CN112767028A - 一种活跃用户数量的预测方法、计算机设备及存储介质 - Google Patents

Abstract

本发明公开了一种活跃用户数量的预测方法、计算机设备及存储介质，方法包括：获取历史活跃用户数据集，历史活跃用户数据集是指当前时间节点T之前的活跃用户数据的集合，其中，历史活跃用户数据集包括第一预测数据集和第二预测数据集；将第一预测数据集输入至第一预测模型，以使得根据第一预测数据集得到第一活跃用户数量集；将第二预测数据集输入至第二预测模型，以使得根据第二预测数据集得到第二活跃用户数量集；根据第一活跃用户数量集和第二活跃用户数量集，得到目标活跃用户数量，其中，目标活跃用户数量是指时间节点T+1对应的活跃用户数量；本发明能够预测未来的活跃用户数量，便于根据预测的活跃用户数量，调整监测方案。

Description

一种活跃用户数量的预测方法、计算机设备及存储介质

技术领域

本发明涉及信息处理技术领域，特别涉及一种活跃用户数量的预测方法、计算机设备及存储介质。

背景技术

目前，在一定区域设备数量和对应的用户数量是存在差异的，无法通过该地区的设备数量，反映出活跃用户数量，需要实时进行更新和调整基准值，对当日的活跃用户数量需要当日进行监控，无法预测出未来活跃用户数量，进而可以根据活跃用户数量调整基准参数和提供适合的监控方案。

发明内容

为了解决现有技术的问题，通过历史活跃用户数据集结合第一预测模型和第二预测，得到第一活跃用户数量集和第二活跃用户数量集，并根据第一活跃用户数量集和第二活跃用户数量集，预测未来的活跃用户数量，便于根据预测的活跃用户数量，调整监测方案；本发明实施例提供了一种活跃用户数量的预测方法、计算机设备及存储介质。所述技术方案如下：

一方面，一种活跃用户数量的预测方法，所述方法包括步骤：

获取历史活跃用户数据集，所述历史活跃用户数据集是指当前时间节点T之前的活跃用户数据的集合，其中，所述历史活跃用户数据集包括第一预测数据集和第二预测数据集；

将所述第一预测数据集输入至第一预测模型，以使得根据所述第一预测数据集得到第一活跃用户数量集；

将所述第二预测数据集输入至第二预测模型，以使得根据所述第二预测数据集得到第二活跃用户数量集；

根据所述第一活跃用户数量集和所述第二活跃用户数量集，得到目标活跃用户数量，其中，所述目标活跃用户数量是指时间节点T+1对应的活跃用户数量。

另一方面，一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如上述的活跃用户数量的预测方法。

另一方面，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至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如上述的活跃用户数量的预测方法。

本发明提供的一种活跃用户数量的预测方法、计算机设备及存储介质，具有如下技术效果：

本发明通过历史活跃用户数据集结合第一预测模型和第二预测，得到第一活跃用户数量集和第二活跃用户数量集，并根据第一活跃用户数量集和第二活跃用户数量集，预测未来的活跃用户数量，便于根据预测的活跃用户数量，调整监测方案，可见，本发明的技术方案能够根据历史用户数量预测的未来活跃用户数量，预测的未来活跃用户数量准确性高，便于根据未来活跃用户数量及时调整监测方案，并能够实时更新未来活跃用户数量。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，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，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种活跃用户数量的预测方法的流程示意图；

图2是本发明实施例提供的预测的活跃用户数量的对比示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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的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。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等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，以便这里描述的本发明的实施例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“具有”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、产品或服务器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。

本发明实施例提供的活跃用户数量的预测方法可以应用于任意具有数据处理能力的计算机设备，该计算机设备可以是终端或服务器，计算机设备在执行本发明实施例提供的视频库的索引表建立方法时，可以是独立执行，也可以通过集群协作的方式执行。

本实施例提供一种活跃用户数量的预测方法，图1是本实施例提供的一种活跃用户数量的预测方法的流程图，本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或服务器产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体的如图1所示，所述方法可以包括步骤：

S101、获取历史活跃用户数据集，所述历史活跃用户数据集是指当前时间节点T之前的活跃用户数据的集合，其中，所述历史活跃用户数据集包括第一预测数据集和第二预测数据集；

具体地，所述历史活跃用户数据集中历史活跃数据至少包括：当前时间节点T之前的活跃用户数量，所述活跃用户数量是指在固定地理区域内存在的用户数量，可以理解为：在A区域内存在的人口数量，所述人口数量可以等同于终端数量。

具体地，所述当前时间节点T是指具体的日期，例如，所述当前时间节点T可以为3月26日、时间节点T-1为3月25日、时间节点T+1为3月27日等。

具体地，所述第一预测数据集是指第一预测时间范围对应的活跃用户数据的集合，其中，所述第一时间范围为当前时间节点T之前一年以上；所述第一预测数据集包括多个按照时间顺序排列的第一样本数据，所述第一预测数据集A＝(A₁，A₂，……，A_i，……，A_m)，m≥365，所述A_i是指第i天的第一样本数据；例如，所述第一预设数据集是当前时间节点T之前500天的活跃用户数据的集合，因此，所述第一预测数据集A＝(A₁，A₂……，A_i，……，A₅₀₀)；可见，至少需要一整年以上的历史活跃用户数据对对未来的活跃用户数据进行预测，保证对未来活跃用户数量的预测的准确性。

具体的一个实施例中，所述方法还包括如下方法得到任一所述第一样本数据：

确定样本数据对应的时间节点T_i；

获取所述时间节点T_i之前的历史样本数据集；

将所述历史样本数据集进行特征提取，得到样本特征向量列表B，所述样本特征向量列表B＝(B₁，B₂，……，B_j，……，B_n)，所述B_j是指第j天的样本数据对应的特征向量；

将所述样本特征向量B_j进行预处理，得到所述样本特征向量B_j对应的预测值；

将所述样本特征向量B_j对应的预测值作为历史样本数据，得到下一个特征向量B_j+1对应的预测值；

以此类推，得到B₁至B_n分别对应的预测值和对应的预测值列表；

根据所述预测值列表，得到所述第一样本数据。

优选地，所述方法还包括如下方法得到所述预测值；

获取所述样本特征向量B_j，其中，所述样本特征向量B_j＝(B_j1，B_j2……，B_jv，……，B_jk)；

对所述所述样本特征向量B_j进行归一化处理，得到待测数据；

将所述待测数据输入至第一预测模型，以使得根据所述待测数据得到所述样本特征向量B_j对应的预测值。

优先地，所述第一样本数据是预测值列表对应的平均值，并通过上述实施例，能够还原全部第一样本数据A₁至A_m，在此不做赘述。

在上述实施例中，所述样本数据对应的时间节点Ti是指在所述当前时间节点之前的任一时间节点，T_i可以是指具体日期，例如，2月15日；所述历史样本数据集与历史活跃用户数据集相似，可以表征为所述样本数据对应的时间节点之前一年以上的活跃用户数据的集合，在对所述历史样本数据集进行特征提取，得到样本特征向量列表B，所述样本特征至少包括：真实用户数量、时间节点T_i状态和时间节点T_i之前7天内状态；为了更好的理解，例如，真实用户数量是指样本数据对应的时间节点T_i之前14日的真实用户数量；时间节点T_i状态是指时间节点T_i是否为工作日、节假日或周末，样本数据对应的时间节点T_i之前7天内状态是指本数据对应的时间节点之前7内每天是否为工作日、节假日或周末，共38个特征，即任一所述样本特征向量B_j＝(B_j1，B_j2……，B_jv，……，B_jk)，k＝38；可见，通过上述特征，进行归一化处理后的待测数据经过第一预测模型，能够准确的还原出时间节点T_i+1对应的历史活跃用户数量，历史活跃用户数据的准确进而对预测未来活跃用户更加准确。

在上述实施例中，所述节假日包括所有法定的节日对应的假期及其调休日期，例如，元旦、春节、清明、五一、端午、中秋、十一以及对应的所有调休日期。

S103、将所述第一预测数据集输入至第一预测模型，以使得根据所述第一预测数据集得到第一活跃用户数量集；

具体地，所述第一活跃用户数量集是指在时间节点T之后第一固定天数内的活跃用户数量，其中，所述第一固定天数为任一天数，优先地所述第一固定天数为7天，例如，当所述当前时间节点T为3月26日时，时间节点T+7为3月27至4月2中每天对应的活跃用户数量。

具体的一个实施例中，所述方法还包括如下方法得到第一活跃用户数量集：

将所述第一预测数据集输入至第一预测模型，得到时间节点T+1对应的活跃用户数量；

将所述时间节点T+1对应的活跃用户数量作为历史样本数据，得到下一个时间节点对应的活跃用户数量；

以此类推，得到时间节点T+1至时间节点T+7分别对应的活跃用户数量和第一活跃用户数量集。

在另一个实施例中，所述第一预测模型为任何预测活跃用户数量模型，优先地所述第一预测模型为线性回归模型，本实施例中不做限制。

S105、将所述第二预测数据集输入至第二预测模型，以使得根据所述第二预测数据集得到第二活跃用户数量集；

具体地，所述第二活跃用户数量集是指在时间节点T之后的第二固定天数内的活跃用户数量，其中，所述第二固定天数为任一天数，优先地所述第二固定天数小于所述第一固定天数，所述第二固定天数为3天，例如，当所述当前时间节点T为3月26日时，时间节点T+7为3月27至3月29中每天对应的活跃用户数量。

优先地，所述第二预测数据集是指第二预测时间段内的活跃用户数据的集合，其中，所述第二预测时间段范围为当前时间节点T之前至少一个月，即所述第二预测数据集C＝(C₁，C₂……，C_x，……，C_p)，p≥30；同时所述第二预测数据集可以为所述第一预测数据集中的部分数据形成的结合，但所述第二预测时间段范围小于第一预测时间段范围。

具体的一个实施例中，所述方法还包括如下方法得到第二活跃用户数量集：

将所述第二预测数据集中数据进行差分处理，得到第二样本数据并根据所述第二样本数据生成第二样本数据集；

将所述第二样本数据集输入至所述第二预测模型，得到第二活跃用户的预测值；

对所述第二活跃用户的预测值进行逆差分处理，得到第二活跃用户数量集。

在上述实施例中，将所述第二样本数据集输入至所述第二预测模型，得到第二活跃用户的预测值之前，还包括对所述第二预测模型中参数进行调整，即将自回归的阶数p调整为2和移动平均的阶数q调整为0。

在上述实施例中，所述差分处理是将历史活跃用户数量转换成公式数值；所述逆差分处理是将预测数值转换成活跃用户数量。

在另一个实施例中，所述第二预测模型为任何预测活跃用户数量模型，优先地，所述第二预测模型为差分整合移动平均自回归模型(Autoregressive Integrated MovingAverage model，简称“ARIMR”)；可见，通过ARIMR模型预测得到的活跃用户数量，与实际用户数量之间的差值较下，准确性高。

S107、根据所述第一活跃用户数量集和所述第二活跃用户数量集，得到目标活跃用户数量，其中，所述目标活跃用户数量是指时间节点T+1对应的活跃用户数量；

具体地，所述目标活跃用户数量是所述第一活跃用户数量集与所述第二活跃用户数量集的平均值，即将第一活跃用户数量集中时间节点T+1对应的活跃用户数量和第二活跃用户数量集中时间节点T+1对应的活跃用户数量两者求平均值。

在另一个实施例中，所述方法中还包括：将之前预测的时间节点T+1对应的活跃用户数量作为历史活跃用户数据集中的数据，对时间节点T+2对应的活跃用户数量进行预测，依次类推，预测时间节点T+3至时间节点T+D分别对应的活跃用户数量，D为任一天数；能够预测任意一天对应的活跃用户数量，预测数据范围广，准确性高。

在实际应用中，通过上述实施例的所述方法预测的活跃用户数量与实际的活跃用户数量对比，如表1所示：

表1[A1]

根据上述表1结合图2所示，其中，图2为预测的活跃用户数量的对比示意图，反映预测的活跃用户数量与实际的活跃用户数量趋势的对比，可知，本实施例提供的所述方法，通过历史活跃用户数据集结合第一预测模型和第二预测，得到第一活跃用户数量集和第二活跃用户数量集，并根据第一活跃用户数量集和第二活跃用户数量集，预测未来的活跃用户数量，便于根据预测的活跃用户数量，调整监测方案，因此，本发明的技术方案能够根据历史用户数量预测的未来活跃用户数量，预测的未来活跃用户数量准确性高，便于根据未来活跃用户数量及时调整监测方案，并能够实时更新未来活跃用户数量。

本发明的实施例还提供了一种计算机设备，包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如上述的活跃用户数量的预测方法。

本发明实施例的计算机设备以多种形式存在，包括但不限于：

(1)移动通信设备:这类设备的特点是具备移动通信功能，并且以提供话音、数据通信为主要样本。这类终端包括：智能手机(例如iPhone)、多媒体手机、功能性手机，以及低端手机等。

(2)超移动个人计算机设备:这类设备属于个人计算机的范畴，有计算和处理功能，一般也具备移动上网特性。这类终端包括:PDA、MID和UMPC设备等，例如iPad。

(3)便携式娱乐设备:这类设备可以显示和播放多媒体内容。该类设备包括:音频、视频播放器(例如iPod)，掌上游戏机，电子书，以及智能玩具和便携式车载导航设备。

(4)服务器:提供计算服务的设备，服务器的构成包括处理器、硬盘、内存、系统总线等，服务器和通用的计算机架构类似，但是由于需要提供高可靠的服务，因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。

(5)其他具有数据交互功能的电子装置。

本发明的实施例还提供了一种存储介质，所述存储介质可设置于电子设备之中以保存用于实现方法实施例中一种活跃用户数量的预测方法相关的至少一条指令或至少一段程序，该至少一条指令或该至少一段程序由该处理器加载并执行以实现上述方法实施例提供的活跃用户数量的预测方法。

可选地，在本实施例中，上述存储介质可以位于计算机网络的多个网络服务器中的至少一个网络服务器。可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置和电子设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种活跃用户数量的预测方法，其特征在于，所述方法包括如下：

获取历史活跃用户数据集，所述历史活跃用户数据集是指当前时间节点T之前的活跃用户数据的集合，其中，所述历史活跃用户数据集包括第一预测数据集和第二预测数据集；

将所述第一预测数据集输入至第一预测模型，以使得根据所述第一预测数据集得到第一活跃用户数量集；

将所述第二预测数据集输入至第二预测模型，以使得根据所述第二预测数据集得到第二活跃用户数量集；

根据所述第一活跃用户数量集和所述第二活跃用户数量集，得到目标活跃用户数量，其中，所述目标活跃用户数量是指时间节点T+1对应的活跃用户数量。

2.根据权利要求1所述的活跃用户数量的预测方法，其特征在于，所述第一预测数据集包括多个按照时间顺序排列的第一样本数据，所述第一预测数据集A＝(A₁，A₂，……，A_i，……，A_m)，所述Ai是指第i天的第一样本数据。

3.根据权利要求2所述的活跃用户数量的预测方法，其特征在于，所述方法还包括如下方法得到任一所述第一样本数据：

确定样本数据对应的时间节点Ti；

获取所述时间节点T_i之前的历史样本数据集；

将所述历史样本数据集进行特征提取，得到样本特征向量列表B，所述样本特征向量列表B＝(B₁，B₂，……，B_j，……，B_n)，所述B_j是指第j天的样本数据对应的特征向量；

将所述样本特征向量B_j进行预处理，得到所述样本特征向量Bj对应的预测值；

将所述样本特征向量B_j对应的预测值作为计算下一个特征向量B_j+1对应的预测值的历史样本数据，以此类推，得到B₁至B_n分别对应的预测值，并根据B₁至B_n分别对应的预测值，生成预测值列表；

根据所述预测值列表，得到所述第一样本数据。

4.根据权利要求3所述的活跃用户数量的预测方法，其特征在于，所述方法还包括如下方法得到所述预测值；

获取所述样本特征向量B_j，其中，所述样本特征向量Bj＝(B_j1，B_j2……，B_jv，……，B_jk)；

对所述所述样本特征向量B_j进行归一化处理，得到待测数据；

将所述待测数据输入至第一预测模型，以使得根据所述待测数据得到所述样本特征向量B_j对应的预测值。

5.根据权利要求1所述的活跃用户数量的预测方法，其特征在于，所述第一活跃用户数量集是指在时间节点T+7内的活跃用户数量。

6.根据权利要求1所述的活跃用户数量的预测方法，其特征在于，所述方法还包括如下方法得到第二活跃用户数量集：

将所述第二预测数据集中数据进行差分处理，得到第二样本数据并根据所述第二样本数据生成第二样本数据集

将所述第二样本数据集输入至所述第二预测模型，得到第二活跃用户的预测值；

对所述第二活跃用户的预测值进行逆差分处理，得到第二活跃用户数量集。

7.根据权利要求1所述的活跃用户数量的预测方法，其特征在于，所述第二活跃用户数量集是指在时间节点T+3内的活跃用户数量。

8.根据权利要求1所述的活跃用户数量的预测方法，其特征在于，所述目标活跃用户数量是所述第一活跃用户数量集与所述第二活跃用户数量集的平均值。

9.一种计算机设备，其特征在于，包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如权利要求1～8中任一项所述的活跃用户数量的预测方法。

10.一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至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如权利要求1～8任一项所述的活跃用户数量的预测方法。

Images