CN112004120B - 平台网络资源播放量的预测方法、装置、设备及存储介质 - Google Patents
平台网络资源播放量的预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112004120B CN112004120B CN201910446487.9A CN201910446487A CN112004120B CN 112004120 B CN112004120 B CN 112004120B CN 201910446487 A CN201910446487 A CN 201910446487A CN 112004120 B CN112004120 B CN 112004120B
- Authority
- CN
- China
- Prior art keywords
- play
- sequence
- time period
- network resource
- play sequence
- 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.)
- Active
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
- H04N21/24—Monitoring of processes or resources, e.g. monitoring of server load, available bandwidth, upstream requests
- H04N21/2407—Monitoring of transmitted content, e.g. distribution time, number of downloads
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
- H04N21/251—Learning process for intelligent management, e.g. learning user preferences for recommending movies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
- H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
- H04N21/25866—Management of end-user data
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
- H04N21/442—Monitoring of processes or resources, e.g. detecting the failure of a recording device, monitoring the downstream bandwidth, the number of times a movie has been viewed, the storage space available from the internal hard disk
- H04N21/44204—Monitoring of content usage, e.g. the number of times a movie has been viewed, copied or the amount which has been watched
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
- H04N21/4508—Management of client data or end-user data
- H04N21/4532—Management of client data or end-user data involving end-user characteristics, e.g. viewer profile, preferences
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
- H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
- H04N21/4662—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
- H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
- H04N21/4667—Processing of monitored end-user data, e.g. trend analysis based on the log file of viewer selections
Abstract
本发明实施例公开了一种平台网络资源播放量的预测方法、装置、设备及存储介质。其中,方法包括:获取平台网络资源播放量在第一历史时间段的第一播放序列;根据第一播放序列预测平台网络资源播放量在第二历史时间段的第二播放序列;获取平台网络资源播放量在第二历史时间段的真实播放序列;根据第二播放序列相对于真实播放序列的预测准确率,从第一播放序列中确定降低预测准确率的目标网络资源;在真实播放序列中删除目标网络资源的播放量,根据更新后的真实播放序列预测平台网络资源播放量在未来时间段的播放序列。本发明实施例利用平台网络资源播放量随时间变化的规律预测未来时间段的播放序列;同时提高未来时间段的预测准确性。
Description
技术领域
本发明实施例涉及数据挖掘技术,尤其涉及一种平台网络资源播放量的预测方法、装置、设备及存储介质。
背景技术
随着互联网技术和终端技术的发展,越来越多的音视频等网络资源通过互联网抵达用户终端,使用户得以获取到各种网络资源。
大多情况下,不同网络平台会提供具有竞争力的网络资源,例如某部电视剧,某直播节目,从而增加用户粘性,保证平台的收入和热度。随着平台网络资源的数量呈爆炸式增长,以及终端用户的持续增多,如何得到平台网络资源的在未来时段的播放数据,以便制定针对性资源调整策略,从而保持用户粘性,成为了各网络平台急需要解决的技术问题。
发明内容
本发明实施例提供一种平台网络资源播放量的预测方法、装置、设备及存储介质,以预测平台网络资源在未来时段的播放量。
第一方面,本发明实施例提供了一种平台网络资源播放量的预测方法,包括:
获取平台网络资源播放量在第一历史时间段的第一播放序列;
根据所述第一播放序列预测平台网络资源播放量在第二历史时间段的第二播放序列,所述第二历史时间段晚于所述第一历史时间段;
获取平台网络资源播放量在第二历史时间段的真实播放序列;
根据所述第二播放序列相对于所述真实播放序列的预测准确率,从所述第一播放序列中确定降低所述预测准确率的目标网络资源;
在所述真实播放序列中删除所述目标网络资源的播放量,根据更新后的真实播放序列预测所述平台网络资源播放量在未来时间段的播放序列。
第二方面,本发明实施例还提供了一种平台网络资源播放量的预测装置,包括:
第一获取模块,用于获取平台网络资源播放量在第一历史时间段的第一播放序列;
预测模块,用于根据所述第一播放序列预测平台网络资源播放量在第二历史时间段的第二播放序列,所述第二历史时间段晚于所述第一历史时间段;
第二获取模块,用于获取平台网络资源播放量在第二历史时间段的真实播放序列;
确定模块,用于根据所述第二播放序列相对于所述真实播放序列的预测准确率,从所述第一播放序列中确定降低所述预测准确率的目标网络资源;
删除和预测模块,用于在所述真实播放序列中删除所述目标网络资源的播放量,根据更新后的真实播放序列预测所述平台网络资源播放量在未来时间段的播放序列。
第三方面,本发明实施例还提供了一种电子设备,所述电子设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现任一实施例所述的平台网络资源播放量的预测方法。
第四方面,本发明实施例还提供了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如任一实施例所述的平台网络资源播放量的预测方法。
本发明实施例中,利用平台网络资源播放量随时间变化的规律,根据第二历史时间段的真实时间序列预测未来时间序列;考虑到预测所依据的数据中可能包括不可靠的数据,降低预测准确率,则根据平台网络资源播放量在第一历史时间段的第一播放序列预测第二历史时间段的第二播放序列,并根据所述第二播放序列相对于所述真实播放序列的预测准确率,从所述第一播放序列中确定降低所述预测准确率的目标网络资源,也就是,通过历史时段的预测准确率,确定降低预测准确率的目标网络资源,进而从真实播放序列中删除目标网络资源的播放量,保证真实播放序列的可靠性,进而提高对未来时间段的播放序列的预测准确性。
附图说明
图1是本发明实施例一提供的一种平台网络资源播放量的预测方法的流程图;
图2是本发明实施例二提供的一种平台网络资源播放量的预测方法的流程图;
图3是本发明实施例三提供的一种平台网络资源播放量的预测方法的流程图;
图4是本发明实施例四提供的一种平台网络资源播放量的预测装置的结构示意图;
图5是本发明实施例五提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一提供的一种平台网络资源播放量的预测方法的流程图,本实施例可适用于通过平台网络资源播放量在历史时间段的真实播放序列,预测平台网络资源播放量在未来时段的播放序列的情况。该方法可以由平台网络资源播放量的预测装置来执行,该装置可以由硬件和/或软件构成,并一般集成在电子设备中。
结合图1,本实施例提供的方法具体包括如下操作:
S110、获取平台网络资源播放量在第一历史时间段的第一播放序列。
本实施例中,平台网络资源包括但不限于网络平台上提供的直播视频、音频、课程等各种形式的网络资源。平台网络资源播放量指通过互联网渠道向用户播放平台网络资源的次数。
具体地,在第一历史时间段中选取多个时间段,获取每个时间段中的平台网络资源播放量。可选地,第一历史时间段可以是一年、一个月或者一周,时间段可以是一天、半天或者一个小时。多个时间段可以是连续选取的,也可以是间隔选取的。平台网络资源在第一历史时间段中多个时间段的播放量构成第一播放序列,例如1000(例如1月的平台网络资源播放量)、2000(例如2月的平台网络资源播放量)、3000(例如3月的平台网络资源播放量)、2500(例如4月的平台网络资源播放量)。
在一应用场景中,网络平台是直播平台,时间段是一天,则获取直播平台的视频播放量在第一历史时间段的日播放序列。
本实施例可以对平台中所有网络资源进行宏观统计,也可以对设定类型或内容的网络资源进行针对性统计。具体地,在宏观统计的场景中,监听用户终端对平台网络资源的请求事件,并下发对应的平台网络资源,将平台网络资源的播放量加1,从而执行平台网络资源播放量的宏观统计操作。在针对性统计的场景中,监听用户终端对设定类型或内容的平台网络资源的请求时间,并下发对应的平台网络资源,将设定类型或内容的平台网络资源的播放量加1。其中,设定类型包括直播视频类型、音频类型和文档类型等。设定内容包括体育赛事视频、纪录片、电影和电视剧等。
S120、根据第一播放序列预测平台网络资源播放量在第二历史时间段的第二播放序列,第二历史时间段晚于第一历史时间段。
其中,第二历史时间段晚于第一历史时间段的意思是,第二历史时间段的起始时间晚于或等于第一历史时间段的截止时间。
发明人在研究平台网络资源播放量的过程中创造性地发现,平台网络资源播放量具有随时间而变化的规律。基于此,可采用时间序列预测法进行预测,其基本原理是:承认事物发展的延续性,运用过去的时间序列进行统计分析,推测出事物的发展趋势。可选的时间序列预测法包括:简单序时平均数法、加权序时平均数法、移动平均法、加权移动平均法、趋势预测法、指数平滑法、季节性趋势预测法和市场寿命周期预测法等。
采用时间序列预测法,根据第一播放序列预测第二播放序列,例如,根据平台网络资源播放量在前年的播放序列,预测平台网络资源播放量在去年的播放序列。
S130、获取平台网络资源播放量在第二历史时间段的真实播放序列。
其中,真实播放序列是平台网络资源在第二历史时间段中的实际播放量所构成的时间序列,用于评估第二播放序列的预测准确率。
S140、根据第二播放序列相对于真实播放序列的预测准确率,从第一播放序列中确定降低预测准确率的目标网络资源。
可选地,将第二播放序列与真实播放序列逐个作差,并除以对应的真实播放序列,得到预测准确率序列;将预测准确率序列进行聚合,得到最终的预测准确率。聚合方法包括但不限于求和、求平均和求最大值等。
如果第一播放序列包括不可靠的平台网络资源,将会导致预测准确率的降低。因此,从第一播放序列中确定降低预测准确率的不可靠的网络资源。为了方便描述和区分,将第一播放序列中降低预测准确率的平台网络资源称为目标网络资源。
在一可选实施方式中,根据平台网络资源的播放趋势,如果第一历史时间段具有新上线的活动、新上线的大型直播赛事,或者大型宣传的节目等,会导致播放量的骤然增加,而使降低第二播放序列相对于真实播放序列的预测准确率。因此,将新上线的活动、新上线的大型直播赛事,或者大型宣传的节目的播放量认为是降低预测准确率的目标网络资源。
在另一可选实施方式中,在第一播放序列中,查找恶意播放的平台网络资源。例如,同一IP地址在短时间内多次播放同一网络资源,可认为该恶意播放的网络资源为目标网络资源。
S150、在真实播放序列中删除目标网络资源的播放量,根据更新后的真实播放序列预测平台网络资源播放量在未来时间段的播放序列。
从真实播放序列中删除目标网络资源的播放量之后,得到具有可靠性的真实播放序列。继而,根据更新后的真实播放序列预测平台网络资源播放量在未来时间段的播放序列。
根据更新后的真实播放序列预测平台网络资源播放量在未来时间段的播放序列时,可采用时间序列预测法,具体详见S120中的描述,此处不再赘述。
本发明实施例中,利用平台网络资源播放量随时间变化的规律,根据第二历史时间段的真实时间序列预测未来时间序列;考虑到预测所依据的数据中可能包括不可靠的数据,降低预测准确率,则根据平台网络资源播放量在第一历史时间段的第一播放序列预测第二历史时间段的第二播放序列,并根据第二播放序列相对于真实播放序列的预测准确率,从第一播放序列中确定降低预测准确率的目标网络资源,也就是,通过历史时段的预测准确率,确定降低预测准确率的目标网络资源,进而从真实播放序列中删除目标网络资源的播放量,保证真实播放序列的可靠性,进而提高对未来时间段的播放序列的预测准确性。
实施例二
图2是本发明实施例二提供的一种平台网络资源播放量的预测方法的流程图。本实施例对上述实施例的各可选实施方式进一步优化。本实施例限定了目标网络资源的确定方法。结合图2,本实施例提供的方法包括以下操作:
S210、获取平台网络资源播放量在第一历史时间段的第一播放序列。
S220、根据第一播放序列预测平台网络资源播放量在第二历史时间段的第二播放序列,第二历史时间段晚于第一历史时间段。
S230、获取平台网络资源播放量在第二历史时间段的真实播放序列。
S240、判断第二播放序列相对于真实播放序列的预测准确率是否小于等于预测准确率阈值,如果是,跳转到S241;如果否,跳转到S242。
S241、从第一播放序列中,删除满足极值条件的平台网络资源播放量。继续执行S250。
其中,满足极值条件为在至少一个时间段中播放量最高或最低,或者在连续时间段中播放量的最高值与最低值的差值最大。满足极值条件的平台网络资源播放量可能是偶然因素或者恶意因素导致的,不具有可靠性,因此不应用于预测未来时间段的播放序列。
在删除平台网络资源播放量之后,继续根据更新后的第一播放序列预测第二播放序列,如果预测准确率仍然小于等于预测准确率阈值,说明第一播放序列中仍然存在不可靠的平台网络资源播放量,则继续在更新后的第一播放序列中,删除满足极值条件的平台网络资源播放量,直到预测准确率大于预测准确率阈值。
S242、在真实播放序列中删除目标网络资源的播放量,根据更新后的真实播放序列预测平台网络资源播放量在未来时间段的播放序列。
在一可选实施方式中,从真实播放序列中删除目标网络资源播放量之前或者之后,获取第二历史时间段的平台网络资源在未来时间段的时效性信息;根据第二历史时间段的平台网络资源在未来时间段的时效性信息,确定未来时间段中失效的平台网络资源;从真实播放序列中,删除未来时间段中失效的平台网络资源的播放量。
其中,时效性信息指平台网络资源在某个时间段是否有效的信息。假设平台网络资源是直播视频,该直播视频的有效期长达1个月。如果该直播视频在第二历史时间段中已播放了一个月,则其在未来时间段无效;如果该直播视频在第二历史时间段中未播放满一个月,则其在未来时间段中将会继续播放,即该直播视频在未来时间段有效。
如果平台网络资源在第二历史时间段中有效,而在未来时间段中无效,则该平台网络资源的播放量也不具有可靠性,不应用于预测未来时间段的播放序列。
S250、汇总从第一播放序列中历次删除的平台网络资源播放量对应的网络资源,得到目标网络资源。返回执行S220。
本实施例中,通过从第一播放序列中,删除满足极值条件的平台网络资源播放量,并反复经过预测准确率的校验,汇总得到目标网络资源,在真实播放序列中删除目标网络资源的播放量,有利于提高预测的准确率;通过确定未来时间段中失效的平台网络资源,从真实播放序列中,删除未来时间段中失效的平台网络资源的播放量,从而进一步提高了真实播放序列的可靠性,提高播放量预测的准确率。
实施例三
本实施例在上述各实施例的可选实施方式的基础上进一步优化,具体地,根据更新后的真实播放序列预测平台网络资源播放量在未来时间段的播放序列,包括:将更新后的真实播放序列输入至预测模型中,得到预测模型输出的平台网络资源播放量在未来时间段的播放序列。
本实施例通过预测模型进行预测。可选地,预测模型包括但不限于属于回归预测类型的自回归滑动平均(Autoregressive moving average,ARMA)模型、移动平均(Moving-Average,MA)模型和自回归(Auto-regressive,AR)模型。当然,预测模型还包括基于长短时记忆的神经网络模型、卡尔曼滤波预测模型和趋势外推预测等。
图3是本发明实施例三提供的一种平台网络资源播放量的预测方法的流程图,采用属于回归预测类型的模型进行预测。具体操作如下:
S310、获取平台网络资源播放量在第一历史时间段的第一播放序列。
S320、根据第一播放序列预测平台网络资源播放量在第二历史时间段的第二播放序列,第二历史时间段晚于第一历史时间段。
S330、获取平台网络资源播放量在第二历史时间段的真实播放序列。
S340、根据第二播放序列相对于真实播放序列的预测准确率,从第一播放序列中确定降低预测准确率的目标网络资源。
S350、在真实播放序列中删除目标网络资源的播放量。
S360、对更新后的真实播放序列进行宽平稳处理,得到宽平稳序列。
具体地,根据更新后的真实播放序列,绘制折线图,查看发展趋势,检验播放序列是否为宽平稳序列。对于非宽平稳序列用差分处理成新的播放序列后,再次检验宽平稳性。如果仍然不满足宽平稳性,则再次进行差分处理,直至其为宽平稳序列为止。
S361、根据宽平稳序列的自相关系数图和偏自相关系数图,选择预测模型的结构。
具体地,计算宽平稳序列的自相关系数图和偏自相关系数图,查看每个图的截尾和拖尾情况。如果自相关系数图拖尾但偏自相关系数图截尾则选择AR模型,并根据截尾阶数初步选择模型的几个阶数;如果自相关系数图截尾且偏自相关系数图拖尾则选择MA模型;如果两个系数都表现出拖尾情况,则选择ARMA模型,并根据拖尾阶数和截尾阶数初步选择模型的几个阶数。
S362、采用赤池信息准则AIC或者贝叶斯信息准则BIC,确定预测模型的阶数。
其中,赤池信息准则(Akaike Information Criterion,AIC)和贝叶斯信息准则(Bayesian Information Criterion,BIC)是典型的模型拟合优良性标准,在模型复杂度与模型对数据集描述能力(即似然函数)之间寻求最佳平衡,通过加入模型复杂度的惩罚项来避免过拟合问题。
本实施例中,通过AIC或者BIC对预测模型进行精确定阶。AIC和BIC可以有效弥补根据自相关图和偏自相关图定阶的主观性,在有限的阶数范围内帮助寻找相对最优的拟合模型的阶数。
S363、从宽平稳序列中截取样本播放序列,采用样本播放序列确定预测模型中的未知参数。
可选地,从宽平稳序列的任意位置截取连续的样本播放序列,并采用样本播放序列确定预测模型中的未知参数。
以ARMA模型为例,ARMA模型模型参数估计一般分两步:首先,采用矩估计直接法,矩估计的逆函数法或者矩估计的逆相关函数法,根据样本播放序列找出模型参数的初估计。然后,在初估计的基础上,采用最小二乘法或者近似极大似然估计发,精确估计模型参数。
在确定模型中的未知参数之后,对预测模型进行检验,例如参数估计的显著性检验和残差序列的随机性检测。具体地检验方法参见现有技术,此处不再赘述。将通过检验的预测模型用于未来时间段的播放序列的预测,未通过检测的预测模型则丢弃,并重新进行宽平稳处理,直到预测模型通过检验。
S370、将更新后的真实播放序列输入至预测模型中,得到预测模型输出的平台网络资源播放量在未来时间段的播放序列。
值得说明的是,在S320处,可以将第一播放序列输入至预测模型中,得到预测模型输出的平台网络资源播放量在第二历史时间段的第二播放序列。
此处的预测模型的建立过程包括:对第一播放序列进行宽平稳处理,得到宽平稳序列;根据宽平稳序列的自相关系数图和偏自相关系数图,选择预测模型的结构;采用AIC或者BIC,确定预测模型的阶数;从宽平稳序列中截取样本播放序列,采用样本播放序列确定预测模型中的未知参数。具体描述详见上述实施例,此处不再赘述。
本实施例中,将AR模型、MA模型或者ARMA模型应用到平台网络资源播放量的应用场景中,准确预测出平台网络资源播放量在未来时间段的播放序列。
在上述各实施例和下述各实施例中,在根据更新后的真实播放序列预测平台网络资源播放量在未来时间段的播放序列之后,还包括:判断平台网络资源播放量在未来时间段的播放序列是否低于预设阈值;如果平台网络资源播放量在未来时间段的播放序列低于预设阈值,输出平台网络资源播放量的预警信息。
可选地,在未来时间段的播放序列中选择最低的播放量,或者计算平均播放量,判断最低的播放量或者平均播放量是否低于预设阈值。如果低于预设阈值,说明未来时间段的播放量下滑,输出平台网络资源播放量的预警信息。预警信息用于指示未来时间段的播放量下滑,以提示平台网络资源的管理人员及时上线新的网络资源。
在上述各实施例和下述各实施例中,在根据更新后的真实播放序列预测平台网络资源播放量在未来时间段的播放序列之后,还包括:根据平台网络资源播放量在未来时间段的播放序列,确定平台网络资源播放量的等级;根据平台网络资源播放量的等级,配置供未来时间段使用的设备资源;设备资源至少包括网络分发节点、服务器和存储器中的一种。
根据平台网络资源播放量在未来时间段的播放序列,确定平台网络资源播放量的等级;根据平台网络资源播放量的等级,配置供未来时间段使用的设备资源。
可选地,预先设置平台网络资源播放量的等级和每个等级对应的播放量范围;根据未来时间段的播放序列和预设的播放量范围,确定平台网络资源播放量的等级。例如等级1对应1万至10万,等级2对应10万至100万,等级3对应100万以上。可见,等级越高,平台网络资源的播放量越大,则需要配置更多的设备资源,以满足未来时间段的播放需求。其中,设备资源至少包括网络分发节点、服务器和存储器中的一种。存储器用于存储平台网络资源,服务器用于将平台网络资源的下发任务配置到网络分发节点,网络分发节点用于根据下发任务从存储器中读取平台网络资源,并下发到用户终端。
实施例四
图4是本发明实施例四提供的一种平台网络资源播放量的预测装置的结构示意图。本实施例可适用于通过平台网络资源播放量在历史时间段的真实播放序列,预测平台网络资源播放量在未来时段的播放序列的情况。结合图4,本实施例提供的装置包括:第一获取模块41、预测模块42、第二获取模块43、确定模块44和删除和预测模块45。
第一获取模块41,用于获取平台网络资源播放量在第一历史时间段的第一播放序列;
预测模块42,用于根据第一播放序列预测平台网络资源播放量在第二历史时间段的第二播放序列,第二历史时间段晚于第一历史时间段;
第二获取模块43,用于获取平台网络资源播放量在第二历史时间段的真实播放序列;
确定模块44,用于根据第二播放序列相对于真实播放序列的预测准确率,从第一播放序列中确定降低预测准确率的目标网络资源;
删除和预测模块45,用于在真实播放序列中删除目标网络资源的播放量,根据更新后的真实播放序列预测平台网络资源播放量在未来时间段的播放序列。
本发明实施例中,利用平台网络资源播放量随时间变化的规律,根据第二历史时间段的真实时间序列预测未来时间序列;考虑到预测所依据的数据中可能包括不可靠的数据,降低预测准确率,则根据平台网络资源播放量在第一历史时间段的第一播放序列预测第二历史时间段的第二播放序列,并根据第二播放序列相对于真实播放序列的预测准确率,从第一播放序列中确定降低预测准确率的目标网络资源,也就是,通过历史时段的预测准确率,确定降低预测准确率的目标网络资源,进而从真实播放序列中删除目标网络资源的播放量,保证真实播放序列的可靠性,进而提高对未来时间段的播放序列的预测准确性。
可选地,确定模块44在根据第二播放序列相对于真实播放序列的预测准确率,从第一播放序列中确定降低预测准确率的目标网络资源时,具体用于:如果第二播放序列相对于真实播放序列的预测准确率小于等于预测准确率阈值,从第一播放序列中,删除满足极值条件的平台网络资源播放量;汇总从第一播放序列中历次删除的平台网络资源播放量对应的网络资源,得到目标网络资源;返回执行根据第一播放序列预测平台网络资源播放量在第二历史时间段的第二播放序列的操作,直到预测准确率大于预测准确率阈值。
可选地,该装置还包括删除模块,用于在根据更新后的真实播放序列预测平台网络资源播放量在未来时间段的播放序列之前,获取第二历史时间段的平台网络资源在未来时间段的时效性信息;根据第二历史时间段的平台网络资源在未来时间段的时效性信息,确定未来时间段中失效的平台网络资源;从真实播放序列中,删除未来时间段中失效的平台网络资源的播放量。
可选地,删除和预测模块45在根据更新后的真实播放序列预测平台网络资源播放量在未来时间段的播放序列时,具体用于:将更新后的真实播放序列输入至预测模型中,得到预测模型输出的平台网络资源播放量在未来时间段的播放序列。
可选地,该装置还包括模型建立模块,用于在将更新后的真实播放序列输入至预测模型中,得到预测模型输出的平台网络资源播放量在未来时间段的播放序列之前,对更新后的真实播放序列进行宽平稳处理,得到宽平稳序列;根据宽平稳序列的自相关系数图和偏自相关系数图,选择预测模型的结构;采用赤池信息准则AIC或者贝叶斯信息准则BIC,确定预测模型的阶数;从宽平稳序列中截取样本播放序列,采用样本播放序列确定预测模型中的未知参数;预测模型包括自回归滑动平均模型、移动平均模型或者自回归模型。
可选地,该装置还包括预警模块,用于在根据更新后的真实播放序列预测平台网络资源播放量在未来时间段的播放序列之后,判断平台网络资源播放量在未来时间段的播放序列是否低于预设阈值;如果平台网络资源播放量在未来时间段的播放序列低于预设阈值,输出平台网络资源播放量的预警信息。
可选地,该装置还包括配置模块,用于在根据更新后的真实播放序列预测平台网络资源播放量在未来时间段的播放序列之后,根据平台网络资源播放量在未来时间段的播放序列,确定平台网络资源播放量的等级;根据平台网络资源播放量的等级,配置供未来时间段使用的设备资源;设备资源至少包括网络分发节点、服务器和存储器中的一种。
可选地,第一获取模块41在获取平台网络资源播放量在第一历史时间段的第一播放序列时,具体用于:获取直播平台的视频播放量在第一历史时间段的日播放序列。
本发明实施例所提供的平台网络资源播放量的预测装置可执行本发明任意实施例所提供的平台网络资源播放量的预测方法,具备执行方法相应的功能模块和有益效果。
实施例五
图5是本发明实施例五提供的一种电子设备的结构示意图,如图5所示,该电子设备包括处理器50、存储器51;电子设备中处理器50的数量可以是一个或多个,图5中以一个处理器50为例;电子设备中的处理器50、存储器51可以通过总线或其他方式连接,图5中以通过总线连接为例。
存储器51作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的平台网络资源播放量的预测方法对应的程序指令/模块(例如,平台网络资源播放量的预测装置中的第一获取模块41、预测模块42、第二获取模块43、确定模块44和删除和预测模块45)。处理器50通过运行存储在存储器51中的软件程序、指令以及模块,从而执行电子设备的各种功能应用以及数据处理,即实现上述的平台网络资源播放量的预测方法。
存储器51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;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器51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、或其他非易失性固态存储器件。在一些实例中,存储器51可进一步包括相对于处理器50远程设置的存储器,这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实施例六
本发明实施例六还提供一种其上存储有计算机程序的计算机可读存储介质,该计算机程序在由计算机处理器执行时用于执行一种平台网络资源播放量的预测方法,该方法包括:
获取平台网络资源播放量在第一历史时间段的第一播放序列;
根据第一播放序列预测平台网络资源播放量在第二历史时间段的第二播放序列,第二历史时间段晚于第一历史时间段;
获取平台网络资源播放量在第二历史时间段的真实播放序列;
根据第二播放序列相对于真实播放序列的预测准确率,从第一播放序列中确定降低预测准确率的目标网络资源;
在真实播放序列中删除目标网络资源的播放量,根据更新后的真实播放序列预测平台网络资源播放量在未来时间段的播放序列。
当然,本发明实施例所提供的一种其上存储有计算机程序的计算机可读存储介质,该计算机程序不限于如上的方法操作,还可以执行本发明任意实施例所提供的平台网络资源播放量的预测方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。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可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,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的方法。
值得注意的是,上述平台网络资源播放量的预测装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (12)
1.一种平台网络资源播放量的预测方法,其特征在于,包括:
获取平台网络资源播放量在第一历史时间段的第一播放序列;
根据所述第一播放序列预测平台网络资源播放量在第二历史时间段的第二播放序列,所述第二历史时间段晚于所述第一历史时间段;
获取平台网络资源播放量在第二历史时间段的真实播放序列;
根据所述第二播放序列相对于所述真实播放序列的预测准确率,从所述第一播放序列中确定降低所述预测准确率的目标网络资源;
在所述真实播放序列中删除所述目标网络资源的播放量,根据更新后的真实播放序列预测所述平台网络资源播放量在未来时间段的播放序列;
在所述根据更新后的真实播放序列预测所述平台网络资源播放量在未来时间段的播放序列之前,还包括:
获取第二历史时间段的平台网络资源在未来时间段的时效性信息;
根据所述第二历史时间段的平台网络资源在未来时间段的时效性信息,确定未来时间段中失效的平台网络资源;
从所述真实播放序列中,删除所述未来时间段中失效的平台网络资源的播放量。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第二播放序列相对于所述真实播放序列的预测准确率,从所述第一播放序列中确定降低所述预测准确率的目标网络资源,包括:
如果所述第二播放序列相对于所述真实播放序列的预测准确率小于等于预测准确率阈值,从所述第一播放序列中,删除满足极值条件的平台网络资源播放量;
汇总从第一播放序列中历次删除的平台网络资源播放量对应的网络资源,得到所述目标网络资源;
返回执行根据所述第一播放序列预测平台网络资源播放量在第二历史时间段的第二播放序列的操作,直到所述预测准确率大于所述预测准确率阈值。
3.根据权利要求1所述的方法,其特征在于,所述根据更新后的真实播放序列预测所述平台网络资源播放量在未来时间段的播放序列,包括:
将更新后的真实播放序列输入至预测模型中,得到所述预测模型输出的所述平台网络资源播放量在未来时间段的播放序列。
4.根据权利要求3所述的方法,其特征在于,在所述将更新后的真实播放序列输入至预测模型中,得到所述预测模型输出的所述平台网络资源播放量在未来时间段的播放序列之前,还包括:
对所述更新后的真实播放序列进行宽平稳处理,得到宽平稳序列;
根据所述宽平稳序列的自相关系数图和偏自相关系数图,选择预测模型的结构;
采用赤池信息准则AIC或者贝叶斯信息准则BIC,确定所述预测模型的阶数;
从所述宽平稳序列中截取样本播放序列,采用所述样本播放序列确定所述预测模型中的未知参数;
所述预测模型包括自回归滑动平均模型、移动平均模型或者自回归模型。
5.根据权利要求1-4任一项所述的方法,其特征在于,在所述根据更新后的真实播放序列预测所述平台网络资源播放量在未来时间段的播放序列之后,还包括:
判断所述平台网络资源播放量在未来时间段的播放序列是否低于预设阈值;
如果所述平台网络资源播放量在未来时间段的播放序列低于所述预设阈值,输出平台网络资源播放量的预警信息。
6.根据权利要求1-4任一项所述的方法,其特征在于,在所述根据更新后的真实播放序列预测所述平台网络资源播放量在未来时间段的播放序列之后,还包括:
根据所述平台网络资源播放量在未来时间段的播放序列,确定所述平台网络资源播放量的等级;
根据所述平台网络资源播放量的等级,配置供未来时间段使用的设备资源;
所述设备资源至少包括网络分发节点、服务器和存储器中的一种。
7.根据权利要求1-4任一项所述的方法,其特征在于,所述获取平台网络资源播放量在第一历史时间段的第一播放序列,包括:
获取直播平台的视频播放量在第一历史时间段的日播放序列。
8.一种平台网络资源播放量的预测方法,其特征在于,包括:
获取平台网络资源播放量在第一历史时间段的第一播放序列;
根据所述第一播放序列预测平台网络资源播放量在第二历史时间段的第二播放序列,所述第二历史时间段晚于所述第一历史时间段;
获取平台网络资源播放量在第二历史时间段的真实播放序列;
根据所述第二播放序列相对于所述真实播放序列的预测准确率,从所述第一播放序列中确定降低所述预测准确率的目标网络资源;
在所述真实播放序列中删除所述目标网络资源的播放量,根据更新后的真实播放序列预测所述平台网络资源播放量在未来时间段的播放序列;
所述根据所述第二播放序列相对于所述真实播放序列的预测准确率,从所述第一播放序列中确定降低所述预测准确率的目标网络资源,包括:
如果所述第二播放序列相对于所述真实播放序列的预测准确率小于等于预测准确率阈值,从所述第一播放序列中,删除满足极值条件的平台网络资源播放量;
汇总从第一播放序列中历次删除的平台网络资源播放量对应的网络资源,得到所述目标网络资源;
返回执行根据所述第一播放序列预测平台网络资源播放量在第二历史时间段的第二播放序列的操作,直到所述预测准确率大于所述预测准确率阈值。
9.一种平台网络资源播放量的预测装置,其特征在于,包括:
第一获取模块,用于获取平台网络资源播放量在第一历史时间段的第一播放序列;
预测模块,用于根据所述第一播放序列预测平台网络资源播放量在第二历史时间段的第二播放序列,所述第二历史时间段晚于所述第一历史时间段;
第二获取模块,用于获取平台网络资源播放量在第二历史时间段的真实播放序列;
确定模块,用于根据所述第二播放序列相对于所述真实播放序列的预测准确率,从所述第一播放序列中确定降低所述预测准确率的目标网络资源;
删除和预测模块,用于在所述真实播放序列中删除所述目标网络资源的播放量,根据更新后的真实播放序列预测所述平台网络资源播放量在未来时间段的播放序列;
所述装置还包括删除模块,用于在根据更新后的真实播放序列预测平台网络资源播放量在未来时间段的播放序列之前,获取第二历史时间段的平台网络资源在未来时间段的时效性信息;根据第二历史时间段的平台网络资源在未来时间段的时效性信息,确定未来时间段中失效的平台网络资源;从真实播放序列中,删除未来时间段中失效的平台网络资源的播放量。
10.一种平台网络资源播放量的预测装置,其特征在于,包括:
第一获取模块,用于获取平台网络资源播放量在第一历史时间段的第一播放序列;
预测模块,用于根据所述第一播放序列预测平台网络资源播放量在第二历史时间段的第二播放序列,所述第二历史时间段晚于所述第一历史时间段;
第二获取模块,用于获取平台网络资源播放量在第二历史时间段的真实播放序列;
确定模块,用于根据所述第二播放序列相对于所述真实播放序列的预测准确率,从所述第一播放序列中确定降低所述预测准确率的目标网络资源;
删除和预测模块,用于在所述真实播放序列中删除所述目标网络资源的播放量,根据更新后的真实播放序列预测所述平台网络资源播放量在未来时间段的播放序列;
所述确定模块在根据第二播放序列相对于真实播放序列的预测准确率,从第一播放序列中确定降低预测准确率的目标网络资源时,具体用于:
如果第二播放序列相对于真实播放序列的预测准确率小于等于预测准确率阈值,从第一播放序列中,删除满足极值条件的平台网络资源播放量;
汇总从第一播放序列中历次删除的平台网络资源播放量对应的网络资源,得到目标网络资源;
返回执行根据第一播放序列预测平台网络资源播放量在第二历史时间段的第二播放序列的操作,直到预测准确率大于预测准确率阈值。
11.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-8中任一所述的平台网络资源播放量的预测方法。
12.一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,该程序被处理器执行时实现如权利要求1-8中任一所述的平台网络资源播放量的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910446487.9A CN112004120B (zh) | 2019-05-27 | 2019-05-27 | 平台网络资源播放量的预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910446487.9A CN112004120B (zh) | 2019-05-27 | 2019-05-27 | 平台网络资源播放量的预测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112004120A CN112004120A (zh) | 2020-11-27 |
CN112004120B true CN112004120B (zh) | 2023-10-13 |
Family
ID=73461715
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910446487.9A Active CN112004120B (zh) | 2019-05-27 | 2019-05-27 | 平台网络资源播放量的预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112004120B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112511901B (zh) * | 2020-12-07 | 2023-01-24 | 北京秒针人工智能科技有限公司 | 综艺剧目播放量预测方法、系统、计算机设备及存储介质 |
CN114979679A (zh) * | 2021-02-26 | 2022-08-30 | 北京字跳网络技术有限公司 | 一种资源下发方法、装置、设备和存储介质 |
CN115086705A (zh) * | 2021-03-12 | 2022-09-20 | 北京字跳网络技术有限公司 | 一种资源预加载方法、装置、设备和存储介质 |
CN113052375A (zh) * | 2021-03-19 | 2021-06-29 | 上海森宇文化传媒股份有限公司 | 一种预测剧集播放量的方法和装置 |
CN116582702B (zh) * | 2023-07-11 | 2023-09-15 | 成都工业职业技术学院 | 一种基于大数据的网络视频播放量预测方法、系统及介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007086376A1 (ja) * | 2006-01-24 | 2007-08-02 | Sony Corporation | 音響再生装置、音響再生方法および音響再生プログラム |
JP2008167962A (ja) * | 2007-01-12 | 2008-07-24 | Konami Digital Entertainment:Kk | ゲーム端末、ゲームシステム、プログラムおよび記録媒体 |
CN102438147A (zh) * | 2011-12-23 | 2012-05-02 | 上海交通大学 | 帧内同步立体视频多参考帧模式视间预测编码及解码方法 |
CN103313307A (zh) * | 2013-05-31 | 2013-09-18 | 中国联合网络通信集团有限公司 | 网络资源配置方法和装置 |
CN103914475A (zh) * | 2013-01-05 | 2014-07-09 | 腾讯科技(北京)有限公司 | 一种视频播放量的预测方法、系统和装置 |
WO2017182304A1 (en) * | 2016-04-22 | 2017-10-26 | Spotify Ab | System and method for breaking artist prediction in a media content environment |
CN107707964A (zh) * | 2016-08-08 | 2018-02-16 | 华为软件技术有限公司 | 预测视频内容热度的方法和装置 |
CN107787015A (zh) * | 2017-10-30 | 2018-03-09 | 中国联合网络通信集团有限公司 | 基于大数据的网络调整方法和装置 |
US10032145B1 (en) * | 2011-09-29 | 2018-07-24 | Google Llc | Video revenue sharing program |
CN108769746A (zh) * | 2018-05-31 | 2018-11-06 | 深圳市零度智控科技有限公司 | 视频数据流量控制方法、系统、服务器及存储介质 |
CN108848520A (zh) * | 2018-05-28 | 2018-11-20 | 西安交通大学 | 一种基于流量预测与基站状态的基站休眠方法 |
CN108989889A (zh) * | 2018-08-09 | 2018-12-11 | 北京奇艺世纪科技有限公司 | 一种视频播放量预测方法、装置及电子设备 |
CN109218829A (zh) * | 2018-10-30 | 2019-01-15 | 中山大学 | 一种基于傅里叶变换的视频播放量可预测性分类方法 |
CN109522470A (zh) * | 2018-11-06 | 2019-03-26 | 汪浩 | 一种视频热度预测方法、装置、设备及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7146627B1 (en) * | 1998-06-12 | 2006-12-05 | Metabyte Networks, Inc. | Method and apparatus for delivery of targeted video programming |
US8554616B2 (en) * | 2001-10-27 | 2013-10-08 | Real Image Media Technologies, Ltd. | Remotely configurable media and advertisement player and methods of manufacture and operation thereof |
US20070245376A1 (en) * | 2006-04-13 | 2007-10-18 | Concert Technology Corporation | Portable media player enabled to obtain previews of media content |
US20120130805A1 (en) * | 2010-11-18 | 2012-05-24 | Google Inc. | Selecting media advertisements for presentation based on their predicted playtimes |
US9672213B2 (en) * | 2014-06-10 | 2017-06-06 | Sonos, Inc. | Providing media items from playback history |
-
2019
- 2019-05-27 CN CN201910446487.9A patent/CN112004120B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007086376A1 (ja) * | 2006-01-24 | 2007-08-02 | Sony Corporation | 音響再生装置、音響再生方法および音響再生プログラム |
JP2008167962A (ja) * | 2007-01-12 | 2008-07-24 | Konami Digital Entertainment:Kk | ゲーム端末、ゲームシステム、プログラムおよび記録媒体 |
US10032145B1 (en) * | 2011-09-29 | 2018-07-24 | Google Llc | Video revenue sharing program |
CN102438147A (zh) * | 2011-12-23 | 2012-05-02 | 上海交通大学 | 帧内同步立体视频多参考帧模式视间预测编码及解码方法 |
CN103914475A (zh) * | 2013-01-05 | 2014-07-09 | 腾讯科技(北京)有限公司 | 一种视频播放量的预测方法、系统和装置 |
CN103313307A (zh) * | 2013-05-31 | 2013-09-18 | 中国联合网络通信集团有限公司 | 网络资源配置方法和装置 |
WO2017182304A1 (en) * | 2016-04-22 | 2017-10-26 | Spotify Ab | System and method for breaking artist prediction in a media content environment |
CN107707964A (zh) * | 2016-08-08 | 2018-02-16 | 华为软件技术有限公司 | 预测视频内容热度的方法和装置 |
CN107787015A (zh) * | 2017-10-30 | 2018-03-09 | 中国联合网络通信集团有限公司 | 基于大数据的网络调整方法和装置 |
CN108848520A (zh) * | 2018-05-28 | 2018-11-20 | 西安交通大学 | 一种基于流量预测与基站状态的基站休眠方法 |
CN108769746A (zh) * | 2018-05-31 | 2018-11-06 | 深圳市零度智控科技有限公司 | 视频数据流量控制方法、系统、服务器及存储介质 |
CN108989889A (zh) * | 2018-08-09 | 2018-12-11 | 北京奇艺世纪科技有限公司 | 一种视频播放量预测方法、装置及电子设备 |
CN109218829A (zh) * | 2018-10-30 | 2019-01-15 | 中山大学 | 一种基于傅里叶变换的视频播放量可预测性分类方法 |
CN109522470A (zh) * | 2018-11-06 | 2019-03-26 | 汪浩 | 一种视频热度预测方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
Ling Zhu et.al.《Inter-viewipredicted redundant pictures for viewpoint switching in multiciew video streaming》.《2010 IEEE International Conference on Acoustics,Speech and Signal Processing》.2010,全文. * |
李鉴桥.《基于神经网络的视频网站自制节目播放量的预测建模》.《中国传媒大学学报自然科学版》.2017,第24卷(第6期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN112004120A (zh) | 2020-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112004120B (zh) | 平台网络资源播放量的预测方法、装置、设备及存储介质 | |
US8291075B1 (en) | Detecting events of interest | |
Moreira et al. | SPI-based drought category prediction using loglinear models | |
Pezzoni et al. | Why do I retweet it? An information propagation model for microblogs | |
Webb et al. | Revenue management forecasting: The resiliency of advanced booking methods given dynamic booking windows | |
CN105183873A (zh) | 恶意点击行为检测方法及装置 | |
EP4198775A1 (en) | Abnormal user auditing method and apparatus, electronic device, and storage medium | |
CN110049372B (zh) | 主播稳定留存率的预测方法、装置、设备及存储介质 | |
WO2017067141A1 (zh) | 基于众包模式的移动Apps对无线网路资源利用的分析方法 | |
CN108959319B (zh) | 信息推送方法和装置 | |
US10116759B2 (en) | Method, apparatus and computer for identifying state of user of social network | |
CN108366012B (zh) | 一种社交关系建立方法、装置及电子设备 | |
CN112016773A (zh) | 一种确定潜力主播的方法及装置 | |
CN111740865B (zh) | 一种流量波动趋势预测方法、装置及电子设备 | |
CN107093092B (zh) | 数据分析方法和装置 | |
CN111598457A (zh) | 一种电力无线网络质量的确定方法及装置 | |
CN110796591A (zh) | 一种gpu卡的使用方法及相关设备 | |
US20160189237A1 (en) | Web page viewership prediction | |
CN110743169A (zh) | 基于区块链的防作弊方法及系统 | |
CN108111591B (zh) | 推送消息的方法、装置及计算机可读存储介质 | |
CN113821574A (zh) | 用户行为分类方法和装置及存储介质 | |
CN110659954B (zh) | 作弊识别方法、装置、电子设备及可读存储介质 | |
CN104992060A (zh) | 用户年龄估计方法及装置 | |
CN105094986B (zh) | 一种面向存储系统的突发访问行为的预测方法及装置 | |
CN111784173A (zh) | Ab实验数据处理方法、装置、服务器及介质 |
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 |