CN108989889B - 一种视频播放量预测方法、装置及电子设备 - Google Patents

Abstract

本发明实施例提供了一种视频播放量预测方法、装置及电子设备，其中，所述方法包括：获取待预测时间段之前预设数量的已知视频播放量；其中，所述已知视频播放量包括真实视频播放量和/或预测视频播放量；将所述已知视频播放量作为预先训练的预设的神经网络模型的输入，将所述神经网络模型的输出作为所述待预测时间段对应的预测视频播放量；其中，所述神经网络模型是根据历史真实视频播放量对预设模型进行训练得到的，所述预设数量是根据验证数据以及所述预设模型确定的。通过本发明实施例的技术方案，可以减小预测视频播放量与实际视频播放量之间的偏差，提高视频播放量预测准确率。

Description

一种视频播放量预测方法、装置及电子设备

技术领域

本发明涉及互联网技术领域，特别是涉及一种视频播放量预测方法、装置及电子设备。

背景技术

随着网络技术的发展，通过网络进行视频投放已越来越普遍，例如，可以通过网络投放电影、电视剧、综艺节目等多种类型的视频。通常，在进行视频投放之前，希望能了解到已投放视频的相关数据，如各视频的视频播放量等，以根据已知的视频播放量，预测之后一段时间内的视频播放量，并根据预测的视频播放量，确定待投放视频的类型、数量等。

现有技术进行视频播放量预测通常采用的方法是：使用时间序列方法，如ARIMA模型(Autoregressive Integrated Moving Average Model，自回归移动平均模型)进行视频播放量的预测。具体的，可以获取历史数据，即已知的过去一段时间的视频播放量，并将历史数据作为ARIMA模型的输入，ARIMA模型的输出即为预测值。

然而，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：

ARIMA模型要求数据是稳定的，或者是通过差分化后是稳定的，本质上只能捕捉线性关系，而不能捕捉非线性关系。也就是说，针对不稳定的数据，使用ARIMA模型是无法捕捉到规律的。而实际的视频播放量通常不能保证完全是稳定的，因此，使用现有技术进行视频播放量预测时，会导致预测视频播放量与实际视频播放量之间的偏差较大，视频播放量预测准确率较低。

发明内容

本发明实施例的目的在于提供一种视频播放量预测方法、装置及电子设备，以减小预测视频播放量与实际视频播放量之间的偏差，提高视频播放量预测准确率。具体技术方案如下：

在本发明实施的一方面，提供了一种视频播放量预测方法，包括：

获取待预测时间段之前预设数量的已知视频播放量；其中，所述已知视频播放量包括真实视频播放量和/或预测视频播放量；

将所述已知视频播放量作为预先训练的预设的神经网络模型的输入，将所述神经网络模型的输出作为所述待预测时间段对应的预测视频播放量；其中，所述神经网络模型是根据历史真实视频播放量对预设模型进行训练得到的，所述预设数量是根据验证数据以及所述预设模型确定的。

可选的，所述神经网络模型的训练过程包括：

获取历史真实视频播放量；其中，各所述历史真实视频播放量与各时间段一一对应；

依次确定各目标时间段，将所述目标时间段之前多个连续时间段对应的历史真实视频播放量作为预设模型的输入，将所述预设模型的输出作为所述目标时间段的预测视频播放量；计算所述目标时间段的预测视频播放量与所述目标时间段对应的历史真实视频播放量的残差，并根据所述残差调整所述预设模型的参数，直至所述残差满足预设条件时，将所述预设模型作为所述神经网络模型。

可选的，获取历史真实视频播放量之后，所述方法还包括：

对所述历史真实视频播放量进行预处理；

所述将所述目标时间段之前多个连续时间段对应的历史真实视频播放量作为预设模型的输入，将所述预设模型的输出作为所述目标时间段的预测视频播放量；计算所述目标时间段的预测视频播放量与所述目标时间段对应的历史真实视频播放量的残差，包括：

将所述目标时间段之前多个连续时间段对应的预处理后的历史真实视频播放量作为预设模型的输入，将所述预设模型的输出作为所述目标时间段的预测视频播放量；计算所述目标时间段的预测视频播放量与所述目标时间段对应的预处理后的历史真实视频播放量的残差。

可选的，所述对所述历史真实视频播放量进行预处理，包括以下至少一项：

根据所述历史真实视频播放量中每个视频播放量对应的时间段，对缺失的时间段对应的视频播放量进行补充；

对所述历史真实视频播放量中的异常视频播放量进行修正；

通过滑动平均方式，根据预设的滑动窗口大小，对所述历史真实视频播放量进行平滑处理。

可选的，所述对所述历史真实视频播放量进行预处理之前，所述方法还包括：

获取验证数据，其中，所述验证数据为真实视频播放量；

根据所述验证数据，以及所述预设模型，确定所述预设数量和所述滑动窗口大小。

可选的，所述将所述预设模型作为所述神经网络模型之后，所述方法还包括：

按照设定的周期，对所述神经网络模型进行更新。

在本发明实施的另一方面，本发明实施例提供了一种视频播放量预测装置，包括：

数据获取模块，用于获取待预测时间段之前预设数量的已知视频播放量；其中，所述已知视频播放量包括真实视频播放量和/或预测视频播放量；

数据预测模块，用于将所述已知视频播放量作为预先训练的预设的神经网络模型的输入，将所述神经网络模型的输出作为所述待预测时间段对应的预测视频播放量；其中，所述神经网络模型是根据历史真实视频播放量对预设模型进行训练得到的，所述预设数量是根据验证数据以及所述预设模型确定的。

可选的，所述数据获取模块，还用于获取历史真实视频播放量；其中，各所述历史真实视频播放量与各时间段一一对应；

所述装置还包括：

模型训练模块，用于依次确定各目标时间段，将所述目标时间段之前多个连续时间段对应的历史真实视频播放量作为预设模型的输入，将所述预设模型的输出作为所述目标时间段的预测视频播放量；计算所述目标时间段的预测视频播放量与所述目标时间段对应的历史真实视频播放量的残差，并根据所述残差调整所述预设模型的参数，直至所述残差满足预设条件时，将所述预设模型作为所述神经网络模型。

可选的，所述装置还包括：

数据处理模块，用于对所述历史真实视频播放量进行预处理；

所述模型训练模块，具体用于将所述目标时间段之前多个连续时间段对应的预处理后的历史真实视频播放量作为预设模型的输入，将所述预设模型的输出作为所述目标时间段的预测视频播放量；计算所述目标时间段的预测视频播放量与所述目标时间段对应的预处理后的历史真实视频播放量的残差。

可选的，所述数据处理模块，具体用于执行以下至少一项：

根据所述历史真实视频播放量中每个视频播放量对应的时间段，对缺失的时间段对应的视频播放量进行补充；

对所述历史真实视频播放量中的异常视频播放量进行修正；

通过滑动平均方式，根据预设的滑动窗口大小，对所述历史真实视频播放量进行平滑处理。

可选的，所述数据获取模块，还用于获取验证数据，其中，所述验证数据为真实视频播放量；

所述装置还包括：

信息确定模块，用于根据所述验证数据，以及所述预设模型，确定所述预设数量和所述滑动窗口大小。

可选的，所述装置还包括：

模型更新模块，用于按照设定的周期，对所述神经网络模型进行更新。

在本发明实施的又一方面，还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，所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信；

所述存储器，用于存放计算机程序；

所述处理器，用于执行所述存储器上所存放的程序时，实现上述任一所述的视频播放量预测方法。

在本发明实施的又一方面，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中存储有指令，当其在计算机上运行时，使得计算机执行上述任一所述的视频播放量预测方法。

在本发明实施的又一方面，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，使得计算机执行上述任一所述的视频播放量预测方法。

本发明实施例提供的视频播放量预测方法、装置及电子设备，使用历史真实视频播放量预先训练得到神经网络模型，进而可以根据待预测时间段之前预设数量的已知视频播放量和该神经网络模型，得到待预测时间段对应的预测视频播放量。并且，神经网络模型具有较强的泛化能力，针对稳定或不稳定的数据，都可以捕捉其规律，进而能够进行准确的视频播放量预测，减小预测视频播放量与实际视频播放量之间的偏差，提高视频播放量预测准确率。并且，通过预设模型来确定预设数量，进而通过神经网络模型使用预设数量的已知视频播放量进行视频播放量预测时，可以提高神经网络模型的泛化能力，进一步提高视频播放量预测的准确率。

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。

图1为本发明实施例提供的视频播放量预测方法的一种流程示意图；

图2为本发明实施例中视频播放量预测过程示意图；

图3为本发明实施例中训练神经网络模型的流程示意图；

图4为本发明实施例中神经网络模型训练过程示意图；

图5为本发明实施例中训练神经网络模型的另一种流程示意图；

图6为本发明实施例中训练神经网络模型的另一种流程示意图；

图7为本发明实施例中训练神经网络模型的另一种流程示意图；

图8为本发明实施例提供的视频播放量预测装置的一种结构示意图；

图9为本发明实施例提供的电子设备的一种结构示意图。

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描述。

为了提高视频播放量预测准确率，本发明实施例提供了一种视频播放量预测方法、装置及电子设备，通过预先训练的神经网络模型，对待测视频播放量进行预测，减少预测视频播放量与实际视频播放量之间的偏差，提高视频播放量预测准确率。

下面首先对本发明实施例所提供的视频播放量预测方法进行介绍。

本发明实施例所提供的视频播放量预测方法可以应用于视频播放领域，如可以预测某一视频网站一段时间内的视频播放总量，具体的，可以应用于视频网站的服务器。上述一段时间例如可以为48小时、24小时、12小时等，本发明实施例对此不作限定。

为了便于描述，本发明实施例以预测24小时内，也即每天的视频播放量为例，来说明本发明实施例提供的视频播放量预测方法。

本发明实施例所提供的视频播放量预测方法，如图1所示，该方法可以包括如下步骤：

S110，获取待预测时间段之前预设数量的已知视频播放量；其中，该已知视频播放量包括真实视频播放量和/或预测视频播放量；

在实际应用中，视频的播放量在一段时间之内可能会有关联。如，当最近几天视频播放量都比较大时，可能表明有大量的用户在观看某一些电视剧，这种情况下，接下来一段时间内，视频播放量可能也会比较大；当最近几天视频播放量都比较小时，可能表明最近没有观看量很大的视频，这种情况下，接下来一段时间内，视频播放量可能也会比较小。

因此，在本发明实施例中，可以根据已知的几天内的视频播放量，来预测接下来一天或多天的视频播放量。

具体的，服务器可以获取待预测时间段之前预设数量的已知视频播放量。其中，上述已知视频播放量可以为与待预测时间段相邻且连续的多个时间段对应的视频播放量；或者可以为与待预测时间相邻且相互之间间隔相同的多个时间段对应的视频播放量，这都是可以的。上述预设数量可以根据具体情况设定，本发明实施例不对其具体取值作限定。

当需要对接下来一天的视频播放量进行预测时，如，当待预测时间段为2018.5.17的视频播放量，预设数量为4时，服务器可以分别获取2018.5.16、2018.5.15、2018.5.14、2018.5.13的视频播放量作为已知视频播放量，或者，可以分别获取2018.5.15、2018.5.13、2018.5.11、2018.5.09的视频播放量作为已知视频播放量。

或者，当需要对接下来几天的视频播放量分别进行预测时，服务器可以依次将每个时间段作为待预测时间段，获取每个待预测时间段对应的已知视频播放量，对各待预测时间段对应的视频播放量进行预测。

如，当待预测时间段分别为2018.5.17、2018.5.18、2018.5.19、2018.5.20的视频播放量，预设数量为4时，如图2所示，服务器可以通过以下步骤依次对2018.5.17、2018.5.18、2018.5.19、2018.5.20的视频播放量进行预测：

(1)将2018.5.17作为待预测时间段，分别获取2018.5.16、2018.5.15、2018.5.14、2018.5.13的视频播放量，也即数据04、03、02、01，作为已知视频播放量，根据获取的已知视频播放量得到2018.5.17的预测视频播放量A；

(2)将2018.5.18作为待预测时间段，分别获取2018.5.17的预测视频播放量，也即数据A，以及2018.5.16、2018.5.15、2018.5.14的视频播放量，也即数据04、03、02，作为已知视频播放量，根据获取的已知视频播放量得到2018.5.18的预测视频播放量B；

(3)将2018.5.19作为待预测时间段，分别获取2018.5.18、2018.5.17的预测视频播放量，也即数据B、A，以及2018.5.16、2018.5.15的视频播放量，也即数据04、03，作为已知视频播放量，根据获取的已知视频播放量得到2018.5.19的预测视频播放量C；

(4)将2018.5.20作为待预测时间段，分别获2018.5.19、取2018.5.18、2018.5.17的预测视频播放量，也即数据C、B、A，以及2018.5.16的视频播放量，也即数据04，作为已知视频播放量，根据获取的已知视频播放量得到2018.5.20的预测视频播放量D。

其中，上述2018.5.16之前的视频播放量均为服务器统计得到的真实视频播放量；2018.5.17及之后的视频播放量为预测视频播放量。也就是说，针对不同的待预测时间段，获取的已知视频播放量可能全部为真实视频播放量，或部分为真实视频播放量部分为预测视频播放量，或全部为预测视频播放量，这都是可以的。

S120，将上述已知视频播放量作为预先训练的预设的神经网络模型的输入，将该神经网络模型的输出作为该待预测时间段对应的预测视频播放量；其中，上述神经网络模型是根据历史真实视频播放量对预设模型进行训练得到的，上述预设数量是根据验证数据以及上述预设模型确定的。

机器学习算法可以根据历史真实视频播放量训练出模型，准确地反映连续时间段内视频播放量之间的关系。因此，在本发明实施例中，可以预先根据历史真实视频播放量训练得到神经网络模型。

上述神经网络模型可以为LSTM(long short-term memory，长短时记忆)神经网络模型，或者可以为因子分解机模型、逻辑回归模型、线性回归模型等模型中的任意一种，本领域技术人员可以根据实际需要进行选择，本申请不作具体限定。本领域技术人员可以用现有技术中常用的方法，通过历史真实视频播放量训练上述LSTM网络模型、因子分解机模型、逻辑回归模型、线性回归模型，从而得到神经网络模型，本申请不再赘述神经网络模型的训练方法。

可以理解，在进行视频播放量预测时，使用越合适数量的已知视频播放量，将得到越准确的预测视频播放量，过大或过小数量的已知视频播放量，都将可能影响预测视频播放量的准确性。

在本发明实施例中，可以获取验证数据，该验证数据为真实视频播放量，然后根据验证数据与预设模型，确定上述预设数量。其中，该验证数据与用于训练神经网络模型的历史真实视频播放量可以相同或不同，本发明实施例对此不作限定。

具体的，可以对可能的预设数量的取值进行遍历，最后选取使预设模型最优的参数，作为最终的预设数量的取值。也即当选取任一取值后，预设模型预测的视频播放量与真实视频播放量最接近时，该取值即为最终确定的预设数量的大小。

在本发明实施例中，服务器可以将上述已知视频播放量作为预先训练的神经网络模型的输入，将上述神经网络模型的输出结果作为上述待预测时间段对应的预测视频播放量。

本发明实施例提供的视频播放量预测方法，使用历史真实视频播放量预先训练得到神经网络模型，进而可以根据待预测时间段之前预设数量的已知视频播放量和该神经网络模型，得到待预测时间段对应的预测视频播放量。并且，神经网络模型具有较强的泛化能力，针对稳定或不稳定的数据，都可以捕捉其规律，进而能够进行准确的视频播放量预测，减小预测视频播放量与实际视频播放量之间的偏差，提高视频播放量预测准确率。并且，通过预设模型来确定预设数量，进而通过神经网络模型使用预设数量的已知视频播放量进行视频播放量预测时，可以提高神经网络模型的泛化能力，进一步提高视频播放量预测的准确率。

在本发明实施例的一种实施方式中，如图3所示，上述步骤S120中的神经网络模型的训练过程可以包括以下步骤：

S121，获取历史真实视频播放量；其中，各历史真实视频播放量与各时间段一一对应；

上述历史真实视频播放量可以是视频网站在预设的历史时间范围内每天的视频播放量，例如，半年内、一年内的数据等，本领域技术人员可以根据实际需要选择历史真实视频播放量，本发明不对历史真实视频播放量的具体时间范围作限定。

S122，依次确定各目标时间段，将目标时间段之前多个连续时间段对应的历史真实视频播放量作为预设模型的输入，将预设模型的输出作为目标时间段的预测视频播放量；计算目标时间段的预测视频播放量与目标时间段对应的历史真实视频播放量的残差，并根据残差调整预设模型的参数，直至残差满足预设条件时，将预设模型作为神经网络模型。

在本发明实施例中，服务器可以使用获取的历史真实视频播放量，训练得到神经网络模型。

上述神经网络模型可以为LSTM神经网络模型，或者可以为因子分解机模型、逻辑回归模型、线性回归模型等模型中的任意一种，本领域技术人员可以根据实际需要进行选择，本申请不作具体限定。本领域技术人员可以用现有技术中常用的方法，通过历史真实视频播放量训练上述LSTM网络模型、因子分解机模型、逻辑回归模型、线性回归模型，从而得到神经网络模型，本申请不再赘述神经网络模型的训练方法。

例如，服务器可以依次将某一时间段作为目标时间段，将目标时间段之前多个连续时间段对应的的历史真实视频播放量输入预设模型中，预设模型的输出即为目标时间段的预测视频播放量，进而计算预测视频播放量与真实视频播放量的残差，并根据残差对预设模型的参数进行调整。调整完成之后，将另一时间段作为目标时间段，重复上述步骤，直到预设模型输出的预测视频播放量与真实视频播放量之间的残差满足预设条件，如小于预设阈值时，即得到训练后的预设模型，并将其作为神经网络模型。

示例性的，如图4所示，服务器获取的历史真实视频播放量按时间顺序依次为10、20、30、40、50、60、70、80，服务器可以通过以下步骤对预设模型进行训练，得到训练后的神经网络模型：

将历史真实视频播放量10、20、30、40输入预设模型中，预设模型输出预测视频播放量a，进而将预测视频播放量a与真实视频播放量50进行比较，根据比较结果对预设模型的参数进行调整；

将历史真实视频播放量20、30、40、50输入预设模型中，预设模型输出预测视频播放量b，进而将预测视频播放量b与真实视频播放量60进行比较，根据比较结果对预设模型的参数进行调整；

将历史真实视频播放量30、40、50、60输入预设模型中，预设模型输出预测视频播放量c，进而将预测视频播放量c与真实视频播放量70进行比较，根据比较结果对预设模型的参数进行调整；

将历史真实视频播放量40、50、60、70输入预设模型中，预设模型输出预测视频播放量d，进而将预测视频播放量d与真实视频播放量80进行比较，根据比较结果对预设模型的参数进行调整。

不断循环上述步骤，直到预设模型输出的预测视频播放量与真实视频播放量之间的残差满足预设条件，即得到训练后的预设模型，并将其作为神经网络模型。

本实施例中，可以根据历史真实视频播放量训练得到神经网络模型，该神经网络模型能够很好的捕捉视频播放量之间的关系，从而在进行视频播放量预测时，可以根据已知视频播放量，准确的得到预测视频播放量，提高视频播放量预测的准确率。

可以理解，有些情况下，服务器获取的历史真实视频播放量可能会存在一些误差，如某个时间段的数据缺失、或存在错误等。如果使用存在误差的历史真实视频播放量训练神经网络模型，将影响神经网络模型的准确性。

作为本发明实施例的一种实施方式，如图5所示，为了提高历史真实视频播放量的准确性，进而提高神经网络模型的准确性，在步骤S121之后，还可以包括：

S123，对历史真实视频播放量进行预处理；

相应的，步骤S122为：

S124，依次确定各目标时间段，将目标时间段之前多个连续时间段对应的预处理后的历史真实视频播放量作为预设模型的输入，将预设模型的输出作为目标时间段的预测视频播放量；计算目标时间段的预测视频播放量与目标时间段对应的预处理后的历史真实视频播放量的残差，并根据残差调整预设模型的参数，直至残差满足预设条件时，将预设模型作为神经网络模型。

其中，服务器对历史真实视频播放量进行预处理时，可以执行以下至少一项：

步骤一，根据历史真实视频播放量中每个视频播放量对应的时间段，对缺失的时间段对应的视频播放量进行补充；

例如，当服务器获取到的历史真实视频播放量对应的时间段为：2017.2.1、2017.2.2、2017.2.4、2017.2.5、2017.2.6时，可以确定缺失的时间段为2017.2.3，这种情况下，可以补充2017.2.3的视频播放量。

在一种实现方式中，在确定2017.2.3的视频播放量时，可以计算2017.2.2和2017.2.4对应的视频播放量的平均值，作为2017.2.3的视频播放量；或者，可以计算2017.2.1、2017.2.2、2017.2.4、2017.2.5对应的视频播放量的平均值，作为2017.2.3的视频播放量，这都是可以的，本发明实施例对此不作限定。

步骤二，对历史真实视频播放量中的异常视频播放量进行修正；

在一种实现方式中，服务器可以针对获取的每个视频播放量，判断该视频播放量与其前后预设个数的视频播放量之间的差值的绝对值是否大于预设阈值，或者判断该视频播放量与其前后预设个数的视频播放量之间的比值是否超过预设范围，如果是，则确定该视频播放量为异常视频播放量。

其中，上述预设阈值、预设范围和预设个数可以根据具体情况而定，本发明实施例对此不作具体限定。

例如，当服务器获取的2017.2.1、2017.2.2、2017.2.3、2017.2.4、2017.2.5、2017.2.6对应的视频播放量分别为：100万、101万、103万、230万、99万、101万，预设范围为0.9-101时，可以确定2017.2.4对应的视频播放量为异常视频播放量。这种情况下，可以对2017.2.4对应的视频播放量进行修正。

具体的，可以根据异常视频播放量，以及其前后分别多个(如3个)视频播放量，也就是一共7个视频播放量，计算修正后的视频播放量，如，可以将这7个视频播放量的均值作为修正后的视频播放量。

步骤三，使用滑动平均方式，通过预设的滑动窗口大小，对历史真实视频播放量进行平滑处理。

例如，当滑动窗口大小为4时，可以针对每个视频播放量，将其本身以及其前后分别4个视频播放量的均值，替换该视频播放量。针对每个视频播放量都执行上述操作，既可对所有的视频播放量都进行平滑处理。

本实施例中，可以将服务器获取的视频播放量进行修正，避免存在误差的视频播放量影响神经网络模型的准确性。

可以理解，在进行视频播放量预测时，使用越合适数量的已知视频播放量，将得到越准确的预测视频播放量，过大或过小数量的已知视频播放量，都将可能影响预测视频播放量的准确性；对历史真实视频播放量进行平滑处理时，同样的，使用越合适的平滑窗口大小，将得到越合理的视频播放量，进而训练得到准确的神经网络模型。

作为本发明实施例的一种实施方式，服务器对历史真实视频播放量进行预处理之前，如图6所示，还可以执行以下步骤：

S125，获取验证数据，该验证数据为真实视频播放量；

其中，该验证数据与用于训练神经网络模型的历史真实视频播放量可以相同或不同，本发明实施例对此不作限定。

S126，使用该验证数据，以及预设模型，确定预设数量和滑动窗口大小。

具体的，针对预设数量和滑动窗口大小两个参数，对可能的取值进行遍历，最后选取使预设模型最优的一对参数组合。也即当选取任一对参数组合后，预设模型预测的结果与真实视频播放量最接近时，该对参数组合即为最终确定的预设数量和滑动窗口大小。

本实施例中，可以通过预设模型，来确定预设数量和滑动窗口大小，通过确定好的滑动窗口大小对历史真实视频播放量进行预处理，进而使用预处理后的历史真实视频播放量训练得到更加准确的神经网络模型；通过神经网络模型使用预设数量的已知视频播放量进行视频播放量预测时，可以提高神经网络模型的泛化能力，进而提高视频播放量预测的准确性。

可以理解，随着时间的推移，视频播放量的变化趋势可能会有变化。如果一直使用同一神经网络模型对视频播放量进行预测，可能会出现视频播放量预测结果准确率下降的可能。

作为本发明实施例的一种实施方式，如图7所示，服务器在执行步骤S122之后，还可以执行以下步骤：

S127，按照设定的周期，对上述神经网络模型进行更新。

在本发明实施例中，服务器可以按照设定的周期，如一年、6个月、3个月等，对神经网络模型进行更新。

具体的，当更新周期到来时，服务器可以使用最近一段时间内的真实视频播放量，对神经网络模型进行更新。其中，上述一段时间可以与设定的周期相同或不同，本发明实施例对此不作限定。

具体的神经网络模型更新方法，可以与上述实施例中神经网络模型的训练过程类似，也即使用新的真实视频播放量对神经网络模型的参数进行更新，本发明实施例不对此过程进行赘述。

本实施例中，可以周期性的对神经网络模型进行更新，从而保证神经网络模型与近期的视频播放量变化趋势相匹配，进而可以提高视频播放量预测的准确性。

下面对本发明实施例所提供的数据量预测装置进行介绍。

本发明实施例所提供的数据量预测装置，如图8所示，可以包括：

数据获取模块810，用于获取待预测时间段之前预设数量的已知视频播放量；其中，所述已知视频播放量包括真实视频播放量和/或预测视频播放量；

数据预测模块820，用于将所述已知视频播放量作为预先训练的预设的神经网络模型的输入，将所述神经网络模型的输出作为所述待预测时间段对应的预测视频播放量；其中，所述神经网络模型是根据历史真实视频播放量对预设模型进行训练得到的，所述预设数量是根据验证数据以及所述预设模型确定的。

本发明实施例提供的数据量预测装置，使用历史真实视频播放量预先训练得到神经网络模型，进而可以根据待预测时间段之前预设数量的已知视频播放量和该神经网络模型，得到待预测时间段对应的预测视频播放量。并且，神经网络模型具有较强的泛化能力，针对稳定或不稳定的数据，都可以捕捉其规律，进而能够进行准确的视频播放量预测，减小预测视频播放量与实际视频播放量之间的偏差，提高视频播放量预测准确率。并且，通过预设模型来确定预设数量，进而通过神经网络模型使用预设数量的已知视频播放量进行视频播放量预测时，可以提高神经网络模型的泛化能力，进一步提高视频播放量预测的准确率。

作为本发明实施例的一种实施方式，所述数据获取模块810，还用于获取历史真实视频播放量；其中，各所述历史真实视频播放量与各时间段一一对应；

所述装置还包括：

模型训练模块，用于依次确定各目标时间段，将所述目标时间段之前多个连续时间段对应的历史真实视频播放量作为预设模型的输入，将所述预设模型的输出作为所述目标时间段的预测视频播放量；计算所述目标时间段的预测视频播放量与所述目标时间段对应的历史真实视频播放量的残差，并根据所述残差调整所述预设模型的参数，直至所述残差满足预设条件时，将所述预设模型作为所述神经网络模型。

作为本发明实施例的一种实施方式，所述装置还包括：

数据处理模块，用于对所述历史真实视频播放量进行预处理；

所述模型训练模块，具体用于将所述目标时间段之前多个连续时间段对应的预处理后的历史真实视频播放量作为预设模型的输入，将所述预设模型的输出作为所述目标时间段的预测视频播放量；计算所述目标时间段的预测视频播放量与所述目标时间段对应的预处理后的历史真实视频播放量的残差。

作为本发明实施例的一种实施方式，所述数据处理模块，具体用于执行以下至少一项：

根据所述历史真实视频播放量中每个视频播放量对应的时间段，对缺失的时间段对应的视频播放量进行补充；

对所述历史真实视频播放量中的异常视频播放量进行修正；

通过滑动平均方式，根据预设的滑动窗口大小，对所述历史真实视频播放量进行平滑处理。

作为本发明实施例的一种实施方式，所述数据获取模块，还用于获取验证数据，其中，所述验证数据为真实视频播放量；

所述装置还包括：

信息确定模块，用于根据所述验证数据，以及所述预设模型，确定所述预设数量和所述滑动窗口大小。

作为本发明实施例的一种实施方式，所述装置还包括：

模型更新模块，用于按照设定的周期，对所述神经网络模型进行更新。

下面对本发明实施例所提供的电子设备进行介绍。

本发明实施例所提供的电子设备，如图9所示，包括处理器901、通信接口902、存储器903和通信总线904，其中，处理器901、通信接口902、存储器903通过通信总线904完成相互间的通信；

存储器903，用于存放计算机程序；

处理器901，用于执行存储器903上所存放的程序时，实现如下步骤：

获取待预测时间段之前预设数量的已知视频播放量；其中，所述已知视频播放量包括真实视频播放量和/或预测视频播放量；

将所述已知视频播放量作为预先训练的预设的神经网络模型的输入，将所述神经网络模型的输出作为所述待预测时间段对应的预测视频播放量；其中，所述神经网络模型是根据历史真实视频播放量对预设模型进行训练得到的，所述预设数量是根据验证数据以及所述预设模型确定的。

本发明实施例提供的电子设备，使用历史真实视频播放量预先训练得到神经网络模型，进而可以根据待预测时间段之前预设数量的已知视频播放量和该神经网络模型，得到待预测时间段对应的预测视频播放量。并且，神经网络模型具有较强的泛化能力，针对稳定或不稳定的数据，都可以捕捉其规律，进而能够进行准确的视频播放量预测，减小预测视频播放量与实际视频播放量之间的偏差，提高视频播放量预测准确率。并且，通过预设模型来确定预设数量，进而通过神经网络模型使用预设数量的已知视频播放量进行视频播放量预测时，可以提高神经网络模型的泛化能力，进一步提高视频播放量预测的准确率。

上述电子设备提到的通信总线904可以是外设部件互连标准(PeripheralComponent Interconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线904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902用于上述电子设备与其他设备之间的通信。

存储器903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901可以是通用处理器，包括中央处理器(Central ProcessingUnit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(DigitalSignal Processing，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。

在本发明提供的又一实施例中，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中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的视频播放量预测方法。

本发明实施例提供的计算机可读存储介质，使用历史真实视频播放量预先训练得到神经网络模型，进而可以根据待预测时间段之前预设数量的已知视频播放量和该神经网络模型，得到待预测时间段对应的预测视频播放量。并且，神经网络模型具有较强的泛化能力，针对稳定或不稳定的数据，都可以捕捉其规律，进而能够进行准确的视频播放量预测，减小预测视频播放量与实际视频播放量之间的偏差，提高视频播放量预测准确率。并且，通过预设模型来确定预设数量，进而通过神经网络模型使用预设数量的已知视频播放量进行视频播放量预测时，可以提高神经网络模型的泛化能力，进一步提高视频播放量预测的准确率。

在本发明提供的又一实施例中，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，使得计算机执行上述实施例中任一所述的视频播放量预测方法。

本发明实施例提供的计算机程序产品，使用历史真实视频播放量预先训练得到神经网络模型，进而可以根据待预测时间段之前预设数量的已知视频播放量和该神经网络模型，得到待预测时间段对应的预测视频播放量。并且，神经网络模型具有较强的泛化能力，针对稳定或不稳定的数据，都可以捕捉其规律，进而能够进行准确的视频播放量预测，减小预测视频播放量与实际视频播放量之间的偏差，提高视频播放量预测准确率。并且，通过预设模型来确定预设数量，进而通过神经网络模型使用预设数量的已知视频播放量进行视频播放量预测时，可以提高神经网络模型的泛化能力，进一步提高视频播放量预测的准确率。

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/设备/介质/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 (13)

1.一种视频播放量预测方法，其特征在于，包括：

获取待预测时间段之前预设数量的已知视频播放量；其中，所述已知视频播放量包括真实视频播放量和/或预测视频播放量；

将所述已知视频播放量作为预先训练的预设的神经网络模型的输入，将所述神经网络模型的输出作为所述待预测时间段对应的预测视频播放量；其中，所述神经网络模型是根据历史真实视频播放量对预设模型进行训练得到的，所述预设数量是所述预设模型预测的视频播放量与真实视频播放量最接近时的数量。

2.根据权利要求1所述的方法，其特征在于，所述神经网络模型的训练过程包括：

获取历史真实视频播放量；其中，各所述历史真实视频播放量与各时间段一一对应；

依次确定各目标时间段，将所述目标时间段之前多个连续时间段对应的历史真实视频播放量作为预设模型的输入，将所述预设模型的输出作为所述目标时间段的预测视频播放量；计算所述目标时间段的预测视频播放量与所述目标时间段对应的历史真实视频播放量的残差，并根据所述残差调整所述预设模型的参数，直至所述残差满足预设条件时，将所述预设模型作为所述神经网络模型。

3.根据权利要求2所述的方法，其特征在于，获取历史真实视频播放量之后，所述方法还包括：

对所述历史真实视频播放量进行预处理；

所述将所述目标时间段之前多个连续时间段对应的历史真实视频播放量作为预设模型的输入，将所述预设模型的输出作为所述目标时间段的预测视频播放量；计算所述目标时间段的预测视频播放量与所述目标时间段对应的历史真实视频播放量的残差，包括：

将所述目标时间段之前多个连续时间段对应的预处理后的历史真实视频播放量作为预设模型的输入，将所述预设模型的输出作为所述目标时间段的预测视频播放量；计算所述目标时间段的预测视频播放量与所述目标时间段对应的预处理后的历史真实视频播放量的残差。

4.根据权利要求3所述的方法，其特征在于，所述对所述历史真实视频播放量进行预处理，包括以下至少一项：

根据所述历史真实视频播放量中每个视频播放量对应的时间段，对缺失的时间段对应的视频播放量进行补充；

对所述历史真实视频播放量中的异常视频播放量进行修正；

通过滑动平均方式，根据预设的滑动窗口大小，对所述历史真实视频播放量进行平滑处理。

5.根据权利要求4所述的方法，其特征在于，所述对所述历史真实视频播放量进行预处理之前，所述方法还包括：

获取验证数据，其中，所述验证数据为真实视频播放量；

根据所述验证数据，以及所述预设模型，确定所述滑动窗口大小。

6.根据权利要求2所述的方法，其特征在于，所述将所述预设模型作为所述神经网络模型之后，所述方法还包括：

按照设定的周期，对所述神经网络模型进行更新。

7.一种视频播放量预测装置，其特征在于，包括：

数据获取模块，用于获取待预测时间段之前预设数量的已知视频播放量；其中，所述已知视频播放量包括真实视频播放量和/或预测视频播放量；

数据预测模块，用于将所述已知视频播放量作为预先训练的预设的神经网络模型的输入，将所述神经网络模型的输出作为所述待预测时间段对应的预测视频播放量；其中，所述神经网络模型是根据历史真实视频播放量对预设模型进行训练得到的，所述预设数量是所述预设模型预测的视频播放量与真实视频播放量最接近时的数量。

8.根据权利要求7所述的装置，其特征在于，

所述数据获取模块，还用于获取历史真实视频播放量；其中，各所述历史真实视频播放量与各时间段一一对应；

所述装置还包括：

模型训练模块，用于依次确定各目标时间段，将所述目标时间段之前多个连续时间段对应的历史真实视频播放量作为预设模型的输入，将所述预设模型的输出作为所述目标时间段的预测视频播放量；计算所述目标时间段的预测视频播放量与所述目标时间段对应的历史真实视频播放量的残差，并根据所述残差调整所述预设模型的参数，直至所述残差满足预设条件时，将所述预设模型作为所述神经网络模型。

9.根据权利要求8所述的装置，其特征在于，所述装置还包括：

数据处理模块，用于对所述历史真实视频播放量进行预处理；

所述模型训练模块，具体用于将所述目标时间段之前多个连续时间段对应的预处理后的历史真实视频播放量作为预设模型的输入，将所述预设模型的输出作为所述目标时间段的预测视频播放量；计算所述目标时间段的预测视频播放量与所述目标时间段对应的预处理后的历史真实视频播放量的残差。

10.根据权利要求9所述的装置，其特征在于，所述数据处理模块，具体用于执行以下至少一项：

根据所述历史真实视频播放量中每个视频播放量对应的时间段，对缺失的时间段对应的视频播放量进行补充；

对所述历史真实视频播放量中的异常视频播放量进行修正；

通过滑动平均方式，根据预设的滑动窗口大小，对所述历史真实视频播放量进行平滑处理。

11.根据权利要求10所述的装置，其特征在于，

所述数据获取模块，还用于获取验证数据，其中，所述验证数据为真实视频播放量；

所述装置还包括：

信息确定模块，用于根据所述验证数据，以及所述预设模型，确定所述滑动窗口大小。

12.根据权利要求8所述的装置，其特征在于，所述装置还包括：

模型更新模块，用于按照设定的周期，对所述神经网络模型进行更新。

13.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信；

所述存储器，用于存放计算机程序；

所述处理器，用于执行所述存储器上所存放的程序时，实现权利要求1-6任一所述的方法步骤。

Images