CN109711897A - 日活跃用户数量预测方法及装置 - Google Patents

Abstract

本公开涉及信息处理技术领域，特别涉及一种日活跃用户数量预测方法及装置，其中，方法包括：第一对象的日活跃用户数量预测步骤，基于历史周期的日活跃用户数量和移动节日进行计算，得到第一预测值；第二对象的日活跃用户数量预测步骤，基于预设方案计算得到的第二预测值；第三对象的日活跃用户数量预测步骤，基于第二预测值以及预设函数进行计算，得到第三预测值；日活跃用户数量计算步骤，将第一预测值、第二预测值、第三预测值相加，得到日活跃用户数量。本公开实施通过上述方式预测日活跃用户数量，使预测的日活跃用户数量具有较高的准确性，适用于受节日影响较大的网站、互联网应用、网络游戏的日活跃用户数量的预测。

Description

日活跃用户数量预测方法及装置

技术领域

本发明涉及信息处理技术领域，特别涉及一种日活跃用户数量预测 方法及装置。

背景技术

日活跃用户数量(Daily Active User,DAU),常用于反映网站、互 联网应用或网络游戏的运营情况。具体体现为统计选定日期之内登录或 使用了某个产品的用户终端数。DAU能够为互联网应用的用户增长情况进 行较好的监测，为广告渠道的推广、投放成本预估提供一些数据支持和 帮助。

相关技术中，使用对数或者幂函数曲线，直接或分段使用历史数据 拟合未来的活跃用户人数；使用时间序列模型基于用户的经验值对未来N 期活跃用户数进行预测。其预测周期较短，无法准确预估长期的留存， 造成预测结果的误差率较高，不足以支撑推广策略的调整及成本预算， 也无法更准确的考虑各种人为因素的影响，即广告投放的推广力度和推 广方式的留存差异；在某些类型的用户终端，影响较大的移动节日对于 日活跃用户数的影响未进行参考，其中，移动节日为国内每年时间不同 的节假日，如春节、端午、中秋、清明等。

发明内容

为了解决现有技术中存在的上述问题，本发明提供一种日活跃用户 数量预测方法及装置。

根据本发明实施例的一个方面，提供一种日活跃用户数量预测方法， 包括：第一对象的日活跃用户数量预测步骤、第二对象的日活跃用户数 量预测步骤、第三对象的日活跃用户数量预测步骤、日活跃用户数量计 算步骤，其中，所述第一对象的日活跃用户数量预测步骤，基于历史周 期的日活跃用户数量和移动节日进行计算，得到第一对象的日活跃用户 数量的第一预测值；所述第二对象的日活跃用户数量预测步骤，基于预 设方案计算得到第二对象的日活跃用户数量的第二预测值；所述第三对 象的日活跃用户数量预测步骤，基于所述第二预测值以及预设函数进行 计算，得到第三对象的日活跃用户数量的第三预测值；所述日活跃用户 数量计算步骤，将所述第一预测值、所述第二预测值、所述第三预测值 相加，得到所述日活跃用户数量。

在一例中，所述第一对象的日活跃用户数量预测步骤，包括：初始数 据获取步骤，基于历史周期的日活跃用户数量，得到初始数据；调整数 据获取步骤，基于所述历史周期的日活跃用户数量以及移动节日，对所 述初始数据进行调整，得到调整数据；第一预测值获取步骤，基于所述 调整数据计算得到季节指数，进而得到第一对象的日活跃用户数量的第 一预测值。

在一例中，所述调整数据获取步骤，包括：历史周期节日时间确定步 骤，根据历史周期的日活跃用户数量及预设参数，确定历史周期节日时 间区间；预测周期节日时间调整步骤，基于所述历史周期节日时间区间， 确定所述初始数据调整的时间区间；预测周期节日数据调整步骤，根据 历史周期的日活跃用户数量以及所述初始数据，调整所述初始数据调整 的时间区间的第一对象的日活跃用户数量，得到预测周期节日数据。

在一例中，所述调整数据获取步骤，包括：历史周期节日时间确定步 骤，根据历史周期的日活跃用户数量及预设参数，确定历史周期节日时 间区间；预测周期节日时间调整步骤，基于所述历史周期节日时间区间， 确定所述初始数据调整的时间区间；预测周期节日数据调整步骤，基于 所述历史周期节日时间区间的日活跃用户数量，以及与所述历史周期节 日时间区间开始日或结束日相邻日期的日活跃用户数量，调整所述初始 数据调整的时间区间的第一对象的日活跃用户数量，得到预测周期节日 数据。

在一例中，所述预设参数是基于历史周期的日活跃用户数量获得的， 包括：历史周期数据获取步骤，对包括历史周期节日的预设时间内的日 活跃用户数量进行加和，得到历史周期数据；平均历史周期数据获取步 骤，将所述历史周期数据除以所述预设时间，获得平均历史周期数据； 预设参数获取步骤，将预设时间内的第一对象的日活跃用户数量分别除 以所述平均历史周期数据，得到所述预设参数。

在一例中，所述历史周期节日时间确定步骤，包括：基于连续日期的 所述预设参数的变化趋势，确定所述历史周期节日时间区间。

在一例中，所述第二对象的日活跃用户数量预测步骤中的所述预设方 案包括：一个或多个维度的第二对象的日活跃用户数量预设值，将所述 一个或多个维度的所述预设值相加得到所述第二预测值。

在一例中，所述维度包括设备种类、投放方式、渠道中的一种或多种。

在一例中，所述第三对象的日活跃用户数量预测步骤中的所述预设函 数为：X_i＝N_i-1*R₁+N_i-2*R₂+……+N₁*R_i-1，其中X_i为所述第二对象第i天所述 第三预测值，N_i-1为第i-1天的所述第二预测值，R₁为次日留存率，R_i-1为第i-1日留存率。

在一例中，所述留存率为预测函数与非线性最小二乘法拟合得到的。

根据本发明实施例的另一个方面，提供一种日活跃用户数量预测装 置，包括第一对象的日活跃用户数量预测单元、第二对象的日活跃用户 数量预测单元、第三对象的日活跃用户数量预测单元以及日活跃用户数 量计算单元，其中，第一对象的日活跃用户数量预测单元，用于基于历 史周期的日活跃用户数量和移动节日进行计算，得到第一对象的日活跃 用户数量的第一预测值；第二对象的日活跃用户数量预测单元，用于基 于预设方案计算得到第二对象的日活跃用户数量的第二预测值；第三对 象的日活跃用户数量预测单元，用于基于所述第二预测值以及预设函数 进行计算，得到第三对象的日活跃用户数量的第三预测值；日活跃用户 数量计算单元，用于将所述第一预测值、所述第二预测值、所述第三预 测值相加，得到所述日活跃用户数量。

在一例中，第一对象的日活跃用户数量预测单元，包括：初始数据获 取模块，用于基于历史周期的日活跃用户数量，得到初始数据；调整数 据获取模块，用于基于所述历史周期的日活跃用户数量以及移动节日， 对所述初始数据进行调整，得到调整数据；第一预测值获取模块，用于 基于所述调整数据计算得到季节指数，进而得到第一对象的日活跃用户 数量的第一预测值。

在一例中，所述调整数据获取模块，具体用于：根据历史周期的日活 跃用户数量及预设参数，确定历史周期节日时间区间；基于所述历史周 期节日时间区间，确定所述初始数据调整的时间区间；根据历史周期的 日活跃用户数量以及所述初始数据，调整所述初始数据调整的时间区间 的第一对象的日活跃用户数量，得到预测周期节日数据。

在一例中，所述调整数据获取模块，具体用于：根据历史周期的日活 跃用户数量及预设参数，确定历史周期节日时间区间；基于所述历史周 期节日时间区间，确定所述初始数据调整的时间区间；基于所述历史周 期节日时间区间的日活跃用户数量，以及与所述历史周期节日时间区间 开始日或结束日相邻日期的日活跃用户数量，调整所述初始数据调整的 时间区间的第一对象的日活跃用户数量，得到预测周期节日数据。

在一例中，所述预设参数是基于历史周期的日活跃用户数量获得的； 所述调整数据获取模块，包括预设参数获取子模块，所述预设参数获取 子模块用于：对包括历史周期节日的预设时间内的日活跃用户数量进行 加和，得到历史周期数据；将所述历史周期数据除以所述预设时间，获 得平均历史周期数据；将预设时间内的第一对象的日活跃用户数量分别 除以所述平均历史周期数据，得到所述预设参数。

在一例中，所述预设参数获取子模块，还用于：基于连续日期的所述 预设参数的变化趋势，确定所述历史周期节日时间区间。

在一例中，所述预设方案包括：一个或多个维度的第二对象的日活跃 用户数量预设值；所述第二对象的日活跃用户数量预测单元，用于将所 述一个或多个维度的所述预设值相加得到所述第二预测值。

在一例中，所述维度包括设备种类、投放方式、渠道中的一种或多种。

在一例中，所述预设函数为：X_i＝N_i-1*R₁+N_i-2*R₂+……+N₁*R_i-1，其中X_i为所述第二对象第i天所述第三预测值，N_i-1为第i-1天的所述第二预测 值，R₁为次日留存率，R_i-1为第i-1日留存率。

在一例中，所述留存率为预测函数与非线性最小二乘法拟合得到的。

根据本发明实施例的另一方面，提供一种电子设备，其中，包括： 存储器，用于存储计算机程序；处理器，用于执行所述存储器中存储的 计算机程序，且所述计算机程序被执行时，实现上述任一实施例所述的 方法。

根据本发明实施例的另一方面，提供一种计算机可读存储介质，存 储有计算机程序，其中，所述计算机程序被处理器执行时，实现上述任 一实施例所述的方法。

基于本发明实施例提供的日活跃用户数量预测方法及装置、电子设 备、计算机可读存储介质，通过将第一对象的日活跃用户数量、第二对 象的日活跃用户数量、第三对象的日活跃用户数量相加得到日活跃用户 数量，使日活跃用户数量具有较高的准确性，尤其是受节日影响较大的 日活跃用户数量的预测。

附图说明

通过参考附图阅读下文的详细描述，本发明实施方式的上述以及其 他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性 的方式示出了本发明的若干实施方式，其中：

图1示出了本发明的日活跃用户数量预测方法的一些实施例的流程 示意图；

图2示出了本发明的日活跃用户数量预测方法图1所示实施例的另 一流程示意图；

图3示出了本发明的日活跃用户数量预测方法另一些实施例的流程 示意图；

图4示出了本发明的日活跃用户数量预测方法另一些实施例的流程 示意图；

图5示出了本发明的日活跃用户数量预测装置的一些实施例的结构 示意图；

图6示出了本发明的日活跃用户数量预测装置另一些实施例的结构 示意图；

图7示出了本发明的日活跃用户数量预测装置另一些实施例的结构 示意图；

图8示出了本发明实施例电子设备一个应用实施例的结构示意图。

在附图中，相同或对应的标号表示相同或对应的部分。

具体实施方式

下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理 解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实 现本发明，而并非以任何方式限制本发明的范围。

需要注意，虽然本文中使用“第一”、“第二”等表述来描述本发明的 实施方式的不同模块、步骤和数据等，但是“第一”、“第二”等表述仅是 为了在不同的模块、步骤和数据等之间进行区分，而并不表示特定的顺序或 者重要程度。实际上，“第一”、“第二”等表述完全可以互换使用。

图1示出了本发明的日活跃用户数量预测方法的一些实施例的流程 示意图，图2示出了本发明的日活跃用户数量预测方法图1所示实施例的 另一流程示意图；如图1与图2所示，本实施例的方法包括：第一对象的 日活跃用户数量预测步骤10、第二对象的日活跃用户数量预测步骤20、 第三对象的日活跃用户数量预测步骤30、日活跃用户数量计算步骤40。 以下结合图1与图2对本实施例的方法进行详细说明。

本实施例的方法适用于网站、互联网应用或网络游戏的用户在未来某 天的活跃用户数量的预测。例如用户在某天的某网站进行了注册，获得 账号并用该账号登陆了网站，该用户行为可作为网站在当天日活跃用户 数量的一部分。用户该日之后的某天用注册的账号登陆该网站，记做当 天网站日活跃用户量的一部分。以上日活跃用户量的方式同样适用于互 联网应用或网络游戏的日活跃用户量。

第一对象的日活跃用户数量预测步骤10，其中，第一对象的日活跃 用户数量预测步骤10，包括：初始数据获取步骤101、调整数据获取步 骤102、第一预测值获取步骤103。

本实施例中第一对象可以是老用户，本实施例中老用户可以定义为： 在预测周期之前已经被作为日活跃用户数量一部分的用户，可以是网站、 互联网应用或网络游戏在预测周期之前已经注册并登录过的用户。老用 户的动作符合一定的规律，可以根据老用户的活跃规律来预测该部分的 用户在未来一段时间(预测周期)内的活跃动作，对于预测周期内的活 跃用户数量有一定的贡献。例如，2017年首日已经存在的老用户的活跃 数量，作为既有数据，对2018年日活跃用户量进行预测，其大致与2017 年老用户活跃规律相同。也就是说，对于2018年老用户日活跃用户数量， 可以采用2017年相应日期的数据进行预测。

需要理解的是，该部分老用户为2018年之前已经存在的用户，即预 测周期首日之前已存在的用户。若老用户数量为千万级或者亿级，其在 网站、互联网应用或网络游戏的2018年日活跃用户数量的预测中占有较 高的比例，所以，针对老用户部分的日活跃用户数量预测不可忽视。

通过针对老用户部分的日活跃用户数量的预测可得到预测日活跃用 户数量的第一预测值，该第一预测值为网站、互联网应用或网络游戏的 预测日活跃用户数量中的一部分。

第二对象的日活跃用户数量预测步骤20，基于预设方案计算得到第 二对象的日活跃用户数量的第二预测值。

本实施例中第二对象可以是网站、互联网应用或网络游戏的计划新增 数量。该计划新增数量可以包括根据历史数据中相应时间段内新增数量， 预测得出的第一部分，以及根据网站、互联网应用或网络游戏的推广策 略达到的新增数量的第二部分，第一部分与第二部分的总和即为预测周 期内新增数量。例如，通过运营策略的投入后预估可以在2018年1月1 日增加的新活跃用户可以达到100万，那么2018年1月1日的计划新增 活跃用户数量即为100万。本实施例中的预设方案可以包括历史数据以 及推广策略等多方面的因素，还可以包括其他有利于新增数量的方案， 本实施例在此不再一一列举。

通过针对计划新增部分的日活跃用户数量的预测可得到预测日活跃 用户数量的第二预测值，该第二预测值为网站、互联网应用或网络游戏 的预测日活跃用户数量中的一部分。

第三对象的日活跃用户数量预测步骤30，基于第二预测值以及预设 函数进行计算，得到第三对象的日活跃用户数量的第三预测值。

本实施例中的第三对象可以是网站、互联网应用或网络游戏的新增留 存量。对预测周期的新增留存量进行预测，是基于预测的日期之前每日 的第二预测值，即计划新增数量，再根据新增用户衰减之后的数值，累 加得到该日的第三预测值，即新增留存量。以预测2018年为例，计算2018 年2月1日的第三预测值，首先得到2018年1月1日至1月31日这31 天的每天计划新增量，2月1日的新增留存量就是1月的这31天每天新 增用户衰减之后的数量再累加得到的数值，即第三预测值。。

日活跃用户数量计算步骤40，将第一预测值、第二预测值、第三预 测值相加，得到日活跃用户数量。本实施例中，将老用户的日活跃用户 数量、计划新增量、新增留存量进行相加，得到预测周期的日活跃用户 数量。

在一例中，第一对象的日活跃用户数量预测步骤10，包括：初始数 据获取步骤101，基于历史周期的日活跃用户数量，得到初始数据。对于 老用户的活动，具有一定的规律，在无干扰的影响下，预测周期中的日 活跃用户数量可根据历史周期数据得到一初始数据，该初始数据可以是 与历史周期中的日活跃用户数量相同的数据，也可以是根据经验稍作改 动之后的数据。例如，选取某网站、互联网应用或网络游戏产品周期第 一天(如2018.1.1)之前的用户在整个周期内(如2017全年)的活跃情 况，作为历史数据去预估下一年度(2018年)的老用户日活跃数量，2017 年的日活跃用户数量可以作为2018年的老用户日活跃数量的初始数据。

调整数据获取步骤102，基于历史周期的日活跃用户数量以及移动节 日，对初始数据进行调整，得到调整数据。

对于受到节日影响较大的网站、互联网应用或网络游戏，例如旅游类 网站、旅游类应用等，若2018年的节日与2017年的节日处于相同的日 期，即固定节日，2018年相应部分可以按照2017年的用户日活跃数量进 行预测。但2018年的部分节日为移动节日，例如依据农历制定的节日， 每年的日期不完全相同，对应的初始数据不可完全按照2017年的日活跃 用户数量进行预测，需要对此类节日部分的初始数据进行调整，以得到 更准确的预测结果。

本实施例中，预测周期的老用户日活跃数量基于历史周期的用户日活 跃数量以及移动节日，对初始数据进行调整，得到调整数据。调整后的 数据可根据预测周期内的移动节日具体情况，对预测周期的老用户日活 跃数量进行更准确的预测。

第一预测值获取步骤103，基于调整数据计算得到季节指数，进而得 到第一对象的日活跃用户数量的第一预测值。

本实施例中季节指数可以是以年为时间单位的全年季节指数，也可以 是预设时间段内的时间段季节指数。例如通过对全年的调整数据进行加 和之后得到的总和，除以全年天数，求得初始数据的均值。再用调整数 据分别除以该均值，得到全年季节指数。再根据该全年季节指数得到老 用户的日活跃用户数量的第一预测值。通过季节指数，能够在预测的数 据中体现节日因素的影响，从而得到更准确的数值。

在一例中，可以通过基准值乘以季节指数的方式得到第一预测值。基 准值可以是预测周期首日的日活跃用户数除以该日的季节指数的值。通 过该基准值，能够更准确的预测得到第一预测值。

本实施例中第二对象的日活跃用户数量预测步骤20、第三对象的日 活跃用户数量预测步骤30可分步骤进行。第一对象的日活跃用户数量预 测步骤10、可以与第二对象的日活跃用户数量预测步骤20同时进行，也 可以与第三对象的日活跃用户数量预测步骤30同时进行本实施例中对此 无顺序限制。

基于本实施例提供的日活跃用户数预测方法，通过将第一预测值、第 二预测值、第三预测值相加得到日活跃用户数量，使日活跃用户数量具 有较高的准确性，适用于网站、互联网应用、网络游戏，尤其是受节日 影响较大的产品的日活跃用户数量的预测。

图3示出了本发明的日活跃用户数量预测方法另一些实施例的流程 示意图；如图3所示，调整数据获取步骤102，包括历史周期节日时间确 定步骤1021、预测周期节日时间调整步骤1022、预测周期节日数据调整 步骤1023，以下对本实施例的上述步骤进行详细说明。

本实施例中各步骤针对不同年度节日在不同公历日期内的情况，即移 动节日，对于例如劳动节、国庆节之类在不同年度相同公历日期内的情 况不做考虑。

历史周期节日时间确定步骤1021，根据历史周期的日活跃用户数量 及预设参数，确定历史周期节日时间区间。

本实施例中预设参数为季节指数的变形参数，如在预测周期中存在第 一节日为移动节日，第一节日不仅包括节日当天，还可以包括该节日的 法定节假日。根据历史周期的第一节日前或者第一节日后的固定天数(如 7天)，计算该段时间内的用户日活跃用户数量的总和，然后再除以该固 定天数，得到该段时间用户日活跃用户数量的均值，最后用从第一节日 前的固定天数至第一节日后的固定天数之间每一天用户日活跃用户数量 分别除以上述均值，得到每天的预设参数。

得到上述连续日期的预设参数之后，通过预设参数的变化趋势确定历 史周期节日时间区间。例如，该预设参数在第一节日内出现最大值，然 后向第一节日前、后逐渐减小，直至出现不再一直减小的预设参数出现。 上述两趋势变化改变的预设参数对应的日期之间的时间即为历史周期节 日时间区间。

预测周期节日时间调整步骤1022，基于历史周期节日时间区间，确 定初始数据调整的时间区间。

本实施例中预测周期中第一节日与历史周期中第一节日之间的差值 小于上述固定天数，即，预测周期中第一节日处于预测周期对应的历史 周期节日时间区间内。以预测周期中的第一节日，根据历史周期节日时 间区间中预测参数向前、向后趋势变化改变的天数确定初始数据调整的 时间区间。

预测周期节日数据调整步骤1023，根据历史周期的日活跃用户数量 以及初始数据，调整初始数据调整的时间区间的第一对象的日活跃用户 数量，得到预测周期节日数据。

下面参照表格以一具体实施例对上述调整数据获取步骤102进行说 明。

例如2017年清明节为2017年4月2日至2017年4月5日，其节日 时间区间为2017年3月31日至2017年4月10日，2018年的清明节为 2018年4月5日至2018年4月7日，处于3月31日至4月10日之间。 由于预设参数的变化趋势在2018年3月31日与2018年4月10日发生改 变，单调递减趋势结束，只需对2018年4月1日至2018年4月9日之间 的数据进行调整即可。其他日期的数据可以采用2017年相应日期的数据

2017年4月2日之前7日均值为265381，对2017年3月26日-4月 11日的数值除以265381，得到第三列的预设参数，其中2017年4月2 日的预设参数定为352331/265381＝1.32764214。第三列的预设参数的最 大值对应日期为2017年4月3日，单调递减的两个边界是3月31日和4 月10日，即节日前2日和节后6日，因此，确定节日时间区间为2017 年3月31日至2017年4月10日。将这一范围2017年的数据移动到2018 年清明节开始日4月5日至4月7日，其他日期的老用户日活跃数量可以 是初始数据，即2017年的数据。

在另一实施例中，预测周期节日数据调整步骤1023可以包括：基于 历史周期节日时间区间的日活跃用户数量，以及与历史周期节日时间区 间开始日或结束日相邻日期的日活跃用户数量，调整初始数据调整的时 间区间的第一对象的日活跃用户数量，得到预测周期节日数据。

在本实施例中，预测周期中第一节日与历史周期中第一节日之间的差 值大于上述固定天数，即，预测周期中第一节日处于预测周期对应的历 史周期节日时间区间外。下面以另一具体实例对本实施例的方法进行详 细说明。

若上述实施例中预测周期的第二节日与历史周期中第二节日的日期 对照相差超过上述固定天数(7天)，预设参数的计算方式不变，即在从 峰值向其中一侧不再单调减少的点至另一个点之间比例与预设参数一致。 使其他日期比例一致。如下表所示，2017春节1月27日至2月2日，2018 春节2月15日至2月21日，未重合的日期2月3日至2月14日，超过 7天，则峰值平移，计算范围仍为2017年预设参数从峰值向两侧不再单 调减少为止，其对应的日期2017年2月12日至3月1日。期中，2018 年1月25日至2月11日之间的老用户日活跃数量处理方法是：令2018 年2月11日的值等于2018年2月12日的老用户活跃数量除以2017年1月24日的预设参数，其商值再乘以2017年1月23日对应的预设参数， 且2018年1月25日至2018年2月11日的预设参数之间的比例与2018 年1月6日至2018年1月23日之间预设参数的比例相同。通过上述方式 可获得较准确的预测周期节日数据。

在另一例中，图4示出了本发明的日活跃用户数量预测方法另一些实 施例的流程示意图，如图4所示，预设参数是基于历史周期的日活跃用户 数量获得的，包括历史周期数据获取步骤50、平均历史周期数据获取步 骤60、预设参数获取步骤70。以下结合附图对本实施例的各个步骤进行 详细说明。

历史周期数据获取步骤50，对包括历史周期节日的预设时间内的日 活跃用户数量进行加和，得到历史周期数据。该历史周期数据为历史周 期节日的预设时间内老用户日活跃数量的总和。本实施例中历史周期节 日的预设时间包括历史周期中节日对应的日期与上述实施例中节日前后 的固定天数的总和，即节日天数与两倍的固定天数的总和。

平均历史周期数据获取步骤60，将历史周期数据除以预设时间，获 得平均历史周期数据；预设参数获取步骤70，将预设时间内的第一对象 的日活跃用户数量分别除以平均历史周期数据，得到预设参数。

在一例中，历史周期节日时间确定步骤，包括：基于连续日期的预设 参数的变化趋势，确定历史周期节日时间区间。预设参数的峰值(最大 值)一般出现在节日内，向节日前后的日期峰值逐渐递减，待到一定日 期逐渐递减趋势停止，峰值两侧的预设参数逐渐递减的趋势消失的两处 对应的日期为历史周期节日时间。具体实例可参考上述实施例中2017年 清明节以及春节的时间确定。

在一例中，第二对象的日活跃用户数量预测步骤中的预设方案包括： 一个或多个维度的第二对象的日活跃用户数量预设值，将一个或多个维 度的预设值相加得到第二预测值。其中，维度包括设备种类、投放方式、 渠道中的一种或多种。

本实施例中，根据渠道推广策略及预算预估全年的计划新增设备数， 可细分为不同维度。这部分数据为运营或增长策略人员进行计划并上传， 可实时修改并及时看到不同的策略或数量变化对整体活跃的影响。

计划新增数的拆分维度可选择整体(每日总新增量)、分端(IOS或 Android设备数)、不同类型的投放方式(应用商店、信息流、自然量等)、 细分的不同渠道(细分到不同媒体或代理)等。后续可根据策略实时调 整计划新增的数据，监测实时调整后的新增计划对预测活跃用户数的影 响。拆分为不同维度是为了更加准确地确定各自维度的数值变化。

在一例中，第三对象的日活跃用户数量预测步骤中的预设函数为： X_i＝N_i-1*R₁+N_i-2*R₂+……+N₁*R_i-1，其中X_i为第二对象第i天第三预测值，N_i-1为第i-1天的第二预测值，R₁为次日留存率，R_i-1为第i-1日留存率。

在一具体实施方式中，在所选的渠道维度或新增分类维度下，进行 留存率的预估。如分端的维度下，需对Android和IOS的新增留存率分 别进行预测，然后按照累计留存率公式分别计算的新增留存量加和。分 渠道、投放方式等维度以此类推，在此不再一一阐述，但不影响本领域 技术人员对分渠道、投放方式等维度的新增留存量计算的理解。

本实施例中，留存率采用如下方式预测得到：选取并调用预测函数。 预测函数为自定义乘幂函数，其中，最基本的结构如y＝a*x^b，也可调整 并验证对于目标产品准确率更高的函数结构，在此不再一一列举。使用 非线性最小二乘法拟合。

在该预估维度下，使用预测周期前7日留存率数据即可估计预测周 期首日在选取的维度下新增设备的留存率曲线。从7日起每日更新数据参 数，累计数据越多对留存率的估计逐渐精准。也可以使用预测周期前30 日或前180日预测周期首日在选取的维度下新增设备的留存率曲线。其 中新增后30日留存数据拟合的曲线比新增后7天的留存拟合曲线去预估 180天的留存更加精准。在无留存数据或新增不足7日的情况下，使用历 史数据的参数进行拟合。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步 骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算 机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步 骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储 程序代码的介质。

图5示出了本发明的日活跃用户数量预测装置的一些实施例的结构 示意图，如图5所示，本公开实施例还提供一种日活跃用户数量预测装置， 包括第一对象的日活跃用户数量预测单元1、第二对象的日活跃用户数量 预测单元2、第三对象的日活跃用户数量预测单元3以及日活跃用户数量 计算单元4，其中，第一对象的日活跃用户数量预测单元1用于基于历史 周期的日活跃用户数量和移动节日进行计算，得到第一对象的日活跃用 户数量的第一预测值；第二对象的日活跃用户数量预测单元2用于基于预 设方案计算得到第二对象的日活跃用户数量的第二预测值；第三对象的 日活跃用户数量预测单元3用于基于第二预测值以及预设函数进行计算， 得到第三对象的日活跃用户数量的第三预测值；日活跃用户数量计算单 元4用于将第一预测值、第二预测值、第三预测值相加，得到日活跃用户 数量。

本实施例中第一对象可以是老用户，本实施例中老用户可以定义为： 在预测周期之前已经被作为日活跃用户数量一部分的用户，可以是网站、 互联网应用或网络游戏在预测周期之前已经注册并登录过的用户。老用 户的动作符合一定的规律，可以根据老用户的活跃规律来预测该部分的 用户在未来一段时间(预测周期)内的活跃动作，对于预测周期内的活 跃用户数量有一定的贡献。例如，2017年首日已经存在的老用户的活跃 数量，作为既有数据，对2018年的日活跃用户量进行预测，其大致与2017 年老用户的活跃规律相同。也就是说，对于2018年老用户日活跃用户数 量，可以采用2017年相应日期的数据进行预测。

需要理解的是，该部分老用户为2018年之前已经存在的用户，即预 测周期首日之前已存在的用户。若老用户数量为千万级或者亿级，其在 网站、互联网应用或网络游戏的2018年日活跃用户数量的预测中占有较 高的比例，所以，针对老用户部分的日活跃用户数量预测不可忽视。

通过针对老用户部分的日活跃用户数量的预测可得到预测日活跃用 户数量的第一预测值，该第一预测值为网站、互联网应用或网络游戏的 预测日活跃用户数量中的一部分。

第二对象的日活跃用户数量预测单元2基于预设方案计算得到第二 对象的日活跃用户数量的第二预测值。本实施例中第二对象可以是网站、 互联网应用或网络游戏的计划新增数量。该计划新增数量可以包括根据 历史数据中相应时间段内新增数量，预测得出的第一部分，以及根据网 站、互联网应用或网络游戏的推广策略达到的新增数量的第二部分，第 一部分与第二部分的总和即为预测周期内新增数量。例如，通过运营策 略的投入后预估可以在2018年1月1日增加的新活跃用户可以达到100 万，那么2018年1月1日的计划新增活跃用户数量即为100万。本实施 例中的预设方案可以包括历史数据以及推广策略等多方面的因素，还可 以包括其他有利于新增数量的方案，本实施例在此不再一一列举。

通过针对计划新增部分的日活跃用户数量的预测可得到预测日活跃 用户数量的第二预测值，该第二预测值为网站、互联网应用或网络游戏 的预测日活跃用户数量中的一部分。

第三对象的日活跃用户数量预测单元3基于第二预测值以及预设函 数进行计算，得到第三对象的日活跃用户数量的第三预测值。在一些具 体实施方式中，预设函数为：X_i＝N_i-1*R₁+N_i-2*R₂+……+N₁*R_i-1，其中X_i为第 二对象第i天第三预测值，N_i-1为第i-1天的第二预测值，R₁为次日留存 率，R_i-1为第i-1日留存率。

本实施例的日活跃用户数量预测装置还设置有日活跃用户数量计算 单元4，该日活跃用户数量计算单元4将第一预测值、第二预测值、第三 预测值相加，得到日活跃用户数量。

本实施例中，第一对象的日活跃用户数量预测单元1、第二对象的日 活跃用户数量预测单元2、第三对象的日活跃用户数量预测单元3分别通 信连接日活跃用户数量计算单元4。由于第三对象的日活跃用户数量的第 三预测值是基于第二预测值以及预设函数进行计算得的，所以第二对象 的日活跃用户数量预测单元2、第三对象的日活跃用户数量预测单元3通 信连接。

本实施例的日活跃用户数量预测装置通过设置第一对象的日活跃用 户数量预测单元1、第二对象的日活跃用户数量预测单元2、第三对象的 日活跃用户数量预测单元3，将老用户的日活跃数量、计划新增数量、新 增留存量均列入日活跃用户数量预测的范围内，最终通过日活跃用户数 量计算单元4将上述三类数据相加，得到预测日当天的日活跃用户数量。 使日活跃用户数量具有较高的准确性，尤其是受节日影响较大的日活跃 用户数量的预测。

图6示出了本发明的日活跃用户数量预测装置另一些实施例的结构 示意图，如图6所示，在一些实施例中，第一对象的日活跃用户数量预测 单元1，包括初始数据获取模块11、调整数据获取模块12、第一预测值 获取模块13，其中，初始数据获取模块11用于基于历史周期的日活跃用 户数量，得到初始数据；调整数据获取模块12用于基于历史周期的日活跃用户数量以及移动节日，对初始数据进行调整，得到调整数据；第一 预测值获取模块13用于基于调整数据计算得到季节指数，进而得到第一 对象的日活跃用户数量的第一预测值。

本实施例中，第一对象，即老用户，的活动，具有一定的规律，在无 干扰的影响下，预测周期中的日活跃用户数量可根据历史周期数据得到 一初始数据，该初始数据可以是与历史周期中的日活跃用户数量相同的 数据，也可以是根据经验稍作改动之后的数据。在一具体实例中，选取 某网站、互联网应用或网络游戏产品周期第一天(如2018.1.1)之前的用户在整个周期内(如2017全年)的活跃情况，作为历史数据去预估下 一年度(2018年)的老用户日活跃数量，2017年的日活跃用户数量可以 作为2018年的老用户日活跃数量的初始数据。

对于受到节日影响较大的网站、互联网应用或网络游戏，例如旅游类 网站、旅游类应用等，若2018年的部分节日为移动节日，例如依据农历 制定的节日，每年的日期不完全相同，对应的初始数据不可完全按照2017 年的日活跃用户数量进行预测，需要对此类节日部分的初始数据进行调 整，以得到更准确的预测结果。

预测周期的老用户日活跃数量基于历史周期的用户日活跃数量以及 移动节日，对初始数据进行调整，得到调整数据。调整后的数据可根据 预测周期内的移动节日具体情况，对预测周期的老用户日活跃数量进行 更准确的预测。

本实施例中季节指数可以是以年为时间单位的全年季节指数，也可以 是预设时间段内的时间段季节指数。例如通过对全年的调整数据进行加 和之后得到的总和，除以全年天数，求得初始数据的均值。再用调整数 据分别除以该均值，得到全年季节指数。再根据该全年季节指数得到老 用户的日活跃用户数量的第一预测值。通过季节指数，能够在预测的数 据中体现节日因素的影响，从而得到更准确的数值。

在一例中，可以通过基准值乘以季节指数的方式得到第一预测值。基 准值可以是预测周期首日的日活跃用户数除以该日的季节指数的值。通 过该基准值，能够更准确的预测得到第一预测值。

在一些实施例中，调整数据获取模块12具体用于：根据历史周期的 日活跃用户数量及预设参数，确定历史周期节日时间区间；基于历史周 期节日时间区间，确定初始数据调整的时间区间；根据历史周期的日活 跃用户数量以及初始数据，调整初始数据调整的时间区间的第一对象的 日活跃用户数量，得到预测周期节日数据。调整数据获取模块12具体用 于：根据历史周期的日活跃用户数量及预设参数，确定历史周期节日时 间区间；基于历史周期节日时间区间，确定初始数据调整的时间区间； 基于历史周期节日时间区间的日活跃用户数量，以及与历史周期节日时 间区间开始日或结束日相邻日期的日活跃用户数量，调整初始数据调整 的时间区间的第一对象的日活跃用户数量，得到预测周期节日数据。

本实施例中调整数据获取模块12通过基于移动节日调整预测周期内 的老用户的日活跃数量，可有效将节日影响这一因素考虑到预测周期老 用户日活跃数量的预测中，避免了受节日影响较大的网站、互联网应用 或网络游戏在预测老用户日活跃数量的过程中，由于受到节日影响造成 的预测结果不准确的弊端。

图7示出了本发明的日活跃用户数量预测装置另一些实施例的结构 示意图，如图7所示，在一些实施例中，预设参数是基于历史周期的日活 跃用户数量获得的；调整数据获取模块12，包括预设参数获取子模块121， 预设参数获取子模块121用于：对包括历史周期节日的预设时间内的日 活跃用户数量进行加和，得到历史周期数据；将历史周期数据除以预设 时间，获得平均历史周期数据；将预设时间内的第一对象的日活跃用户 数量分别除以平均历史周期数据，得到预设参数。

在一例中，以旅游类网站、互联网应用为例，分析用户旅行行为和浏 览行为，用户节日前后在网站、互联网应用或网络游戏的活跃度呈现波 峰的趋势，为了保证趋势的完整性，需要获取节日前后的数据。通过在 预设时间，节前7天或节后7天，的数据来计算预设参数，使老用户活跃 量在预测周期内的数据更准确。当然，预设时间也可以是8天、15天、 30天等的数据，在此不限于7天。

在一些实施例中，预设参数获取子模块121还用于：基于连续日期的 预设参数的变化趋势，确定历史周期节日时间区间。得到上述连续日期 的预设参数之后，通过预设参数的变化趋势确定历史周期节日时间区间。 例如，该预设参数在第一节日内出现最大值，然后向第一节日前、后逐 渐减小，直至出现不再一直减小的预设参数出现。上述两趋势变化改变 的预设参数对应的日期之间的时间即为历史周期节日时间区间。

在一些实施例中，预设方案包括：一个或多个维度的第二对象的日活 跃用户数量预设值；第二对象的日活跃用户数量预测单元2用于将一个或 多个维度的预设值相加得到第二预测值。

在一具体实施方式中，根据渠道推广策略及预算预估全年的计划新增 量，该计划新增量可细分为不同的维度。计划新增量为运营或增长策略 人员进行计划并上传到第二对象的日活跃用户数量预测单元2中，并且该 计划新增量可实时修改，通过实施修改计划新增量可及时看到不同的策 略或数量变化对整体活跃数量预测的影响

计划新增量的拆分维度可选择整体，如每日总新增量。分端(IOS或 Android的设备数)、不同类型的投放方式(应用商店、信息流、自然量 等)、细分的不同渠道(细分到不同媒体或代理)等。后续可根据策略 实时调整计划新增量的数据，监测对预测活跃用户数的影响。

本实施例中通过将计划新增量拆分为不同维度，其实为了更加准确地 确定各自维度的数值变化。维度包括设备种类、投放方式、渠道中的一 种或多种。每天的计划新增数根据渠道表现、预期效果和预算情况均可 调节，更快的观察新增和策略变更给全年平均活跃情况带来的影响。该 模型为动态模型，随着策略及投放力度的变更，可以调整后续所有的预 测值，及时了解全年KPI的完成情况、拆分哪些部分需要进行调整。

在一些实施例中，留存率为预测函数与非线性最小二乘法拟合得到 的。其中，预测函数为自定义乘幂函数，最基本的结构如y＝a*x^b，也可 调整并验证对于目标产品准确率更高的函数结构。使用非线性最小二乘 法，一种统计学通用拟合方式，进行拟合。在该预估维度下，使用前7 日留存率数据即可估计该日该维度新增设备的留存率曲线，从7日起每日 更新数据参数，累计数据越多对留存率的估计逐渐精准(新增后30日留 存数据拟合的曲线比新增后7天的留存拟合曲线去预估180天的留存更 加精准)。在无留存数据或新增不足7日的情况下，使用历史数据的参数 进行拟合。

图8为本发明实施例电子设备一个应用实施例的结构示意图。下面参 考图8，其示出了适于用来实现本申请实施例的终端设备或服务器的电子 设备的结构示意图。如图8所示，该电子设备包括存储器，用于存储计算 机程序以及一个或多个处理器，用于执行存储器中存储的计算机程序。 在一例中，存储器可以是只读存储器(ROM)和/或随机访问存储器(RAM)。 在一例中，一个或多个处理器可以是一个或多个中央处理单元(CPU)， 和/或一个或多个图像处理器(GPU)等，处理器可以根据存储在ROM中 的可执行指令或者从存储部分加载到RAM中的可执行指令而执行各种适 当的动作和处理。在一例中，电子设备还可以包括通信部，通信部可包 括但不限于网卡，网卡可包括但不限于IB(Infiniband)网卡，处理器 可与ROM和/或RAM中通信以执行可执行指令，通过总线与通信部相连、 并经通信部与其他目标设备通信，从而完成本申请实施例提供的任一方 法对应的操作，例如，第一对象的日活跃用户数量预测步骤，基于历史 周期的日活跃用户数量和移动节日进行计算，得到第一对象的日活跃用 户数量的第一预测值；第二对象的日活跃用户数量预测步骤，基于预设方案计算得到第二对象的日活跃用户数量的第二预测值；第三对象的日 活跃用户数量预测步骤，基于第二预测值以及预设函数进行计算，得到 第三对象的日活跃用户数量的第三预测值；日活跃用户数量计算步骤， 将第一预测值、第二预测值、第三预测值相加，得到日活跃用户数量。

此外，在RAM中，还可存储有装置操作所需的各种程序和数据。CPU、 ROM以及RAM通过总线彼此相连。在有RAM的情况下，ROM为可选模块。 RAM存储可执行指令，或在运行时向ROM中写入可执行指令，可执行指令 使处理器执行本发明上述任一方法对应的操作。输入/输出(I/O)接口 也连接至总线。通信部可以集成设置，也可以设置为具有多个子模块(例如多个IB网卡)，并在总线链接上。

以下部件连接至I/O接口：包括键盘、鼠标等的输入部分；包括诸如 阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分； 包括硬盘等的存储部分；以及包括诸如LAN卡、调制解调器等的网络接 口卡的通信部分。通信部分经由诸如因特网的网络执行通信处理。驱动 器也根据需要连接至I/O接口。可拆卸介质，诸如磁盘、光盘、磁光盘、 半导体存储器等等，根据需要安装在驱动器上，以便于从其上读出的计 算机程序根据需要被安装入存储部分。

需要说明的，如图8所示的架构仅为一种可选实现方式，在具体实践 过程中，可根据实际需要对上述图8的部件数量和类型进行选择、删减、 增加或替换；在不同功能部件设置上，也可采用分离设置或集成设置等 实现方式，例如GPU和CPU可分离设置或者可将GPU集成在CPU上，通 信部可分离设置，也可集成设置在CPU或GPU上，等等。这些可替换的 实施方式均落入本发明公开的保护范围。

在一个或多个可选实施方式中，本公开实施例还提供了一种计算机可 读存储介质，用于存储计算机可读指令，该指令被执行时使得计算机执 行上述任一可能的实现方式中的日活跃用户数量预测方法。在另一个可 选例子中，该计算机程序产品具体体现为软件产品，例如软件开发包 (Software Development Kit，SDK)等等。

尽管在附图中以特定的顺序描述操作，但是不应将其理解为要求按照 所示的特定顺序或是串行顺序来执行这些操作，或是要求执行全部所示 的操作以得到期望的结果。在特定环境中，多任务和并行处理可能是有 利的。

本发明的方法和装置能够利用标准编程技术来完成，利用基于规则的 逻辑或者其他逻辑来实现各种方法步骤。还应当注意的是，此处以及权 利要求书中使用的词语“装置”和“模块”意在包括使用一行或者多行 软件代码的实现和/或硬件实现和/或用于接收输入的设备。

此处描述的任何步骤、操作或程序可以使用单独的或与其他设备组合 的一个或多个硬件或软件模块来执行或实现。在一个实施方式中，软件 模块使用包括包含计算机程序代码的计算机可读介质的计算机程序产品 实现，其能够由计算机处理器执行用于执行任何或全部的所描述的步骤、 操作或程序。

出于示例和描述的目的，已经给出了本发明实施的前述说明。前述说 明并非是穷举性的也并非要将本发明限制到所公开的确切形式，根据上 述教导还可能存在各种变形和修改，或者是可能从本发明的实践中得到 各种变形和修改。选择和描述这些实施例是为了说明本发明的原理及其 实际应用，以使得本领域的技术人员能够以适合于构思的特定用途来以 各种实施方式和各种修改而利用本发明。

Claims (10)

1.一种日活跃用户数量预测方法，其中，包括：第一对象的日活跃用户数量预测步骤、第二对象的日活跃用户数量预测步骤、第三对象的日活跃用户数量预测步骤、日活跃用户数量计算步骤，其中，

所述第一对象的日活跃用户数量预测步骤，基于历史周期的日活跃用户数量和移动节日进行计算，得到第一对象的日活跃用户数量的第一预测值；

所述第二对象的日活跃用户数量预测步骤，基于预设方案计算得到第二对象的日活跃用户数量的第二预测值；

所述第三对象的日活跃用户数量预测步骤，基于所述第二预测值以及预设函数进行计算，得到第三对象的日活跃用户数量的第三预测值；

所述日活跃用户数量计算步骤，将所述第一预测值、所述第二预测值、所述第三预测值相加，得到所述日活跃用户数量。

2.根据权利要求1所述的方法，其中，所述第一对象的日活跃用户数量预测步骤，包括：

初始数据获取步骤，基于历史周期的日活跃用户数量，得到初始数据；

调整数据获取步骤，基于所述历史周期的日活跃用户数量以及移动节日，对所述初始数据进行调整，得到调整数据；

第一预测值获取步骤，基于所述调整数据计算得到季节指数，进而得到第一对象的日活跃用户数量的第一预测值。

3.根据权利要求2所述的方法，其中，所述调整数据获取步骤，包括：

历史周期节日时间确定步骤，根据历史周期的日活跃用户数量及预设参数，确定历史周期节日时间区间；

预测周期节日时间调整步骤，基于所述历史周期节日时间区间，确定所述初始数据调整的时间区间；

预测周期节日数据调整步骤，根据历史周期的日活跃用户数量以及所述初始数据，调整所述初始数据调整的时间区间的第一对象的日活跃用户数量，得到预测周期节日数据。

4.根据权利要求2所述的方法，其中，所述调整数据获取步骤，包括：

历史周期节日时间确定步骤，根据历史周期的日活跃用户数量及预设参数，确定历史周期节日时间区间；

预测周期节日时间调整步骤，基于所述历史周期节日时间区间，确定所述初始数据调整的时间区间；

预测周期节日数据调整步骤，基于所述历史周期节日时间区间的日活跃用户数量，以及与所述历史周期节日时间区间开始日或结束日相邻日期的日活跃用户数量，调整所述初始数据调整的时间区间的第一对象的日活跃用户数量，得到预测周期节日数据。

5.根据权利要求3或4所述的方法，其中，所述预设参数是基于历史周期的日活跃用户数量获得的，包括：

历史周期数据获取步骤，对包括历史周期节日的预设时间内的日活跃用户数量进行加和，得到历史周期数据；

平均历史周期数据获取步骤，将所述历史周期数据除以所述预设时间，获得平均历史周期数据；

预设参数获取步骤，将预设时间内的第一对象的日活跃用户数量分别除以所述平均历史周期数据，得到所述预设参数。

6.根据权利要求5所述的方法，其中，所述历史周期节日时间确定步骤，包括：

基于连续日期的所述预设参数的变化趋势，确定所述历史周期节日时间区间。

7.根据权利要求1所述的方法，其中，所述第二对象的日活跃用户数量预测步骤中的所述预设方案包括：一个或多个维度的第二对象的日活跃用户数量预设值，将所述一个或多个维度的所述预设值相加得到所述第二预测值。

8.根据权利要求7所述的方法，其中，所述维度包括设备种类、投放方式、渠道中的一种或多种。

9.根据权利要求1所述的方法，其中，所述第三对象的日活跃用户数量预测步骤中的所述预设函数为：X_i＝N_i-1*R₁+N_i-2*R₂+……+N₁*R_i-1，其中X_i为所述第二对象第i天所述第三预测值，N_i-1为第i-1天的所述第二预测值，R₁为次日留存率，R_i-1为第i-1日留存率。

10.一种日活跃用户数量预测装置，其中，包括第一对象的日活跃用户数量预测单元、第二对象的日活跃用户数量预测单元、第三对象的日活跃用户数量预测单元以及日活跃用户数量计算单元，其中，

第一对象的日活跃用户数量预测单元，用于基于历史周期的日活跃用户数量和移动节日进行计算，得到第一对象的日活跃用户数量的第一预测值；

第二对象的日活跃用户数量预测单元，用于基于预设方案计算得到第二对象的日活跃用户数量的第二预测值；

第三对象的日活跃用户数量预测单元，用于基于所述第二预测值以及预设函数进行计算，得到第三对象的日活跃用户数量的第三预测值；

日活跃用户数量计算单元，用于将所述第一预测值、所述第二预测值、所述第三预测值相加，得到所述日活跃用户数量。