放广告的定向投放条件下，目标已下单广告订单的累加量，以及表示所有目标已下单广告订单中预投放广告在其定向投放条件下的投放累加量。
将目标广告订单中预投放广告的属性特征和所有目标已下单广告订单对应的整体特征，输入预先生成的回归模型中，预测出目标广告订单中预投放广告的最大可投放量，其中，回归模型是基于预设历史时间段内历史广告订单中已投放广告的属性特征、历史广告订单中已投放广告的最大可投放量及预设历史时间段内每天所有历史广告订单对应的整体特征训练生成的。
本发明实施例可以通过获取目标广告订单中预投放广告的属性特征及所有目标已下单广告订单对应的整体特征，并将获取的属性特征和整体特征输入预先生成的回归模型中，得到目标广告订单中预投放广告的最大可投放量。由于本发明实施例是通过预先生成的回归模型预测目标广告订单中预投放广告的最大可投放量，而没有通过预估在目标广告订单中预投放广告的定向投放条件下能够投放广告的总量，及预估在该定向投放条件下已下单广告订单中预投放广告已占用的投放量，预测得到该目标广告订单中预投放广告的最大可投放量，提高了广告的最大可投放量预测的准确率。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置/电子设备/存储介质/计算机程序产品实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
Claims (14)
1.一种广告的可投放量的预测方法，其特征在于，所述方法包括：
获取目标广告订单中预投放广告的定向投放条件，将所述定向投放条件作为所述目标广告订单中预投放广告的属性特征，所述目标广告订单为预下单广告订单；
确定与所述目标广告订单中预投放广告的预投放日期相同的已下单广告订单，作为目标已下单广告订单，所述目标已下单广告订单包括所述目标已下单广告订单中预投放广告的定向投放条件；
获取所有目标已下单广告订单对应的整体特征，其中，所述整体特征表示在所述所有目标已下单广告订单中预投放广告的定向投放条件下，目标已下单广告订单的累加量，以及表示所述所有目标已下单广告订单中预投放广告在其定向投放条件下的投放累加量；
将所述目标广告订单中预投放广告的属性特征和所述所有目标已下单广告订单对应的整体特征，输入预先生成的回归模型中，预测出所述目标广告订单中预投放广告的最大可投放量，其中，所述回归模型是基于预设历史时间段内历史广告订单中已投放广告的属性特征、所述历史广告订单中已投放广告的最大可投放量及所述预设历史时间段内每天所有历史广告订单对应的整体特征训练生成的。
2.根据权利要求1所述的方法，其特征在于，所述回归模型采用如下步骤生成：
获取所述预设历史时间段内历史广告订单中已投放广告的属性特征、所述历史广告订单中已投放广告的实际投放参数及所述预设历史时间段内每天所有历史广告订单对应的整体特征；
根据所述历史广告订单中已投放广告的属性特征和所述实际投放参数，采用投放校正公式，计算所述历史广告订单中已投放广告的最大可投放量；
将所述历史广告订单中已投放广告的属性特征、所述历史广告订单中已投放广告的最大可投放量和所述预设历史时间段内每天所有历史广告订单对应的整体特征构建为训练数据，通过所述训练数据对预设模型进行训练，得到训练后的所述回归模型，其中，所述预设模型包括：线性回归模型、迭代决策树模型或支持向量机回归模型。
3.根据权利要求2所述的方法，其特征在于，所述历史广告订单中已投放广告的属性特征包括：投放日期、投放开始时间、投放结束时间、投放平台、投放地区、投放频道和投放专辑；
所述实际投放参数包括：实际投放量、实际投放开始时间和实际投放结束时间；
所述根据所述历史广告订单中已投放广告的属性特征和所述实际投放参数，采用投放校正公式，计算所述历史广告订单中已投放广告的最大可投放量的步骤，包括：
采用如下公式计算所述历史广告订单中已投放广告的最大可投放量：
其中，ymax表示所述历史广告订单中已投放广告的最大可投放量，yac表示所述历史广告订单中已投放广告的所述实际投放量，Tfin表示所述投放开始时间，Tsta表示所述投放结束时间，tfin表示所述实际投放结束时间，tsta表示所述实际投放开始时间。
4.根据权利要求2所述的方法，其特征在于，所述预设历史时间段内每天所有历史广告订单对应的整体特征包括：历史广告订单总数、历史广告订单中已投放广告的总投放预定量、投放平台相同的历史广告订单数、投放地区相同的历史广告订单数和投放频道相同的历史广告订单数，
其中，所述投放平台相同的历史广告订单数包括各个投放平台的历史广告订单数，所述投放地区相同的历史广告订单数包括各个投放地区的历史广告订单数，所述放频道相同的历史广告订单数包括各个投放频道的历史广告订单数。
5.根据权利要求1所述的方法，其特征在于，所述目标广告订单中预投放广告的属性特征包括：预投放日期、预投放开始时间、预投放结束时间、预投放平台、预投放地区、预投放频道和预投放专辑。
6.根据权利要求1所述的方法，其特征在于，所述所有目标已下单广告订单对应的整体特征包括：目标已下单广告订单总数，目标已下单广告订单中预投放广告的总投放预定量，投放平台相同的目标已下单广告订单数，投放地区相同的目标已下单广告订单数和投放频道相同的目标已下单广告订单数，
其中，所述投放平台相同的目标已下单广告订单数包括各个投放平台的目标已下单广告订单数，所述投放地区相同的目标已下单广告订单数包括各个投放地区的目标已下单广告订单数，所述投放频道相同的目标已下单广告订单数包括各个投放频道的目标已下单广告订单数。
7.一种广告的可投放量的预测装置，其特征在于，所述装置包括：
第一获取模块，用于获取目标广告订单中预投放广告的定向投放条件，将所述定向投放条件作为所述目标广告订单中预投放广告的属性特征，所述目标广告订单为预下单广告订单；
确定模块，用于确定与所述目标广告订单中预投放广告的预投放日期相同的已下单广告订单，作为目标已下单广告订单，所述目标已下单广告订单包括所述目标已下单广告订单中预投放广告的定向投放条件；
第二获取模块，用于获取所有目标已下单广告订单对应的整体特征，其中，所述整体特征表示在所述所有目标已下单广告订单中预投放广告的定向投放条件下，目标已下单广告订单的累加量，以及表示所述所有目标已下单广告订单中预投放广告在其定向投放条件下的投放累加量；
预测模块，用于将所述目标广告订单中预投放广告的属性特征和所述所有目标已下单广告订单对应的整体特征，输入预先生成的回归模型中，预测出所述目标广告订单中预投放广告的最大可投放量，其中，所述回归模型是基于预设历史时间段内历史广告订单中已投放广告的属性特征、所述历史广告订单中已投放广告的最大可投放量及所述预设历史时间段内每天所有历史广告订单对应的整体特征训练生成的。
8.根据权利要求7所述的装置，其特征在于，还包括：
生成模块，用于生成所述回归模型。
9.根据权利要求8所述的装置，其特征在于，所述生成模块，包括：
获取子模块，用于获取所述预设历史时间段内历史广告订单中已投放广告的属性特征、所述历史广告订单中已投放广告的实际投放参数及所述预设历史时间段内每天所有历史广告订单对应的整体特征；
计算子模块，用于根据所述历史广告订单中已投放广告的属性特征和所述实际投放参数，采用投放校正公式，计算所述历史广告订单中已投放广告的最大可投放量；
训练子模块，用于将所述历史广告订单中已投放广告的属性特征、所述历史广告订单中已投放广告的最大可投放量和所述预设历史时间段内每天所有历史广告订单对应的整体特征构建为训练数据，通过所述训练数据对预设模型进行训练，得到训练后的所述回归模型，其中，所述预设模型包括：线性回归模型、迭代决策树模型或支持向量机回归模型。
10.根据权利要求9所述的装置，其特征在于，所述历史广告订单中已投放广告的属性特征包括：投放日期、投放开始时间、投放结束时间、投放平台、投放地区、投放频道和投放专辑；
所述实际投放参数包括：实际投放量、实际投放开始时间和实际投放结束时间；
所述计算子模块，具体用于：
采用如下公式计算所述历史广告订单中已投放广告的最大可投放量：
其中，ymax表示所述历史广告订单中已投放广告的最大可投放量，yac表示所述历史广告订单中已投放广告的所述实际投放量，Tfin表示所述投放开始时间，Tsta表示所述投放结束时间，tfin表示所述实际投放结束时间，tsta表示所述实际投放开始时间。
11.根据权利要求9所述的装置，其特征在于，所述预设历史时间段内每天所有历史广告订单对应的整体特征包括：历史广告订单总数、历史广告订单中已投放广告的总投放预定量、投放平台相同的历史广告订单数、投放地区相同的历史广告订单数和投放频道相同的历史广告订单数，
其中，所述投放平台相同的历史广告订单数包括各个投放平台的历史广告订单数，所述投放地区相同的历史广告订单数包括各个投放地区的历史广告订单数，所述放频道相同的历史广告订单数包括各个投放频道的历史广告订单数。
12.根据权利要求7所述的装置，其特征在于，所述目标广告订单中预投放广告的属性特征包括：预投放日期、预投放开始时间、预投放结束时间、预投放平台、预投放地区、预投放频道和预投放专辑。
13.根据权利要求7所述的装置，其特征在于，所述所有目标已下单广告订单对应的整体特征包括：目标已下单广告订单总数，目标已下单广告订单中预投放广告的总投放预定量，投放平台相同的目标已下单广告订单数，投放地区相同的目标已下单广告订单数和投放频道相同的目标已下单广告订单数，
其中，所述投放平台相同的目标已下单广告订单数包括各个投放平台的目标已下单广告订单数，所述投放地区相同的目标已下单广告订单数包括各个投放地区的目标已下单广告订单数，所述投放频道相同的目标已下单广告订单数包括各个投放频道的目标已下单广告订单数。
14.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序，实现权利要求1-6任一所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810638984.4A CN108428161B (zh) | 2018-06-20 | 2018-06-20 | 广告的可投放量的预测方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810638984.4A CN108428161B (zh) | 2018-06-20 | 2018-06-20 | 广告的可投放量的预测方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108428161A CN108428161A (zh) | 2018-08-21 |
| CN108428161B true CN108428161B (zh) | 2022-06-03 |
Family
ID=63164694
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810638984.4A Active CN108428161B (zh) | 2018-06-20 | 2018-06-20 | 广告的可投放量的预测方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108428161B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109191217B (zh) * | 2018-11-12 | 2020-08-14 | 北京奇艺世纪科技有限公司 | 一种视频广告投放次数预测方法及装置 |
| CN109636477B (zh) * | 2018-12-18 | 2023-05-05 | 北京奇艺世纪科技有限公司 | 一种广告投放缺量的预警方法和装置 |
| CN111260414B (zh) * | 2020-01-23 | 2023-04-07 | 湖南快乐阳光互动娱乐传媒有限公司 | 广告库存预测方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105631711A (zh) * | 2015-12-30 | 2016-06-01 | 合一网络技术(北京)有限公司 | 一种广告投放方法及装置 |
| CN107563804A (zh) * | 2017-08-24 | 2018-01-09 | 北京奇艺世纪科技有限公司 | 一种预测广告定向条件下覆盖的用户数量的方法和装置 |
| CN108122122A (zh) * | 2016-11-29 | 2018-06-05 | 腾讯科技（深圳）有限公司 | 广告投放方法和系统 |
-
2018
- 2018-06-20 CN CN201810638984.4A patent/CN108428161B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105631711A (zh) * | 2015-12-30 | 2016-06-01 | 合一网络技术(北京)有限公司 | 一种广告投放方法及装置 |
| CN108122122A (zh) * | 2016-11-29 | 2018-06-05 | 腾讯科技（深圳）有限公司 | 广告投放方法和系统 |
| CN107563804A (zh) * | 2017-08-24 | 2018-01-09 | 北京奇艺世纪科技有限公司 | 一种预测广告定向条件下覆盖的用户数量的方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108428161A (zh) | 2018-08-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108428161B (zh) | 广告的可投放量的预测方法、装置及电子设备 | |
| CN108846688B (zh) | 一种广告投放的控制方法、装置及电子设备 | |
| US20130275232A1 (en) | Method and apparatus for providing social interactive video service | |
| JP6949555B2 (ja) | 情報処理装置、情報処理方法、及びプログラム | |
| CN109657132B (zh) | 推荐信息成本控制方法、装置、计算机设备及存储介质 | |
| CN107481029B (zh) | 一种广告订单的库存的预测方法和装置 | |
| CN108269109A (zh) | 一种广告排期投放量均衡方法及装置 | |
| CN106296247B (zh) | 网络信息资源在线排序方法和装置 | |
| CN112822281B (zh) | 流量分配方法、装置、终端设备及计算机可读存储介质 | |
| US20160371731A1 (en) | Identifying Media Store Users Eligible for Promotions | |
| CN111626779A (zh) | 一种媒体信息处理方法、装置和存储介质 | |
| EP3295407B1 (en) | System and method for multimedia promotion and content prioritization | |
| US20150193798A1 (en) | Content creation and distribution system with automated estimating, prior to publication, of values and/or readerships of answers to remotely posted questions and making results available to remotely located potential publishers of answers | |
| US20150032673A1 (en) | Artist Predictive Success Algorithm | |
| CN111815373A (zh) | 一种转化成本优化方法、装置、电子设备及存储介质 | |
| CN111865753B (zh) | 媒体信息的参数确定方法和装置、存储介质、电子装置 | |
| US20150081455A1 (en) | Service providing apparatus and service providing method | |
| CN109858942B (zh) | 推广信息展示方法、装置、电子设备及可读存储介质 | |
| CN114219543A (zh) | 一种广告自动投放方法、系统、设备及可读存储介质 | |
| CN109191217B (zh) | 一种视频广告投放次数预测方法及装置 | |
| CN111553738A (zh) | 多层级的流量分配方法及装置、电子设备、计算机存储介质 | |
| CN108959324B (zh) | 多媒体展示资源库存量的预估方法、装置及存储介质 | |
| CN113793181B (zh) | 一种广告位的出价方法、系统和装置 | |
| CN111815374B (zh) | 一种广告投放方法、装置、电子设备及介质 | |
| CN106713952B (zh) | 视频处理方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |