CN113821933A - App流量预测方法、装置、计算机设备及存储介质 - Google Patents
App流量预测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113821933A CN113821933A CN202111150293.8A CN202111150293A CN113821933A CN 113821933 A CN113821933 A CN 113821933A CN 202111150293 A CN202111150293 A CN 202111150293A CN 113821933 A CN113821933 A CN 113821933A
- Authority
- CN
- China
- Prior art keywords
- flow
- time period
- unit
- data
- target
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/02—CAD in a network environment, e.g. collaborative CAD or distributed simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/12—Timing analysis or timing optimisation
Abstract
本发明涉及数据分析领域,尤其涉及一种APP流量预测方法、装置、计算机设备及存储介质。获取与目标时间段对应的预设历史时间段;目标时间段包括至少一个预测时间周期;预设历史时间段包括至少两个单元时间段;从指定APP中获取预设历史时间段内的历史流量数据;根据历史流量数据,确定指定APP在单元时间段内的单元流量数据;将单元时间段作为自变量,单元流量数据作为因变量,输入第一预设数学模型中,通过第一预设数学模型确定自变量和因变量之间的单元经验系数;根据单元经验系数和单元流量数据确定目标时间段内的目标流量。本方法通过单元经验系数得到准确的预测目标流量数据,可提高流量预测的准确性,改善APP运行状况,提高用户粘性和转化率。
Description
技术领域
本发明涉及数据分析领域,尤其涉及一种APP流量预测方法、装置、计算机设备及存储介质。
背景技术
通常,应用APP(Application,应用程序)在上线运营后,运营人员需要监测和分析与流量相关的APP指标数据。其中,活跃指标、同比环比指标等是衡量APP上线后的运营状况的关键指标。通过分析APP上线后的关键指标数据可以很好地监控APP的运营情况,并根据当前运营情况设定合理的运营目标和运营方案。
在现有技术中,通常通过统计数据和运营人员的经验对运营目标进行设置,这种方式灵活性较差。当APP的关键指标数据的变化较大时,很难准确的预测出APP的流量数据,导致无法准确的预测运营目标,进而使得APP运营状况不佳,降低用户粘性和转化率。
发明内容
基于此,有必要针对上述技术问题,提供一种APP流量预测方法、装置、计算机设备及存储介质,以解决现有技术中不能准确预测APP流量的问题。
一种APP流量预测方法,包括:
获取与目标时间段对应的预设历史时间段;所述目标时间段包括至少一个预测时间周期;所述预设历史时间段包括至少两个单元时间段;
从指定APP中获取所述预设历史时间段内的历史流量数据;
根据所述历史流量数据,确定所述指定APP在各所述单元时间段内分别对应的单元流量数据;
将所述单元时间段作为自变量,对应的所述单元流量数据作为因变量,输入第一预设数学模型中,通过所述第一预设数学模型确定所述自变量和所述因变量之间的单元经验系数;
根据所述单元经验系数和所述单元流量数据确定所述目标时间段内的目标流量。
一种APP流量预测装置,包括:
历史时间段获取模块,用于获取与目标时间段对应的预设历史时间段;所述目标时间段包括至少一个预测时间周期;所述预设历史时间段包括至少两个单元时间段;
历史流量数据获取模块,用于从指定APP中获取所述预设历史时间段内的历史流量数据;
单元流量数据模块,用于根据所述历史流量数据,确定所述指定APP在各所述单元时间段内分别对应的单元流量数据;
单元经验系数模块,用于将所述单元时间段作为自变量,对应的所述单元流量数据作为因变量,输入第一预设数学模型中,通过所述第一预设数学模型确定所述自变量和所述因变量之间的单元经验系数;
目标流量模块,用于根据所述单元经验系数和所述单元流量数据确定所述目标时间段内的目标流量。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令,所述处理器执行所述计算机可读指令时实现上述APP流量预测方法。
一个或多个存储有计算机可读指令的可读存储介质,所述计算机可读指令被一个或多个处理器执行时,使得所述一个或多个处理器执行如上述APP流量预测方法。
上述APP流量预测方法、装置、计算机设备及存储介质,获取与目标时间段对应的预设历史时间段;所述目标时间段包括至少一个预测时间周期;所述预设历史时间段包括至少两个单元时间段;从指定APP中获取所述预设历史时间段内的历史流量数据;根据所述历史流量数据,确定所述指定APP在各所述单元时间段内分别对应的单元流量数据;将所述单元时间段作为自变量,对应的所述单元流量数据作为因变量,输入第一预设数学模型中,通过所述第一预设数学模型确定所述自变量和所述因变量之间的单元经验系数;根据所述单元经验系数和所述单元流量数据确定所述目标时间段内的目标流量。本方法通过所述第一预设数学模型确定所述自变量和所述因变量之间的单元经验系数;根据所述单元经验系数和所述单元流量数据确定所述目标时间段内的目标流量。根据单元经验系数得到准确的预测目标流量数据,可提高流量预测的准确性,改善APP运行状况,提高用户粘性和转化率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例中APP流量预测方法的一应用环境示意图;
图2是本发明一实施例中APP流量预测方法的一流程示意图;
图3是本发明一实施例中APP流量预测装置的一结构示意图;
图4是本发明一实施例中计算机设备的一示意图。
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作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。
本实施例提供的APP流量预测方法,可应用在如图1的应用环境中,其中,客户端与服务端进行通信。其中,客户端包括但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中,如图2所示,提供一种APP流量预测方法,以该方法应用在图1中的服务端为例进行说明,包括如下步骤:
S10、获取与目标时间段对应的预设历史时间段;所述目标时间段包括至少一个预测时间周期;所述预设历史时间段包括至少两个单元时间段。
可理解的,目标时间段是指客户在客户终端的应用程序软件中输入的需要预测流量的时间段,该时间段包括但不限于为一年、一个季度或一个月。例如,客户需要预测指定APP一个季度(7-9月份)的流量,则可设置目标时间段为7月1日至9月30日。其中,预测时间周期是指目标时间段中的一个时间段,例如,目标时间段为一个季度,则预测时间周期可以为一个月,则一个目标时间段包含三个预测时间周期。预设历史时间段可以指与目标时间段相邻的时间段。
该预设历史时间段可根据实际情况进行设定,包括至少两个单元时间段。例如,目标时间段为7月1日至7月31日,则预设历史时间段可设置为4月1日至6月30日。其中,单元时间段是指预设历史时间段中的一个时间段。例如,预设历史时间段为三个月,单元时间段可以为一个月,则一个预设历史时间段包含三个单元时间段。单元时间段和预测时间周期在时间长度上是相同的。
S20、从指定APP中获取所述预设历史时间段内的历史流量数据。
可理解的,指定APP是指客户在客户终端上需要预测流量的APP。其中,流量是指用户访问服务端(指定APP)的次数或人数。历史流量数据是指指定APP在过去一段时间内的流量数据。
具体的,若指定APP的流量数据库中存储有监控到的历史流量数据,直接从指定APP的流量数据库中获取预设历史时间段内的历史流量数据。若指定APP的流量数据库中未存储有监控到的历史流量数据,则通过预先设置的监控工具获取指定APP在预设历史时间段内的历史流量数据。
S30、根据所述历史流量数据,确定所述指定APP在各所述单元时间段内分别对应的单元流量数据。
可理解的,历史流量数据包括指定APP在预设历史时间段内的所有的流量数据。其中,所有的流量数据包括新用户、老用户以及所有用户在不同维度上的流量数据。不同维度包括但不限于指定APP内线上活动的流量数据、商品的流量数据、渠道的流量数据。
单元时间段为预设历史时间段中的一个时间段。单元流量数据为指定APP在单元时间段内的流量数据。
根据历史流量数据,可确定指定APP在单元时间段内的单元流量数据,优选的,在获取到历史流量数据之后,可通过预设清洗方法对历史流量数据进行清洗,以清洗掉重复数据、测试数据和异常数据等垃圾数据,并将清洗后得到的数据确定为清洗数据。进而根据该清洗数据,计算指定APP在每个单元时间段内的单元流量数据。优选的,在获取到清洗数据之后,可获取预先设置的若干指标分类规则,根据若干指标分类规则对清洗数据进行分类,得到若干份指标清洗数据,对每个指标清洗数据按照单元时间段进行统计,得到与每个指标对应的单元流量数据。
S40、将所述单元时间段作为自变量,对应的所述单元流量数据作为因变量,输入第一预设数学模型中,通过所述第一预设数学模型确定所述自变量和所述因变量之间的单元经验系数。
可理解的,自变量指能够影响其他变量的一个变量,因变量是指随着自变量的变化而变化的变量。例如:Y=f(X),此式表示为:Y随X的变化而变化,则Y是因变量,X是自变量。第一预设数学模型包括回归算法,用于确定单元经验系数。其中,回归算法是对单元时间段和单元流量数据进行回归分析,得到单元时间段和单元流量数据之间的变量关系的一种统计分析方法。回归算法包括线性回归算法和非线性回归算法。单元经验系数是指表征单元时间段和单元流量数据之间的变量关系的数值。
优选的,将单元时间段作为自变量,单元流量数据作为因变量,通过线性回归算法使用线性回归算法对单元流量数据和单元时间段进行回归分析,可确定单元流量数据和单元时间段之间的变量关系,即得到自变量与因变量之间的单元经验系数。一个单元时间段对应一个单元经验系数。
S50、根据所述单元经验系数和所述单元流量数据确定所述目标时间段内的目标流量。
可理解的,目标流量是指通过预测得到的指定APP在目标时间段内每个预测周期的流量数据。具体的,在得到单元经验系数之后,可得到单元流量数据和单元时间段之间的线性关系。根据该线性关系可预测指定APP在目标时间段内每个预测周期的流量数据。
可选的,在确定目标流量之后,还可根据实时产生的流量数据对该目标流量进行联动调整更新,以使该目标流量的预测更加趋于真实,提高APP流量预测的准确性。
在步骤S10-S50中,通过获取与目标时间段对应的预设历史时间段;所述目标时间段包括至少一个预测时间周期;所述预设历史时间段包括至少两个单元时间段;从指定APP中获取所述预设历史时间段内的历史流量数据;根据所述历史流量数据,确定所述指定APP在各所述单元时间段内分别对应的单元流量数据;将所述单元时间段作为自变量,对应的所述单元流量数据作为因变量,输入第一预设数学模型中,通过所述第一预设数学模型确定所述自变量和所述因变量之间的单元经验系数;根据所述单元经验系数和所述单元流量数据确定所述目标时间段内的目标流量。本方法通过第一预设数学模型确定自变量和因变量之间的单元经验系数;根据单元经验系数和单元流量数据确定目标时间段内的目标流量。本方法能够准确的预测目标流量数据,且针对预测的目标流量数据可联动的进行调整,极大的改善了APP运行状况,提高用户粘性和转化率。
可选的,在步骤S50之后,即所述根据所述单元经验系数和所述单元流量数据确定所述目标时间段内的目标流量之后,包括:
S501、获取所述目标时间段内的实时流量;
S502、将所述实时流量和所述目标流量进行对比,得到对比结果;
S503、根据预设的异常等级规则确定所述对比结果中所述实时流量的异常等级;
S504、根据所述异常等级,生成所述指定APP的第一流量预警信息。
可理解的,在对目标时间段的流量数据进行预测之后,可根据真实产生的实时流量和预测的目标流量进行比较,以验证流量预测的准确性。同时,监测到在实时流量与预测的目标流量存在差异时,可生成预警信息,以使运行人员根据该预警信息及时对APP的运行数据进行调控。
具体的,实时流量为指定APP在目标时间段内真实产生的流量数据。获取指定APP的实时流量数据,将实时流量数据与预测的目标流量进行对比,得到实时流量数据与预测的目标流量的偏差程度,即对比结果。预设的异常等级规则是指预先设置的用于确定实时流量数据异常等级的规则。第一流量预警信息是针对每个异常等级预先设置的处理方案,具体的处理方案可以根据异常问题的严重性进行设置。根据不同的异常等级,生成不同的第一流量预警信息。
优选的,异常等级规则可设置为一级、二级、三级和四级,异常等级越高,表明异常越严重。其中,一级表示指定APP处于正常运行状态,流量数据的偏差值属于正常的网络波动现象。反馈至客户终端的第一流量预警信息可为“继续监测”。四级表示指定APP的数据出现了较大的偏离,需要排查数据变化的原因。例如,可能是由于网络故障、系统故障或流量推广活动等引起较大的数据变化,从而导致的异常问题。反馈至客户终端的第一流量预警信息可为“APP流量存在严重异常,请及时排查问题”。
可选的,在步骤S502,即将所述实时流量和所述目标流量进行对比,得到对比结果,还包括:
S5021、获取与所述目标流量匹配的流量预警阈值;
S5022、若所述实时流量大于所述流量预警阈值,则从所述指定APP中获取与所述实时流量对应的访问日志;所述访问日志包括访问请求和所述访问请求的响应时间;
S5023、判断所述响应时间是否大于预设响应阈值,并获取判断结果;
S5024、根据所述判断结果生成所述指定APP的第二流量预警信息。
可理解的,流量预警阈值是预先设置的预警阈值。该预警阈值是基于预测到的目标流量,通过统计方法确定的预警阈值。通过目标流量确定的预警阈值,使得预警阈值更具有依据性和准确性。其中,统计方法可以是泊松分布,泊松分布是用于描述单位时间内的流量数据的离散概率分布。若检测到实时流量数据大于告警阈值,从指定APP中获取与实时流量对应的访问日志,该访问日志包括访问请求和访问请求的响应时间,通过判断响应时间是否大于预设响应阈值,以确认在实时流量数据超过告警阈值的情况下,指定APP是否还能够提供正常的访问服务。其中,预设响应阈值是预先设置的响应阈值,用于判断访问请求的响应时间是否在正常范围内。若访问请求的响应时间大于预设响应阈值,则发送第二流量预警信息,以表征此时指定APP存在运行异常问题,需要进行人工维护。其中,第二流量预警信息包括访问请求的响应时间和实时流量。通过本方法可及时改善指定APP的运行状况,提高用户粘性和转化率。
可选的,若访问请求的响应时间小于或等于预设响应阈值,则不发送第二流量预警信息,表示此时可能是由于指定APP的推广活动造成流量数据突增的情况,指定APP仍能正常运行,减少预警信息的误告率。
可选的,所述预测时间周期包括至少两个时间节点;在S50之后,即在所述根据所述单元经验系数和所述单元流量数据确定所述待目标时间段内的目标流量之后,还包括:
S504、根据所述历史流量数据确定所述预设历史时间段内的单元平均流量。
可理解的,单元平均流量是指对所有单元流量数据进行平均得到的流量数据。具体的,根据历史流量数据,可得到预设历史时间段内的每个单元时间段内的单元流量数据,对所有单元流量数据求平均,可以得到单元平均流量。
S505、获取所述预测时间周期中指定时间节点之前的节点前流量信息。
可理解的,预测时间周期包括至少两个时间节点。例如,预测时间周期为一个星期,时间节点可以为一天,即预测时间周期包含7个时间节点。指定时间节点为预测时间周期任意一个时间节点。节点前流量信息是指在指定时间节点之前的所有流量信息,包括累计流量数据和节点流量数据。其中,累计流量数据包括指定时间节点之前每个时间节点上的累计流量。节点流量数据包括指定时间节点之前每个时间节点上的流量。
S506、将所述单元平均流量、所述节点前流量信息和所述目标流量输入第二预设数据模型中,以使所述第二预设数据模型对所述目标流量进行节点流量拆分处理,得到所述指定时间节点的节点目标流量。
可理解的,第二预设数据模型包括若干预设规则,用于确定指定时间节点的目标流量。节点流量拆分处理是指将目标流量按时间节点进行拆分成若干份,得到与每个时间节点对应的节点目标流量的过程。例如,目标流量为预测的7月份的流量,对目标流量以天为单位进行拆分,将目标流量拆分为31份,得到7月份每天的预测流量。节点目标流量是指按照时间节点对目标流量进行拆分,得到的每个时间节点的预测流量。
具体的,将单元平均流量、节点前流量信息和目标流量输入第二预设数据模型之后,若在指定时间节点之前包括至少一个时间节点,根据节点前流量信息,通过第一预设规则确定预测时间周期中指定时间节点之前每个时间节点的新增流量数据。根据新增流量数据和所述节点流量数据,通过第二预设规则确定所述时间节点上的流量新增率。通过第三预设规则确定目标流量在单元平均流量上的流量权重。根据累计流量数据和目标流量,通过第四预设规则确定预测时间周期上的剩余目标流量。通过第五预设规则确定所述剩余目标流量在所述节点目标流量上的剩余流量比重。根据剩余目标流量、剩余流量比重、流量新增率和流量权重对目标流量进行节点流量拆分处理,可得到指定时间节点上的预测流量,即节点目标流量。
在步骤S504-S506中,根据所述历史流量数据确定所述预设历史时间段内的单元平均流量;获取所述预测时间周期中指定时间节点之前的节点前流量信息;将所述单元平均流量、所述节点前流量信息和所述目标流量输入第二预设数据模型中,以使所述第二预设数据模型对所述目标流量进行节点流量拆分处理,得到所述指定时间节点的节点目标流量。在得到目标流量之后,还可基于对历史流量数据的分析将目标流量进一步进行拆分为节点流量,提高流量预测的准确性和灵活性。
可选的,所述节点前流量信息包括累计流量数据和节点流量数据;在步骤S506中,即所述将所述单元平均流量、所述节点前流量信息和所述目标流量输入第二预设数据模型中,以使所述第二预设数据模型对所述目标流量进行节点流量拆分处理,得到所述指定时间节点的节点目标流量,包括:
S5061、若在所述指定时间节点之前包括至少一个所述时间节点,通过第一预设规则处理所述节点前流量信息,获得所述预测时间周期中指定时间节点之前每个所述时间节点的新增流量数据。
可理解的,指定时间节点之前可以包括一个时间节点或包括至少一个时间节点。在指定时间节点之前包括至少一个所述时间节点时,节点前流量信息包括累计流量数据和节点流量数据。第一预设规则用于计算新增流量数据,第一预设规则可以为:
Di=Ci–Ci-1
其中,Di为指定APP在时间节点i上的新增流量数据,Ci为指定APP在时间节点i上的累计流量数据,Ci-1为指定APP在时间节点i-1上的累计流量数据。
S5062、通过第二预设规则处理所述新增流量数据和所述节点流量数据,获得所述时间节点上的流量新增率。
可理解的,节点流量数据包括指定时间节点之前每个时间节点上的流量。第二预设规则用于计算流量新增率,第二预设规则可以为:
Ei=Di/Bi
其中,Ei为指定APP在时间节点i内的流量新增率,Di为指定APP在时间节点i内的新增流量数据,Bi为指定APP在时间节点i内的节点流量数据。
S5063、通过第三预设规则确定所述目标流量在所述单元平均流量上的流量权重。
可理解的,流量权重是目标流量在单元平均流量上的权重。第三预设规则用于确定目标流量在单元平均流量上的流量权重。其中,第三预设规则可以为:
A=M/N
其中,A为流量权重,M为目标流量,N为单元平均流量。
S5064、通过第四预设规则处理所述累计流量数据和所述目标流量,获得所述预测时间周期上的剩余目标流量。
可理解的,剩余目标流量是指定APP在指定时间节点时距离实现目标流量的差值流量。第四预设规则用于确定剩余目标流量。其中,第四预设规则可以为:
Fi=M-Ci-1
其中,Fi为指定APP在时间节点i内的剩余目标流量,M为目标流量,Ci-1为指定APP在时间节点i-1上的累计流量数据。
S5065、通过第五预设规则确定所述剩余目标流量在所述节点流量数据上的剩余流量比重。
可理解的,剩余流量比重为剩余目标流量在节点流量数据上的比重。第五预设规则用于确定剩余流量比重。其中,第五预设规则可以为:
Gi=Fi/Bi
其中,Gi为指定APP在时间节点i内的剩余流量比重,Fi为指定APP在时间节点i内的剩余目标流量,Bi为指定APP在时间节点i内的节点流量数据。
S5066、根据所述剩余目标流量、所述剩余流量比重、所述流量新增率和所述流量权重确定所述节点目标流量。
可理解的,节点目标流量为预测的每个时间节点的流量。通过第二预设数据模型对剩余目标流量、剩余流量比重、流量新增率和流量权重进行处理,可得到节点目标流量。其中,第二预设数据模型包括:
Hi=(Fi*Gi)/(Ei*A)
其中,i为大于等于2的正整数,Hi为指定APP在时间节点i上的节点目标流量。Fi为指定APP在时间节点i内的剩余目标流量,Gi为指定APP在时间节点i内的剩余流量比重,Ei为指定APP在时间节点i内的流量新增率,A为流量权重。
优选的,当指定时间节点之前可以包括一个时间节点,第二预设数据模型包括:
Hi=(Fi*Gi)/Ei
其中,i为1,Hi为指定APP在时间节点i上的节点目标流量。Fi为指定APP在时间节点i内的剩余目标流量,Gi为指定APP在时间节点i内的剩余流量比重,Ei为指定APP在时间节点i内的流量新增率。
优选的,在对目标流量进行节点流量拆分处理,得到指定时间节点的节点目标流量时还可以根据每月的时间天数对月份进行分类,或根据双休、节假日等假期对日期进行分类,进而得到某月月的目标流量或某天的目标流量。
可选的,在步骤S30中,即所述根据所述历史流量数据,确定所述指定应用在所述单元时间段内的单元流量数据,包括:
S301、通过预设清洗方法对所述历史流量数据进行清洗,获得清洗数据;
S302、根据所述清洗数据计算所述指定APP在所述单元时间段内的单元流量数据。
可理解的,数据清洗(Data cleaning)是指对数据进行审查和校验的过程,目的在于删除重复信息、纠正存在的错误,并确保数据一致性。预设清洗方法是指预先设置的用于数据清洗的规则,包括但不限于数理统计、数据挖掘,通过预设清洗方法可将脏数据转化为满足数据质量要求的数据。
具体的,通过预设清洗方法对历史流量数据进行清洗,将不满足要求的脏数据记性删除,以获得满足要求的清洗数据,在获得清洗数据之后,根据清洗数据计算指定APP在所述单元时间段内的单元流量数据。
可选的,在步骤S302中,即所述根据所述清洗数据计算所述指定APP在所述单元时间段内的单元流量数据,包括:
S3021、获取指标分类规则;
S3022、根据所述指标分类规则对所述清洗数据进行分类,得到若干份指标清洗数据,一份指标清洗数据对应一个指标;
S3023、对每份所述指标清洗数据按照所述单元时间段进行统计,得到与每个所述指标对应的单元流量数据。
可理解的,指标分类规则是预先设置的用于对清洗数据进行分类的规则。优选的,指标分类规则可设置为三个分类指标,例如,三个分类指标分别为新用户、老用户和总用户,则根据指标分类规则可将清洗数据分为新用户数据、老用户数据和总用户数据三份。其中,新用户数据、老用户数据和总用户数据即为指标清洗数据。新用户数据对应的分类指标为新用户,老用户数据对应的分类指标为老用户,总用户数据对应的分类指标为总用户。对每个指标清洗数据按照单元时间段进行统计,得到与每个指标对应的单元流量数据。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在一实施例中,提供一种APP流量预测装置,该APP流量预测装置与上述实施例中APP流量预测方法一一对应。如图X所示,该APP流量预测装置包括历史时间段获取模块10、历史流量数据获取模块20、单元流量数据模块30、单元经验系数模块40和目标流量模块50。各功能模块详细说明如下:
历史时间段获取模块10,用于获取与目标时间段对应的预设历史时间段;所述目标时间段包括至少一个预测时间周期;所述预设历史时间段包括至少两个单元时间段;
历史流量数据获取模块20,用于从指定APP中获取所述预设历史时间段内的历史流量数据;
单元流量数据模块30,用于根据所述历史流量数据,确定所述指定APP在各所述单元时间段内分别对应的单元流量数据;
单元经验系数模块40,用于将所述单元时间段作为自变量,对应的所述单元流量数据作为因变量,输入第一预设数学模型中,通过所述第一预设数学模型确定所述自变量和所述因变量之间的单元经验系数;
目标流量模块50,用于根据所述单元经验系数和所述单元流量数据确定所述目标时间段内的目标流量。
可选的,在目标流量模块50之后,包括:
实时流量模块,用于获取所述目标时间段内的实时流量;
对比结果模块,用于将所述实时流量和所述目标流量进行对比,得到对比结果;
异常等级模块,用于根据预设的异常等级规则确定所述对比结果中所述实时流量的异常等级;
第一预警信息模块,用于根据所述异常等级,生成所述指定APP的第一流量预警信息。
可选的,所述对比结果模块,包括:
预警阈值单元,用于获取与所述目标流量匹配的流量预警阈值;
访问日志单元,用于若所述实时流量大于所述流量预警阈值,则从所述指定APP中获取与所述实时流量对应的访问日志;所述访问日志包括访问请求和所述访问请求的响应时间;
判断结果单元,用于判断所述响应时间是否大于预设响应阈值,并获取判断结果;
第二预警信息单元,用于根据所述判断结果生成所述指定APP的第二流量预警信息。
可选的,在目标流量模块50之后,还包括:
单元平均流量模块,用于根据所述历史流量数据确定所述预设历史时间段内的单元平均流量;
节点前流量信息模块,用于获取所述预测时间周期中指定时间节点之前的节点前流量信息;
节点目标流量模块,用于将所述单元平均流量、所述节点前流量信息和所述目标流量输入第二预设数据模型中,以使所述第二预设数据模型对所述目标流量进行节点流量拆分处理,得到所述指定时间节点的节点目标流量。
可选的,所述节点前流量信息包括累计流量数据和节点流量数据;所述节点目标流量模块,包括:
新增流量数据单元,用于若在所述指定时间节点之前包括至少一个所述时间节点,通过第一预设规则处理所述节点前流量信息,获得所述预测时间周期中指定时间节点之前每个所述时间节点的新增流量数据;
流量新增率单元,用于通过第二预设规则处理所述新增流量数据和所述节点流量数据,获得所述时间节点上的流量新增率;
剩余目标流量单元,用于通过第四预设规则处理所述累计流量数据和所述目标流量,获得所述预测时间周期上的剩余目标流量;
剩余流量比重单元,用于通过第五预设规则确定所述剩余目标流量在所述节点流量数据上的剩余流量比重;
节点目标流量单元,用于根据所述剩余目标流量、所述剩余流量比重、所述流量新增率和所述流量权重确定所述节点目标流量。
可选的,单元流量数据模块30,包括:
清洗数据单元,用于通过预设清洗方法对所述历史流量数据进行清洗,获得清洗数据;
单元流量数据计算单元,用于根据所述清洗数据计算所述指定APP在所述单元时间段内的单元流量数据。
可选的,所述单元流量数据单元,包括:
分类规则单元,用于获取指标分类规则;
指标清洗数据单元,用于根据所述指标分类规则对所述清洗数据进行分类,得到若干份指标清洗数据,一份指标清洗数据对应一个指标;
单元流量数据统计单元,用于对每份所述指标清洗数据按照所述单元时间段进行统计,得到与每个所述指标对应的单元流量数据。
关于APP流量预测装置的具体限定可以参见上文中对于APP流量预测方法的限定,在此不再赘述。上述APP流量预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括可读存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机可读指令。该内存储器为可读存储介质中的操作系统和计算机可读指令的运行提供环境。该计算机设备的网络接口用于与外部服务器通过网络连接通信。该计算机可读指令被处理器执行时以实现一种APP流量预测方法。本实施例所提供的可读存储介质包括非易失性可读存储介质和易失性可读存储介质。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机可读指令,处理器执行计算机可读指令时实现以下步骤:
获取与目标时间段对应的预设历史时间段;所述目标时间段包括至少一个预测时间周期;所述预设历史时间段包括至少两个单元时间段;
从指定APP中获取所述预设历史时间段内的历史流量数据;
根据所述历史流量数据,确定所述指定APP在各所述单元时间段内分别对应的单元流量数据;
将所述单元时间段作为自变量,对应的所述单元流量数据作为因变量,输入第一预设数学模型中,通过所述第一预设数学模型确定所述自变量和所述因变量之间的单元经验系数;
根据所述单元经验系数和所述单元流量数据确定所述目标时间段内的目标流量。
在一个实施例中,提供了一个或多个存储有计算机可读指令的计算机可读存储介质,本实施例所提供的可读存储介质包括非易失性可读存储介质和易失性可读存储介质。可读存储介质上存储有计算机可读指令,计算机可读指令被一个或多个处理器执行时实现以下步骤:
获取与目标时间段对应的预设历史时间段;所述目标时间段包括至少一个预测时间周期;所述预设历史时间段包括至少两个单元时间段;
从指定APP中获取所述预设历史时间段内的历史流量数据;
根据所述历史流量数据,确定所述指定APP在各所述单元时间段内分别对应的单元流量数据;
将所述单元时间段作为自变量,对应的所述单元流量数据作为因变量,输入第一预设数学模型中,通过所述第一预设数学模型确定所述自变量和所述因变量之间的单元经验系数;
根据所述单元经验系数和所述单元流量数据确定所述目标时间段内的目标流量。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机可读指令来指令相关的硬件来完成,所述的计算机可读指令可存储于一非易失性可读取存储介质或易失性可读存储介质中,该计算机可读指令在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;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: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发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种APP流量预测方法,其特征在于,包括:
获取与目标时间段对应的预设历史时间段;所述目标时间段包括至少一个预测时间周期;所述预设历史时间段包括至少两个单元时间段;
从指定APP中获取所述预设历史时间段内的历史流量数据;
根据所述历史流量数据,确定所述指定APP在各所述单元时间段内分别对应的单元流量数据;
将所述单元时间段作为自变量,对应的所述单元流量数据作为因变量,输入第一预设数学模型中,通过所述第一预设数学模型确定所述自变量和所述因变量之间的单元经验系数;
根据所述单元经验系数和所述单元流量数据确定所述目标时间段内的目标流量。
2.如权利要求1所述的APP流量预测方法,其特征在于,在所述根据所述单元经验系数和所述单元流量数据确定所述目标时间段内的目标流量之后,包括:
获取所述目标时间段内的实时流量;
将所述实时流量和所述目标流量进行对比,得到对比结果;
根据预设的异常等级规则确定所述对比结果中所述实时流量的异常等级;
根据所述异常等级,生成所述指定APP的第一流量预警信息。
3.如权利要求2所述的APP流量预测方法,其特征在于,所述将所述实时流量和所述目标流量进行对比,得到对比结果,包括:
获取与所述目标流量匹配的流量预警阈值;
若所述实时流量大于所述流量预警阈值,则从所述指定APP中获取与所述实时流量对应的访问日志;所述访问日志包括访问请求和所述访问请求的响应时间;
判断所述响应时间是否大于预设响应阈值,并获取判断结果;
根据所述判断结果生成所述指定APP的第二流量预警信息。
4.如权利要求1所述的APP流量预测方法,其特征在于,所述预测时间周期包括至少两个时间节点;在所述根据所述单元经验系数和所述单元流量数据确定所述待目标时间段内的目标流量之后,还包括:
根据所述历史流量数据确定所述预设历史时间段内的单元平均流量;
获取所述预测时间周期中指定时间节点之前的节点前流量信息;
将所述单元平均流量、所述节点前流量信息和所述目标流量输入第二预设数据模型中,以使所述第二预设数据模型对所述目标流量进行节点流量拆分处理,得到所述指定时间节点的节点目标流量。
5.如权利要求4所述的APP流量预测方法,其特征在于,所述节点前流量信息包括累计流量数据和节点流量数据;所述将所述单元平均流量、所述节点前流量信息和所述目标流量输入第二预设数据模型中,以使所述第二预设数据模型对所述目标流量进行节点流量拆分处理,得到所述指定时间节点的节点目标流量,包括:
若在所述指定时间节点之前包括至少一个所述时间节点,通过第一预设规则处理所述节点前流量信息,获得所述预测时间周期中指定时间节点之前每个所述时间节点的新增流量数据;
通过第二预设规则处理所述新增流量数据和所述节点流量数据,获得所述时间节点上的流量新增率;
通过第四预设规则处理所述累计流量数据和所述目标流量,获得所述预测时间周期上的剩余目标流量;
通过第五预设规则确定所述剩余目标流量在所述节点流量数据上的剩余流量比重;
根据所述剩余目标流量、所述剩余流量比重、所述流量新增率和所述流量权重确定所述节点目标流量。
6.如权利要求1所述的APP流量预测方法,其特征在于,所述根据所述历史流量数据,确定所述指定应用在所述单元时间段内的单元流量数据,包括:
通过预设清洗方法对所述历史流量数据进行清洗,获得清洗数据;
根据所述清洗数据计算所述指定APP在所述单元时间段内的单元流量数据。
7.如权利要求6所述的APP流量预测方法,其特征在于,所述根据所述清洗数据计算所述指定APP在所述单元时间段内的单元流量数据,包括:
获取指标分类规则;
根据所述指标分类规则对所述清洗数据进行分类,得到若干份指标清洗数据,一份指标清洗数据对应一个指标;
对每份所述指标清洗数据按照所述单元时间段进行统计,得到与每个所述指标对应的单元流量数据。
8.一种APP流量预测装置,其特征在于,包括:
历史时间段获取模块,用于获取与目标时间段对应的预设历史时间段;所述目标时间段包括至少一个预测时间周期;所述预设历史时间段包括至少两个单元时间段;
历史流量数据获取模块,用于从指定APP中获取所述预设历史时间段内的历史流量数据;
单元流量数据模块,用于根据所述历史流量数据,确定所述指定APP在各所述单元时间段内分别对应的单元流量数据;
单元经验系数模块,用于将所述单元时间段作为自变量,对应的所述单元流量数据作为因变量,输入第一预设数学模型中,通过所述第一预设数学模型确定所述自变量和所述因变量之间的单元经验系数;
目标流量模块,用于根据所述单元经验系数和所述单元流量数据确定所述目标时间段内的目标流量。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令,其特征在于,所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述APP流量预测方法。
10.一个或多个存储有计算机可读指令的可读存储介质,所述计算机可读指令被一个或多个处理器执行时,使得所述一个或多个处理器执行如权利要求1至7中任一项所述APP流量预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111150293.8A CN113821933A (zh) | 2021-09-29 | 2021-09-29 | App流量预测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111150293.8A CN113821933A (zh) | 2021-09-29 | 2021-09-29 | App流量预测方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113821933A true CN113821933A (zh) | 2021-12-21 |
Family
ID=78921679
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111150293.8A Pending CN113821933A (zh) | 2021-09-29 | 2021-09-29 | App流量预测方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113821933A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116709356A (zh) * | 2022-09-05 | 2023-09-05 | 荣耀终端有限公司 | 一种流量预测方法、装置及系统 |
-
2021
- 2021-09-29 CN CN202111150293.8A patent/CN113821933A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116709356A (zh) * | 2022-09-05 | 2023-09-05 | 荣耀终端有限公司 | 一种流量预测方法、装置及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110086649B (zh) | 异常流量的检测方法、装置、计算机设备及存储介质 | |
CN107943809B (zh) | 数据质量监控方法、装置及大数据计算平台 | |
CN106951984B (zh) | 一种系统健康度动态分析预测方法及装置 | |
CN106886481B (zh) | 一种系统健康度静态分析预测方法及装置 | |
JP2021121956A (ja) | 故障予測方法、装置、電子設備、記憶媒体、及びプログラム | |
US20050097207A1 (en) | System and method of predicting future behavior of a battery of end-to-end probes to anticipate and prevent computer network performance degradation | |
CN107992410B (zh) | 软件质量监测方法、装置、计算机设备和存储介质 | |
US20140095696A1 (en) | Evaluating utilization of one or more computer systems | |
CN108269189B (zh) | 指标数据监控方法、装置、存储介质和计算机设备 | |
Jiang et al. | Health state evaluation of an item: A general framework and graphical representation | |
CN111045894A (zh) | 数据库异常检测方法、装置、计算机设备和存储介质 | |
CN110888625B (zh) | 基于需求变更和项目风险对代码质量进行控制的方法 | |
CN111897691A (zh) | 质量报告自动生成方法、装置、计算机设备及存储介质 | |
CN111740865B (zh) | 一种流量波动趋势预测方法、装置及电子设备 | |
US7617313B1 (en) | Metric transport and database load | |
CN113988065A (zh) | 影响因素分析方法及装置、存储介质及电子设备 | |
CN113821933A (zh) | App流量预测方法、装置、计算机设备及存储介质 | |
CN112101584A (zh) | 核电站备件系统化保养方法、装置、设备及存储介质 | |
CN111614520B (zh) | 一种基于机器学习算法的idc流量数据预测方法及装置 | |
CN113419950A (zh) | Ui自动化脚本的生成方法、装置、计算机设备及存储介质 | |
JP2019175273A (ja) | 品質評価方法および品質評価装置 | |
CN115293549A (zh) | 基于数字政务系统的智能化监督评价方法和系统 | |
CN113987015A (zh) | 一种设备资产状态管理方法、系统、设备及存储介质 | |
Fatkieva | Systems of Information Security Indicators for Industrial Enterprises | |
CN113656452A (zh) | 调用链指标异常的检测方法、装置、电子设备及存储介质 |
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 |