CN110956505A - 一种广告库存的预估方法以及相关装置 - Google Patents

Abstract

本申请公开了一种广告库存的预估方法以及相关装置，通过获取目标广告的投放时间以及至少一个受众定向确定的目标条件特征；然后根据该投放时间确定训练集；并根据该训练集对第一神经网络模型进行训练，以得到第二神经网络模型；进而将该目标条件特征输入该第二神经网络模型，以得到该目标广告的广告库存。从而实现了广告库存的预估，由于训练集的采集是基于相近时间进行的选择，提高了训练集的代表性，减少了由于流量数据波动引起的广告库存预估偏差，提高了广告库存预估的准确性。

Description

一种广告库存的预估方法以及相关装置

技术领域

本申请涉及计算机技术领域，尤其涉及一种广告库存的预估方法以及相关装置。

背景技术

随着移动终端相关技术的发展，越来越多的智能设备出现在人们的生活中，其中，通过智能设备进行广告推送是一种常见的场景，广告主会根据自身需求对流量方提出请求，以对目标广告进行曝光宣传，然而流量方往往有一定的流量限额，即广告库存，因而需要对广告库存进行预估以提供相应的广告推送服务。

一般，广告库存的预估是使用过去的历史信息直接平移到未来的某一天，当做未来的曝光情况；比如使用过去几天的数据直接平移到未来的一段时间，即对于广告库存的预估是采用历史数据的趋势而得。

但是，采用历史数据预估的前提是假设曝光的情况天与天之间没有差别，但是现实是不可能满足这种假设的，在一般场景中，目标广告的曝光场景的条件特征是波动的，这会造成流量的不稳定性，因而采用历史数据预估不能很好的匹配流量的波动，影响广告库存预估的准确性。

发明内容

有鉴于此，本申请提供一种广告库存预估的方法，可以有效减少由于流量波动造成的广告库存预估的误差，提高广告库存预估的准确性。

本申请一方面提供一种广告库存预估的方法，可以应用于用于广告推荐或流量统计的系统或程序中，具体包括：获取目标广告的投放时间以及目标条件特征，所述目标条件特征基于所述目标广告的至少一个受众定向设定；

根据所述投放时间确定训练集，所述训练集用于指示不同投放时间下条件特征与流量请求数据的对应关系，所述流量请求数据基于广告库存设定；

根据所述训练集对第一神经网络模型进行训练，以得到第二神经网络模型；

将所述目标条件特征输入所述第二神经网络模型，以得到所述目标广告的广告库存。

本申请一方面提供一种广告库存预估的装置，包括：获取单元，用于获取目标广告的投放时间以及目标条件特征，所述条件特征基于所述目标广告的至少一个受众定向设定；

确定单元，用于根据所述投放时间确定训练集，所述训练集用于指示不同投放时间下条件特征与流量请求数据的对应关系，所述流量请求数据基于广告库存设定；

训练单元，用于根据所述训练集对第一神经网络模型进行训练，以得到第二神经网络模型；

预估单元，用于将所述目标条件特征输入所述第二神经网络模型，以得到所述目标广告的广告库存。

可选的，在本申请一些可能的实现方式中，所述第一神经网络模型为卷积神经网络，所述训练单元，用于根据所述训练集进行第一卷积操作，以得到第一参数，所述第一卷积操作为一维卷积，所述一维卷积中的卷积核基于时间序列进行移动；

所述训练单元，用于根据所述第一参数对所述第一神经网络模型的参数进行优化，以得到第二神经网络模型。

可选的，在本申请一些可能的实现方式中，所述训练单元，用于根据所述第一参数对应的模型进行至少两次第二卷积操作，以得到第二参数，所述第二卷积操作为带洞卷积；

所述训练单元，用于根据所述第二参数对所述第一神经网络模型的参数进行优化，以得到第二神经网络模型。

可选的，在本申请一些可能的实现方式中，所述所述训练单元，用于将所述训练集输入残差网络，所述残差网络包含顺次相连的多个残差块，每个所述残差块包含卷积分支和残差分支，所述残差分支用于根据所述训练集生成梯度信息；

所述训练单元，用于在所述卷积分支中进行第一卷积操作和至少两次第二卷积操作，以得到第三参数；

所述训练单元，用于根据所述梯度信息对所述第三参数进行修正，以确定所述第二参数。

可选的，在本申请一些可能的实现方式中，其特征在于，所述确定单元，用于在预设范围内根据所述投放时间确定训练时间集，所述训练时间集包括多个日期信息，所述预设范围包括所述投放时间和所述多个日期信息指示的时间；

所述确定单元，用于根据所述多个日期信息确定对应的流量请求数据以及对应的条件特征，以得到所述训练集。

可选的，在本申请一些可能的实现方式中，所述多个日期信息指示的日期在所述投放时间指示的日期之前。

可选的，在本申请一些可能的实现方式中，所述获取单元，用于获取目标广告的投放时间；

所述获取单元，用于若所述投放时间满足预设条件，则获取所述条件特征，所述预设条件基于所述投放时间距离当前时间的时间差与第一预设阈值的大小关系确定。

可选的，在本申请一些可能的实现方式中，所述条件特征包括所述目标广告的广告位，所述获取单元，用于获取所述广告位的历史广告请求次数和所述广告位的历史广告成功下发次数；

所述获取单元，用于根据所述广告位的历史广告请求次数与所述广告位的历史广告成功下发次数的比值确定广告填充率；

所述确定单元，用于若所述广告填充率大于第二预设阈值，则根据所述投放时间确定训练集。

可选的，在本申请一些可能的实现方式中，所述确定单元，用于若所述广告填充率小于或等于第二预设阈值，则获取所述目标广告的请求日志，所述请求日志包括所述目标广告的历史曝光率；

所述确定单元，用于根据所述历史曝光率的波动情况确定确定所述训练集，所述训练集基于所述请求日志确定。

可选的，在本申请一些可能的实现方式中，所述得到所述目标广告的广告库存之后，所述获取单元，用于获取广告主的锁量需求，所述广告主为所述目标广告的发起方；

所述获取单元，用于根据所述锁量需求确定广告锁量，以对所述广告库存进行更新。

本申请一方面提供一种神经网络模型的训练方法，包括：

获取训练集，所述训练集用于指示不同投放时间下条件特征与广告库存的对应关系；

根据所述训练集进行第一卷积操作，以得到第一参数，所述第一卷积操作为一维卷积，所述一维卷积中的卷积核基于时间序列进行移动；

根据所述第一参数进行至少两次第二卷积操作，以得到第二参数，所述第二卷积操作为带洞卷积；

根据所述第二参数对所述第一神经网络模型的参数进行优化，以得到第二神经网络模型。

本申请一方面提供一种神经网络模型的训练装置，包括：

获取单元，用于获取训练集，所述训练集用于指示不同投放时间下条件特征与广告库存的对应关系；

卷积单元，用于根据所述训练集进行第一卷积操作，以得到第一参数，所述第一卷积操作为一维卷积，所述一维卷积中的卷积核基于时间序列进行移动；

所述卷积单元，还用于根据所述第一参数进行至少两次第二卷积操作，以得到第二参数，所述第二卷积操作为带洞卷积；

训练单元，用于根据所述第二参数对所述第一神经网络模型的参数进行优化，以得到第二神经网络模型。

本申请一方面提供一种计算机设备，包括：存储器、处理器以及总线系统；所述存储器用于存储程序代码；所述处理器用于根据所述程序代码中的指令执行上述一方面任一项所述的广告库存预估的方法，或上述一方面所述的神经网络模型训练的方法。

本申请一方面提供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一方面任一项所述的广告库存预估的方法，或上述一方面所述的神经网络模型训练的方法。

从以上技术方案可以看出，本申请实施例具有以下优点：

通过获取目标广告的投放时间以及至少一个受众定向确定的目标条件特征；然后根据该投放时间确定训练集，该训练集用于指示不同投放时间下条件特征与流量请求数据的对应关系；并根据该训练集对第一神经网络模型进行训练，以得到第二神经网络模型；进而将该目标条件特征输入该第二神经网络模型，以得到该目标广告的广告库存。从而实现了广告库存的预估，由于采用了神经网络模型对条件特征与广告库存的对应关系进行训练，且训练集的采集是基于相近时间进行的选择，提高了训练集的代表性，减少了由于流量数据波动引起的广告库存预估偏差，提高了广告库存预估的准确性。

附图说明

为了更清楚地说明本申请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申请的实施例，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，还可以根据提供的附图获得其他的附图。

图1为广告库存预估系统运行的网络架构图；

图2为本申请实施例提供的一种广告库存预估的系统架构图；

图3为本申请实施例提供的一种广告库存预估的方法的流程图；

图4为本申请实施例提供的一种广告库存预估的流程示意图；

图5为本申请实施例提供的一种卷积神经网络模型的卷积方向示意图；

图6为本申请实施例提供的一种卷积神经网络的卷积示意图；

图7为本申请实施例提供的一种卷积神经网络的卷积示意图；

图8为本申请实施例提供的一种残差网络的输出示意图；

图9为本申请实施例提供的一种广告库存预估的方法的流程图；

图10为本申请实施例提供的一种广告库存询量锁量的流程示意图；

图11为本申请实施例提供的一种广告库存预估装置的结构示意图；

图12为本申请实施例提供的一种神经网络模型训练装置的结构示意图；

图13为本申请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

本申请实施例提供了一种广告库存预估的方法以及相关装置，可以应用于用于广告推荐或流量统计的系统或程序中，通过获取目标广告的投放时间以及至少一个受众定向确定的目标条件特征；然后根据该投放时间确定训练集，该训练集用于指示不同投放时间下条件特征与流量请求数据的对应关系；并根据该训练集对第一神经网络模型进行训练，以得到第二神经网络模型；进而将该目标条件特征输入该第二神经网络模型，以得到该目标广告的广告库存。从而实现了广告库存的预估，由于采用了神经网络模型对条件特征与广告库存的对应关系进行训练，且训练集的采集是基于相近时间进行的选择，提高了训练集的代表性，减少了由于流量数据波动引起的广告库存预估偏差，提高了广告库存预估的准确性。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“对应于”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

首先，对本申请实施例中可能出现的一些名词进行解释。

合约广告：合约广告有展示量合约广告和广告位包段合约广告。展示量合约广告是与广告主约定好投放的广告位加上受众定向人群，保证曝光量，并按照千次曝光量约定费用(cost per mille，CPM)结算。合约广告一种售卖方式是按照广告位包断的方式，也被称为(cost per time，CPT)，在约定的时间段内，此广告位都归指定广告主所有，可以供大广告主或者大型运营活动使用。

广告主：广告主是为了推荐自己商品或者为他人提供服务，自行或者委托他人设计、制作和发布广告的法人、其他经济组织或者个人。广告主在投放合约广告前，会与广告服务提供方约定好曝光量或者曝光时间，以及各种限定条件，包含受众定向，广告位等，最后根据CPM计费结算。

广告库存：合约广告的库存也可以理解为广告的流量，这个流量是指未来流量，因为合约广告售卖时要与广告主提前约定售卖计划，所以合约广告的库存是指未来某个时间的流量，同时要加上受众定向，合约广告位等条件综合约束。

广告库存预估：因为合约广告的售卖计划是提前一段时间确定的，所以合约广告的库存需要提前进行预测，这个预测过程就称为库存预估，也可以称为合约广告库存预估技术或者互联网广告的流量预测技术。

受众定向：受众定向技术包括地域定向、人口属性定向、频道定向、上下文定向、行为定向、精确位置定向、重定向、新客户推荐定向等，受众定向技术可以帮助广告主将曝光限定在期望的范围内，作为曝光的条件特征进行设定。

时序：时间序列，按照同一个统计指标，将数值按照发生时间的先后顺序来进行排列。

时序卷积：卷积是深度学习中的关键技术，卷积技术应用组成的卷积神经网络在计算机视觉，自然语言处理等领域都有着重要而广泛的应用。时序卷积是针对时间序列一维特性，因果特性，前后顺序等特性进行调整的，适用于时间序列的卷积技术。

询量锁量：对于合约广告，广告主投放前，担保式合约广告系统需要向广告主保证一定的曝光量，所以需要系统给出广告主要求的限定条件下的可供给曝光量，这个过程就是询量过程。经过询量后，广告主选择下单的量级，这一部分未来的曝光就被此广告主锁定，称之为锁量。

应理解，本申请提供的广告库存预估方法可以应用于用于广告推荐或流量统计的系统或程序中，例如广告主的曝光期望预测、广告供应商的广告库存预估等，具体的，广告库存预估系统可以运行于如图1所示的网络架构中，如图1所示，是广告库存预估系统运行的网络架构图，如图可知，广告库存预估系统可以提供多个信息源的流量数据交互，终端通过网络建立与服务器的连接，进而接收服务器下发的广告，并在终端统计相关广告的流量，以对广告库存进行预估；可以理解的是，图1中示出了多种计算机设备，在实际场景中可以有更多或更少种类的计算机设备参与到广告库存预估的过程中，具体数量和种类因实际场景而定，此处不做限定，另外，图1中示出了一个服务器，但在实际场景中，也可以有多个服务器的参与，特别是在多应用数据交互的场景中，具体服务器数量因实际场景而定。

应当注意的是，本实施例提供的广告库存预估方法也可以离线进行，即不需要服务器的参与，此时终端在本地与其他终端进行连接并统计流量，进而进行广告库存交互的过程。

可以理解的是，上述广告库存预估系统可以运行于个人移动终端，例如：作为广告流量统计应用，也可以运行于服务器，还可以作为运行于第三方设备以提供广告库存预估，以得到信息源的广告曝光数据；具体的广告库存预估系统可以是以一种程序的形式在上述设备中运行，也可以作为上述设备中的系统部件进行运行，还可以作为云端服务程序的一种，具体运作模式因实际场景而定，此处不做限定。

随着移动终端相关技术的发展，越来越多的智能设备出现在人们的生活中，其中，通过智能设备进行广告推送是一种常见的场景，广告主会根据自身需求对流量方提出请求，以对目标广告进行曝光宣传，然而流量方往往有一定的流量限额，即广告库存，因而需要对广告库存进行预估以提供相应的广告推送服务。

一般，广告库存的预估是使用过去的历史信息直接平移到未来的某一天，当做未来的曝光情况；比如使用过去几天的数据直接平移到未来的一段时间，即对于广告库存的预估是采用历史数据的趋势而得。

但是，采用历史数据预估的前提是假设曝光的情况天与天之间没有差别，但是现实是不可能满足这种假设的，在一般场景中，目标广告的曝光场景的条件特征是波动的，这会造成流量的不稳定性，因而采用历史数据预估不能很好的匹配流量的波动，影响广告库存预估的准确性。

为了解决上述问题，本申请提出了一种广告库存预估的方法，该方法应用于图2所示的广告库存预估的系统架构中，由计算机设备执行，计算机设备可以是终端或服务器，如图2所示，为本申请实施例提供的一种广告库存预估的系统架构图，主要包含线上和线下两部分的功能实现；在线下端智能终端对已经接入的广告进行订单管理，并根据广告库存情况分配相应的引擎，其中，本申请提供的广告库存预估的方法可以应用于为分配引擎提供库存询量的服务中；在对相关广告分配对应的流量并生成方案后，会推送到线上的广告服务端进行曝光；在曝光过程中会统计相关的流量数据曝光回流至分配引擎以进行数据统计，以为接下来的方案分配提供参考数据，其中，曝光回流的频次可以在广告服务过程中进行调整。

可以理解的是，对于没有库存预估系统的合约广告系统可以很方便的嵌入本本申请提供的广告库存预估的方法，而已经存在库存预估系统的合约广告系统可以通过约定数据格式，约定API接口等形式，无缝的衔接本方案表述的系统。同时在线系统积累的广告曝光及请求数据会被传送到库存预估服务系统中，作为模型更新、训练的使用数据。

可以理解的是，本申请所提供的方法可以为一种程序的写入，以作为硬件系统中的一种处理逻辑，也可以作为一种广告库存预估装置，采用集成或外接的方式实现上述处理逻辑。作为一种实现方式，该广告库存预估装置通过获取目标广告的投放时间以及至少一个受众定向确定的目标条件特征；然后根据该投放时间确定训练集，该训练集用于指示不同投放时间下条件特征与流量请求数据的对应关系；并根据该训练集对第一神经网络模型进行训练，以得到第二神经网络模型；进而将该目标条件特征输入该第二神经网络模型，以得到该目标广告的广告库存。从而实现了广告库存的预估，由于采用了神经网络模型对条件特征与广告库存的对应关系进行训练，且训练集的采集是基于相近时间进行的选择，提高了训练集的代表性，减少了由于流量数据波动引起的广告库存预估偏差，提高了广告库存预估的准确性。

结合上述系统架构，下面将对本申请中广告库存预估的方法进行介绍，请参阅图3，图3为本申请实施例提供的一种广告库存预估的方法的流程图，本申请实施例至少包括以下步骤：

301、计算机设备获取目标广告的投放时间以及目标条件特征.

本实施例中，该目标条件特征基于所述目标广告的至少一个受众定向设定，其中。受众定向包括地域定向、人口属性定向、频道定向、上下文定向、行为定向、精确位置定向、重定向、新客户推荐定向等；例如：目标广告的条件特征为“南方人”“女”“20-30周岁”等。另外，由于不同人群接触广告的位置的差异，目标条件特征的确定还可以参考广告位的相关信息。

可选的，由于本实施例中将利用神经网络模型对广告库存进行模拟，在获取目标广告的相关信息之前，还可以进行相关训练信息的收集。

具体的，训练数据可以来源于服务器储存的目标广告在特定广告位的相关流量数据；训练数据也可以是来源于确定目标广告之后的获取过程，在该场景中，考虑到相关广告位置及用户定向信息等需要一定时间才会积累在广告系统之中，之后由于库存的预估需要一定的训练数据，需要对目标广告的投放时间进行判断，即获取目标广告的投放时间；若所述投放时间满足预设条件，则获取所述条件特征，所述预设条件基于所述投放时间距离当前时间的时间差与第一预设阈值的大小关系确定。例如接入目标广告的投放时间超过了30天的广告进行训练数据的收集。

302、计算机设备根据所述投放时间确定训练集。

本实施例中，该训练集用于指示不同投放时间下条件特征与流量请求数据的对应关系，该流量请求数据基于广告库存设定。其中，训练集中的投放时间是基于目标广告的投放时间进行选择的，例如：包含目标广告的投放时间的自然月作为训练集；或目标广告的投放时间为中心进行左右日期拓展；或以目标广告的投放时间为截止日向前进行数据收集等，具体方式应实际场景而定，此处不做限定。

考虑到训练集数据的全面性，在确定训练集之前还可以对目标广告的相关参数进行确定，以筛选出可以得到较为全面训练数据的目标广告。

可选的，由于广告位的填充率越高，代表目标广告的曝光越好，故可以对根据广告位的填充率进行筛选。具体的，首先获取该广告位的历史广告请求次数和该广告位的历史广告成功下发次数；然后根据该广告位的历史广告请求次数与该广告位的历史广告成功下发次数的比值确定广告填充率；当该广告填充率大于第二预设阈值时，则根据该投放时间确定训练集。

可选的，还可以对目标广告的曝光率的波动情况进行筛选。具体的，当该广告填充率小于或等于第二预设阈值，则获取该目标广告的请求日志，该请求日志包括该目标广告的历史曝光率；进而根据该历史曝光率的波动情况确定确定该训练集，该训练集基于该请求日志确定。具体的，由于目标广告的请求日志还包括了目标广告的历史曝光数据，这些数据可以作为训练数据对接下来的神经网络进行训练，故还可以判断请求日志的完整性，即选择请求日志完整的目标广告机型训练集的采集。

具体的，上述基于目标广告进行训练数据的收集的判断过程可以参考图4的关联关系进行，如图4所示，是本申请实施例提供的一种广告库存预估的流程示意图。图中示出了在流量接入401后，确定相关的接入广告402，然后判断该广告接入的时间与阈值天数的关系；若高于阈值天数，则进行判断该广告的填充率是否高403，若是，则进行本申请实施例提供的广告库存预估405的过程；若否，则进一步的判断该广告的请求日志是否完整406。若该广告的请求日志完整，则进一步的判断曝光率是否稳定，对于曝光稳定的广告进行本申请实施例提供的广告库存预估409的过程。

另外，对于接入广告的天数低于阈值天数的场景，可以进行等待满足阈值天数404，若没满足则选用固定流量407。对应于上述请求日志的判断，若请求日志不完整或曝光率不稳定，则均采用固定流量407进行分配。应当注意的是，固定流量可以是采用固定量值或者其他商定好的流量分配方案。

303、计算机设备根据所述训练集对第一神经网络模型进行训练，以得到第二神经网络模型。

本实施例中，第一神经网络模型可以使用自回归积分滑动平均模型(auto-regressive integrated moving average，ARIMA)或者深度学习中使用循环神经网络等序列模型，还可以使用卷积模型。

可选的，由于需要针对每一条时间序列进行稳态检测，差分转换为平稳数据，调整很多参数以获取不错的效果，这样很难进行模型的每日更新，同时人力成本过高，在万级别的广告位以及亿级别的定向条件组合下，使用传统的时间序列预估方式进行库存的修正，人力成本上无法承受，很难有效的自动更新模型。

因此本实施例可以采用卷积模型。然而，一般的卷积模型是二维的卷积过程，但是这在时间序列的预测过程中，并不适用，这是由于在同一天中的各个特征之间的卷积移动是没有对应现实意义的，这种移动方式无法学到有用特征。如图5所示，是本申请实施例提供的一种卷积神经网络模型的卷积方向示意图，图中示出了一般的二维卷积移动方向，以及本实施例采用的基于时序的以为卷积移动方向，这样可以学到以天级别的整体数据特征，以及天与天之间条件特征的关联关系，这样的模型结构更为有效，防止系统错误学习。具体的，首先根据训练集进行第一卷积操作，以得到第一参数，该第一卷积操作为一维卷积，该一维卷积中的卷积核基于时间序列进行移动；然后根据该第一参数对该第一神经网络模型的参数进行优化，以得到第二神经网络模型。

另外，由于时间序列的数据并不像深度学习技术在图像、文本、声音等方面应用时可以获取海量数据进行训练，在图像、文本、声音等领域应用深度学习技术时，可以动辄使用百层以上的神经网络，不用担心过拟合的问题。但是时间序列数据是有限的，特别在合约广告的库存预估业务背景下，可利用的数据都是线上真实数据，不能自行收集数据，扩充数据。此时，可以采用本实施例提供的第二卷积操作；具体的，首先根据所述第一参数对应的模型进行至少两次第二卷积操作，以得到第二参数，所述第二卷积操作为带洞卷积；然后根据所述第二参数对所述第一神经网络模型的参数进行优化，以得到第二神经网络模型。

可以理解的是，由于带洞系数的设定，使得数据得到了扩充，使得训练数据更加泛化。在一种可能的场景中，可以采用如图6所示的卷积方法，图6为本申请实施例提供的一种卷积神经网络的卷积示意图，图中示出了两个隐层，且各层中的空洞系数分别为1、2、4、8，通过该带洞卷积过程，使得在日期Sep 08的广告库存可参考Sep 08-Sep15的数据进行训练，具体良好的泛化能力，提高了模型的表征能力。

应当注意的是，由于预测的输出数据，参考了未来的数据，即Sep 08之后的数据，这样就造成了数据泄露，导致预测系统在训练阶段的准确性没有意义。此时，可以对卷积过程进行因果限定，即规定多个日期信息指示的日期在所述投放时间指示的日期之前，如图7所示，是本申请实施例提供的一种卷积神经网络的卷积示意图，图中Sep 15的数据参考的训练数据均为该日期之前的数据，避免了数据泄露的发生。

上述实施例介绍了通过因果卷积和带洞卷积等机制，实现了整体的时序卷积系统结构的设计，但是为了充分发挥深层次的卷积网络抽象提取特征的能力，需要一些结构来防止梯度信息等在多层级的卷积传递的过程中丢失掉，此时，可以参考图8所示的处理方式，图8为本申请实施例提供的一种残差网络的输出示意图。具体的，首先将所述训练集输入残差网络，所述残差网络包含顺次相连的多个残差块，以覆盖第一卷积层和第二卷积层，每个所述残差块包含卷积分支和残差分支，所述残差分支用于根据所述训练集生成梯度信息；然后在所述卷积分支中进行第一卷积操作和至少两次第二卷积操作，以得到第三参数；进而根据所述梯度信息对所述第三参数进行激活函数的修正，以确定所述第二参数。即对于上述卷积层之间未覆盖到的维度，采用残差分支获取的数据，按照系数进行一定程度的修正获得。

上述残差网络的设计能有效的跨层传递信息，同时也能起到一定的模型融合的作用，本申请中可以以残差块为基本结构堆叠出完整的网络结构。

304、计算机设备将所述目标条件特征输入所述第二神经网络模型，以得到所述目标广告的广告库存。

本实施例中，基于上述步骤303训练的第二神经网络模型，将目标条件特征进行输入，即可得到目标广告的广告库存，即对应的流量数据情况。

可以理解的是，上述实施例中提出了多种神经网络模型的训练过程，其中的一种或多种的结合均可作为本申请提供的实施例的一种，此处不做赘述。

结合上述实施例可知，通过获取目标广告的投放时间以及至少一个受众定向确定的目标条件特征；然后根据该投放时间确定训练集，该训练集用于指示不同投放时间下条件特征与流量请求数据的对应关系；并根据该训练集对第一神经网络模型进行训练，以得到第二神经网络模型；进而将该目标条件特征输入该第二神经网络模型，以得到该目标广告的广告库存。从而实现了广告库存的预估，由于采用了神经网络模型对条件特征与广告库存的对应关系进行训练，且训练集的采集是基于相近时间进行的选择，提高了训练集的代表性，减少了由于流量数据波动引起的广告库存预估偏差，提高了广告库存预估的准确性。

上述实施例介绍了基于神经网络的广告库存的预估过程，下面结合一种具体的场景中进行介绍，请参阅图9，图9为本申请实施例提供的一种广告库存预估的方法的流程图，由计算机设备执行，本申请实施例至少包括以下步骤：

901、选择投放时间。

902、选择定向条件。

903、选择广告位。

本实施例中，步骤901-903与图3所示实施例相似，相关特征可以进行参考，具体的，定向条件和广告位即为条件特征，此处不做赘述。

904、广告库存询量。

本实施例中，广告库存询量的过程基于图3所示实施例的神经网络模型的训练过程及输出过程进行，具体的训练集对应于上述步骤901-903中的投放时间、定向条件以及广告位进行选择，此处不做赘述。

905、根据购买量下单。

本实施例中，根据广告主的购买量需求进行下单的判断，即若广告库存的流量可以满足广告主的购买量即可以下单。

906、确定广告库存锁量。

本实施例中，对于已被广告主的购买的流量，可以作为广告库存锁量，并及时的对广告库存进行更新，以便接入下一个广告。

具体的，上述广告库存询量锁量的过程可以通过图10所述的流程框架实现，图10为本申请实施例提供的一种广告库存询量锁量的流程示意图，对于引入的数据流作为训练数据可以从上游数据源引入，可以通过MySQL数据库进行持久化储存，之后进行数据的预处理，例如：缺失值检测填充，数值归一化等；预处理之后投入到神经网络模型中，训练后进行预测，预测得到的目标广告的未来时间的结果，并通过Redis数据库保存，保证询量锁量系统可以快速方便的调用里面的数值。

上述实施例介绍了神经网络模型在广告库存预估过程中的应用方法，具体的神经网络模型的训练过程包括：获取训练集，所述训练集用于指示不同投放时间下条件特征与广告库存的对应关系；根据所述训练集进行第一卷积操作，以得到第一参数，所述第一卷积操作为一维卷积，所述一维卷积中的卷积核基于时间序列进行移动；根据所述第一参数进行至少两次第二卷积操作，以得到第二参数，所述第二卷积操作为带洞卷积；根据所述第二参数对所述第一神经网络模型的参数进行优化，以得到第二神经网络模型。具体可以参考图3所述实施例中302及303的相关描述，此处不做赘述。

为了更好的实施本申请实施例的上述方案，下面还提供用于实施上述方案的相关装置。请参阅图11，图11为本申请实施例提供的一种广告库存预估装置的结构示意图，广告库存预估装置1100包括：

获取单元1101，用于获取目标广告的投放时间以及目标条件特征，所述条件特征基于所述目标广告的至少一个受众定向设定；

确定单元1102，用于根据所述投放时间确定训练集，所述训练集用于指示不同投放时间下条件特征与流量请求数据的对应关系，所述流量请求数据基于广告库存设定；

训练单元1103，用于根据所述训练集对第一神经网络模型进行训练，以得到第二神经网络模型；

预估单元1104，用于将所述目标条件特征输入所述第二神经网络模型，以得到所述目标广告的广告库存。

可选的，在本申请一些可能的实现方式中，所述第一神经网络模型为卷积神经网络，所述训练单元1103，用于根据所述训练集进行第一卷积操作，以得到第一参数，所述第一卷积操作为一维卷积，所述一维卷积中的卷积核基于时间序列进行移动；

所述训练单元1103，用于根据所述第一参数对所述第一神经网络模型的参数进行优化，以得到第二神经网络模型。

可选的，在本申请一些可能的实现方式中，所述训练单元1103，用于根据所述第一参数对应的模型进行至少两次第二卷积操作，以得到第二参数，所述第二卷积操作为带洞卷积；

所述训练单元1103，用于根据所述第二参数对所述第一神经网络模型的参数进行优化，以得到第二神经网络模型。

可选的，在本申请一些可能的实现方式中，所述所述训练单元1103，用于将所述训练集输入残差网络，所述残差网络包含顺次相连的多个残差块，每个所述残差块包含卷积分支和残差分支，所述残差分支用于根据所述训练集生成梯度信息；

所述训练单元1103，用于在所述卷积分支中进行第一卷积操作和至少两次第二卷积操作，以得到第三参数；

所述训练单元1103，用于根据所述梯度信息对所述第三参数进行修正，以确定所述第二参数。

可选的，在本申请一些可能的实现方式中，其特征在于，所述确定单元1102，用于在预设范围内根据所述投放时间确定训练时间集，所述训练时间集包括多个日期信息，所述预设范围包括所述投放时间和所述多个日期信息指示的时间；

所述确定单元1102，用于根据所述多个日期信息确定对应的流量请求数据以及对应的条件特征，以得到所述训练集。

可选的，在本申请一些可能的实现方式中，所述多个日期信息指示的日期在所述投放时间指示的日期之前。

可选的，在本申请一些可能的实现方式中，所述获取单元1101，用于获取目标广告的投放时间；

所述获取单元1101，用于若所述投放时间满足预设条件，则获取所述条件特征，所述预设条件基于所述投放时间距离当前时间的时间差与第一预设阈值的大小关系确定。

可选的，在本申请一些可能的实现方式中，所述条件特征包括所述目标广告的广告位，所述获取单元1101，用于获取所述广告位的历史广告请求次数和所述广告位的历史广告成功下发次数；

所述获取单元1101，用于根据所述广告位的历史广告请求次数与所述广告位的历史广告成功下发次数的比值确定广告填充率；

所述确定单元1102，用于若所述广告填充率大于第二预设阈值，则根据所述投放时间确定训练集。

可选的，在本申请一些可能的实现方式中，所述确定单元1102，用于若所述广告填充率小于或等于第二预设阈值，则获取所述目标广告的请求日志，所述请求日志包括所述目标广告的历史曝光率；

所述确定单元1102，用于根据所述历史曝光率的波动情况确定确定所述训练集，所述训练集基于所述请求日志确定。

可选的，在本申请一些可能的实现方式中，所述得到所述目标广告的广告库存之后，所述获取单元1101，用于获取广告主的锁量需求，所述广告主为所述目标广告的发起方；

所述获取单元1101，用于根据所述锁量需求确定广告锁量，以对所述广告库存进行更新。

通过获取目标广告的投放时间以及至少一个受众定向确定的目标条件特征；然后根据该投放时间确定训练集，该训练集用于指示不同投放时间下条件特征与流量请求数据的对应关系；并根据该训练集对第一神经网络模型进行训练，以得到第二神经网络模型；进而将该目标条件特征输入该第二神经网络模型，以得到该目标广告的广告库存。从而实现了广告库存的预估，由于采用了神经网络模型对条件特征与广告库存的对应关系进行训练，且训练集的采集是基于相近时间进行的选择，提高了训练集的代表性，减少了由于流量数据波动引起的广告库存预估偏差，提高了广告库存预估的准确性。

本实施例还提供一种神经网络模型训练装置1200，如图12所示，为本申请实施例提供的一种神经网络模型训练装置的结构示意图，包括：

获取单元1201，用于获取训练集，所述训练集用于指示不同投放时间下条件特征与广告库存的对应关系；

卷积单元1202，用于根据所述训练集进行第一卷积操作，以得到第一参数，所述第一卷积操作为一维卷积，所述一维卷积中的卷积核基于时间序列进行移动；

所述卷积单元1202，还用于根据所述第一参数进行至少两次第二卷积操作，以得到第二参数，所述第二卷积操作为带洞卷积；

训练单元1203，用于根据所述第二参数对所述第一神经网络模型的参数进行优化，以得到第二神经网络模型。

本申请实施例还提供了一种计算机设备，如图13所示，是本申请实施例提供的一种计算机设备的结构示意图，为了便于说明，仅示出了与本申请实施例相关的部分，具体技术细节未揭示的，请参照本申请实施例方法部分。该终端可以为包括手机、平板电脑、个人数字助理(personal digital assistant，PDA)、销售终端(point of sales，POS)、车载电脑等任意计算机设备，以终端为手机为例：

图13示出的是与本申请实施例提供的终端相关的手机的部分结构的框图。参考图13，手机包括：射频(radio frequency，RF)电路1310、存储器1320、输入单元1330、显示单元1340、传感器1350、音频电路1360、无线保真(wireless fidelity，WiFi)模块1370、处理器1380、以及电源1390等部件。本领域技术人员可以理解，图13中示出的手机结构并不构成对手机的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

下面结合图13对手机的各个构成部件进行具体的介绍：

RF电路1310可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，给处理器1380处理；另外，将设计上行的数据发送给基站。通常，RF电路1310包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(low noiseamplifier，LNA)、双工器等。此外，RF电路1310还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(globalsystem of mobile communication，GSM)、通用分组无线服务(general packet radioservice，GPRS)、码分多址(code division multiple access，CDMA)、宽带码分多址(wideband code division multiple access,WCDMA)、长期演进(long term evolution，LTE)、电子邮件、短消息服务(short messaging service，SMS)等。

存储器1320可用于存储软件程序以及模块，处理器1380通过运行存储在存储器1320的软件程序以及模块，从而执行手机的各种功能应用以及数据处理。存储器1320可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器1320可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

输入单元1330可用于接收输入的数字或字符信息，以及产生与手机的用户设置以及功能控制有关的键信号输入。具体地，输入单元1330可包括触控面板1331以及其他输入设备1332。触控面板1331，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板1331上或在触控面板1331附近的操作，以及在触控面板1331上一定范围内的隔空触控操作)，并根据预先设定的程式驱动相应的连接装置。可选的，触控面板1331可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器1380，并能接收处理器1380发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板1331。除了触控面板1331，输入单元1330还可以包括其他输入设备1332。具体地，其他输入设备1332可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。

显示单元1340可用于显示由用户输入的信息或提供给用户的信息以及手机的各种菜单。显示单元1340可包括显示面板1341，可选的，可以采用液晶显示器(liquidcrystal display，LCD)、有机发光二极管(organic light-emitting diode，OLED)等形式来配置显示面板1341。进一步的，触控面板1331可覆盖显示面板1341，当触控面板1331检测到在其上或附近的触摸操作后，传送给处理器1380以确定触摸事件的类型，随后处理器1380根据触摸事件的类型在显示面板1341上提供相应的视觉输出。虽然在图13中，触控面板1331与显示面板1341是作为两个独立的部件来实现手机的输入和输入功能，但是在某些实施例中，可以将触控面板1331与显示面板1341集成而实现手机的输入和输出功能。

手机还可包括至少一种传感器1350，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板1341的亮度，接近传感器可在手机移动到耳边时，关闭显示面板1341和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；至于手机还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。

音频电路1360、扬声器1361，传声器1362可提供用户与手机之间的音频接口。音频电路1360可将接收到的音频数据转换后的电信号，传输到扬声器1361，由扬声器1361转换为声音信号输出；另一方面，传声器1362将收集的声音信号转换为电信号，由音频电路1360接收后转换为音频数据，再将音频数据输出处理器1380处理后，经RF电路1310以发送给比如另一手机，或者将音频数据输出至存储器1320以便进一步处理。

WiFi属于短距离无线传输技术，手机通过WiFi模块1370可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图13示出了WiFi模块1370，但是可以理解的是，其并不属于手机的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。

处理器1380是手机的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器1320内的软件程序和/或模块，以及调用存储在存储器1320内的数据，执行手机的各种功能和处理数据，从而对手机进行整体监控。可选的，处理器1380可包括一个或多个处理单元；可选的，处理器1380可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器1380中。

手机还包括给各个部件供电的电源1390(比如电池)，可选的，电源可以通过电源管理系统与处理器1380逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。

尽管未示出，手机还可以包括摄像头、蓝牙模块等，在此不再赘述。

在本申请实施例中，该终端所包括的处理器1380还具有执行如上述页面处理方法的各个步骤的功能。

本申请实施例中还提供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广告库存预估指令，当其在计算机上运行时，使得计算机执行如前述图2至图11所示实施例描述的方法中广告库存预估装置所执行的步骤。

本申请实施例中还提供一种包括广告库存预估指令的计算机程序产品，当其在计算机上运行时，使得计算机执行如前述图2至图11所示实施例描述的方法中广告库存预估装置所执行的步骤。

本申请实施例还提供了一种广告库存预估系统，所述广告库存预估系统可以包含图12所描述实施例中的神经网络模型训练装置，或者图13所描述的计算机设备。

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，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，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，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，在本申请各个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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元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，本申请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全部或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，广告库存预估装置，或者网络设备等)执行本申请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(read-onlymemory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。可以理解的是该计算机软件产品还可以存储在区块链中。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (15)

1.一种广告库存的预估方法，其特征在于，包括：

获取目标广告的投放时间以及目标条件特征，所述目标条件特征基于所述目标广告的至少一个受众定向设定；

根据所述投放时间确定训练集，所述训练集用于指示不同投放时间下条件特征与流量请求数据的对应关系，所述流量请求数据基于广告库存设定；

根据所述训练集对第一神经网络模型进行训练，以得到第二神经网络模型；

将所述目标条件特征输入所述第二神经网络模型，以得到所述目标广告的广告库存。

2.根据权利要求1所述的方法，其特征在于，所述第一神经网络模型为卷积神经网络，所述根据所述训练集对第一神经网络模型进行训练，以得到第二神经网络模型，包括：

根据所述训练集进行第一卷积操作，以得到第一参数，所述第一卷积操作为一维卷积，所述一维卷积中的卷积核基于时间序列进行移动；

根据所述第一参数对所述第一神经网络模型的参数进行优化，以得到第二神经网络模型。

3.根据权利要求2所述的方法，其特征在于，所述根据所述第一参数对所述第一神经网络模型的参数进行优化，包括：

根据所述第一参数对应的模型进行至少两次第二卷积操作，以得到第二参数，所述第二卷积操作为带洞卷积；

根据所述第二参数对所述第一神经网络模型的参数进行优化，以得到第二神经网络模型。

4.根据权利要求3所述的方法，其特征在于，所述方法还包括：

将所述训练集输入残差网络，所述残差网络包含顺次相连的多个残差块，每个所述残差块包含卷积分支和残差分支，所述残差分支用于根据所述训练集生成梯度信息；

在所述卷积分支中进行第一卷积操作和至少两次第二卷积操作，以得到第三参数；

根据所述梯度信息对所述第三参数进行修正，以确定所述第二参数。

5.根据权利要求1-4任一项所述的方法，其特征在于，所述根据所述投放时间确定训练集，包括：

在预设范围内根据所述投放时间确定训练时间集，所述训练时间集包括多个日期信息，所述预设范围包括所述投放时间和所述多个日期信息指示的时间；

根据所述多个日期信息确定对应的流量请求数据以及对应的条件特征，以得到所述训练集。

6.根据权利要求5所述的方法，其特征在于，所述多个日期信息指示的日期在所述投放时间指示的日期之前。

7.根据权利要求1-6任一项所述的方法，其特征在于，所述获取目标广告的投放时间以及条件特征，包括：

获取目标广告的投放时间；

若所述投放时间满足预设条件，则获取所述条件特征，所述预设条件基于所述投放时间距离当前时间的时间差与第一预设阈值的大小关系确定。

8.根据权利要求7所述的方法，其特征在于，所述条件特征包括所述目标广告的广告位，所述获取所述条件特征之后，所述方法还包括：

获取所述广告位的历史广告请求次数和所述广告位的历史广告成功下发次数；

根据所述广告位的历史广告请求次数与所述广告位的历史广告成功下发次数的比值确定广告填充率；

所述根据所述投放时间确定训练集，包括：

若所述广告填充率大于第二预设阈值，则根据所述投放时间确定训练集。

9.根据权利要求8所述的方法，其特征在于，所述方法还包括：

若所述广告填充率小于或等于第二预设阈值，则获取所述目标广告的请求日志，所述请求日志包括所述目标广告的历史曝光率；

所述根据所述投放时间确定训练集，包括：

根据所述历史曝光率的波动情况确定确定所述训练集，所述训练集基于所述请求日志确定。

10.根据权利要求1-9任一项所述的方法，其特征在于，所述得到所述目标广告的广告库存之后，所述方法还包括：

获取广告主的锁量需求，所述广告主为所述目标广告的发起方；

根据所述锁量需求确定广告锁量，以对所述广告库存进行更新。

11.一种神经网络模型的训练方法，其特征在于，包括：

获取训练集，所述训练集用于指示不同投放时间下条件特征与广告库存的对应关系；

根据所述训练集进行第一卷积操作，以得到第一参数，所述第一卷积操作为一维卷积，所述一维卷积中的卷积核基于时间序列进行移动；

根据所述第一参数进行至少两次第二卷积操作，以得到第二参数，所述第二卷积操作为带洞卷积；

根据所述第二参数对所述第一神经网络模型的参数进行优化，以得到第二神经网络模型。

12.一种广告库存的预估装置，其特征在于，包括：

获取单元，用于获取目标广告的投放时间以及目标条件特征，所述条件特征基于所述目标广告的至少一个受众定向设定；

确定单元，用于根据所述投放时间确定训练集，所述训练集用于指示不同投放时间下条件特征与流量请求数据的对应关系，所述流量请求数据基于广告库存设定；

训练单元，根据所述训练集对第一神经网络模型进行训练，以得到第二神经网络模型；

预估单元，用于将所述目标条件特征输入所述第二神经网络模型，以得到所述目标广告的广告库存。

13.一种神经网络模型的训练装置，其特征在于，包括：

获取单元，用于获取训练集，所述训练集用于指示不同投放时间下条件特征与广告库存的对应关系；

卷积单元，用于根据所述训练集进行第一卷积操作，以得到第一参数，所述第一卷积操作为一维卷积，所述一维卷积中的卷积核基于时间序列进行移动；

所述卷积单元，还用于根据所述第一参数进行至少两次第二卷积操作，以得到第二参数，所述第二卷积操作为带洞卷积；

训练单元，用于根据所述第二参数对所述第一神经网络模型的参数进行训练，以得到第二神经网络模型。

14.一种计算机设备，其特征在于，所述计算机设备包括处理器以及存储器：

所述存储器用于存储程序代码；所述处理器用于根据所述程序代码中的指令执行权利要求1至10任一项所述的广告库存预估的方法，或权利要求11所述的神经网络模型的训练方法。

15.一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权利要求1至10任一项所述的广告库存预估的方法，或权利要求11所述的神经网络模型的训练方法。

Images