CN110009429A - 一种预测流量数据的方法、装置和计算机设备 - Google Patents
一种预测流量数据的方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN110009429A CN110009429A CN201910286207.2A CN201910286207A CN110009429A CN 110009429 A CN110009429 A CN 110009429A CN 201910286207 A CN201910286207 A CN 201910286207A CN 110009429 A CN110009429 A CN 110009429A
- Authority
- CN
- China
- Prior art keywords
- data
- historical
- prediction model
- flow
- parameter
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012549 training Methods 0.000 claims description 43
- 238000004590 computer program Methods 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 abstract description 2
- 230000004907 flux Effects 0.000 abstract 3
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 101100134058 Caenorhabditis elegans nth-1 gene Proteins 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q30/0203—Market surveys; Market polls
-
- 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
-
- 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
- G06Q30/0277—Online advertisement
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Game Theory and Decision Science (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)
Abstract
本发明公开了一种预测流量数据的方法、装置和计算机设备，涉及计算机测试技术领域，包括：首先获取各历史单位时间的历史投放数据以及历史流量数据，基于历史投放数据，计算至少一种输入参数，其中输入参数用于表示历史投放数据的特征，基于历史流量数据，计算至少一种参考输出参数，其中参考输出参数用于表示历史流量数据的特征，基于计算出的输入参数以及参考输出参数，对流量预测模型进行训练，得到训练好的流量预测模型，然后将获取单位时间的计划投放数据输入预先训练好的流量预测模型，得到计划投放数据对应的预测流量数据，以提高用户流量数据的预测精准度。
Description
技术领域
本发明涉及计算机测试技术领域，尤其是涉及一种预测流量数据的方法、装置和计算机设备。
背景技术
目前，现有的车辆投放市场，根据预设投放周期(例如，以日或月为投放周期)内统计市场流量数据以及广告投放成本进行预测下一预设周期的用户流量数据。例如，对独立用户数据进行统计时，一般是根据该待投放广告计划成本相对于当前预设投放周期内的已投放广告成本的增减比率，确定该预设投放周期内的用户流量相对于该当前预设投放周期内对应的用户流量的增减比率，两者近似为线性关系。
但该流量预测方法，由于广告进行投放后，对流量的影响会存在延迟现象，比如持续保持高投放时，日均独立用户数的增长率并不会持续维持高水平，而在投放下降时，流量上的影响也会稍有延迟，而且由于边际效应的存在，高投放时的减少投放量，其影响力弱于低投放时的减少投放量，因此，基于当前预设投放周期内对应的用户流量，以及下一预设投放周期内的待投放广告成本相对于当前预设投放周期内的已投放广告成本的增减比率，预测下一预设投放周期内的用户流量，预测的精度较低，从而影响广告投放市场的优化效率。
发明内容
有鉴于此，本发明的目的在于提供一种预测流量数据的方法、装置和计算机设备，以提高用户流量数据的预测精准度。
第一方面，本发明实施例提供了一种预测流量数据的方法，包括：
获取单位时间的计划投放数据；
将所述计划投放数据输入预先训练好的流量预测模型，得到所述计划投放数据对应的预测流量数据，其中，通过如下步骤得到训练好的流量预测模型：
获取各历史单位时间的历史投放数据以及历史流量数据；
基于所述历史投放数据，计算至少一种输入参数，其中所述输入参数用于表示所述历史投放数据的特征，基于所述历史流量数据，计算至少一种参考输出参数，其中所述参考输出参数用于表示所述历史流量数据的特征，基于计算出的所述输入参数以及参考输出参数，对所述流量预测模型进行训练，得到所述训练好的流量预测模型。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述基于计算出的所述输入参数以及参考输出参数，对所述流量预测模型进行训练，包括：
确定预测模型的参数组合，其中，所述参数组合包括任意一种所述输入参数，和任意一种所述参考输出参数，针对每一种参数组合，执行以下操作：
将所述参数组合的输入参数输入至待训练的预测模型中，得到预测结果；
将所述预测结果与所述参数组合中的参考输出参数进行比较，确定本次训练的准确率；
当所述准确率不满足预设条件时，调整所述预测模型的模型参数，并重复执行上述操作，直至确定出的准确率满足所述预设条件。
结合第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述基于计算出的所述输入参数以及参考输出参数，对所述流量预测模型进行训练，得到所述训练好的流量预测模型，包括：
针对每一种参数组合所训练出的预测模型，计算每一种预测模型的预测输出与所述参考输出参数之间的拟合度；
将所述拟合度满足预设条件的预测模型确定为训练好的流量预测模型。
结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，所述输入参数计算方法包括以下方法中的至少一种：
针对第N个月以及第N-1个月的历史投放数据，确定所述历史投放数据的较大值；
计算第N个月以及第N-1个月的历史投放数据相减后的结果与所述较大值的比值；或者，
分别计算第N个月、第N-1个月以及第N-2个月的历史投放数据与预设权重的乘积，并将乘积进行求和运算，其中N为大于2的正整数。
结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，所述流量预测模型包括二手车流量预测模型以及新车流量预测模型，所述基于计算出的所述输入参数以及参考输出参数，对所述流量预测模型进行训练，包括：
对获取的所述历史投放数据进行分类，得到二手车历史投放数据以及新车历史投放数据；
对获取的所述历史流量数据进行分类，得到二手车历史流量数据以及新车历史流量数据；
基于所述二手车历史投放数据，计算至少一种输入参数，其中所述输入参数用于表示所述二手车历史投放数据的特征，基于所述二手车历史流量数据，计算至少一种参考输出参数，其中所述参考输出参数用于表示所述二手车历史流量数据的特征，基于计算出的所述输入参数以及参考输出参数，对所述二手车流量预测模型进行训练；
基于所述新车历史投放数据，计算至少一种输入参数，其中所述输入参数用于表示所述新车历史投放数据的特征，基于所述新车历史流量数据，计算至少一种参考输出参数，其中所述参考输出参数用于表示所述新车历史流量数据的特征，基于计算出的所述输入参数以及参考输出参数，对所述新车流量预测模型进行训练。
第二方面，本发明实施例还提供一种预测流量数据的装置，包括：
第一获取模块，用于获取单位时间的计划投放数据；
第一确定模块，用于将所述计划投放数据输入预先训练好的流量预测模型，得到所述计划投放数据对应的预测流量数据；
第二获取模块，用于获取各历史单位时间的历史投放数据以及历史流量数据；
第二确定模块，用于基于所述历史投放数据，计算至少一种输入参数，其中所述输入参数用于表示所述历史投放数据的特征，基于所述历史流量数据，计算至少一种参考输出参数，其中所述参考输出参数用于表示所述历史流量数据的特征，基于计算出的所述输入参数以及参考输出参数，对所述流量预测模型进行训练，得到所述训练好的流量预测模型。
结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方式，其中，所述第二确定模块中，所述基于计算出的所述输入参数以及参考输出参数，对所述流量预测模型进行训练，包括：
第三确定模块，用于确定预测模型的参数组合，其中，所述参数组合包括任意一种所述输入参数，和任意一种所述参考输出参数，针对每一种参数组合，执行以下操作：
将所述参数组合的输入参数输入至待训练的预测模型中，得到预测结果；
将所述预测结果与所述参数组合中的参考输出参数进行比较，确定本次训练的准确率；
当所述准确率不满足预设条件时，调整所述预测模型的模型参数，并重复执行上述操作，直至确定出的准确率满足所述预设条件。
结合第二方面，本发明实施例提供了第二方面的第二种可能的实施方式，其中，所述流量预测模型包括二手车流量预测模型以及新车流量预测模型，所述第二确定模块中，所述基于计算出的所述输入参数以及参考输出参数，对所述流量预测模型进行训练，具体用于：
对获取的所述历史投放数据进行分类，得到二手车历史投放数据以及新车历史投放数据；
对获取的所述历史流量数据进行分类，得到二手车历史流量数据以及新车历史流量数据；
基于所述二手车历史投放数据，计算至少一种输入参数，其中所述输入参数用于表示所述二手车历史投放数据的特征，基于所述二手车历史流量数据，计算至少一种参考输出参数，其中所述参考输出参数用于表示所述二手车历史流量数据的特征，基于计算出的所述输入参数以及参考输出参数，对所述二手车流量预测模型进行训练；
基于所述新车历史投放数据，计算至少一种输入参数，其中所述输入参数用于表示所述新车历史投放数据的特征，基于所述新车历史流量数据，计算至少一种参考输出参数，其中所述参考输出参数用于表示所述新车历史流量数据的特征，基于计算出的所述输入参数以及参考输出参数，对所述新车流量预测模型进行训练。
第三方面，本发明实施例提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
第四方面，本发明实施例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上存储有计算机程序，所述计算机程序被处理器运行时执行上述方法的步骤。
本发明实施例提供的预测流量数据的方法，首先基于获取的历史投放数据，计算至少一种输入参数，基于获取的历史流量数据，计算至少一种参考输出参数，然后根据计算出的输入参数以及参考输出参数，对流量预测模型进行训练，得到训练好的流量预测模型，再将获取单位时间的计划投放数据输入预先训练好的流量预测模型，得到计划投放数据对应的预测流量数据，避免在广告进行投放时，流量存在延迟现象，通过这种方法可以提高用户流量数据的预测精准度。
本发明的其他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，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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预测流量数据的方法流程图；
图2为本发明实施例提供的一种预测模型的方法流程图；
图3为本发明实施例提供的又一种预测流量数据的方法流程图；
图4为本发明实施例提供的一种视频流量预测的示意图；
图5为本发明实施例提供的一种视频流量预测结果对比的示意图；
图6为本发明实施例提供的一种非视频流量预测的示意图；
图7为本发明实施例提供的一种非视频流量预测结果对比的示意图；
图8为本发明实施例提供的一种预测流量数据的装置结构示意图；
图9为本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
目前对车辆市场广告的投放计划是根据历史广告投放经验确定预计广告的投放计划，不能准确预测广告投放对用户流量数据的影响，从而不能确定预计广告投放的成本计划，基于此，本发明实施例提供的一种预测流量数据的方法、装置和计算机设备，可以提高对用户流量数据预测的准确度。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种预测流量数据的方法进行详细介绍。
图1为本发明实施例提供的一种预测流量数据的方法流程图，如图1所示，所述方法可以包括如下步骤：
101，获取各历史单位时间的历史投放数据以及历史流量数据；
具体的，例如新车和二手车网站的流量数据是不同的，客户需求也是不同的，在统计车辆预计投放成本时，需要将目标流量(例如新车或者二手车)进行分类后，分别进行预测。
102，基于历史投放数据，计算至少一种输入参数，基于历史流量数据，计算至少一种参考输出参数，基于计算出的输入参数以及参考输出参数，对所述流量预测模型进行训练，得到所述训练好的流量预测模型。
具体的，输入参数用于表示历史投放数据的特征，参考输出参数用于表示历史流量数据的特征。
其中，基于计算出的输入参数以及参考输出参数，对流量预测模型进行训练，包括：
确定预测模型的参数组合，参数组合包括任意一种输入参数，和任意一种参考输出参数，针对每一种参数组合，如图2所示，执行如下步骤：
201，将参数组合的输入参数输入至待训练的预测模型中，得到预测结果。
示例性的，根据历史单位时间的历史投放数据计算输入参数包括投放系数和相对投放系数以及滑动平均投放系数，根据历史单位时间的历史流量数据计算参考输出参数包括流量的增长率以及流量的一阶差分。
一种可能的实施例中，针对第N个月以及第N-1个月的历史投放数据，确定所述历史投放数据的较大值，计算第N个月以及第N-1个月的历史投放数据相减后的结果与所述较大值的比值，得到相对投放系数，其中N为大于1的正整数。
一种可能的实施例中，分别计算第N个月、第N-1个月以及第N-2个月的历史投放数据与预设权重的乘积，并将乘积进行求和运算，得到滑动平均系数，其中N为大于2的正整数。
例如，假设第m月的投放成本为A，第(m-1)月的投放成本为B，第(m-2)月的投放成本为C,那么第m月的投放系数x1＝(A-B)/A,第m月的相对投放系数x2＝(A-B)/max(A,B),第m月的滑动平均投放系数x3＝k1*A+k2*B+k3*C,且k1+k2+k3＝1。假设第m月的流量数据值为u1，(m+1)月的流量数据值为u2，那么第m月的流量数据值y1＝u1，第m月的流量增长率y2＝(u2-u1)/u1,第m月的流量一阶差分y3＝(u2-u1)。
202，将预测结果与参数组合中的参考输出参数进行比较，确定本次训练的准确率。
203，当准确率不满足预设条件时，调整预测模型的模型参数，并重复执行上述操作，直至确定出的准确率满足预设条件。
示例性的，当准确率不满足预设的准确率条件时，调整模型参数，使得准确率满足预设的准确率条件，预设的准确率条件根据实际应用场景中的数据进行调整。
一种可能的实施例中，针对每一种参数组合所训练出的预测模型，计算每一种预测模型的预测输出与参考输出参数之间的拟合度，将拟合度满足预设条件的预测模型确定为训练好的流量预测模型。
为了更详细的了解本申请的预测过程，如图3所示，图3示出了本申请实施例提供的又一种预测流量数据的方法流程图，其中流量预测模型包括二手车流量预测模型以及新车流量预测模型，预测过程具体包括：
301，对获取的所述历史投放数据进行分类，得到二手车历史投放数据以及新车历史投放数据；
302，对获取的所述历史流量数据进行分类，得到二手车历史流量数据以及新车历史流量数据；
303，基于所述二手车历史投放数据，计算至少一种输入参数作为所述二手车流量预测模型的输入，基于所述二手车历史投放数据对应的二手车历史流量数据，计算至少一种参考输出参数作为所述二手车流量预测模型的输出，对所述二手车流量预测模型进行训练；
其中，二手车流量预测模型包括：二手车视频流量预测模型以及二手车非视频流量预测模型，具体包括：
对获取的二手车历史投放数据进行分类，得到二手车视频历史投放数据以及二手车非视频历史投放数据；
对获取的二手车历史流量数据进行分类，得到二手车视频历史流量数据以及二手车非视频历史流量数据；
基于二手车视频历史投放数据，计算至少一种输入参数作为二手车视频流量预测模型的输入，基于二手车视频历史投放数据对应的二手车视频历史流量数据，计算至少一种参考输入参数作为二手车视频流量预测模型的输出，对二手车视频流量预测模型进行训练；
示例性的，依据二手车视频历史投放数据计算投放系数、相对投放系数和滑动平均投放系数，二手车视频流量预测模型可以包括：第一模型、第二模型以及第三模型，具体包括：
以投放系数作为第一模型的输入，以投放系数对应的二手车视频历史流量数据作为第一模型的输出，对第一模型进行训练并获取第一模型的训练精度；
以相对投放系数作为第二模型的输入，以相对投放系数对应的二手车视频历史流量数据作为第二模型的输出，对第二模型进行训练并获取第二模型的训练精度；
以滑动平均投放系数作为第三模型的输入，以滑动平均投放系数对应的二手车视频历史流量数据作为第三模型的输出，对第三模型进行训练并获取第三模型的训练精度；
具体的，假设二手车视频历史流量数据中第m月的投放成本为A，第(m-1)月的投放成本为B，第(m-2)月的投放成本为C,那么第m月的投放系数x1＝(A-B)/A,第m月的相对投放系数x2＝(A-B)/max(A,B),第m月的滑动平均投放系数x3＝k1*A+k2*B+k3*C,且k1+k2+k3＝1。
假设二手车视频历史流量数据值为y1，那么该流量数据值y1的流量增长率为y2，流量一阶差分为y3，假设第m月的流量数据值为u1，第(m+1)月的流量数据值为u2，第(m+2)月的流量数据值为u3，那么第m月的流量数据值y1＝u1，第m月的流量增长率y2＝(u2-u1)/u1,第m月的流量一阶差分y3＝(u2-u1)。
历史流量数据可以分别包括流量数据值、流量增长率和流量一阶差分。
例如，二手车历史投放数据中的投放系数、相对投放系数和滑动平均投放系数分别作为视频流量预测模型以及非视频流量预测模型的输入，二手车历史投放数据对应的历史流量数据中的流量数据值、流量增长率和流量一阶差分分别作为视频流量预测模型以及非视频流量预测模型的输出，对流量预测模型进行训练，共可以得到18组训练好的流量预测模型，其中视频流量预测模型有9组，非视频流量预测模型有9组。
示例性的，基于二手车非视频历史投放数据，计算输入参数作为二手车非视频流量预测模型的输入，基于二手车非视频历史投放数据对应的二手车非视频历史流量数据，计算参考输出参数作为二手车非视频流量预测模型的输出，对二手车非视频流量预测模型进行训练。
具体的，例如，假设第m月的投放成本为A，第(m-1)月的投放成本为B，第(m-2)月的投放成本为C,那么第m月的投放系数x1＝(A-B)/A,第m月的相对投放系数x2＝(A-B)/max(A,B),第m月的滑动平均投放系数x3＝k1*A+k2*B+k3*C,且k1+k2+k3＝1。
假设非视频播放网站中投放广告后的流量数据值为y,1，那么该流量数据值y,1的流量增长率为y,2，流量一阶差分为y,3，假设第m月的流量数据值为u,1，(m+1)月的流量数据值为u,2，(m+2)月的流量数据值为u,3，那么第m月的流量数据值y,1＝u,1，第m月的流量增长率y,2＝(u,2-u,1)/u,1,第m月的流量一阶差分y,3＝(u,2-u,1)。
二手车非视频流量预测模型与视频流量预测模型的训练过程是相同的，在此将不再赘述。
304，基于所述新车历史投放数据，计算至少一种输入参数作为所述新车流量预测模型的输入，基于所述新车历史投放数据对应的新车历史流量数据，计算至少一种参考输出参数作为所述新车流量预测模型的输出，对所述新车流量预测模型进行训练。
新车流量预测模型与二手车流量预测模型的训练过程是相同的，在此将不再赘述。
103，获取单位时间的计划投放数据；
具体的，通过上述步骤得到训练好的预测模型，获得计划投放数据，并将计划投放数据分为二手车和新车的计划投放数据。
104，将所述计划投放数据输入预先训练好的流量预测模型，得到所述计划投放数据对应的预测流量数据。
具体的，将获取的二手车或者新车的计划投放数据输入到对应的预先训练好的流量预测模型，得到计划投放数据对应的预测流量数据。
例如，如图4所示，2018年上半年新车的视频流量预测中流量数值与投放系数的关系是y＝711033x-47161,拟合度为0.9905，如图5所示，示出了上述视频流量预测模型中输出的预测值与参考输出参数的实际值对比，因此在确定2018年上半年新车的视频流量预测模型时应该选取投放数据的投放系数作为模型的输入值进行预测。
如图6所示，2018年上半年新车的非视频流量预测中流量数值与相对投放系数的关系是y＝131170x+29873,拟合度为0.818，如图7所示，示出了上述非视频流量预测模型中输出的预测值与参考输出参数的实际值对比，因此在确定2018年上半年新车的非视频流量预测模型时应该选取投放数据的相对投放系数作为模型的输入值进行预测。
如图8所示，本申请实施例提供了一种预测流量数据的装置，包括：
第一获取模块801，用于获取单位时间的计划投放数据；
第一确定模块802，用于将所述计划投放数据输入预先训练好的流量预测模型，得到所述计划投放数据对应的预测流量数据；
第二获取模块803，用于获取各历史单位时间的历史投放数据以及历史流量数据；
第二确定模块804，用于基于所述历史投放数据，计算至少一种输入参数，其中所述输入参数用于表示所述历史投放数据的特征，基于所述历史流量数据，计算至少一种参考输出参数，其中所述参考输出参数用于表示所述历史流量数据的特征，基于计算出的所述输入参数以及参考输出参数，对所述流量预测模型进行训练，得到所述训练好的流量预测模型。
可选地，所述第二确定模块804中，所述基于计算出的所述输入参数以及参考输出参数，对所述流量预测模型进行训练，包括：
第三确定模块，用于确定预测模型的参数组合，其中，所述参数组合包括任意一种所述输入参数，和任意一种所述参考输出参数，针对每一种参数组合，执行以下操作：
将所述参数组合的输入参数输入至待训练的预测模型中，得到预测结果；
将所述预测结果与所述参数组合中的参考输出参数进行比较，确定本次训练的准确率；
当所述准确率不满足预设条件时，调整所述预测模型的模型参数，并重复执行上述操作，直至确定出的准确率满足所述预设条件。
可选地，所述第二确定模块804中，所述基于计算出的所述输入参数以及参考输出参数，对所述流量预测模型进行训练，得到所述训练好的流量预测模型，用于：
针对每一种参数组合所训练出的预测模型，计算每一种预测模型的预测输出与所述参考输出参数之间的拟合度；
将所述拟合度满足预设条件的预测模型确定为训练好的流量预测模型。
可选地，所述第二确定模块804中，所述输入参数计算方法包括以下方法中的至少一种：
针对第N个月以及第N-1个月的历史投放数据，确定所述历史投放数据的较大值；
计算第N个月以及第N-1个月的历史投放数据相减后的结果与所述较大值的比值；或者，
分别计算第N个月、第N-1个月以及第N-2个月的历史投放数据与预设权重的乘积，并将乘积进行求和运算，其中N为大于2的正整数。
可选地，流量预测模型包括二手车流量预测模型以及新车流量预测模型，所述第二确定模块804中，所述基于计算出的所述输入参数以及参考输出参数，对所述流量预测模型进行训练，具体用于：
对获取的所述历史投放数据进行分类，得到二手车历史投放数据以及新车历史投放数据；
对获取的所述历史流量数据进行分类，得到二手车历史流量数据以及新车历史流量数据；
基于所述二手车历史投放数据，计算至少一种输入参数，其中所述输入参数用于表示所述二手车历史投放数据的特征，基于所述二手车历史流量数据，计算至少一种参考输出参数，其中所述参考输出参数用于表示所述二手车历史流量数据的特征，基于计算出的所述输入参数以及参考输出参数，对所述二手车流量预测模型进行训练；
基于所述新车历史投放数据，计算至少一种输入参数，其中所述输入参数用于表示所述新车历史投放数据的特征，基于所述新车历史流量数据，计算至少一种参考输出参数，其中所述参考输出参数用于表示所述新车历史流量数据的特征，基于计算出的所述输入参数以及参考输出参数，对所述新车流量预测模型进行训练。
对应于图1中的预测流量数据的方法，本申请实施例还提供了一种计算机设备900，如图9所示，该设备包括存储器901、处理器902及存储在该存储器901上并可在该处理器902上运行的计算机程序，其中，上述处理器902执行上述计算机程序时实现上述预测流量数据的方法。
具体地，上述存储器901和处理器902能够为通用的存储器和处理器，这里不做具体限定，当处理器902运行存储器901存储的计算机程序时，能够执行上述预测流量数据的方法，解决了现有技术中预测精准度低的问题，其中，本申请通过获取各历史单位时间的历史投放数据以及历史流量数据，基于历史投放数据，计算至少一种输入参数，其中输入参数用于表示历史投放数据的特征，基于历史流量数据，计算至少一种参考输出参数，其中参考输出参数用于表示历史流量数据的特征，基于计算出的输入参数以及参考输出参数，对流量预测模型进行训练，得到训练好的流量预测模型，然后将获取单位时间的计划投放数据输入预先训练好的流量预测模型，得到计划投放数据对应的预测流量数据，以提高用户流量数据的预测精准度。
对应于图1中的预测流量数据的方法，本申请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上存储有计算机程序，该计算机程序被处理器运行时执行上述预测流量数据的方法的步骤。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述预测流量数据的方法，解决了现有技术中预测精准度低的问题，其中，本申请通过获取各历史单位时间的历史投放数据以及历史流量数据，基于历史投放数据，计算至少一种输入参数，其中输入参数用于表示历史投放数据的特征，基于历史流量数据，计算至少一种参考输出参数，其中参考输出参数用于表示历史流量数据的特征，基于计算出的输入参数以及参考输出参数，对流量预测模型进行训练，得到训练好的流量预测模型，然后将获取单位时间的计划投放数据输入预先训练好的流量预测模型，得到计划投放数据对应的预测流量数据，以提高用户流量数据的预测精准度。
本发明实施例所提供的进行预测流量数据的方法的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
本发明实施例所提供的预测流量数据的装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的系统、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种预测流量数据的方法，其特征在于，包括：
获取单位时间的计划投放数据；
将所述计划投放数据输入预先训练好的流量预测模型，得到所述计划投放数据对应的预测流量数据，其中，通过如下步骤得到训练好的流量预测模型：
获取各历史单位时间的历史投放数据以及历史流量数据；
基于所述历史投放数据，计算至少一种输入参数，其中所述输入参数用于表示所述历史投放数据的特征，基于所述历史流量数据，计算至少一种参考输出参数，其中所述参考输出参数用于表示所述历史流量数据的特征，基于计算出的所述输入参数以及参考输出参数，对所述流量预测模型进行训练，得到所述训练好的流量预测模型。
2.根据权利要求1所述的方法，其特征在于，所述基于计算出的所述输入参数以及参考输出参数，对所述流量预测模型进行训练，包括：
确定预测模型的参数组合，其中，所述参数组合包括任意一种所述输入参数，和任意一种所述参考输出参数，针对每一种参数组合，执行以下操作：
将所述参数组合的输入参数输入至待训练的预测模型中，得到预测结果；
将所述预测结果与所述参数组合中的参考输出参数进行比较，确定本次训练的准确率；
当所述准确率不满足预设条件时，调整所述预测模型的模型参数，并重复执行上述操作，直至确定出的准确率满足所述预设条件。
3.根据权利要求2所述的方法，其特征在于，所述基于计算出的所述输入参数以及参考输出参数，对所述流量预测模型进行训练，得到所述训练好的流量预测模型，包括：
针对每一种参数组合所训练出的预测模型，计算每一种预测模型的预测输出与所述参考输出参数之间的拟合度；
将所述拟合度满足预设条件的预测模型确定为训练好的流量预测模型。
4.根据权利要求1所述的方法，其特征在于，所述输入参数计算方法包括以下方法中的至少一种：
针对第N个月以及第N-1个月的历史投放数据，确定所述历史投放数据的较大值；
计算第N个月以及第N-1个月的历史投放数据相减后的结果与所述较大值的比值；或者，
分别计算第N个月、第N-1个月以及第N-2个月的历史投放数据与预设权重的乘积，并将乘积进行求和运算，其中N为大于2的正整数。
5.根据权利要求1所述的方法，其特征在于，所述流量预测模型包括二手车流量预测模型以及新车流量预测模型，所述基于计算出的所述输入参数以及参考输出参数，对所述流量预测模型进行训练，包括：
对获取的所述历史投放数据进行分类，得到二手车历史投放数据以及新车历史投放数据；
对获取的所述历史流量数据进行分类，得到二手车历史流量数据以及新车历史流量数据；
基于所述二手车历史投放数据，计算至少一种输入参数，其中所述输入参数用于表示所述二手车历史投放数据的特征，基于所述二手车历史流量数据，计算至少一种参考输出参数，其中所述参考输出参数用于表示所述二手车历史流量数据的特征，基于计算出的所述输入参数以及参考输出参数，对所述二手车流量预测模型进行训练；
基于所述新车历史投放数据，计算至少一种输入参数，其中所述输入参数用于表示所述新车历史投放数据的特征，基于所述新车历史流量数据，计算至少一种参考输出参数，其中所述参考输出参数用于表示所述新车历史流量数据的特征，基于计算出的所述输入参数以及参考输出参数，对所述新车流量预测模型进行训练。
6.一种预测流量数据的装置，其特征在于，包括：
第一获取模块，用于获取单位时间的计划投放数据；
第一确定模块，用于将所述计划投放数据输入预先训练好的流量预测模型，得到所述计划投放数据对应的预测流量数据；
第二获取模块，用于获取各历史单位时间的历史投放数据以及历史流量数据；
第二确定模块，用于基于所述历史投放数据，计算至少一种输入参数，其中所述输入参数用于表示所述历史投放数据的特征，基于所述历史流量数据，计算至少一种参考输出参数，其中所述参考输出参数用于表示所述历史流量数据的特征，基于计算出的所述输入参数以及参考输出参数，对所述流量预测模型进行训练，得到所述训练好的流量预测模型。
7.根据权利要求6所述的装置，其特征在于，所述第二确定模块中，所述基于计算出的所述输入参数以及参考输出参数，对所述流量预测模型进行训练，包括：
第三确定模块，用于确定预测模型的参数组合，其中，所述参数组合包括任意一种所述输入参数，和任意一种所述参考输出参数，针对每一种参数组合，执行以下操作：
将所述参数组合的输入参数输入至待训练的预测模型中，得到预测结果；
将所述预测结果与所述参数组合中的参考输出参数进行比较，确定本次训练的准确率；
当所述准确率不满足预设条件时，调整所述预测模型的模型参数，并重复执行上述操作，直至确定出的准确率满足所述预设条件。
8.根据权利要求6所述的装置，其特征在于，所述流量预测模型包括二手车流量预测模型以及新车流量预测模型，所述第二确定模块中，所述基于计算出的所述输入参数以及参考输出参数，对所述流量预测模型进行训练，具体用于：
对获取的所述历史投放数据进行分类，得到二手车历史投放数据以及新车历史投放数据；
对获取的所述历史流量数据进行分类，得到二手车历史流量数据以及新车历史流量数据；
基于所述二手车历史投放数据，计算至少一种输入参数，其中所述输入参数用于表示所述二手车历史投放数据的特征，基于所述二手车历史流量数据，计算至少一种参考输出参数，其中所述参考输出参数用于表示所述二手车历史流量数据的特征，基于计算出的所述输入参数以及参考输出参数，对所述二手车流量预测模型进行训练；
基于所述新车历史投放数据，计算至少一种输入参数，其中所述输入参数用于表示所述新车历史投放数据的特征，基于所述新车历史流量数据，计算至少一种参考输出参数，其中所述参考输出参数用于表示所述新车历史流量数据的特征，基于计算出的所述输入参数以及参考输出参数，对所述新车流量预测模型进行训练。
9.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述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上述权利要求1-5中任一项所述的方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质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运行时执行上述权利要求1-5中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910286207.2A CN110009429B (zh) | 2019-04-10 | 2019-04-10 | 一种预测流量数据的方法、装置和计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910286207.2A CN110009429B (zh) | 2019-04-10 | 2019-04-10 | 一种预测流量数据的方法、装置和计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110009429A true CN110009429A (zh) | 2019-07-12 |
| CN110009429B CN110009429B (zh) | 2021-04-16 |
Family
ID=67170932
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910286207.2A Active CN110009429B (zh) | 2019-04-10 | 2019-04-10 | 一种预测流量数据的方法、装置和计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110009429B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110830313A (zh) * | 2019-12-16 | 2020-02-21 | 广州品唯软件有限公司 | 压测流量模型的生成方法、装置和可读存储介质 |
| CN111062746A (zh) * | 2019-12-06 | 2020-04-24 | 微梦创科网络科技（中国）有限公司 | 广告流量预估方法、装置及电子设备 |
| CN111951557A (zh) * | 2020-08-21 | 2020-11-17 | 成都工业学院 | 一种基于车联网大数据的区域短时交通流预测方法及系统 |
| CN112418930A (zh) * | 2020-11-23 | 2021-02-26 | 恩亿科(北京)数据科技有限公司 | 一种测试方法、系统及计算机设备 |
| CN113055923A (zh) * | 2019-12-27 | 2021-06-29 | 中国移动通信集团湖南有限公司 | 移动网络流量预测方法、装置及设备 |
| CN113313316A (zh) * | 2021-06-11 | 2021-08-27 | 北京明略昭辉科技有限公司 | 预测数据的输出方法及装置、存储介质、电子设备 |
| CN113556253A (zh) * | 2021-07-30 | 2021-10-26 | 济南浪潮数据技术有限公司 | 预测交换机端口实时流量的方法、系统、设备和存储介质 |
| CN116739643A (zh) * | 2023-06-29 | 2023-09-12 | 杭州面朝信息科技有限公司 | 数据处理方法、装置、电子设备和可读存储介质 |
| CN117896319A (zh) * | 2024-03-05 | 2024-04-16 | 南京海汇装备科技有限公司 | 一种基于大数据的数据流量管控方法及系统 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107124320A (zh) * | 2017-06-30 | 2017-09-01 | 北京金山安全软件有限公司 | 流量数据的监控方法、装置及服务器 |
| US20180137412A1 (en) * | 2016-11-16 | 2018-05-17 | Cisco Technology, Inc. | Network traffic prediction using long short term memory neural networks |
| 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 |
| CN108776852A (zh) * | 2018-06-22 | 2018-11-09 | 北京京东金融科技控股有限公司 | 无桩车辆调度方法和系统 |
| CN108900546A (zh) * | 2018-08-13 | 2018-11-27 | 杭州安恒信息技术股份有限公司 | 基于lstm的时间序列网络异常检测的方法与装置 |
| CN109166309A (zh) * | 2018-08-06 | 2019-01-08 | 重庆邮电大学 | 一种面向复杂城市交通网络的缺失流量数据恢复方法 |
| CN109300310A (zh) * | 2018-11-26 | 2019-02-01 | 平安科技（深圳）有限公司 | 一种车流量预测方法及装置 |
| CN109308543A (zh) * | 2018-08-20 | 2019-02-05 | 华南理工大学 | 基于ls-svm和实时大数据的地铁短期客流预测方法 |
| CN109379240A (zh) * | 2018-12-25 | 2019-02-22 | 湖北亿咖通科技有限公司 | 车联网流量预测模型构建方法、装置和电子设备 |
| CN109410581A (zh) * | 2018-11-16 | 2019-03-01 | 浙江海洋大学 | 基于小波神经网络的交通流预测方法 |
| CN109559512A (zh) * | 2018-12-05 | 2019-04-02 | 北京掌行通信息技术有限公司 | 一种区域交通流量预测方法及装置 |
| CN109559147A (zh) * | 2018-10-11 | 2019-04-02 | 北京奇虎科技有限公司 | 广告流量的预估方法、装置、服务器及可读存储介质 |
| CN109598935A (zh) * | 2018-12-14 | 2019-04-09 | 银江股份有限公司 | 一种基于超长时间序列的交通数据预测方法 |
-
2019
- 2019-04-10 CN CN201910286207.2A patent/CN110009429B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180137412A1 (en) * | 2016-11-16 | 2018-05-17 | Cisco Technology, Inc. | Network traffic prediction using long short term memory neural networks |
| 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 |
| CN107124320A (zh) * | 2017-06-30 | 2017-09-01 | 北京金山安全软件有限公司 | 流量数据的监控方法、装置及服务器 |
| CN108776852A (zh) * | 2018-06-22 | 2018-11-09 | 北京京东金融科技控股有限公司 | 无桩车辆调度方法和系统 |
| CN109166309A (zh) * | 2018-08-06 | 2019-01-08 | 重庆邮电大学 | 一种面向复杂城市交通网络的缺失流量数据恢复方法 |
| CN108900546A (zh) * | 2018-08-13 | 2018-11-27 | 杭州安恒信息技术股份有限公司 | 基于lstm的时间序列网络异常检测的方法与装置 |
| CN109308543A (zh) * | 2018-08-20 | 2019-02-05 | 华南理工大学 | 基于ls-svm和实时大数据的地铁短期客流预测方法 |
| CN109559147A (zh) * | 2018-10-11 | 2019-04-02 | 北京奇虎科技有限公司 | 广告流量的预估方法、装置、服务器及可读存储介质 |
| CN109410581A (zh) * | 2018-11-16 | 2019-03-01 | 浙江海洋大学 | 基于小波神经网络的交通流预测方法 |
| CN109300310A (zh) * | 2018-11-26 | 2019-02-01 | 平安科技（深圳）有限公司 | 一种车流量预测方法及装置 |
| CN109559512A (zh) * | 2018-12-05 | 2019-04-02 | 北京掌行通信息技术有限公司 | 一种区域交通流量预测方法及装置 |
| CN109598935A (zh) * | 2018-12-14 | 2019-04-09 | 银江股份有限公司 | 一种基于超长时间序列的交通数据预测方法 |
| CN109379240A (zh) * | 2018-12-25 | 2019-02-22 | 湖北亿咖通科技有限公司 | 车联网流量预测模型构建方法、装置和电子设备 |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111062746A (zh) * | 2019-12-06 | 2020-04-24 | 微梦创科网络科技（中国）有限公司 | 广告流量预估方法、装置及电子设备 |
| CN110830313A (zh) * | 2019-12-16 | 2020-02-21 | 广州品唯软件有限公司 | 压测流量模型的生成方法、装置和可读存储介质 |
| CN113055923A (zh) * | 2019-12-27 | 2021-06-29 | 中国移动通信集团湖南有限公司 | 移动网络流量预测方法、装置及设备 |
| CN113055923B (zh) * | 2019-12-27 | 2022-06-17 | 中国移动通信集团湖南有限公司 | 移动网络流量预测方法、装置及设备 |
| CN111951557A (zh) * | 2020-08-21 | 2020-11-17 | 成都工业学院 | 一种基于车联网大数据的区域短时交通流预测方法及系统 |
| CN111951557B (zh) * | 2020-08-21 | 2022-05-24 | 成都工业学院 | 一种基于车联网大数据的区域短时交通流预测方法及系统 |
| CN112418930B (zh) * | 2020-11-23 | 2024-02-27 | 恩亿科(北京)数据科技有限公司 | 一种测试方法、系统及计算机设备 |
| CN112418930A (zh) * | 2020-11-23 | 2021-02-26 | 恩亿科(北京)数据科技有限公司 | 一种测试方法、系统及计算机设备 |
| CN113313316A (zh) * | 2021-06-11 | 2021-08-27 | 北京明略昭辉科技有限公司 | 预测数据的输出方法及装置、存储介质、电子设备 |
| CN113556253A (zh) * | 2021-07-30 | 2021-10-26 | 济南浪潮数据技术有限公司 | 预测交换机端口实时流量的方法、系统、设备和存储介质 |
| CN113556253B (zh) * | 2021-07-30 | 2023-05-26 | 济南浪潮数据技术有限公司 | 预测交换机端口实时流量的方法、系统、设备和存储介质 |
| CN116739643A (zh) * | 2023-06-29 | 2023-09-12 | 杭州面朝信息科技有限公司 | 数据处理方法、装置、电子设备和可读存储介质 |
| CN117896319A (zh) * | 2024-03-05 | 2024-04-16 | 南京海汇装备科技有限公司 | 一种基于大数据的数据流量管控方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110009429B (zh) | 2021-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110009429B (zh) | 一种预测流量数据的方法、装置和计算机设备 | |
| US9002774B2 (en) | Systems and methods for generating a forecasting model and forecasting future values | |
| US10474957B2 (en) | Method and apparatus for forecasting characteristic information change | |
| CN108256893A (zh) | 广告投放效果的分析方法及装置 | |
| CN108009862B (zh) | 一种广告费用余额预警的方法及装置 | |
| CN112183818A (zh) | 一种推荐概率预测方法、装置、电子设备及存储介质 | |
| CN107026892B (zh) | 消息推荐方法和装置 | |
| CN107845016B (zh) | 信息输出方法和装置 | |
| CN107958297B (zh) | 一种产品需求预测方法及产品需求预测装置 | |
| CN112215546B (zh) | 一种对象页面生成方法、装置、设备及存储介质 | |
| CN108416619B (zh) | 一种消费间隔时间预测方法、装置及可读存储介质 | |
| CN109978583A (zh) | 一种广告投放的控制方法及装置 | |
| WO2010057265A1 (en) | A system for providing information concerning the effectiveness of advertising | |
| CN110046928A (zh) | 确定标签的方法、装置、电子设备及可读存储介质 | |
| CN110782291A (zh) | 广告投放用户确定方法及装置、存储介质及电子装置 | |
| CN110766184A (zh) | 订单量预测方法和装置 | |
| CN112669091A (zh) | 数据处理方法、装置及存储介质 | |
| CN111062746A (zh) | 广告流量预估方法、装置及电子设备 | |
| CN109615132A (zh) | 区域配送压力的确定方法、装置、电子设备及存储介质 | |
| CN109102141A (zh) | 一种服务水平评分方法和装置 | |
| CN109377273B (zh) | 广告投放方法、装置以及计算机可读存储介质 | |
| CN109145207B (zh) | 一种基于分类指标预测的信息个性化推荐方法及装置 | |
| CN112528549A (zh) | 确定任务激励参数的方法、装置、电子设备及存储介质 | |
| CN108399549B (zh) | 一种业务对象的投放方法和装置 | |
| CN110956297A (zh) | 一种流失概率的预测处理方法及装置 |
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 |