CN108764553A - 用户规模预测方法、装置及计算机设备 - Google Patents
用户规模预测方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN108764553A CN108764553A CN201810488504.0A CN201810488504A CN108764553A CN 108764553 A CN108764553 A CN 108764553A CN 201810488504 A CN201810488504 A CN 201810488504A CN 108764553 A CN108764553 A CN 108764553A
- Authority
- CN
- China
- Prior art keywords
- model
- user
- userbase
- resource type
- date
- 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.)
- Granted
Links
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种用户规模预测方法、装置、计算机设备及计算机可读存储介质。上述方法包括步骤:获取待预测的日期以及资源类型;根据所述资源类型选择对应的预先训练的用户规模预测模型;将所述待预测的日期输入所述用户规模预测模型,获取所述用户规模预测模型的输出结果,得到所述资源类型对应的所述待预测的日期的用户规模。本方法提高了预测用户规模的准确性,同时提高了预测效率,克服了传统的用户规模预测方法存在准确性低的缺陷。
Description
技术领域
本发明涉及计算机信息处理技术领域,特别是涉及一种用户规模预测方法、装置、计算机设备及计算机可读存储介质。
背景技术
企业运营管理中,对收入进行预测,是保证企业盈利和做出管理决策的重要保证。而对于用户规模的获取,是企业产品收入预测中的重要环节。
目前的产品收入预测,通常是基于历史收入数据中的各项财务指标套用excel设定的规则计算一组数据,而这样计算出来的数据,对于购买产品的用户规模的预测,考虑的实际因素较少,比如节假日、活动促销等都会影响购买产品的用户规模,导致购买产品的用户规模的获取精度低,从而降低产品收入预测的准确性,以及增加企业的经营风险。
综上,发明人采用上述套用excel规则的计算方法预测用户规模时,发现该传统的用户规模预测方法存在准确性低的技术问题。
发明内容
基于此,有必要针对传统的用户规模预测方法存在准确性低的技术问题,提供一种用户规模预测方法、装置、计算机设备及计算机可读存储介质。
一种用户规模预测方法,包括以下步骤:
获取待预测的日期以及资源类型;
根据所述资源类型选择对应的预先训练的用户规模预测模型;
将所述待预测的日期输入所述用户规模预测模型,获取所述用户规模预测模型的输出结果,得到所述资源类型对应的所述待预测的日期的用户规模。
在其中一个实施例中,所述预先训练的用户规模预测模型,通过下述方法获得:
获取预设的多个用户样本,各用户样本包括用户对应的数目、日期以及资源类型;用户样本中包括第一用户样本、第二用户样本和第三用户样本;
根据多个第一用户样本,对用于第一用户预测的第一模型进行训练;
根据多个第一用户样本和第二用户样本,对用于第二用户预测的第二模型进行训练;
根据多个第二用户样本和第三用户样本,对用于第三用户预测的第三模型进行训练;
根据同一资源类型对应的第一模型、第二模型和第三模型,得到各资源类型对应的用户规模预测模型。
在其中一个实施例中,所述根据多个第一用户样本,对用于第一用户预测的第一模型进行训练的步骤,包括:
将第一用户对应的日期输入待训练的第一模型,得到第一模型的输出结果;
将所述输出结果与对应的第一用户的数目进行比较,得到第一判别误差;
根据所述第一判别误差对所述第一模型的参数值进行修正,直到得到的第一判别误差小于或等于第一设定阈值为止;
和/或,
所述根据多个第一用户样本和多个第二用户样本,对用于第二用户预测的第二模型进行训练的步骤,包括:
将第一用户对应的数目和日期输入待训练的第二模型,得到第二模型的输出结果;
将所述输出结果与对应的第二用户的数目进行比较,得到第二判别误差;
根据所述第二判别误差对所述第二模型的参数值进行修正,直到得到的第二判别误差小于或等于第二设定阈值为止;
和/或,
根据多个第二用户样本和第三用户样本,对用于第三用户预测的第三模型进行训练的步骤,包括:
将第二用户对应的数目和日期输入待训练的第二模型,得到第二模型的输出结果;
将所述输出结果与对应的第三用户的数目进行比较,得到第三判别误差;
根据所述第三判别误差对所述第三模型的参数值进行修正,直到得到的第三判别误差小于或等于第三设定阈值为止。
在其中一个实施例中,所述根据所述第一判别误差对所述第一模型的参数值进行修正的步骤之前,包括:
判断所述第一用户对应的日期的标签;
所述根据所述第一判别误差对所述第一模型的参数值进行修正的步骤,包括:
若所述第一用户对应的日期的标签为第一标签,则根据所述第一判别误差和第一标签对应的权重,对所述第一模型的参数值进行修正;
若所述第一用户对应的日期的标签为第二标签,则根据所述第一判别误差和第二标签对应的权重,对所述第一模型的参数值进行修正。
在其中一个实施例中,所述根据同一资源类型对应的第一模型、第二模型和第三模型,得到各资源类型对应的用户规模预测模型的步骤之前,包括:
对所述第一模型、第二模型以及第三模型的资源类型进行标记;
所述根据同一资源类型对应的第一模型、第二模型和第三模型,得到各资源类型对应的用户规模预测模型的步骤,包括:
根据第一模型、第二模型以及第三模型的资源类型的标记,从多个模型中筛选出同一资源类型标记的第一模型、第二模型和第三模型,由此得到各资源类型对应的用户规模预测模型。
在其中一个实施例中,所述用户规模预测方法,还包括:
根据预先获取的同一资源类型对应的每用户平均数值以及所述资源类型对应的所述待预测的日期的用户规模,得到所述资源类型对应的所述待预测的日期的总数值。
在其中一个实施例中,所述用户规模预测方法,还包括:
获取预设的各指标预测模型,将所述资源类型对应的所述待预测的日期的用户规模输入所述各指标预测模型,得到多个所述资源类型对应的所述待预测的日期的指标。
一种用户规模预测装置,所述装置包括:
获取模块,用于获取待预测的日期以及资源类型;
选择模块,用于根据所述资源类型选择对应的预先训练的用户规模预测模型;
用户规模预测模块,用于将所述待预测的日期输入所述用户规模预测模型,获取所述用户规模预测模型的输出结果,得到所述资源类型对应的所述待预测的日期的用户规模。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现上述所述用户规模预测方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时,实现上述所述用户规模预测方法的步骤。
上述用户规模预测方法、装置、计算机设备以及计算机可读存储介质,先获取待预测的日期以及资源类型;根据所述资源类型选择对应的预先训练的用户规模预测模型;最后将所述待预测的日期输入所述用户规模预测模型,获取所述用户规模预测模型的输出结果,得到所述资源类型对应的所述待预测的日期的用户规模。即将待预测的日期输入与所述资源类型对应的用户规模预测模型,由此得到所述资源类型对应的所述待预测的日期的用户规模,以此评估待预测的日期对应的用户数;根据用户规模与资源类型、日期的关系,综合考虑资源类型和日期的变动性,可以提高预测用户规模的准确性;同时根据训练好的用户规模预测模型,可以直接确定待预测的日期对应的用户规模,无需人工依赖传统的计算方法对用户规模进行计算评估,进一步提高了预测用户规模的准确性,同时提高了预测效率,克服了传统的用户规模预测方法存在准确性低的缺陷。
附图说明
图1为一个实施例的用户规模预测方法的应用环境图;
图2为一个实施例的用户规模预测方法的示意性流程图;
图3为一个实施例的用户规模预测模型构建方法的示意性流程图;
图4为另一个实施例的用户规模预测方法的示意性流程图;
图5为又一个实施例的用户规模预测方法的示意性流程图;
图6为一个实施例的用户规模预测装置的示意性结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,本申请提供的用户规模预测方法,可以应用于如图1所示的应用环境中。其中,该计算机设备可以是终端,其内部结构图可以如图1所示,包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力,能够对设备的运行数据进行处理。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种用户规模预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。该终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。
基于上述对应用环境的说明,以下对用户规模预测方法的实施例进行说明。
在一个实施例中,如图2所示,提供了一种用户规模预测方法,以该方法应用于图1中的计算机设备为例进行说明,包括以下步骤:
步骤S201,获取待预测的日期以及资源类型。
在本步骤中,资源类型一般指产品类型,待预测的日期指的是未来的某一天。
一般地,用户通过点击计算机设备的相关操作界面,即可选择待预测的日期以及资源类型。
步骤S202,根据所述资源类型选择对应的预先训练的用户规模预测模型。
在本步骤中,用户规模预测模型是一种能够根据资源类型以及待预测的日期预测用户规模的模型,与资源类型有关。而且不同的资源类型,对应不同的用户规模预测模型。
从所有用户规模预测模型中,筛选出与资源类型对应的用户规模预测模型,考虑到资源类型与用户规模预测模型的关系,选择与资源类型对应的用户规模预测模型,实现了对不同资源类型对应的用户规模的精准预测的目的,进一步提高了预测用户规模的准确性。
步骤S203,将所述待预测的日期输入所述用户规模预测模型,获取所述用户规模预测模型的输出结果,得到所述资源类型对应的所述待预测的日期的用户规模。
在本步骤中,将所述待预测的日期输入预先训练的用户规模预测模型,经过用户规模预测模型的计算分析,综合考虑待预测的日期以及资源类型,得到所述资源类型对应的所述待预测的日期的用户规模;通过用户规模预测模型,即可输出所述资源类型对应的所述待预测的日期的用户规模,既提高了预测效率,又进一步提高了预测用户规模的准确性,同时克服了传统的用户规模预测方法存在准确性低的缺陷。
上述实施例,先获取待预测的日期以及资源类型;根据所述资源类型选择对应的预先训练的用户规模预测模型;最后将所述待预测的日期输入所述用户规模预测模型,获取所述用户规模预测模型的输出结果,得到所述资源类型对应的所述待预测的日期的用户规模。即将待预测的日期输入与所述资源类型对应的用户规模预测模型,由此得到所述资源类型对应的所述待预测的日期的用户规模,以此评估待预测的日期对应的用户数;根据用户规模与资源类型、日期的关系,综合考虑资源类型和日期的变动性,可以提高预测用户规模的准确性;同时根据训练好的用户规模预测模型,可以直接确定待预测的日期对应的用户规模,无需人工依赖传统的计算方法对用户规模进行计算评估,进一步提高了预测用户规模的准确性,同时提高了预测效率,克服了传统的用户规模预测方法存在准确性低的缺陷。
在一个实施例中,如图3所示,提供了一种用户规模预测模型的构建方法,包括以下步骤:
步骤S301,获取预设的多个用户样本,各用户样本包括用户对应的数目、日期以及资源类型;用户样本中包括第一用户样本、第二用户样本和第三用户样本。
其中,第一用户指的是新增用户,即某一天增加的新用户;第二用户指的是留存用户,具体指经过一段时间后,仍然继续使用该资源的用户;第三用户指的是核心用户,具体指一直使用该资源的用户。由此可见,第一用户会影响第二用户,第二用户会影响第三用户。
步骤S302,根据多个第一用户样本,对用于第一用户预测的第一模型进行训练。
其中,第一模型是指用于第一用户预测的模型。通过待训练的第一模型对第一用户进行预测,并根据预测结果对第一模型进行多次训练,有利于提高第一模型的第一用户的预测效果,减少预测误差,进一步提高了预测用户规模的准确性。
步骤S303,根据多个第一用户样本和第二用户样本,对用于第二用户预测的第二模型进行训练。
其中,第二模型是指用于第二用户预测的模型。通过待训练的第二模型对第二用户进行预测,并根据预测结果对第二模型进行多次训练,有利于提高第二模型的第二用户的预测效果,减少预测误差,进一步提高了预测用户规模的准确性。
步骤S304,根据多个第二用户样本和第三用户样本,对用于第三用户预测的第三模型进行训练。
其中,第三模型是指用于第三用户预测的模型。通过待训练的第三模型对第三用户进行预测,并根据预测结果对第三模型进行多次训练,有利于提高第三模型的第三用户的预测效果,减少预测误差,进一步提高了预测用户规模的准确性。
步骤S305,根据同一资源类型对应的第一模型、第二模型和第三模型,得到各资源类型对应的用户规模预测模型。
其中,第一模型、第二模型和第三模型均与资源类型有关,从所有模型中,筛选出同一资源类型对应的第一模型、第二模型和第三模型,由此得到所述资源类型对应的用户规模预测模型。通过构建与资源类型对应的用户规模预测模型,实现了对不同资源类型对应的用户规模的精准预测的目的,进一步提高了预测用户规模的准确性。
上述实施例,通过构建用户规模预测模型,有利于后续根据资源类型以及待预测的日期,确定所述资源类型对应的待预测的日期的用户规模,既提高了预测效率,又进一步提高了预测用户规模的准确性。
在一个实施例中,上述步骤S302,所述根据多个第一用户样本,对用于第一用户预测的第一模型进行训练的步骤,包括:将第一用户对应的日期输入待训练的第一模型,得到第一模型的输出结果;将所述输出结果与对应的第一用户的数目进行比较,得到第一判别误差;根据所述第一判别误差对所述第一模型的参数值进行修正,直到得到的第一判别误差小于或等于第一设定阈值为止。
其中,第一判别误差指的是第一模型输出的待预测的日期的第一用户的数目,与对应的第一用户的真实数目之间的误差。第一设定阈值能够提供误差与阈值的关系,在此基础上结合第一判别误差,即可对第一模型的参数值进行修正。
比如,通过待训练的第一模型对待预测的日期的第一用户进行预测,得到第一模型的输出结果,将第一模型的输出结果与对应的第一用户的真实数目进行比较,得到输出结果与对应的第一用户的真实数目之间的误差,将该误差作为第一判别误差,并将所述第一判别误差反向传播至第一模型并结合第一判别误差,对第一模型进行反复训练,并多次调整和更新第一模型的参数值,若第一模型的第一判别误差小于或等于第一设定阈值,则停止训练,并获取当前的第一模型,作为满足要求的第一模型。上述对用于第一用户预测的第一模型进行训练的实施例,根据待预测的日期以及对应的第一用户,对第一模型进行多次训练,有利于提高第一模型对第一用户的预测效果,减少预测误差,进一步提高了预测第一用户的准确性。
在一个实施例中,通过如下公式得到第一模型预测的第一用户:
Pn=aPn-1,
其中,a为预设的权重因子(比如a=1.05),n为要预测的天数,Pn-1为第n-1天的第一用户。此外,通过历史数据分析和不断训练,确定了不同的日期对应不同的权重a,若要预测未来第几天的第一用户,可通过已知的天数的第一用户,逐一计算未来第几天的第一用户。比如,已知第一天的第一用户,通过查表确定未来第几天的权重因子a,通过计算即可得到未来第几天的第一用户。上述实施例,综合考虑已知的第一用户以及不同的日期对应不同的权重,提高了预测第一用户的准确性。
考虑到外部事件,比如春节活动等节假日活动,促销活动等都会影响第一用户,所以需要判断待预测的日期的标签,以提高预测第一用户的准确性。
在一个实施例中,所述根据所述第一判别误差对所述第一模型的参数值进行修正的步骤之前,包括:判断所述第一用户对应的日期的标签。所述根据所述第一判别误差对所述第一模型的参数值进行修正的步骤,包括:若所述第一用户对应的日期的标签为第一标签(比如促销活动),则根据所述第一判别误差和第一标签对应的权重,对所述第一模型的参数值进行修正;若所述第一用户对应的日期的标签为第二标签(比如节假日),则根据所述第一判别误差和第二标签对应的权重,对所述第一模型的参数值进行修正。其中,促销活动和节假日又分成好几种,每一种占有的权重都不一样,这些都可以通过历史数据分析和不断训练得到的。上述实施例,综合考虑待预测的日期对应的不同标签,可以进一步提高预测第一用户的准确性。
在一个实施例中,上述步骤S303,所述根据多个第一用户样本和多个第二用户样本,对用于第二用户预测的第二模型进行训练的步骤,包括:将第一用户对应的数目和日期输入待训练的第二模型,得到第二模型的输出结果;将所述输出结果与对应的第二用户的数目进行比较,得到第二判别误差;根据所述第二判别误差对所述第二模型的参数值进行修正,直到得到的第二判别误差小于或等于第二设定阈值为止。
其中,第二判别误差指的是第二模型输出的待预测的日期的第二用户的数目,与对应的第二用户的真实数目之间的误差。第二设定阈值能够提供误差与阈值的关系,在此基础上结合第二判别误差,即可对第二模型的参数值进行修正。
比如,通过待训练的第二模型对待预测的日期的第二用户进行预测,得到第二模型的输出结果,将第二模型的输出结果与对应的第二用户的真实数目进行比较,得到输出结果与对应的第二用户的真实数目之间的误差,将该误差作为第二判别误差,并将所述第二判别误差反向传播至第二模型并结合第二判别误差,对第二模型进行反复训练,并多次调整和更新第二模型的参数值,若第二模型的第二判别误差小于或等于第二设定阈值,则停止训练,并获取当前的第二模型,作为满足要求的第二模型。上述对用于第二用户预测的第二模型进行训练的实施例,根据待预测的日期以及对应的第二用户,对第二模型进行多次训练,有利于提高第二模型对第二用户的预测效果,减少预测误差,进一步提高了预测第二用户的准确性。
在一个实施例中,通过如下公式得到第二模型预测的第二用户:
Bn=Pn-1f(n),n=1,2,3····,f(n)=αlnn+β,
其中,n为要预测的天数,Pn-1为第n-1天的第一用户,f(n)为第n天的留存率,表示第n天的第二用户与第n-1天的第一用户的比值,α和β为预设的权重因子(比如α=0.02,β=7.5)。上述实施例,综合考虑第一用户和留存率,可以提高预测第二用户的准确性。
在一个实施例中,上述步骤S304,根据多个第二用户样本和第三用户样本,对用于第三用户预测的第三模型进行训练的步骤,包括:将第二用户对应的数目和日期输入待训练的第二模型,得到第二模型的输出结果;将所述输出结果与对应的第三用户的数目进行比较,得到第三判别误差;根据所述第三判别误差对所述第三模型的参数值进行修正,直到得到的第三判别误差小于或等于第三设定阈值为止。
其中,第三判别误差指的是第三模型输出的待预测的日期的第三用户的数目,与对应的第三用户的真实数目之间的误差。第三设定阈值能够提供误差与阈值的关系,在此基础上结合第三判别误差,即可对第三模型的参数值进行修正。
比如,通过待训练的第三模型对待预测的日期的第三用户进行预测,得到第三模型的输出结果,将第三模型的输出结果与对应的第三用户的真实数目进行比较,得到输出结果与对应的第三用户的真实数目之间的误差,将该误差作为第三判别误差,并将所述第三判别误差反向传播至第三模型并结合第三判别误差,对第三模型进行反复训练,并多次调整和更新第三模型的参数值,若第三模型的第三判别误差小于或等于第三设定阈值,则停止训练,并获取当前的第三模型,作为满足要求的第三模型。上述对用于第三用户预测的第三模型进行训练的实施例,根据待预测的日期以及对应的第三用户,对第三模型进行多次训练,有利于提高第三模型对第三用户的预测效果,减少预测误差,进一步提高了预测第三用户的准确性。
在一个实施例中,通过如下公式得到第三模型预测的第三用户:
其中,n为要预测的天数,d为第1天的第三用户,b、γ为预设的权重因子(比如b=0.05,γ=1.05),Pi为第i天的第一用户,f(i+1)为第i+1天的留存率,m为资源的产品周期。其中,不同资源对应的产品周期不一样。上述实施例,综合考虑资源的产品周期、留存率、第一天的第三用户等因素,可以提高预测第三用户的准确性。
考虑到第一模型、第二模型和第三模型对应的资源类型不一样,为了根据同一资源类型对应的第一模型、第二模型和第三模型,得到同一资源类型对应的用户规模预测模型,需要对各模型对应的资源类型进行标记。
在一个实施例中,上述步骤S305,所述根据同一资源类型对应的第一模型、第二模型和第三模型,得到各资源类型对应的用户规模预测模型的步骤之前,包括:对所述第一模型、第二模型以及第三模型的资源类型进行标记。
那么,上述步骤S305,所述根据同一资源类型对应的第一模型、第二模型和第三模型,得到各资源类型对应的用户规模预测模型的步骤,包括:根据第一模型、第二模型以及第三模型的资源类型的标记,从多个模型中筛选出同一资源类型标记的第一模型、第二模型和第三模型,由此得到各资源类型对应的用户规模预测模型。上述实施例,将第一模型、第二模型和第三模型的资源类型进行标记,有利于得到同一资源类型对应的用户规模预测模型,从而实现了对不同资源类型对应的用户规模的精准预测的目的,进一步提高了预测用户规模的准确性。
在一个实施例中,所述用户规模预测方法,还包括:根据预先获取的同一资源类型对应的每用户平均数值以及所述资源类型对应的所述待预测的日期的用户规模,得到所述资源类型对应的所述待预测的日期的总数值。比如,通过历史数据分析,得到每用户平均收入,再结合产品对应的所述待预测的日期的用户规模,可以得到产品对应的所述待预测的日期的总收入。上述实施例,通过每用户平均数值,可以得到资源类型对应的所述待预测的日期的总数值,提高了预测资源类型对应的所述待预测的日期的总数值的准确性。
在一个实施例中,如图4所示,提供了另一种用户规模预测方法,包括以下步骤:
步骤S401,获取待预测的日期以及资源类型。
步骤S402,根据所述资源类型选择对应的预先训练的用户规模预测模型。
步骤S403,将所述待预测的日期输入所述用户规模预测模型,获取所述用户规模预测模型的输出结果,得到所述资源类型对应的所述待预测的日期的用户规模。
步骤S404,根据预先获取的同一资源类型对应的每用户平均数值以及所述资源类型对应的所述待预测的日期的用户规模,得到所述资源类型对应的所述待预测的日期的总数值。
上述实施例,提高了预测用户规模以及总数值的准确性,同时提高了预测效率,克服了传统的用户规模预测方法存在准确性低的缺陷。
在得到资源类型对应的所述待预测的日期的用户规模之后,可以结合用户规模预测其他指标,比如订单总数、订单总金额、毛利率等,以提高预测其他指标的准确性。
在一个实施例中,所述用户规模预测方法,还包括:获取预设的各指标预测模型,将所述资源类型对应的所述待预测的日期的用户规模输入所述各指标预测模型(比如总订单数预测模型),得到多个所述资源类型对应的所述待预测的日期的指标。上述实施例,通过预设的各指标预测模型以及用户规模,可以提高预测其他指标的准确性。
在一个实施例中,如图5所示,提供了又一种用户规模预测方法,包括以下步骤:
步骤S501,获取待预测的日期以及资源类型。
步骤S502,根据所述资源类型选择对应的预先训练的用户规模预测模型。
步骤S503,将所述待预测的日期输入所述用户规模预测模型,获取所述用户规模预测模型的输出结果,得到所述资源类型对应的所述待预测的日期的用户规模。
步骤S504,获取预设的各指标预测模型,将所述资源类型对应的所述待预测的日期的用户规模输入所述各指标预测模型,得到多个所述资源类型对应的所述待预测的日期的指标。
上述实施例,提高了预测用户规模以及其他指标的准确性,同时提高了预测效率,克服了传统的用户规模预测方法存在准确性低的缺陷。
应该理解的是,虽然图2-5的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-5中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图6所示,提供了一种用户规模预测装置,包括:获取模块610、选择模块620和用户规模预测模块630,其中:
获取模块610,用于获取待预测的日期以及资源类型。
选择模块620,用于根据所述资源类型选择对应的预先训练的用户规模预测模型。
用户规模预测模块630,用于将所述待预测的日期输入所述用户规模预测模型,获取所述用户规模预测模型的输出结果,得到所述资源类型对应的所述待预测的日期的用户规模。
在一个实施例中,所述用户规模预测装置还包括模型构建模块,用于获取预设的多个用户样本,各用户样本包括用户对应的数目、日期以及资源类型;用户样本中包括第一用户样本、第二用户样本和第三用户样本;根据多个第一用户样本,对用于第一用户预测的第一模型进行训练;根据多个第一用户样本和第二用户样本,对用于第二用户预测的第二模型进行训练;根据多个第二用户样本和第三用户样本,对用于第三用户预测的第三模型进行训练;根据同一资源类型对应的第一模型、第二模型和第三模型,得到各资源类型对应的用户规模预测模型。
在一个实施例中,所述模型构建模块,还用于将第一用户对应的日期输入待训练的第一模型,得到第一模型的输出结果;将所述输出结果与对应的第一用户的数目进行比较,得到第一判别误差;根据所述第一判别误差对所述第一模型的参数值进行修正,直到得到的第一判别误差小于或等于第一设定阈值为止。
在一个实施例中,所述模型构建模块,还用于将第一用户对应的数目和日期输入待训练的第二模型,得到第二模型的输出结果;将所述输出结果与对应的第二用户的数目进行比较,得到第二判别误差;根据所述第二判别误差对所述第二模型的参数值进行修正,直到得到的第二判别误差小于或等于第二设定阈值为止。
在一个实施例中,所述模型构建模块,还用于将第二用户对应的数目和日期输入待训练的第二模型,得到第二模型的输出结果;将所述输出结果与对应的第三用户的数目进行比较,得到第三判别误差;根据所述第三判别误差对所述第三模型的参数值进行修正,直到得到的第三判别误差小于或等于第三设定阈值为止。
在一个实施例中,所述模型构建模块,还用于判断所述第一用户对应的日期的标签,若所述第一用户对应的日期的标签为第一标签,则根据所述第一判别误差和第一标签对应的权重,对所述第一模型的参数值进行修正;若所述第一用户对应的日期的标签为第二标签,则根据所述第一判别误差和第二标签对应的权重,对所述第一模型的参数值进行修正。
在一个实施例中,所述模型构建模块,还用于对所述第一模型、第二模型以及第三模型的资源类型进行标记,根据第一模型、第二模型以及第三模型的资源类型的标记,从多个模型中筛选出同一资源类型标记的第一模型、第二模型和第三模型,由此得到各资源类型对应的用户规模预测模型。
在一个实施例中,所述用户规模预测装置还包括数值计算模块,用于根据预先获取的同一资源类型对应的每用户平均数值以及所述资源类型对应的所述待预测的日期的用户规模,得到所述资源类型对应的所述待预测的日期的总数值。
在一个实施例中,所述用户规模预测装置还包括指标预测模块,用于获取预设的各指标预测模型,将所述资源类型对应的所述待预测的日期的用户规模输入所述各指标预测模型,得到多个所述资源类型对应的所述待预测的日期的指标。
上述各个实施例,用户规模预测装置先获取待预测的日期以及资源类型;根据所述资源类型选择对应的预先训练的用户规模预测模型;最后将所述待预测的日期输入所述用户规模预测模型,获取所述用户规模预测模型的输出结果,得到所述资源类型对应的所述待预测的日期的用户规模。即将待预测的日期输入与所述资源类型对应的用户规模预测模型,由此得到所述资源类型对应的所述待预测的日期的用户规模,以此评估待预测的日期对应的用户数;根据用户规模与资源类型、日期的关系,综合考虑资源类型和日期的变动性,可以提高预测用户规模的准确性;同时根据训练好的用户规模预测模型,可以直接确定待预测的日期对应的用户规模,无需人工依赖传统的计算方法对用户规模进行计算评估,进一步提高了预测用户规模的准确性,同时提高了预测效率,克服了传统的用户规模预测方法存在准确性低的缺陷。
关于用户规模预测装置的具体限定可以参见上文中对于用户规模预测方法的限定,在此不再赘述。上述用户规模预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:获取待预测的日期以及资源类型;根据所述资源类型选择对应的预先训练的用户规模预测模型;将所述待预测的日期输入所述用户规模预测模型,获取所述用户规模预测模型的输出结果,得到所述资源类型对应的所述待预测的日期的用户规模。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取预设的多个用户样本,各用户样本包括用户对应的数目、日期以及资源类型;用户样本中包括第一用户样本、第二用户样本和第三用户样本;根据多个第一用户样本,对用于第一用户预测的第一模型进行训练;根据多个第一用户样本和第二用户样本,对用于第二用户预测的第二模型进行训练;根据多个第二用户样本和第三用户样本,对用于第三用户预测的第三模型进行训练;根据同一资源类型对应的第一模型、第二模型和第三模型,得到各资源类型对应的用户规模预测模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将第一用户对应的日期输入待训练的第一模型,得到第一模型的输出结果;将所述输出结果与对应的第一用户的数目进行比较,得到第一判别误差;根据所述第一判别误差对所述第一模型的参数值进行修正,直到得到的第一判别误差小于或等于第一设定阈值为止。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将第一用户对应的数目和日期输入待训练的第二模型,得到第二模型的输出结果;将所述输出结果与对应的第二用户的数目进行比较,得到第二判别误差;根据所述第二判别误差对所述第二模型的参数值进行修正,直到得到的第二判别误差小于或等于第二设定阈值为止。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将第二用户对应的数目和日期输入待训练的第二模型,得到第二模型的输出结果;将所述输出结果与对应的第三用户的数目进行比较,得到第三判别误差;根据所述第三判别误差对所述第三模型的参数值进行修正,直到得到的第三判别误差小于或等于第三设定阈值为止。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:在根据所述第一判别误差对所述第一模型的参数值进行修正之前,判断所述第一用户对应的日期的标签。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:若所述第一用户对应的日期的标签为第一标签,则根据所述第一判别误差和第一标签对应的权重,对所述第一模型的参数值进行修正;若所述第一用户对应的日期的标签为第二标签,则根据所述第一判别误差和第二标签对应的权重,对所述第一模型的参数值进行修正。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:在根据同一资源类型对应的第一模型、第二模型和第三模型,得到各资源类型对应的用户规模预测模型之前,对所述第一模型、第二模型以及第三模型的资源类型进行标记。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据第一模型、第二模型以及第三模型的资源类型的标记,从多个模型中筛选出同一资源类型标记的第一模型、第二模型和第三模型,由此得到各资源类型对应的用户规模预测模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据预先获取的同一资源类型对应的每用户平均数值以及所述资源类型对应的所述待预测的日期的用户规模,得到所述资源类型对应的所述待预测的日期的总数值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取预设的各指标预测模型,将所述资源类型对应的所述待预测的日期的用户规模输入所述各指标预测模型,得到多个所述资源类型对应的所述待预测的日期的指标。
上述各个实施例,计算机设备通过所述处理器上运行的计算机程序,提高了预测用户规模的准确性,同时提高了预测效率,克服了传统的用户规模预测方法存在准确性低的缺陷。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取待预测的日期以及资源类型;根据所述资源类型选择对应的预先训练的用户规模预测模型;将所述待预测的日期输入所述用户规模预测模型,获取所述用户规模预测模型的输出结果,得到所述资源类型对应的所述待预测的日期的用户规模。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取预设的多个用户样本,各用户样本包括用户对应的数目、日期以及资源类型;用户样本中包括第一用户样本、第二用户样本和第三用户样本;根据多个第一用户样本,对用于第一用户预测的第一模型进行训练;根据多个第一用户样本和第二用户样本,对用于第二用户预测的第二模型进行训练;根据多个第二用户样本和第三用户样本,对用于第三用户预测的第三模型进行训练;根据同一资源类型对应的第一模型、第二模型和第三模型,得到各资源类型对应的用户规模预测模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将第一用户对应的日期输入待训练的第一模型,得到第一模型的输出结果;将所述输出结果与对应的第一用户的数目进行比较,得到第一判别误差;根据所述第一判别误差对所述第一模型的参数值进行修正,直到得到的第一判别误差小于或等于第一设定阈值为止。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将第一用户对应的数目和日期输入待训练的第二模型,得到第二模型的输出结果;将所述输出结果与对应的第二用户的数目进行比较,得到第二判别误差;根据所述第二判别误差对所述第二模型的参数值进行修正,直到得到的第二判别误差小于或等于第二设定阈值为止。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将第二用户对应的数目和日期输入待训练的第二模型,得到第二模型的输出结果;将所述输出结果与对应的第三用户的数目进行比较,得到第三判别误差;根据所述第三判别误差对所述第三模型的参数值进行修正,直到得到的第三判别误差小于或等于第三设定阈值为止。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:在根据所述第一判别误差对所述第一模型的参数值进行修正之前,判断所述第一用户对应的日期的标签。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:若所述第一用户对应的日期的标签为第一标签,则根据所述第一判别误差和第一标签对应的权重,对所述第一模型的参数值进行修正;若所述第一用户对应的日期的标签为第二标签,则根据所述第一判别误差和第二标签对应的权重,对所述第一模型的参数值进行修正。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:在根据同一资源类型对应的第一模型、第二模型和第三模型,得到各资源类型对应的用户规模预测模型之前,对所述第一模型、第二模型以及第三模型的资源类型进行标记。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据第一模型、第二模型以及第三模型的资源类型的标记,从多个模型中筛选出同一资源类型标记的第一模型、第二模型和第三模型,由此得到各资源类型对应的用户规模预测模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据预先获取的同一资源类型对应的每用户平均数值以及所述资源类型对应的所述待预测的日期的用户规模,得到所述资源类型对应的所述待预测的日期的总数值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取预设的各指标预测模型,将所述资源类型对应的所述待预测的日期的用户规模输入所述各指标预测模型,得到多个所述资源类型对应的所述待预测的日期的指标。
上述各个实施例,计算机可读存储介质通过其存储的计算机程序,提高了预测用户规模的准确性,同时提高了预测效率,克服了传统的用户规模预测方法存在准确性低的缺陷。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种用户规模预测方法,其特征在于,包括以下步骤:
获取待预测的日期以及资源类型;
根据所述资源类型选择对应的预先训练的用户规模预测模型;
将所述待预测的日期输入所述用户规模预测模型,获取所述用户规模预测模型的输出结果,得到所述资源类型对应的所述待预测的日期的用户规模。
2.根据权利要求1所述的用户规模预测方法,其特征在于,所述预先训练的用户规模预测模型,通过下述方法获得:
获取预设的多个用户样本,各用户样本包括用户对应的数目、日期以及资源类型;用户样本中包括第一用户样本、第二用户样本和第三用户样本;
根据多个第一用户样本,对用于第一用户预测的第一模型进行训练;
根据多个第一用户样本和第二用户样本,对用于第二用户预测的第二模型进行训练;
根据多个第二用户样本和第三用户样本,对用于第三用户预测的第三模型进行训练;
根据同一资源类型对应的第一模型、第二模型和第三模型,得到各资源类型对应的用户规模预测模型。
3.根据权利要求2所述的用户规模预测方法,其特征在于,所述根据多个第一用户样本,对用于第一用户预测的第一模型进行训练的步骤,包括:
将第一用户对应的日期输入待训练的第一模型,得到第一模型的输出结果;
将所述输出结果与对应的第一用户的数目进行比较,得到第一判别误差;
根据所述第一判别误差对所述第一模型的参数值进行修正,直到得到的第一判别误差小于或等于第一设定阈值为止;
和/或,
所述根据多个第一用户样本和多个第二用户样本,对用于第二用户预测的第二模型进行训练的步骤,包括:
将第一用户对应的数目和日期输入待训练的第二模型,得到第二模型的输出结果;
将所述输出结果与对应的第二用户的数目进行比较,得到第二判别误差;
根据所述第二判别误差对所述第二模型的参数值进行修正,直到得到的第二判别误差小于或等于第二设定阈值为止;
和/或,
根据多个第二用户样本和第三用户样本,对用于第三用户预测的第三模型进行训练的步骤,包括:
将第二用户对应的数目和日期输入待训练的第二模型,得到第二模型的输出结果;
将所述输出结果与对应的第三用户的数目进行比较,得到第三判别误差;
根据所述第三判别误差对所述第三模型的参数值进行修正,直到得到的第三判别误差小于或等于第三设定阈值为止。
4.根据权利要求3所述的用户规模预测方法,其特征在于,所述根据所述第一判别误差对所述第一模型的参数值进行修正的步骤之前,包括:
判断所述第一用户对应的日期的标签;
所述根据所述第一判别误差对所述第一模型的参数值进行修正的步骤,包括:
若所述第一用户对应的日期的标签为第一标签,则根据所述第一判别误差和第一标签对应的权重,对所述第一模型的参数值进行修正;
若所述第一用户对应的日期的标签为第二标签,则根据所述第一判别误差和第二标签对应的权重,对所述第一模型的参数值进行修正。
5.根据权利要求2所述的用户规模预测方法,其特征在于,所述根据同一资源类型对应的第一模型、第二模型和第三模型,得到各资源类型对应的用户规模预测模型的步骤之前,包括:
对所述第一模型、第二模型以及第三模型的资源类型进行标记;
所述根据同一资源类型对应的第一模型、第二模型和第三模型,得到各资源类型对应的用户规模预测模型的步骤,包括:
根据第一模型、第二模型以及第三模型的资源类型的标记,从多个模型中筛选出同一资源类型标记的第一模型、第二模型和第三模型,由此得到各资源类型对应的用户规模预测模型。
6.根据权利要求1至5任一项所述的用户规模预测方法,其特征在于,还包括:
根据预先获取的同一资源类型对应的每用户平均数值以及所述资源类型对应的所述待预测的日期的用户规模,得到所述资源类型对应的所述待预测的日期的总数值。
7.根据权利要求1至5任一项所述的用户规模预测方法,其特征在于,还包括:
获取预设的各指标预测模型,将所述资源类型对应的所述待预测的日期的用户规模输入所述各指标预测模型,得到多个所述资源类型对应的所述待预测的日期的指标。
8.一种用户规模评估装置,其特征在于,所述装置包括:
获取模块,用于获取待预测的日期以及资源类型;
选择模块,用于根据所述资源类型选择对应的预先训练的用户规模预测模型;
用户规模预测模块,用于将所述待预测的日期输入所述用户规模预测模型,获取所述用户规模预测模型的输出结果,得到所述资源类型对应的所述待预测的日期的用户规模。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述用户规模预测方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述用户规模预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810488504.0A CN108764553B (zh) | 2018-05-21 | 2018-05-21 | 用户规模预测方法、装置及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810488504.0A CN108764553B (zh) | 2018-05-21 | 2018-05-21 | 用户规模预测方法、装置及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108764553A true CN108764553A (zh) | 2018-11-06 |
CN108764553B CN108764553B (zh) | 2020-12-15 |
Family
ID=64008462
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810488504.0A Active CN108764553B (zh) | 2018-05-21 | 2018-05-21 | 用户规模预测方法、装置及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108764553B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111861000A (zh) * | 2020-07-21 | 2020-10-30 | 携程计算机技术(上海)有限公司 | 基于历史数据的日收入预测方法、系统、设备及存储介质 |
CN112884503A (zh) * | 2021-01-21 | 2021-06-01 | 百果园技术(新加坡)有限公司 | 一种用户规模预测方法、装置、设备和介质 |
CN114219369A (zh) * | 2022-01-17 | 2022-03-22 | 北京达佳互联信息技术有限公司 | 预测模型训练方法及装置、用户类别预测方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101324939A (zh) * | 2008-07-29 | 2008-12-17 | 北京东方文骏软件科技有限责任公司 | 基于数据挖掘的新业务市场预测系统及其方法 |
CN102214338A (zh) * | 2010-04-06 | 2011-10-12 | 上海驭策信息技术有限公司 | 销售预测系统及方法 |
CN105868847A (zh) * | 2016-03-24 | 2016-08-17 | 车智互联(北京)科技有限公司 | 一种购物行为的预测方法及装置 |
CN106202570A (zh) * | 2016-08-11 | 2016-12-07 | 乐视控股(北京)有限公司 | 一种用户信息获取方法及装置 |
CN106408341A (zh) * | 2016-09-21 | 2017-02-15 | 北京小米移动软件有限公司 | 货品销量的预测方法及装置、电子设备 |
US20170124577A1 (en) * | 2013-07-10 | 2017-05-04 | Excalibur Ip, Llc | Influence maximization with viral product design |
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 |
-
2018
- 2018-05-21 CN CN201810488504.0A patent/CN108764553B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101324939A (zh) * | 2008-07-29 | 2008-12-17 | 北京东方文骏软件科技有限责任公司 | 基于数据挖掘的新业务市场预测系统及其方法 |
CN102214338A (zh) * | 2010-04-06 | 2011-10-12 | 上海驭策信息技术有限公司 | 销售预测系统及方法 |
US20170124577A1 (en) * | 2013-07-10 | 2017-05-04 | Excalibur Ip, Llc | Influence maximization with viral product design |
CN105868847A (zh) * | 2016-03-24 | 2016-08-17 | 车智互联(北京)科技有限公司 | 一种购物行为的预测方法及装置 |
CN106202570A (zh) * | 2016-08-11 | 2016-12-07 | 乐视控股(北京)有限公司 | 一种用户信息获取方法及装置 |
CN106408341A (zh) * | 2016-09-21 | 2017-02-15 | 北京小米移动软件有限公司 | 货品销量的预测方法及装置、电子设备 |
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 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111861000A (zh) * | 2020-07-21 | 2020-10-30 | 携程计算机技术(上海)有限公司 | 基于历史数据的日收入预测方法、系统、设备及存储介质 |
CN112884503A (zh) * | 2021-01-21 | 2021-06-01 | 百果园技术(新加坡)有限公司 | 一种用户规模预测方法、装置、设备和介质 |
CN114219369A (zh) * | 2022-01-17 | 2022-03-22 | 北京达佳互联信息技术有限公司 | 预测模型训练方法及装置、用户类别预测方法及装置 |
CN114219369B (zh) * | 2022-01-17 | 2023-08-11 | 北京达佳互联信息技术有限公司 | 预测模型训练方法及装置、用户类别预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108764553B (zh) | 2020-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Antonio et al. | Micro-level stochastic loss reserving for general insurance | |
Sornette et al. | Clarifications to questions and criticisms on the Johansen–Ledoit–Sornette financial bubble model | |
US20200020036A1 (en) | Climate data processing and impact prediction systems | |
CN110400024B (zh) | 订单预测的方法、装置、设备和计算机可读存储介质 | |
US20180357719A1 (en) | Multi-asset portfolio simulation (maps) | |
CN108764553A (zh) | 用户规模预测方法、装置及计算机设备 | |
CN110019401A (zh) | 件量预测方法、装置、设备及其存储介质 | |
CN109615280A (zh) | 员工数据处理方法、装置、计算机设备和存储介质 | |
El-Kholy et al. | Prediction of simulated cost contingency for steel reinforcement in building projects: ANN versus regression-based models | |
Anisimov | Modern analytic techniques for predictive modeling of clinical trial operations | |
CN109993645A (zh) | 财务预测方法、系统、计算机系统及计算机可读存储介质 | |
Liu et al. | Profit-oriented distributionally robust chance constrained flowshop scheduling considering credit risk | |
Lee | General insurance deductible ratemaking | |
Ochuba et al. | Conceptual development and financial analytics for strategic decision-making in telecommunications, focusing on assessing investment opportunities and managing risks in satellite projects | |
CN113688297A (zh) | 期权信息的显示和分析方法、装置、设备及存储介质 | |
EP4198865A1 (en) | Climate data processing and impact prediction systems | |
CN109767031A (zh) | 模型分类器建立方法、装置、计算机设备和存储介质 | |
Hwang et al. | Korean public rental housing for residential stability of the younger population: analysis of policy impacts using system dynamics | |
Lockwood et al. | Designing, Not Checking, for Policy Robustness: An Example with Optimal Taxation | |
CN109829745A (zh) | 营收数据预测方法、装置、计算机设备和存储介质 | |
CN110222895A (zh) | 一种股票走势预测方法、装置、计算机设备和存储介质 | |
Chiu et al. | Machine learning multilayer perceptron method for building information modeling application in engineering performance prediction | |
US11640571B1 (en) | Model management system | |
Jeong et al. | Nonparametric estimation of value-at-risk | |
Prak et al. | Forecasting and inventory control with compound poisson demand using periodic demand data |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220218 Address after: Room 1423, No. 1256 and 1258, Wanrong Road, Jing'an District, Shanghai 200040 Patentee after: Tianyi Digital Life Technology Co.,Ltd. Address before: 1 / F and 2 / F, East Garden, Huatian International Plaza, 211 Longkou Middle Road, Tianhe District, Guangzhou, Guangdong 510630 Patentee before: Century Dragon Information Network Co.,Ltd. |