CN116071114B - 一种酒店电视媒体广告的流量预估方法和系统 - Google Patents
一种酒店电视媒体广告的流量预估方法和系统 Download PDFInfo
- Publication number
- CN116071114B CN116071114B CN202310346990.3A CN202310346990A CN116071114B CN 116071114 B CN116071114 B CN 116071114B CN 202310346990 A CN202310346990 A CN 202310346990A CN 116071114 B CN116071114 B CN 116071114B
- Authority
- CN
- China
- Prior art keywords
- data
- flow
- hotel
- advertisement
- time
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000011218 segmentation Effects 0.000 claims abstract description 37
- 238000004364 calculation method Methods 0.000 claims description 34
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 238000009499 grossing Methods 0.000 claims description 25
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000008685 targeting Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000000835 fiber Substances 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
- 238000012545 processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 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
- G06Q30/0241—Advertisements
- G06Q30/0242—Determining effectiveness of advertisements
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/12—Hotels or restaurants
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及媒体信息预测技术领域,具体公开了一种酒店电视媒体广告的流量预估方法和系统,所述方法包括查询投放渠道,基于投放渠道采集并聚类流量数据;计算所述流量数据的数据特征,根据所述数据特征对流量数据进行时域切分,得到流量子段;基于所述流量子段构建N维特征数据,并将构建的N维特征数据输入预设的时间序列预测模型,得到各流量子段对应的预测特征;合并各流量子段对应的N维特征数据,并将合并后的N维特征数据输入预设的时间序列预测模型,得到合并后的流量子段对应的预测特征。本发明通过预测模型和总的预测特征集合来预测未来的广告曝光流量,极大地丰富了预测过程,提高了预测结果的准确度。
Description
技术领域
本发明涉及媒体信息预测技术领域,具体是一种酒店电视媒体广告的流量预估方法和系统。
背景技术
广告主提前按照某一价格购买一定的量的广告展现。由于广告购买行为发生在确切知道有多少广告流量之前,因此对广告主购买广告日期广告流量的预测就变得至关重要。在广告系统中,媒体每天会向广告系统请求广告,称媒体的请求为流量。广告主也会在广告系统中下单购买某一定向条件下的流量。由于媒体请求广告系统的流量受多重因素影响(如节假日、媒体自身因素等),广告系统每天接收到的流量是不断变化的。
酒店电视媒体广告的流量预估技术是指:根据历史一段时期内的广告流量的数据,预估给定将来某段时间内特定定向条件下的流量分布。在互联网展示广告中,大多数广告产品的售卖方式是按照受众售卖。例如,指定年龄、性别、兴趣、地域等条件下的流量的数量。其中在CPM(Cost Per Mille,千次展现价格)售卖方式中,广告主提前按照某一价格购买一定的量的广告展现。由于广告购买行为发生在确切知道有多少广告流量之前,因此对广告主购买广告日期广告流量的预测就变得至关重要,因此,在广告主设置广告投放计划时,如何为广告主实时提供未来一段时间的广告投放效果以降低广告主广告投放的成本是目前亟需解决的问题。
发明内容
本发明的目的在于提供一种酒店电视媒体广告的流量预估方法和系统,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种酒店电视媒体广告的流量预估方法,所述方法包括查询投放渠道,基于投放渠道采集并聚类流量数据;
计算所述流量数据的数据特征,根据所述数据特征对流量数据进行时域切分,得到流量子段;所述流量子段对应的时间段首尾相连;
基于所述流量子段构建N维特征数据,并将构建的N维特征数据输入预设的时间序列预测模型得到未来广告曝光流量,基于所述构建的N维特征数据和对应的未来广告曝光流量构建所述流量子段的预测特征;
合并各流量子段对应的预测特征形成总预测特征集合,并将所述总预测特征集合输入预设的时间序列预测模型,得到总体的未来广告曝光流量。
作为本发明进一步的方案:所述计算所述流量数据的数据特征,根据所述数据特征对流量数据进行时域切分,得到流量子段的步骤包括:
查询流量数据中的渠道标签,根据所述渠道标签确定数据量计算模型;
根据所述数据量计算模型计算对应流量数据的数据量;
将所述数据量与预设的数据量阈值进行比对,确定分段数量;所述分段数量至少为二;
基于所述分段数量对流量数据进行时域切分,得到流量子段。
作为本发明进一步的方案:所述基于所述流量子段构建N维特征数据,并将构建的N维特征数据输入预设的时间序列预测模型得到未来广告曝光流量,基于所述构建的N维特征数据和对应的未来广告曝光流量构建所述流量子段的预测特征的步骤包括:
获取广告投放后第一时间段的第一历史数据以及第二时间段的第二历史数据;其中,所述第一时间段早于所述第二时间段;所述第一历史数据和所述第二历史数据包括广告投放的酒店属性和广告曝光流量;
基于所述第一历史数据构建第一N维特征数据,基于所述第二历史数据构建第二N维特征数据;
将所述第一N维特征数据和所述第二N维特征数据分别输入预设的时间序列预测模型,得到广告曝光流量;
基于所述第一N维特征数据和第一历史数据的广告曝光流量构建第一预测特征,基于所述第二N维特征数据和第二历史数据的广告曝光流量构建第二预测特征。
所述第二时间段的截止时间为当前时间,所述第一时间段的截止时间与所述第二时间段的起始时间相同;
所述时间序列预测模型包括计算平均算法预测模型、移动平均算法预测模型、三次指数平滑算法预测模型和自回归移动平均模型ARIMA;
所述广告曝光流量包括广告曝光次数、单次曝光时间、广告点击次数和广告点击时间;所述酒店属性包括酒店地址、酒店广告位位置信息、入住酒店人员年龄段、入住酒店人员性别信息、酒店所属商圈人流量、酒店星级和酒店品牌加权值。
作为本发明进一步的方案:所述三次指数平滑算法预测模型中,给定平滑系数α,0<α<1,三次指数平滑的计算公式为:
上式中,xt表示包含广告曝光流量的序列{xt}在时段t的实际数据;为时段t广告曝光流量的一次平滑值,/>为时段t广告曝光流量的二次平滑值,/>为时段t广告曝光流量的三次平滑值;
预期未来T期的xt+T的计算公式为:
xt+T=AT+BTT+CTT2
其中,T为预测步长,AT、BT、CT的计算公式分别为:
作为本发明进一步的方案:三次指数平滑算法预测模型还通过均方根误差判断平滑系数α是否正确,所述均方根误差为:
若判断所述均方根误差小于预设阈值,则判断平滑系数α正确。
本发明技术方案还提供了一种酒店电视媒体广告的流量预估系统,所述系统包括:
流量数据获取模块,用于查询投放渠道,基于投放渠道采集并聚类流量数据;
子段切分模块,用于计算所述流量数据的数据特征,根据所述数据特征对流量数据进行时域切分,得到流量子段;所述流量子段对应的时间段首尾相连;
特征预测模块,用于基于所述流量子段构建N维特征数据,并将构建的N维特征数据输入预设的时间序列预测模型得到未来广告曝光流量,基于所述构建的N维特征数据和对应的未来广告曝光流量构建所述流量子段的预测特征;
合并预测模块,用于合并各流量子段对应的预测特征形成总预测特征集合,并将所述总预测特征集合输入预设的时间序列预测模型,得到总体的未来广告曝光流量。
作为本发明进一步的方案:所述子段切分模块包括:
模型确定单元,用于查询流量数据中的渠道标签,根据所述渠道标签确定数据量计算模型;
数据量计算单元,用于根据所述数据量计算模型计算对应流量数据的数据量;
比对单元,用于将所述数据量与预设的数据量阈值进行比对,确定分段数量;所述分段数量至少为二;
切分执行单元,用于基于所述分段数量对流量数据进行时域切分,得到流量子段。
作为本发明进一步的方案:所述特征预测模块包括:
历史数据获取单元,用于获取广告投放后第一时间段的第一历史数据以及第二时间段的第二历史数据;其中,所述第一时间段早于所述第二时间段;所述第一历史数据和所述第二历史数据包括广告投放的酒店属性和广告曝光流量;
特征构建单元,用于基于所述第一历史数据构建第一N维特征数据,基于所述第二历史数据构建第二N维特征数据;
曝光流量确定单元,用于将所述第一N维特征数据和所述第二N维特征数据分别输入预设的时间序列预测模型,得到广告曝光流量;
数据应用单元,用于基于所述第一N维特征数据和第一历史数据的广告曝光流量构建第一预测特征,基于所述第二N维特征数据和第二历史数据的广告曝光流量构建第二预测特征。
作为本发明进一步的方案:所述第二时间段的截止时间为当前时间,所述第一时间段的截止时间与所述第二时间段的起始时间相同;
所述时间序列预测模型包括计算平均算法预测模型、移动平均算法预测模型、三次指数平滑算法预测模型和自回归移动平均模型ARIMA;
所述广告曝光流量包括广告曝光次数、单次曝光时间、广告点击次数和广告点击时间;所述酒店属性包括酒店地址、酒店广告位位置信息、入住酒店人员年龄段、入住酒店人员性别信息、酒店所属商圈人流量、酒店星级和酒店品牌加权值。
与现有技术相比,本发明的有益效果是:本发明基于时间序列预测方法,用过去时间里的数据预测未来时间里的广告曝光流量,在构建基于时间序列的预测模型的时候,所有第一时间段里的N维数据(如每个广告位所属酒店的用户性别、年龄、城市等)都拿来构建预测特征,而第二时间段本身的N维数据也应该拿来构建预测特征,前者是历史特征,后者是未来特征,二者合起来构成总预测特征集合。最后,用预测模型和这个总的预测特征集合来预测未来的广告曝光流量,极大地丰富了预测过程,提高了预测结果的准确度。
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发明的一些实施例。
图1为酒店电视媒体广告的流量预估方法的流程框图。
图2为酒店电视媒体广告的流量预估方法的子流程框图。
图3为酒店电视媒体广告的流量预估方法的预测特征整合流程图。
图4为酒店电视媒体广告的流量预估系统的电子设备的结构示意图。
图5为酒店电视媒体广告的流量预估系统的组成结构框图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例中的术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列部件或单元的系统、产品或设备没有限定于已列出的部件或单元,而是可选地还包括没有列出的部件或单元,或可选地还包括对于这些产品或设备固有的其它部件或单元。本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
广告主提前按照某一价格购买一定的量的广告展现。由于广告购买行为发生在确切知道有多少广告流量之前,因此对广告主购买广告日期广告流量的预测就变得至关重要。在广告系统中,媒体每天会向广告系统请求广告,称媒体的请求为流量。广告主也会在广告系统中下单购买某一定向条件下的流量。由于媒体请求广告系统的流量受多重因素影响(如节假日、媒体自身因素等),广告系统每天接收到的流量是不断变化的。广告主在聚屏广告平台会按照地域、人群属性等标签购买一定量的广告,因此需要用流量预估技术在广告主购买广告的时候告知广告主选择的定向条件下有多少流量可以购买。因此,本发明实施例提供一种酒店电视媒体广告的流量预估方法和系统,以解决现有技术中在广告主设置广告投放计划时,无法为广告主实时提供未来一段时间的广告投放效果的问题下面结合附图描述酒店电视媒体广告的流量预估方法和系统。
图1为酒店电视媒体广告的流量预估方法的流程框图,本发明实施例中,一种酒店电视媒体广告的流量预估方法,所述方法包括:
步骤S100:查询投放渠道,基于投放渠道采集并聚类流量数据;
步骤S200:计算所述流量数据的数据特征,根据所述数据特征对流量数据进行时域切分,得到流量子段;所述流量子段对应的时间段首尾相连;
步骤S300:基于所述流量子段构建N维特征数据,并将构建的N维特征数据输入预设的时间序列预测模型得到未来广告曝光流量,基于所述构建的N维特征数据和对应的未来广告曝光流量构建所述流量子段的预测特征;
步骤S400:合并各流量子段对应的预测特征形成总预测特征集合,并将所述总预测特征集合输入预设的时间序列预测模型,得到总体的未来广告曝光流量。
在本发明技术方案的一个实例中,根据投放渠道采集流量数据,并按照投放渠道的类型对流量数据进行分类;对分类后的流量数据进行时域切分,可以得到多个流量子段,一般情况下,流量子段只有两段;对不同的流量子段进行预测分析,可以得到各流量子段的预测结果;在此基础上,随机组合(不止两段时)不同的流量子段,即可得到组合结果对应的预测结果。
作为本发明技术方案的一个优选实施例,所述计算所述流量数据的数据特征,根据所述数据特征对流量数据进行时域切分,得到流量子段的步骤包括:
查询流量数据中的渠道标签,根据所述渠道标签确定数据量计算模型;
根据所述数据量计算模型计算对应流量数据的数据量;
将所述数据量与预设的数据量阈值进行比对,确定分段数量;所述分段数量至少为二;
基于所述分段数量对流量数据进行时域切分,得到流量子段。
所述分段数量与流量数据的数据量有关,不同投放渠道对应的数据量计算方式不同,因此,需要先根据投放渠道确定计算模型,然后根据计算模型计算流量数据的数据量,对数据量进行分析,可以确定分段数量与分段方式,基于确定的分段数量和分段方式对流量数据进行切分,即可得到流量子段。
图2为酒店电视媒体广告的流量预估方法的子流程框图,所述基于所述流量子段构建N维特征数据,并将构建的N维特征数据输入预设的时间序列预测模型,得到各流量子段对应的预测特征的步骤包括:
步骤S301:获取广告投放后第一时间段的第一历史数据以及第二时间段的第二历史数据;其中,所述第一时间段早于所述第二时间段;所述第一历史数据和所述第二历史数据包括广告投放的酒店属性和广告曝光流量;
步骤S302:基于所述第一历史数据构建第一N维特征数据,基于所述第二历史数据构建第二N维特征数据;
步骤S303:将所述第一N维特征数据和所述第二N维特征数据分别输入预设的时间序列预测模型,得到广告曝光流量;
步骤S304:基于所述第一N维特征数据和第一历史数据的广告曝光流量构建第一预测特征,基于所述第二N维特征数据和第二历史数据的广告曝光流量构建第二预测特征。
具体的,所述第二时间段的截止时间为当前时间,所述第一时间段的截止时间与所述第二时间段的起始时间相同;
所述时间序列预测模型包括计算平均算法预测模型、移动平均算法预测模型、三次指数平滑算法预测模型和自回归移动平均模型ARIMA;
所述广告曝光流量包括广告曝光次数、单次曝光时间、广告点击次数和广告点击时间;所述酒店属性包括酒店地址、酒店广告位位置信息、入住酒店人员年龄段、入住酒店人员性别信息、酒店所属商圈人流量、酒店星级和酒店品牌加权值。
在本发明技术方案的一个实例中,所述方法包括:
步骤S1、获取广告投放后第一时间段的第一历史数据,以及第二时间段的第二历史数据,所述第一时间段早于所述第二时间段;所述第一历史数据和所述第二历史数据包括广告投放的酒店属性和广告曝光流量;所述广告曝光流量包括广告曝光次数、单次曝光时间、广告点击次数和广告点击时间;
所述酒店属性包括酒店地址、酒店广告位位置信息、入住酒店人员年龄段、入住酒店人员性别信息、酒店所属商圈人流量、酒店星级和酒店品牌加权值。
本实施例中,所述第二时间段的截止时间为当前时间,所述第一时间段的截止时间与所述第二时间段的起始时间相同;历史数据中包括影响广告流量的多个维度的特征,每个维度的特征均能够影响广告流量。
由于分广告主选择定向条件进行广告投放,则使用时间序列预测算法进行预估,例如:深圳、高端型酒店投放,本实施例中,多个维度的特征包括酒店地址、酒店广告位位置信息、入住酒店人员年龄段、入住酒店人员性别信息、酒店所属商圈人流量、酒店星级和酒店品牌加权值。
步骤S2、基于所述第一历史数据构建第一N维特征数据,基于所述第二历史数据构建第二N维特征数据;基于时间序列预测模型预测所述第一历史数据的广告曝光流量;
本实施例中,第二历史数据可以为距离当前时间最近3个月的数据,第一历史数据为3个月之前的数据。
本实施例中,所述时间序列预测模型为计算平均算法预测模型,或移动平均算法预测模型,或三次指数平滑算法预测模型,或自回归移动平均模型(Autoregress ive Integrated Movi ng Average Mode l,ARIMA)。
当选用三次指数平滑算法时,所述三次指数平滑算法预测模型中,给定平滑系数α,0<α<1,三次指数平滑的计算公式为:
上式中,xt表示包含广告曝光流量的序列{xt}在时段t的实际数据;为时段t广告曝光流量的一次平滑值,/>为时段t广告曝光流量的二次平滑值,/>为时段t广告曝光流量的三次平滑值;
预期未来T期的xt+T的计算公式为:
xt+T=AT+BTT+CTT2
其中,T为预测步长,AT、BT、CT的计算公式分别为:
本实施例中,还通过均方根误差判断平滑系数α是否正确,所述均方根误差为:
若判断所述均方根误差小于预设阈值,则判断平滑系数α正确。
步骤S3、基于所述第一N维特征数据和第一历史数据的广告曝光流量构建第一预测特征,基于所述第二N维特征数据和第二历史数据的广告曝光流量构建第二预测特征,合并所述第一预测特征和所述第二预测特征得到总预测特征集合,基于时间序列预测模型预测所述总预测特征集合的广告曝光流量。最终得到如某地高端型酒店投放广告能够获得多少广告曝光流量,经济型酒店投放广告能够获得多少流量。
如图3中所示,将每个纬度的流量,都当作总量采用时间序列预测,但用传统方法,需要建立对应纬度所需的模型,模型量大。时间序列预测的核心思想是:用过去时间里的数据预测未来时间里的目标。因此,本实施例中在构建模型的时候,所有第一时间段的N维数据(如酒店地址、酒店广告位位置信息、入住酒店人员年龄段、入住酒店人员性别信息、酒店所属商圈人流量、酒店星级和酒店品牌加权值)都应该拿来构建预测特征。而第二时间段的N维数据也应该拿来构建预测特征,前者是历史特征(对应图上的预测特征A,即第一预测特征),后者是未来特征(对应图上的预测特征B,即第二预测特征),二者合起来构成总预测特征集合。最后,用预测模型和这个总的预测特征集合来预测未来Target(如某地高端型酒店投放广告能够获得多少广告曝光流量,经济型酒店投放广告能够获得多少流量)。
图5为酒店电视媒体广告的流量预估系统的组成结构框图,在本发明技术方案的一个优选实施例中,还提供了一种酒店电视媒体广告的流量预估系统,所述系统10包括:
流量数据获取模块11,用于查询投放渠道,基于投放渠道采集并聚类流量数据;
子段切分模块12,用于计算所述流量数据的数据特征,根据所述数据特征对流量数据进行时域切分,得到流量子段;所述流量子段对应的时间段首尾相连;
特征预测模块13,用于基于所述流量子段构建N维特征数据,并将构建的N维特征数据输入预设的时间序列预测模型得到未来广告曝光流量,基于所述构建的N维特征数据和对应的未来广告曝光流量构建所述流量子段的预测特征;
合并预测模块14,用于合并各流量子段对应的预测特征形成总预测特征集合,并将所述总预测特征集合输入预设的时间序列预测模型,得到总体的未来广告曝光流量。
所述子段切分模块12包括:
模型确定单元,用于查询流量数据中的渠道标签,根据所述渠道标签确定数据量计算模型;
数据量计算单元,用于根据所述数据量计算模型计算对应流量数据的数据量;
比对单元,用于将所述数据量与预设的数据量阈值进行比对,确定分段数量;所述分段数量至少为二;
切分执行单元,用于基于所述分段数量对流量数据进行时域切分,得到流量子段。
所述特征预测模块13包括:
历史数据获取单元,用于获取广告投放后第一时间段的第一历史数据以及第二时间段的第二历史数据;其中,所述第一时间段早于所述第二时间段;所述第一历史数据和所述第二历史数据包括广告投放的酒店属性和广告曝光流量;
特征构建单元,用于基于所述第一历史数据构建第一N维特征数据,基于所述第二历史数据构建第二N维特征数据;
曝光流量确定单元,用于将所述第一N维特征数据和所述第二N维特征数据分别输入预设的时间序列预测模型,得到广告曝光流量;
数据应用单元,用于基于所述第一N维特征数据和第一历史数据的广告曝光流量构建第一预测特征,基于所述第二N维特征数据和第二历史数据的广告曝光流量构建第二预测特征。
所述第二时间段的截止时间为当前时间,所述第一时间段的截止时间与所述第二时间段的起始时间相同;
所述时间序列预测模型包括计算平均算法预测模型、移动平均算法预测模型、三次指数平滑算法预测模型和自回归移动平均模型ARIMA;
所述广告曝光流量包括广告曝光次数、单次曝光时间、广告点击次数和广告点击时间;所述酒店属性包括酒店地址、酒店广告位位置信息、入住酒店人员年龄段、入住酒店人员性别信息、酒店所属商圈人流量、酒店星级和酒店品牌加权值。
基于相同的构思,图4是本发明一个示例中电子设备的结构示意图。如图4所示,该电子设备可以包括:处理器910、通信接口920、存储器930和通信总线940,其中,处理器910,通信接口920,存储器930通过通信总线940完成相互间的通信。处理器910可以调用存储器930中的逻辑指令,以执行酒店电视媒体广告的流量预估方法,该方法包括:获取广告投放后第一时间段的第一历史数据,以及第二时间段的第二历史数据,所述第一时间段早于所述第二时间段;所述第一历史数据和所述第二历史数据包括广告投放的酒店属性和广告曝光流量;基于所述第一历史数据构建第一N维特征数据,基于所述第二历史数据构建第二N维特征数据;基于时间序列预测模型预测所述第一历史数据的广告曝光流量;基于所述第一N维特征数据和第一历史数据的广告曝光流量构建第一预测特征,基于所述第二N维特征数据构建第二预测特征,合并所述第一预测特征和所述第二预测特征得到总预测特征集合,基于时间序列预测模型预测所述总预测特征集合的广告曝光流量。
在本发明实施例中,处理器可以是一种集成电路芯片,具有信号的处理能力。处理器可以是通用处理器、数字信号处理器(Digital Signal Processor,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现场可编程门阵列(FieldProgrammable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
基于相同的构思,本发明实施例还提供一种非暂态计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序包含至少一段代码,该至少一段代码可由主控设备执行,以控制主控设备用以实现如上述各实施例所述酒店电视媒体广告的流量预估方法的步骤。
基于相同的技术构思,本申请实施例还提供一种计算机程序,当该计算机程序被主控设备执行时,用以实现上述方法实施例。
所述程序可以全部或者部分存储在与处理器封装在一起的存储介质上,也可以部分或者全部存储在不与处理器封装在一起的存储器上。
基于相同的技术构思,本申请实施例还提供一种处理器,该处理器用以实现上述方法实施例。上述处理器可以为芯片。
综上所述,本发明实施例提供的一种酒店电视媒体广告的流量预估方法和系统,基于时间序列预测方法,用过去时间里的数据预测未来时间里的广告曝光流量,在构建基于时间序列的预测模型的时候,所有第一时间段里的N维数据(如每个广告位所属酒店的用户性别、年龄、城市等)都拿来构建预测特征,而第二时间段本身的N维数据也应该拿来构建预测特征,前者是历史特征,后者是未来特征,二者合起来构成总预测特征集合。最后,用预测模型和这个总的预测特征集合来预测未来的广告曝光流量。
本发明的各实施方式可以任意进行组合,以实现不同的技术效果。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidStateDisk)等。
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,该流程可以由计算机程序来指令相关的硬件完成,该程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法实施例的流程。而前述的存储介质包括:ROM或随机存储记忆体RAM、磁碟或者光盘等各种可存储程序代码的介质。
最后应说明的是:以上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。
Claims (8)
1.一种酒店电视媒体广告的流量预估方法,其特征在于,所述方法包括:
S1、查询投放渠道,基于投放渠道采集并聚类流量数据;
S2、计算所述流量数据的数据特征,根据所述数据特征对流量数据进行时域切分,得到流量子段;所述流量子段对应的时间段首尾相连;
S3、基于所述流量子段构建N维特征数据,并将构建的N维特征数据输入预设的时间序列预测模型得到未来广告曝光流量,基于所述构建的N维特征数据和对应的未来广告曝光流量构建所述流量子段的预测特征,具体包括:
获取广告投放后第一时间段的第一历史数据以及第二时间段的第二历史数据;其中,所述第一时间段早于所述第二时间段;所述第一历史数据和所述第二历史数据包括广告投放的酒店属性和广告曝光流量;
基于所述第一历史数据构建第一N维特征数据,基于所述第二历史数据构建第二N维特征数据;
将所述第一N维特征数据和所述第二N维特征数据分别输入预设的时间序列预测模型,得到未来广告曝光流量;
基于所述第一N维特征数据和第一历史数据的未来广告曝光流量构建第一预测特征,基于所述第二N维特征数据和第二历史数据的未来广告曝光流量构建第二预测特征;
S4、合并各流量子段对应的预测特征形成总预测特征集合,并将所述总预测特征集合输入预设的时间序列预测模型,得到总体的未来广告曝光流量。
2.根据权利要求1所述的酒店电视媒体广告的流量预估方法,其特征在于,所述计算所述流量数据的数据特征,根据所述数据特征对流量数据进行时域切分,得到流量子段的步骤包括:
查询流量数据中的渠道标签,根据所述渠道标签确定数据量计算模型;
根据所述数据量计算模型计算对应流量数据的数据量;
将所述数据量与预设的数据量阈值进行比对,确定分段数量;所述分段数量至少为二;
基于所述分段数量对流量数据进行时域切分,得到流量子段。
3.根据权利要求1所述的酒店电视媒体广告的流量预估方法,其特征在于,所述第二时间段的截止时间为当前时间,所述第一时间段的截止时间与所述第二时间段的起始时间相同;
所述时间序列预测模型包括计算平均算法预测模型、移动平均算法预测模型、三次指数平滑算法预测模型和自回归移动平均模型ARIMA;
所述广告曝光流量包括广告曝光次数、单次曝光时间、广告点击次数和广告点击时间;所述酒店属性包括酒店地址、酒店广告位位置信息、入住酒店人员年龄段、入住酒店人员性别信息、酒店所属商圈人流量、酒店星级和酒店品牌加权值。
4.根据权利要求3所述的酒店电视媒体广告的流量预估方法,其特征在于,所述三次指数平滑算法预测模型中,给定平滑系数α,0<α<1,三次指数平滑的计算公式为:
上式中,xt表示包含广告曝光流量的序列{xt}在时段t的实际数据;为时段t广告曝光流量的一次平滑值,/>为时段t广告曝光流量的二次平滑值,/>为时段t广告曝光流量的三次平滑值;
预期未来T期的xt+T的计算公式为:
xt+T=AT+BTT+CTT2
其中,T为预测步长,AT、BT、CT的计算公式分别为:
5.根据权利要求4所述的酒店电视媒体广告的流量预估方法,其特征在于,三次指数平滑算法预测模型还通过均方根误差判断平滑系数α是否正确,所述均方根误差为:
若判断所述均方根误差小于预设阈值,则判断平滑系数α正确。
6.一种酒店电视媒体广告的流量预估系统,其特征在于,所述系统包括:
流量数据获取模块,用于查询投放渠道,基于投放渠道采集并聚类流量数据;
子段切分模块,用于计算所述流量数据的数据特征,根据所述数据特征对流量数据进行时域切分,得到流量子段;所述流量子段对应的时间段首尾相连;
特征预测模块,用于基于所述流量子段构建N维特征数据,并将构建的N维特征数据输入预设的时间序列预测模型得到未来广告曝光流量,基于所述构建的N维特征数据和对应的未来广告曝光流量构建所述流量子段的预测特征,
所述特征预测模块包括:
历史数据获取单元,用于获取广告投放后第一时间段的第一历史数据以及第二时间段的第二历史数据;其中,所述第一时间段早于所述第二时间段;所述第一历史数据和所述第二历史数据包括广告投放的酒店属性和广告曝光流量;
特征构建单元,用于基于所述第一历史数据构建第一N维特征数据,基于所述第二历史数据构建第二N维特征数据;
曝光流量确定单元,用于将所述第一N维特征数据和所述第二N维特征数据分别输入预设的时间序列预测模型,得到未来广告曝光流量;
数据应用单元,用于基于所述第一N维特征数据和第一历史数据的未来广告曝光流量构建第一预测特征,基于所述第二N维特征数据和第二历史数据的未来广告曝光流量构建第二预测特征;
合并预测模块,用于合并各流量子段对应的预测特征形成总预测特征集合,并将所述总预测特征集合输入预设的时间序列预测模型,得到总体的未来广告曝光流量。
7.根据权利要求6所述的酒店电视媒体广告的流量预估系统,其特征在于,所述子段切分模块包括:
模型确定单元,用于查询流量数据中的渠道标签,根据所述渠道标签确定数据量计算模型;
数据量计算单元,用于根据所述数据量计算模型计算对应流量数据的数据量;
比对单元,用于将所述数据量与预设的数据量阈值进行比对,确定分段数量;所述分段数量至少为二;
切分执行单元,用于基于所述分段数量对流量数据进行时域切分,得到流量子段。
8.根据权利要求6所述的酒店电视媒体广告的流量预估系统,其特征在于,所述第二时间段的截止时间为当前时间,所述第一时间段的截止时间与所述第二时间段的起始时间相同;
所述时间序列预测模型包括计算平均算法预测模型、移动平均算法预测模型、三次指数平滑算法预测模型和自回归移动平均模型ARIMA;
所述广告曝光流量包括广告曝光次数、单次曝光时间、广告点击次数和广告点击时间;所述酒店属性包括酒店地址、酒店广告位位置信息、入住酒店人员年龄段、入住酒店人员性别信息、酒店所属商圈人流量、酒店星级和酒店品牌加权值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310346990.3A CN116071114B (zh) | 2023-04-04 | 2023-04-04 | 一种酒店电视媒体广告的流量预估方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310346990.3A CN116071114B (zh) | 2023-04-04 | 2023-04-04 | 一种酒店电视媒体广告的流量预估方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116071114A CN116071114A (zh) | 2023-05-05 |
CN116071114B true CN116071114B (zh) | 2023-07-28 |
Family
ID=86177141
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310346990.3A Active CN116071114B (zh) | 2023-04-04 | 2023-04-04 | 一种酒店电视媒体广告的流量预估方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116071114B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015215832A (ja) * | 2014-05-13 | 2015-12-03 | マーベリック株式会社 | 広告配信システム |
CN114078024A (zh) * | 2020-08-18 | 2022-02-22 | 腾讯科技(深圳)有限公司 | 广告库存的预估方法、装置、介质以及电子设备 |
JP7062124B1 (ja) * | 2021-09-15 | 2022-05-02 | 孝一 西郷 | 広告装置 |
WO2022160370A1 (zh) * | 2021-01-29 | 2022-08-04 | 南威软件股份有限公司 | 基于改进的三次指数平滑模型及lstm模型在新冠疫情的预警方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8321280B2 (en) * | 2008-10-01 | 2012-11-27 | Yahoo! Inc. | Demand forecasting system and method for online advertisements |
US9639642B2 (en) * | 2013-10-09 | 2017-05-02 | Fujitsu Limited | Time series forecasting ensemble |
CN105095614A (zh) * | 2014-04-18 | 2015-11-25 | 国际商业机器公司 | 更新预测模型的方法和装置 |
US20170148051A1 (en) * | 2015-11-19 | 2017-05-25 | Groupm Worldwide Llc | Systems and methods for one-to-one advertising management |
CN109657831A (zh) * | 2017-10-11 | 2019-04-19 | 顺丰科技有限公司 | 一种业务量预测方法、装置、设备、存储介质 |
CN109559147B (zh) * | 2018-10-11 | 2024-04-05 | 三六零科技集团有限公司 | 广告流量的预估方法、装置、服务器及可读存储介质 |
CN110149238B (zh) * | 2019-06-18 | 2022-10-28 | 北京百度网讯科技有限公司 | 用于预测流量的方法和装置 |
CN110544130A (zh) * | 2019-09-05 | 2019-12-06 | 广州时代数据服务有限公司 | 流量异动监测方法、装置、计算机设备和存储介质 |
CN111461384B (zh) * | 2019-12-10 | 2024-04-05 | 阿里巴巴集团控股有限公司 | 对象流量预测方法、装置及设备 |
CN112785328A (zh) * | 2020-10-21 | 2021-05-11 | 腾讯科技(上海)有限公司 | 一种内容推送方法、装置及计算机存储介质 |
CN112801712B (zh) * | 2021-02-09 | 2024-03-01 | 杭州网易再顾科技有限公司 | 一种广告投放策略的优化方法及装置 |
-
2023
- 2023-04-04 CN CN202310346990.3A patent/CN116071114B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015215832A (ja) * | 2014-05-13 | 2015-12-03 | マーベリック株式会社 | 広告配信システム |
CN114078024A (zh) * | 2020-08-18 | 2022-02-22 | 腾讯科技(深圳)有限公司 | 广告库存的预估方法、装置、介质以及电子设备 |
WO2022160370A1 (zh) * | 2021-01-29 | 2022-08-04 | 南威软件股份有限公司 | 基于改进的三次指数平滑模型及lstm模型在新冠疫情的预警方法 |
JP7062124B1 (ja) * | 2021-09-15 | 2022-05-02 | 孝一 西郷 | 広告装置 |
Non-Patent Citations (1)
Title |
---|
基于多维特征组合逻辑回归模型的广告点击率预测;伊雯雯;《通信技术》;第1221-1228页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116071114A (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10812870B2 (en) | Yield optimization of cross-screen advertising placement | |
CN107767164B (zh) | 推送信息订单的信息处理方法、分配方法及装置 | |
US20110071900A1 (en) | Advertisee-history-based bid generation system and method for multi-channel advertising | |
US20130204700A1 (en) | System, method and computer program product for prediction based on user interactions history | |
US20090276317A1 (en) | Dynamic inventory management for systems presenting marketing campaigns via media devices in public places | |
JP2011520304A (ja) | 移動体広告および販売促進のマイクロターゲティング用プラットフォーム | |
US20160210656A1 (en) | System for marketing touchpoint attribution bias correction | |
US20210174270A1 (en) | Rideshare vehicle demand forecasting device, method for forecasting rideshare vehicle demand, and storage medium | |
CN110889725B (zh) | 在线广告ctr预估方法、装置、设备及存储介质 | |
US20210374809A1 (en) | Artificial intelligence techniques for bid optimization used for generating dynamic online content | |
CN110866698A (zh) | 用于评定服务提供方的服务分值的装置 | |
JP2003076913A (ja) | ポイントサービスシステムおよびポイント計算装置並びにこれに用いるプログラム | |
JP2009223820A (ja) | 広告料金を計算する装置および方法 | |
US20210382952A1 (en) | Web content organization and presentation techniques | |
KR100458462B1 (ko) | 온라인 광고 방법 및 온라인 광고 시스템 | |
CN116071114B (zh) | 一种酒店电视媒体广告的流量预估方法和系统 | |
US20120166259A1 (en) | Adjusting Demand Parameters To Reduce Allocation Errors in Display Advertising | |
US11631102B2 (en) | Optimization of markdown schedules for clearance items at physical retail stores | |
US20210383425A1 (en) | Demand segmentation and forecasting for media inventory allocation | |
JP2005135209A (ja) | 分散処理サービス仲介システム及びその方法 | |
EP3013055A1 (en) | Video frame set processing cost management method, apparatus and related computer program product | |
KR20050071308A (ko) | 온라인 광고 방법 및 온라인 광고 시스템 | |
KR20190027202A (ko) | 온라인 고객맞춤 혜택 제공 방법 및 그 장치 | |
US20120253951A1 (en) | Scalable inventory protection and optimization in display advertising | |
JP7417470B2 (ja) | 情報処理装置、情報処理方法、情報処理プログラム及び記録媒体 |
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 |