CN116954627A - 游戏产品的参数预测方法、装置、设备、介质及程序产品 - Google Patents
游戏产品的参数预测方法、装置、设备、介质及程序产品 Download PDFInfo
- Publication number
- CN116954627A CN116954627A CN202310230265.XA CN202310230265A CN116954627A CN 116954627 A CN116954627 A CN 116954627A CN 202310230265 A CN202310230265 A CN 202310230265A CN 116954627 A CN116954627 A CN 116954627A
- Authority
- CN
- China
- Prior art keywords
- target
- parameter
- parameter value
- prediction
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 76
- 230000015654 memory Effects 0.000 claims description 34
- 230000004927 fusion Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 6
- 239000000047 product Substances 0.000 description 311
- 230000000875 corresponding effect Effects 0.000 description 88
- 238000005516 engineering process Methods 0.000 description 23
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 17
- 230000006870 function Effects 0.000 description 15
- 238000012549 training Methods 0.000 description 13
- 238000012360 testing method Methods 0.000 description 11
- 238000013473 artificial intelligence Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 9
- 230000007787 long-term memory Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000011176 pooling Methods 0.000 description 7
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 5
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000009469 supplementation Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000002860 competitive effect Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000013112 stability test Methods 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 208000015041 syndromic microphthalmia 10 Diseases 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010010356 Congenital anomaly Diseases 0.000 description 1
- 101100460203 Schizosaccharomyces pombe (strain 972 / ATCC 24843) new2 gene Proteins 0.000 description 1
- 101100273916 Schizosaccharomyces pombe (strain 972 / ATCC 24843) wip1 gene Proteins 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/60—Software deployment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种游戏产品的参数预测方法、装置、设备、介质及程序产品;方法包括:获取目标游戏产品的同类游戏产品的历史参数值序列;基于历史参数值序列,对目标游戏产品进行参数预测,得到目标游戏产品的目标参数的第一预测参数值;获取目标参数对应的多个影响数据,影响数据,用于指示相应的影响因子对目标参数的参数值的影响程度;基于历史参数值序列和影响数据,对目标游戏产品进行参数预测,得到目标游戏产品的目标参数的第二预测参数值;将第一预测参数值和第二预测参数值进行融合,得到目标游戏产品的目标参数的目标参数值。通过本申请,能够有效提高游戏产品的参数预测的准确性。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种游戏产品的参数预测方法、装置、设备、介质及程序产品。
背景技术
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
在相关技术中,对于参数预测,通常对数据的要求较高,因为机器学习需要用到大量的数据进行训练,但是对于游戏产品而言,由于数据相对匮乏,造成预测得到的目标参数值并不准确。
发明内容
本申请实施例提供一种游戏产品的参数预测方法、装置、电子设备、计算机可读存储介质及计算机程序产品,能够有效提高游戏产品的参数预测的准确性。
本申请实施例的技术方案是这样实现的:
本申请实施例提供一种游戏产品的参数预测方法,包括:
获取目标游戏产品的同类游戏产品的历史参数值序列,所述历史参数值序列中包括所述同类游戏产品的目标参数在不同历史时间点的参数值;
基于所述历史参数值序列,对所述目标游戏产品进行参数预测,得到所述目标游戏产品的目标参数的第一预测参数值;
获取所述目标参数对应的多个影响数据,每个所述影响数据对应一个影响因子,所述影响数据,用于指示相应的所述影响因子对所述目标参数的参数值的影响程度;
基于所述历史参数值序列和所述影响数据,对所述目标游戏产品进行参数预测,得到所述目标游戏产品的目标参数的第二预测参数值;
将所述第一预测参数值和所述第二预测参数值进行融合,得到所述目标游戏产品的目标参数的目标参数值。
本申请实施例提供一种游戏产品的参数预测装置,包括:
序列获取模块,用于获取目标游戏产品的同类游戏产品的历史参数值序列,所述历史参数值序列中包括所述同类游戏产品的目标参数在不同历史时间点的参数值;
第一预测模块,用于基于所述历史参数值序列,对所述目标游戏产品进行参数预测,得到所述目标游戏产品的目标参数的第一预测参数值;
影响获取模块,用于获取所述目标参数对应的多个影响数据,每个所述影响数据对应一个影响因子,所述影响数据,用于指示相应的所述影响因子对所述目标参数的参数值的影响程度;
第二预测模块,用于基于所述历史参数值序列和所述影响数据,对所述目标游戏产品进行参数预测,得到所述目标游戏产品的目标参数的第二预测参数值;
融合模块,用于将所述第一预测参数值和所述第二预测参数值进行融合,得到所述目标游戏产品的目标参数的目标参数值。
在一些实施例中,上述第二预测模块,还用于基于所述影响数据,对所述历史参数值序列进行更新,得到所述同类游戏产品的更新序列;基于所述更新序列,对所述目标游戏产品进行参数预测,得到所述目标游戏产品的目标参数的第二预测参数值。
在一些实施例中,上述第二预测模块,还用于针对所述历史参数值序列中各所述历史时间点的参数值分别执行以下处理,以得到所述更新序列:获取所述历史时间点关联的至少一个影响因子,并从所述多个影响数据中,确定各所述影响因子对应的目标影响数据;将各所述目标影响数据和所述历史时间点的参数值进行归一化处理,得到所述历史时间点的更新数据;将所述历史参数值序列中所述历史时间点的参数值,更新为所述历史时间点的更新数据。
在一些实施例中,上述第二预测模块,还用于从各所述目标影响数据和所述历史时间点的参数值中,确定最大数据值和最小数据值;确定所述历史时间点的参数值和所述最小数据值之间的第一差值,以及所述最大数据值和所述最小数据值之间的第二差值;将所述第一差值和所述第二差值的比值,确定为所述历史时间点的更新数据。
在一些实施例中,上述第二预测模块,还用于基于所述更新序列,对所述更新序列在未来时间点的序列值进行预测,得到所述更新序列对应的预测序列值;从各所述目标影响数据和所述历史时间点的参数值中,确定最大数据值和最小数据值;确定所述最大数据值和所述最小数据值之间的差值,并将所述预测序列值和所述差值的乘积,与所述最小数据值进行相加,得到所述目标游戏产品的目标参数的第二预测参数值。
在一些实施例中,上述第一预测模块,还用于基于所述历史参数值序列,对所述目标游戏产品进行初始参数预测,得到所述目标游戏产品的目标参数的初始预测参数值;对所述初始预测参数值进行误差修正,得到所述目标游戏产品的目标参数的第一预测参数值。
在一些实施例中,上述融合模块,还用于获取所述第一预测参数值对应的第一预测误差,并获取所述第二预测参数值对应的第二预测误差;结合所述第一预测误差和所述第二预测误差,确定所述第一预测参数值和所述第二预测参数值分别对应的权重,所述权重与所述参数预测的预测误差负相关;基于所述权重,对所述第一预测参数值和所述第二预测参数值进行加权融合,得到所述目标参数的目标参数值。
在一些实施例中,上述融合模块,还用于将所述第一预测误差和所述第二预测误差进行比较,得到比较结果;当所述比较结果指示所述第一预测误差大于所述第二预测误差时,将所述第一预测参数值对应的权重确定为第一权重值,并将所述第二预测参数值对应的权重确定为第二权重值;其中,所述第一权重值大于所述第二权重值,且所述第一权重值和所述第二权重值的加和等于1;当所述比较结果指示所述第一预测误差小于所述第二预测误差时,将所述第一预测参数值对应的权重确定为所述第二权重值,并将所述第二预测参数值对应的权重确定为所述第一权重值。
在一些实施例中,上述融合模块,还用于将所述第一预测误差的倒数和所述第二预测误差的倒数进行求和,得到总体误差;将所述第一预测误差的倒数和所述总体误差的比值,确定为所述第一预测参数值的权重;将所述第二预测误差的倒数和所述总体误差的比值,确定为所述第二预测参数值的权重。
在一些实施例中,所述历史参数值序列中包括所述同类游戏产品的目标参数在t个不同历史时间点的参数值,t为不小于2的正整数,上述融合模块,还用于将所述历史参数值序列中前t-1个历史时间点的参数值序列,确定为参数值序列样本;基于所述参数值序列样本,对所述目标游戏产品进行参数预测,得到所述目标游戏产品的目标参数的第三预测参数值;结合所述第三预测参数值和所述历史参数值序列中第t个历史时间点的参数值,确定所述第一预测误差。
在一些实施例中,上述融合模块,还用于基于所述参数值序列样本和所述影响数据,对所述目标游戏产品进行参数预测,得到所述目标游戏产品的目标参数的第四预测参数值;结合所述第四预测参数值和所述历史参数值序列中第t个历史时间点的参数值,确定所述第二预测误差。
本申请实施例提供一种电子设备,包括:
存储器,用于存储计算机可执行指令或者计算机程序;
处理器,用于执行所述存储器中存储的计算机可执行指令或者计算机程序时,实现本申请实施例提供的游戏产品的参数预测方法。
本申请实施例提供一种计算机可读存储介质,存储有计算机可执行指令,用于引起处理器执行时,实现本申请实施例提供的游戏产品的参数预测方法。
本申请实施例提供了一种计算机程序产品,该计算机程序产品包括计算机程序或计算机可执行指令,该计算机程序或计算机可执行指令存储在计算机可读存储介质中。电子设备的处理器从计算机可读存储介质读取该计算机可执行指令,处理器执行该计算机可执行指令,使得该电子设备执行本申请实施例上述的游戏产品的参数预测方法。
本申请实施例具有以下有益效果:
通过目标游戏产品的同类游戏产品的历史参数值序列,对目标游戏产品进行参数预测,得到第一预测参数值,并通过目标参数对应的多个影响数据以及历史参数值序列,对目标游戏产品进行参数预测,得到第二参数预测值,将第一预测参数值和第二预测参数值进行融合,得到目标参数值。如此,一方面,通过目标参数对应的多个影响数据以及历史参数值序列联合进行参数预测,并通过历史参数值序列单独进行参数预测,由于影响数据能够准确反映相应的影响因子对目标参数的参数值的影响程度,通过影响数据确定的第二预测参数值,能够对第一预测参数值进行有效补充,使得所确定的目标参数值更加准确。另一方面,由于历史参数值序列能够反映目标游戏产品的同类游戏产品的历史参数值,同类游戏产品的历史参数值序列实现了对目标游戏产品的有效数据补充,使得最终所确定的目标参数值更加准确,从而能够有效提高游戏产品的参数预测的准确性。
附图说明
图1是本申请实施例提供的游戏产品的参数预测系统的架构示意图;
图2是本申请实施例提供的用于参数预测的电子设备的结构示意图;
图3至图6是本申请实施例提供的游戏产品的参数预测方法的流程示意图;
图7至图8是本申请实施例提供的游戏产品的参数预测方法的原理示意图;
图9是本申请实施例提供的游戏产品的参数预测方法的原理示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请作进一步地详细描述,所描述的实施例不应视为对本申请的限制,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
在以下的描述中,涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。
在以下的描述中,所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序,以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
对本申请实施例进行进一步详细说明之前,对本申请实施例中涉及的名词和术语进行说明,本申请实施例中涉及的名词和术语适用于如下的解释。
1)人工智能(Artificial Intelligence,AI):是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。
2)卷积神经网络(CNN,Convolutional Neural Networks):是一类包含卷积计算且具有深度结构的前馈神经网络(FNN,Feed forward Neural Networks),是深度学习(Deep Learning)的代表算法之一。卷积神经网络具有表征学习(RepresentationLearning)能力,能够按其阶层结构对输入图像进行平移不变分类(Shift-InvariantClassification)。
3)卷积层:卷积神经网络中每层卷积层(Convolutional Layer)由若干卷积单元组成,每个卷积单元的参数都是通过反向传播算法最佳化得到的。卷积运算的目的是提取输入的不同特征,第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级,更多层的网路能从低级特征中迭代提取更复杂的特征。
4)池化层:在卷积层进行特征提取后,输出的特征图会被传递至池化层进行特征选择和信息过滤。池化层包含预设定的池化函数,其功能是将特征图中单个点的结果替换为其相邻区域的特征图统计量。池化层选取池化区域与卷积核扫描特征图步骤相同,由池化大小、步长和填充控制
5)全连接层(Fully-Connected Layer):卷积神经网络中的全连接层等价于传统前馈神经网络中的隐含层。全连接层位于卷积神经网络隐含层的最后部分,并只向其它全连接层传递信号。特征图在全连接层中会失去空间拓扑结构,被展开为向量并通过激励函数。
6)长短期记忆网络(LSTM,Long Short-Term Memory):是一种时间循环神经网络,是为了解决一般的RNN(循环神经网络)存在的长期依赖问题而专门设计出来的,所有的RNN都具有一种重复神经网络模块的链式形式。在标准RNN中,这个重复的结构模块只有一个非常简单的结构,例如一个tanh层。
8)整合移动平均自回归模型(Autoregressive Integrated Moving Averagemodel,ARI MA):又称差分整合移动平均自回归模型,是时间序列预测分析方法之一。ARIMA(p,d,q)中,AR是“自回归”,p为自回归项数;MA为“滑动平均”,q为滑动平均项数,d为使之成为平稳序列所做的差分次数(阶数)。
在本申请实施例的实施过程中,申请人发现相关技术存在以下问题:
在相关技术中,对于参数预测,通常对数据的要求较高,因为机器学习需要用到大量的数据进行训练,但是对于游戏产品而言,由于数据相对匮乏,造成预测得到的目标参数值并不准确。
本申请实施例提供一种游戏产品的参数预测方法、装置、电子设备、计算机可读存储介质及计算机程序产品,能够有效提高游戏产品的参数预测的准确性,下面说明本申请实施例提供的游戏产品的参数预测系统的示例性应用。
参见图1,图1是本申请实施例提供的游戏产品的参数预测系统100的架构示意图,终端(示例性示出了终端400)通过网络300连接服务器200,网络300可以是广域网或者局域网,又或者是二者的组合。
终端400用于供用户使用客户端410,在图形界面410-1(示例性示出了图形界面410-1)显示目标参数值。终端400和服务器200通过有线或者无线网络相互连接。
在一些实施例中,服务器200可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content DeliveryNetwork,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。终端400可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能电视、智能手表、车载终端等,但并不局限于此。本申请实施例提供的电子设备可以实施为终端,也可以实施为服务器。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请实施例中不做限制。
在一些实施例中,服务器200获取同类游戏产品的历史参数值序列,并基于历史参数值序列,对目标游戏产品进行参数预测,得到目标游戏产品的目标参数的第一预测参数值,并获取多个影响数据,基于历史参数值序列和影响数据,对目标游戏产品进行参数预测,得到目标游戏产品的目标参数的目标参数值,并将目标参数值发送至终端400。
在另一些实施例中,终端400获取同类游戏产品的历史参数值序列,并基于历史参数值序列,对目标游戏产品进行参数预测,得到目标游戏产品的目标参数的第一预测参数值,并获取多个影响数据,基于历史参数值序列和影响数据,对目标游戏产品进行参数预测,得到目标游戏产品的目标参数的目标参数值,并将目标参数值发送至服务器200。
在另一些实施例中,本申请实施例可以借助于云技术(Cloud Technology)实现,云技术是指在广域网或局域网内将硬件、软件、网络等系列资源统一起来,实现数据的计算、储存、处理和共享的一种托管技术。
云技术是基于云计算商业模式应用的网络技术、信息技术、整合技术、管理平台技术、以及应用技术等的总称,可以组成资源池,按需所用,灵活便利。云计算技术将变成重要支撑。技术网络系统的后台服务需要大量的计算、存储资源。
参见图2,图2是本申请实施例提供的用于参数预测的电子设备500的结构示意图,其中,图2所示出的电子设备500可以是图1中的服务器200或者终端400,图2所示的电子设备500包括:至少一个处理器410、存储器450、至少一个网络接口420。电子设备500中的各个组件通过总线系统440耦合在一起。可理解,总线系统440用于实现这些组件之间的连接通信。总线系统440除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见,在图2中将各种总线都标为总线系统440。
处理器410可以是一种集成电路芯片,具有信号的处理能力,例如通用处理器、数字信号处理器(DSP,Digital Signal Processor),或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其中,通用处理器可以是微处理器或者任何常规的处理器等。
存储器450可以是可移除的,不可移除的或其组合。示例性的硬件设备包括固态存储器,硬盘驱动器,光盘驱动器等。存储器450可选地包括在物理位置上远离处理器410的一个或多个存储设备。
存储器450包括易失性存储器或非易失性存储器,也可包括易失性和非易失性存储器两者。非易失性存储器可以是只读存储器(ROM,Read Only Memory),易失性存储器可以是随机存取存储器(RAM,Random Access Memory)。本申请实施例描述的存储器450旨在包括任意适合类型的存储器。
在一些实施例中,存储器450能够存储数据以支持各种操作,这些数据的示例包括程序、模块和数据结构或者其子集或超集,下面示例性说明。
操作系统451,包括用于处理各种基本系统服务和执行硬件相关任务的系统程序,例如框架层、核心库层、驱动层等,用于实现各种基础产品以及处理基于硬件的任务;
网络通信模块452,用于经由一个或多个(有线或无线)网络接口420到达其他电子设备,示例性的网络接口420包括:蓝牙、无线相容性认证(WiFi,Wireless Fidelity)、和通用串行总线(USB,Universal Serial Bus)等。
在一些实施例中,本申请实施例提供的游戏产品的参数预测装置可以采用软件方式实现,图2示出了存储在存储器450中的游戏产品的参数预测装置455,其可以是程序和插件等形式的软件,包括以下软件模块:序列获取模块4551、第一预测模块4552、影响获取模块4553、第二预测模块4554、融合模块4555,这些模块是逻辑上的,因此根据所实现的功能可以进行任意的组合或进一步拆分。将在下文中说明各个模块的功能。
在另一些实施例中,本申请实施例提供的游戏产品的参数预测装置可以采用硬件方式实现,作为示例,本申请实施例提供的游戏产品的参数预测装置可以是采用硬件译码处理器形式的处理器,其被编程以执行本申请实施例提供的游戏产品的参数预测方法,例如,硬件译码处理器形式的处理器可以采用一个或多个应用专用集成电路(ASIC,Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD,ProgrammableLogic Device)、复杂可编程逻辑器件(CPLD,Complex Programmable Logic Device)、现场可编程门阵列(FPGA,Field-Programmable Gate Array)或其他电子元件。
在一些实施例中,终端或服务器可以通过运行计算机程序或计算机可执行指令来实现本申请实施例提供的游戏产品的参数预测方法。举例来说,计算机程序可以是操作系统中的原生程序(例如,专用的参数预测程序)或软件模块,例如,可以嵌入到任意程序(如即时通信客户端、相册程序、电子地图客户端、导航客户端)中的参数预测模块;例如可以是本地(Native)应用程序(APP,Application),即需要在操作系统中安装才能运行的程序。总而言之,上述计算机程序可以是任意形式的应用程序、模块或插件。
将结合本申请实施例提供的服务器或终端的示例性应用和实施,说明本申请实施例提供的游戏产品的参数预测方法。
参见图3,图3是本申请实施例提供的游戏产品的参数预测方法的流程示意图,将结合图3示出的步骤101至步骤105进行说明,本申请实施例提供的游戏产品的参数预测方法可以由服务器或终端单独实施,或者由服务器及终端协同实施,下面将以服务器单独实施为例进行说明。
在步骤101中,获取目标游戏产品的同类游戏产品的历史参数值序列。
在一些实施例中,目标游戏产品的目标参数在不同历史时间点的参数值为缺失状态,即,目标游戏产品的目标参数没有在不同历史时间点的参数值。目标游戏产品可以是未上线(或即将上线)的游戏产品,因此,由于目标游戏产品未上线,没有游戏玩家体验目标游戏产品,因此,目标游戏产品的目标参数没有在不同历史时间点的参数值。目标游戏产品的同类游戏产品在不同历史时间点的参数值为存在状态,即,同类游戏产品的目标参数有在不同历史时间点的参数值。同类游戏产品可以是已上线(或即将下线)的游戏产品,因此,由于同类游戏产品已上线,有游戏玩家体验同类游戏产品,因此,同类游戏产品的目标参数存在不同历史时间点的参数值。
在一些实施例中,目标游戏产品的同类游戏产品可以是目标游戏产品的上代游戏产品,目标游戏产品可以是同一游戏产品的最新一代游戏产品,也即,目标游戏产品和同类游戏产品可以是同一游戏产品的不同版本,目标游戏产品可以是最新版的游戏产品,同类游戏产品可以是最新版的游戏产品之前的任意版本的游戏产品。
作为示例,对于游戏产品A,目标游戏产品的同类游戏产品可以是游戏产品A的第一代、第二代游戏产品,且第一代游戏产品和第二代游戏产品已经上线运行,目标游戏产品可以是游戏产品A的第三代游戏产品,且第三代游戏产品暂未上线运行。
在一些实施例中,目标游戏产品的同类游戏产品可以是与目标游戏产品同游戏类别的游戏产品,游戏类别可以是大型多人在线角色扮演游戏(MMORPG,MassiveMultiplayer Onl ineRole-PlayingGame)、第一人称射击游戏(FPS,First-PersonShooting game)、第三人称射击游戏、多人在线竞技游戏(MOBA,Multiplayer OnlineBattle Arena games)、虚拟现实应用程序、三维地图程序、仿真程序或者多人生存游戏中的任意一种。
作为示例,当目标游戏产品为第一人称射击游戏产品时,目标游戏产品的同类游戏产品也为第一人称射击游戏产品,当目标游戏产品为第三人称射击游戏产品时,目标游戏产品的同类游戏产品也为第三人称射击游戏产品。
在一些实施例中,目标游戏产品的同类游戏产品与目标游戏产品之间的产品相似度大于相似度阈值,由于目标游戏产品的同类游戏产品相似度较高,因此,历史参数值序列中包括的同类游戏产品的目标参数在不同历史时间点的参数值,可以近似指示目标游戏产品的在不同历史时间点的参数值。
在一些实施例中,历史参数值序列中包括同类游戏产品的目标参数在不同历史时间点的参数值。
在一些实施例中,目标参数可以是游戏产品的点击率,下载量、销售量等产品参数,当目标参数为游戏产品的点击率时,历史参数值序列包括同类游戏产品的点击率在不同历史时间点的参数值,当目标参数为游戏产品的销售量时,历史参数值序列包括同类游戏产品的销售量在不同历史时间点的参数值,且相邻历史时间点之间的时间间隔相同。
作为示例,当目标参数为游戏产品的点击率时,历史参数值序列可以为:{15,12,23,25,35,12,2},历史参数值序列包括同类游戏产品的点击率分别在历史时间点:昨天上午9点、9点1分、9点2分、9点3分、9点4分、9点5分、9点6分、9点7分、9点8分的参数值(点击率值):15,12,23,25,35,12,2。
作为示例,当目标参数为游戏产品的销量时,历史参数值序列可以为:{150,120,230,250,350,120,20},历史参数值序列包括同类游戏产品的销量分别在历史时间点:昨天上午9点、9点1分、9点2分、9点3分、9点4分、9点5分、9点6分、9点7分、9点8分的参数值(销量值):150,120,230,250,350,120,20。
如此,通过获取目标游戏产品的同类游戏产品的历史参数值序列,从而通过同类游戏产品的历史参数值序列,替代缺失历史参数值序列的目标游戏产品的历史参数值序列,便于后续基于同类游戏产品的历史参数值序列,对目标游戏产品进行参数预测,从而为目标游戏产品有效拓展的预测数据来源,有效提高了目标游戏产品的参数预测的准确性。
在步骤102中,基于历史参数值序列,对目标游戏产品进行参数预测,得到目标游戏产品的目标参数的第一预测参数值。
在一些实施例中,上述步骤102可以通过如下方式实现:基于历史参数值序列,调用目标预测模型,对历史参数值序列的下一时间点的参数值进行参数预测,得到历史参数值序列的下一时间点的参数值,将历史参数值序列的下一时间点的参数值,确定为目标游戏产品的目标参数的第一预测参数值。
在一些实施例中,上述目标预测模型可以是训练完成的长短期记忆网络,也可以是训练完成的整合移动平均自回归模型,还可以是训练完成的长短期记忆网络和整合移动平均自回归模型的组合模型,也即上述目标预测模型可以包括至少一个目标预测子模型,当目标预测模型包括的目标预测子模型的数量为两个时,各目标预测子模型的模型结构可以相同可以不同,例如,两个目标预测子模型均为训练完成的整合移动平均自回归模型,或者两个目标预测子模型均为长短期记忆网络,或者两个目标预测子模型一个为整合移动平均自回归模型,另一个为长短期记忆网络。当目标永存模型包括的目标预测子模型的数量为至少两个时,各目标预测子模型均可以完成上述参数预测,且不同的目标预测子模型之间的预测结果,可以相互进行误差修正,从而使得最终确定的第一预测参数值更加准确。
在一些实施例中,当目标预测模型包括的目标预测子模型的数量为两个时,各目标预测子模型的模型结构可以相同可以不同,可以理解的是,目标预测模型包括的目标预测子模型的数量与目标预测模型的预测准确率成正比,目标预测模型包括的目标预测子模型的种类数量与目标预测模型的预测准确率成正比,例如,当目标预测模型包括的目标预测子模型的数量为两个时,当这两个目标预测子模型的模型结构不同时,此时目标预测模型的预测准确率最高。
在一些实施例中,当目标预测模型包括的目标预测子模型的数量为一个时,目标预测模型可以是训练完成的长短期记忆网络,也可以是训练完成的整合移动平均自回归模型,那么上述步骤102可以通过如下方式实现:基于历史参数值序列,调用目标预测子模型,对历史参数值序列的下一时间点的参数值进行参数预测,得到历史参数值序列的下一时间点的参数值,将历史参数值序列的下一时间点的参数值,确定为目标游戏产品的目标参数的第一预测参数值。
在一些实施例中,参见图4,图4是本申请实施例提供的游戏产品的参数预测方法的流程示意图,当目标预测模型包括的目标预测子模型的数量为多个时,图3所示出的步骤102可以通过图4所示出的步骤1021至步骤1022实现。
在步骤1021中,基于历史参数值序列,对目标游戏产品进行初始参数预测,得到目标游戏产品的目标参数的初始预测参数值。
在一些实施例中,上述初始参数预测可以通过目标预测子模型实现,上述步骤1021可以通过如下方式实现:基于历史参数值序列,调用目标预测子模型,对目标游戏产品进行初始参数预测,得到目标游戏产品的目标参数的初始预测参数值。
作为示例,参见图7,图7是本申请实施例提供的游戏产品的参数预测方法的原理示意图,基于历史参数值序列,调用目标预测子模型A,对目标游戏产品进行初始参数预测,得到目标游戏产品的目标参数的初始预测参数值,其中初始预测参数值包括线性部分和非线性部分,其中,非线性部分用于指示目标预测子模型A的预测误差。
在步骤1022中,对初始预测参数值进行误差修正,得到目标游戏产品的目标参数的第一预测参数值。
在一些实施例中,上述误差修正是指对初始预测参数值中的预测误差进行缩小,以提高预测准确性的处理方式。
在一些实施例中,上述步骤1022可以通过如下方式实现:基于历史参数值序列,调用目标预测子模型,对目标游戏产品进行再次参数预测,得到目标游戏产品的目标参数的更新预测参数值,基于更新预测参数值,对初始预测参数值中的非线性部分进行误差修正,得到修正预测参数,将修正预测参数和初始预测参数值中的线性部分进行加和,得到目标游戏产品的目标参数的第一预测参数值。
作为示例,参见图7,基于历史参数值序列,调用目标预测子模型B,对目标游戏产品进行再次参数预测,得到目标游戏产品的目标参数的更新预测参数值,基于更新预测参数值,对初始预测参数值中的非线性部分进行误差修正,得到修正预测参数,将修正预测参数和初始预测参数值中的线性部分进行加和,得到目标游戏产品的目标参数的第一预测参数值。
如此,通过对目标游戏产品进行初始参数预测,得到目标游戏产品的目标参数的初始预测参数值,然后对初始预测参数值进行误差修正,从而使得所得到目标游戏产品的目标参数的第一预测参数值的误差更小,有效提高了所确定的目标参数的第一预测参数值的准确性。
在步骤103中,获取目标参数对应的多个影响数据。
在一些实施例中,每个影响数据对应一个影响因子,影响数据,用于指示相应的影响因子对目标参数的参数值的影响程度。
在一些实施例中,影响因子又称影响因素,是指对目标参数的参数产生影响的各种因素。
作为示例,当目标参数为游戏产品的销售量时,销售量对应的多个影响数据,以及每个影响数据对应的影响因子可以如下表1所示,下表1是本申请实施例提供的影响数据-影响因子的示意表。
表1影响数据和影响因子的示意表
在一些实施例中,每个影响数据对应一个影响因子,影响数据,用于指示相应的影响因子对目标参数的参数值的影响程度,影响数据的数值大小与影响程度正相关,影响程度越大,对应的影响数据的数值越大。
如此,获取目标参数对应的多个影响数据,便于后续基于影响数据,对目标游戏产品进行参数预测,由于影响数据指示相应的影响因子对目标参数的参数值的影响程度,通过后续通过将影响数据融入参数预测的过程中,有效提高了有效提高了所确定的目标参数的预测参数值的准确性。
在步骤104中,基于历史参数值序列和影响数据,对目标游戏产品进行参数预测,得到目标游戏产品的目标参数的第二预测参数值。
在一些实施例中,上述步骤104可以通过如下方式实现:基于历史参数值序列和影响数据,调用目标预测模型,对目标游戏产品进行参数预测,得到目标游戏产品的目标参数的第二预测参数值。
在一些实施例中,上述目标预测模型可以是训练完成的长短期记忆网络,也可以是训练完成的整合移动平均自回归模型,还可以是训练完成的长短期记忆网络和整合移动平均自回归模型的组合模型,也即上述目标预测模型可以包括至少一个目标预测子模型,当目标预测模型包括的目标预测子模型的数量为两个时,各目标预测子模型的模型结构可以相同可以不同,例如,两个目标预测子模型均为训练完成的整合移动平均自回归模型,或者两个目标预测子模型均为长短期记忆网络,或者两个目标预测子模型一个为整合移动平均自回归模型,另一个为长短期记忆网络。当目标永存模型包括的目标预测子模型的数量为至少两个时,各目标预测子模型均可以完成上述参数预测,且不同的目标预测子模型之间的预测结果,可以相互进行误差修正,从而使得最终确定的第二预测参数值更加准确。
在一些实施例中,参见图5,图5是本申请实施例提供的游戏产品的参数预测方法的流程示意图,当目标预测模型包括的目标预测子模型的数量为一个时,图3所示出的步骤104可以通过执行图5所示出的步骤1041至步骤1042实现。
在步骤1041中,基于影响数据,对历史参数值序列进行更新,得到同类游戏产品的更新序列。
在一些实施例中,上述步骤1041可以通过如下方式实现:针对历史参数值序列中各历史时间点的参数值分别执行以下处理,以得到更新序列:获取历史时间点关联的至少一个影响因子,并从多个影响数据中,确定各影响因子对应的目标影响数据;将各目标影响数据和历史时间点的参数值进行归一化处理,得到历史时间点的更新数据;将历史参数值序列中历史时间点的参数值,更新为历史时间点的更新数据。
在一些实施例中,历史参数值序列中的一个历史时间点关联至少一个影响因子,一个影响因子对应至少一个目标影响数据。
作为示例,参见上表1,对于历史参数值序列中的一个历史时间点(例如,周日上午10点30分),与该历史时间点关联的影响因子至少有:日期影响因子-双休日、折扣影响因子-周末特价,其中,日期影响因子-双休日对应的目标影响数据为1.1、折扣影响因子-周末特价对应的目标影响数据为5.2。
在一些实施例中,上述从多个影响数据中,确定各影响因子对应的目标影响数据可以通过如下方式实现:针对各影响因子分别执行以下处理:从影响数据-影响因子的映射关系(例如,上表1)中,查询包含影响因子的目标索引条目,将目标索引条目中的影响数据,确定为影响因子对应的目标影响数据。
在一些实施例中,上述将各目标影响数据和历史时间点的参数值进行归一化处理,得到历史时间点的更新数据,可以通过如下方式实现:从各目标影响数据和历史时间点的参数值中,确定最大数据值和最小数据值;确定历史时间点的参数值和最小数据值之间的第一差值,以及最大数据值和最小数据值之间的第二差值;将第一差值和第二差值的比值,确定为历史时间点的更新数据。
作为示例,上述归一化处理的表达式可以为:
其中,xnew用于指示历史时间点的更新数据,xmin用于指示各目标影响数据和历史时间点的参数值中的最小数据值,xmax用于指示各目标影响数据和历史时间点的参数值中的最大数据值,x用于指示历史时间点的参数值,x-xmin用于指示历史时间点的参数值和最小数据值之间的第一差值,xmax-xmin用于指示最大数据值和最小数据值之间的第二差值。
作为示例,更新序列的表达式可以为:
其中,xnew1用于指示历史时间点1的更新数据,xnew2用于指示历史时间点2的更新数据,xnewn用于指示历史时间点n的更新数据,x1用于指示历史时间点1的参数值,x2用于指示历史时间点2的参数值,xn用于指示历史时间点n的参数值,xmin用于指示各目标影响数据和历史时间点的参数值中的最小数据值,xmax用于指示各目标影响数据和历史时间点的参数值中的最大数据值。
在步骤1042中,基于更新序列,对目标游戏产品进行参数预测,得到目标游戏产品的目标参数的第二预测参数值。
在一些实施例中,上述参数预测可以通过目标预测模型实现,上述目标预测模型可以是训练完成的长短期记忆网络,也可以是训练完成的整合移动平均自回归模型,还可以是训练完成的长短期记忆网络和整合移动平均自回归模型的组合模型,也即上述目标预测模型可以包括至少一个目标预测子模型,当目标预测模型包括的目标预测子模型的数量为两个时,各目标预测子模型的模型结构可以相同可以不同,例如,两个目标预测子模型均为训练完成的整合移动平均自回归模型,或者两个目标预测子模型均为长短期记忆网络,或者两个目标预测子模型一个为整合移动平均自回归模型,另一个为长短期记忆网络。当目标永存模型包括的目标预测子模型的数量为至少两个时,各目标预测子模型均可以完成上述参数预测,且不同的目标预测子模型之间的预测结果,可以相互进行误差修正,从而使得最终确定的第二预测参数值更加准确。
在一些实施例中,更新序列对应的目标预测模型,和历史参数值序列对应的目标预测模型,的模型结构不同,从而使得更新序列确定的第二预测参数值和历史参数值序列所确定的第一预测参数值存在不同(受到不同的目标预测模型的模型结构的影响,使得预测参数值的准确性存在差异)。
在一些实施例中,上述步骤1042可以通过如下方式实现:基于更新序列,对更新序列在未来时间点的序列值进行预测,得到更新序列对应的预测序列值;从各目标影响数据和历史时间点的参数值中,确定最大数据值和最小数据值;确定最大数据值和最小数据值之间的差值,并将预测序列值和差值的乘积,与最小数据值进行相加,得到目标游戏产品的目标参数的第二预测参数值。
在一些实施例中,上述基于更新序列,对更新序列在未来时间点的序列值进行预测,得到更新序列对应的预测序列值,可以通过如下方式实现:基于更新序列,调用目标预测模型,对更新序列在未来时间点的序列值进行预测,得到更新序列对应的预测序列值。
在一些实施例中,上述第二预测参数值的表达式可以为:
xnewy=xy(xmax-xmin)+xmin (3)
其中,xmax用于指示各目标影响数据和历史时间点的参数值中的最大数据值,xmin用于指示各目标影响数据和历史时间点的参数值中的最小数据值,xy用于指示更新序列对应的预测序列值,xnewy用于指示第二预测参数值。
如此,通过基于影响数据,对历史参数值序列进行更新,得到同类游戏产品的更新序列,从而使得所得到的更新序列能够反映影响数据和历史参数值序列的整体随时间的变化趋势,从而使得基于更新序列,对目标游戏产品进行参数预测,所得到目标游戏产品的目标参数的第二预测参数值能够充分考虑影响数据对预测结果的影响,使得预测结果更加准确。
在步骤105中,将第一预测参数值和第二预测参数值进行融合,得到目标游戏产品的目标参数的目标参数值。
在一些实施例中,上述将第一预测参数值和第二预测参数值进行融合,得到目标游戏产品的目标参数的目标参数值,可以通过如下方式实现:将第一预测参数值和第二预测参数值按照各自对应的权重进行加权求和,得到目标游戏产品的目标参数的目标参数值。
在一些实施例中,上述第一预测参数值和第二预测参数值各自对应的权重可以是预先设置好的固定权重,也可以是基于相应的预测误差确定的权重,可以理解的是,通过预测误差确定的权重准确性更高,所得到的目标参数值更加准确,下面将对基于相应的预测误差确定权重的方式进行详细说明。
在一些实施例中,参见图6,图6是本申请实施例提供的游戏产品的参数预测方法的流程示意图,图6所示出的步骤105可以通过如下步骤1051至步骤1053实现。
在步骤1051中,获取第一预测参数值对应的第一预测误差,并获取第二预测参数值对应的第二预测误差。
在一些实施例中,由于第一预测参数值是基于历史参数值序列预测得到的,第二预测参数值是基于历史参数值序列和影响数据确定得到的,因此,无论第一预测参数值和第二预测参数值分别对应的目标预测模型的模型结构是否相同,均会导致第一预测参数值和第二预测参数值分别对应的预测误差不同,从而通过预测误差确定各自对应的权重,通过权重确定目标参数值,使得目标参数值的准确度更高。
在一些实施例中,预测误差与目标预测模型的预测准确度负相关,预测误差与目标预测模型的输入数据的可信度负相关,预测误差的数值大小可以综合体现目标预测模型的预测准确度和目标预测模型的输入数据的可信度。
在一些实施例中,历史参数值序列中包括同类游戏产品的目标参数在t个不同历史时间点的参数值,t为不小于2的正整数。
作为示例,当目标参数为游戏产品的销量时,历史参数值序列可以为:{150,120,230,250,350,120,20},历史参数值序列包括同类游戏产品的销量分别在历史时间点:昨天上午9点、9点1分、9点2分、9点3分、9点4分、9点5分、9点6分、9点7分、9点8分的参数值(销量值):150,120,230,250,350,120,20,也即,历史参数值序列中包括同类游戏产品的目标参数在9个不同历史时间点的参数值。
在一些实施例中,上述获取第一预测参数值对应的第一预测误差,可以通过如下方式实现:将历史参数值序列中前t-1个历史时间点的参数值序列,确定为参数值序列样本;基于参数值序列样本,对目标游戏产品进行参数预测,得到目标游戏产品的目标参数的第三预测参数值;结合第三预测参数值和历史参数值序列中第t个历史时间点的参数值,确定第一预测误差。
在一些实施例中,上述基于参数值序列样本,对目标游戏产品进行参数预测,得到目标游戏产品的目标参数的第三预测参数值,可以通过如下方式实现:基于参数值序列样本,调用历史参数值序列对应的目标预测模型,对目标游戏产品进行参数预测,得到目标游戏产品的目标参数的第三预测参数值。
如此,通过调用历史参数值序列对应的目标预测模型,对目标游戏产品进行参数预测,所得到的第三预测参数值能够准确反映目标预测模型和历史参数值序列所产生的预测误差,使得基于第三预测参数值所确定的第一预测误差更加准确。
在一些实施例中,上述结合第三预测参数值和历史参数值序列中第t个历史时间点的参数值,确定第一预测误差,可以通过如下方式实现:将第三预测参数值和历史参数值序列中第t个历史时间点的参数值的差值,确定为第一预测误差。
在另一些实施例中,上述结合第三预测参数值和历史参数值序列中第t个历史时间点的参数值,确定第一预测误差,可以通过如下方式实现:将第三预测参数值和历史参数值序列中第t个历史时间点的参数值的均方根差值,确定为第一预测误差。
作为示例,第一预测误差的表达式可以为:
其中,RMSE用于指示第一预测误差,ft用于指示第三预测参数值,dt用于指示历史参数值序列中第t个历史时间点的参数值,n用于指示历史参数值序列中历史时间点的数量。
在另一些实施例中,上述结合第三预测参数值和历史参数值序列中第t个历史时间点的参数值,确定第一预测误差,可以通过如下方式实现:将第三预测参数值和历史参数值序列中第t个历史时间点的参数值的平均绝对百分比差值,确定为第一预测误差。
作为示例,第一预测误差的表达式可以为:
其中,MAPE用于指示第一预测误差,ft用于指示第三预测参数值,dt用于指示历史参数值序列中第t个历史时间点的参数值,n用于指示历史参数值序列中历史时间点的数量。
在一些实施例中,上述获取第二预测参数值对应的第二预测误差,可以通过如下方式实现:基于参数值序列样本和影响数据,对目标游戏产品进行参数预测,得到目标游戏产品的目标参数的第四预测参数值;结合第四预测参数值和历史参数值序列中第t个历史时间点的参数值,确定第二预测误差。
在一些实施例中,上述基于参数值序列样本和影响数据,对目标游戏产品进行参数预测,得到目标游戏产品的目标参数的第四预测参数值,可以通过如下方式实现:基于参数值序列样本和影响数据,调用历史参数值序列和影响数据对应的目标预测模型,对目标游戏产品进行参数预测,得到目标游戏产品的目标参数的第四预测参数值。
如此,通过调用历史参数值序列和影响数据对应的目标预测模型,对目标游戏产品进行参数预测,所得到的第四预测参数值能够准确反映目标预测模型、历史参数值序列和影响数据所产生的预测误差,使得基于第四预测参数值所确定的第二预测误差更加准确。
在步骤1052中,结合第一预测误差和第二预测误差,确定第一预测参数值和第二预测参数值分别对应的权重。
在一些实施例中,权重与参数预测的预测误差负相关,即第一预测误差与第一预测参数值对应的权重负相关,第二预测误差与第二预测参数值对应的权重负相关。
在一些实施例中,上述步骤1052可以通过如下方式实现:将第一预测误差和第二预测误差进行比较,得到比较结果;当比较结果指示第一预测误差大于第二预测误差时,将第一预测参数值对应的权重确定为第一权重值,并将第二预测参数值对应的权重确定为第二权重值;其中,第一权重值大于第二权重值,且第一权重值和第二权重值的加和等于1;当比较结果指示第一预测误差小于第二预测误差时,将第一预测参数值对应的权重确定为第二权重值,并将第二预测参数值对应的权重确定为第一权重值。
在一些实施例中,上述第一权重值的表达式可以为:
其中,W1用于指示第一权重值,n用于指示误差的总数量(n=2)。
在一些实施例中,上述第二权重值的表达式可以为:
其中,W2用于指示第二权重值,n用于指示误差的总数量(n=2)。
在另一些实施例中,上述步骤1052可以通过如下方式实现:将第一预测误差的倒数和第二预测误差的倒数进行求和,得到总体误差;将第一预测误差的倒数和总体误差的比值,确定为第一预测参数值的权重;将第二预测误差的倒数和总体误差的比值,确定为第二预测参数值的权重。
在一些实施例中,第一预测参数值的权重的表达式可以为:
其中,W1用于指示第一预测参数值的权重,用于指示第一预测误差的倒数,/>用于指示第二预测误差的倒数。
在一些实施例中,第二预测参数值的权重的表达式可以为:
其中,W2用于指示第二预测参数值的权重,用于指示第一预测误差的倒数,/>用于指示第二预测误差的倒数。
在步骤1053中,基于权重,对第一预测参数值和第二预测参数值进行加权融合,得到目标参数的目标参数值。
在一些实施例中,上述目标参数的目标参数值的表达式可以为:
ft=W1xt+W2yt (10)
其中,ft用于指示目标参数的目标参数值,W2用于指示第二预测参数值的权重,W1用于指示第一预测参数值的权重,xt用于指示第一预测参数值,yt用于指示第二预测参数值。
如此,通过目标游戏产品的同类游戏产品的历史参数值序列,对目标游戏产品进行参数预测,得到第一预测参数值,并通过目标参数对应的多个影响数据以及历史参数值序列,对目标游戏产品进行参数预测,得到第二参数预测值,将第一预测参数值和第二预测参数值进行融合,得到目标参数值。如此,一方面,通过目标参数对应的多个影响数据以及历史参数值序列联合进行参数预测,并通过历史参数值序列单独进行参数预测,由于影响数据能够准确反映相应的影响因子对目标参数的参数值的影响程度,通过影响数据确定的第二预测参数值,能够对第一预测参数值进行有效补充,使得所确定的目标参数值更加准确。另一方面,由于历史参数值序列能够反映目标游戏产品的同类游戏产品的历史参数值,同类游戏产品的历史参数值序列实现了对目标游戏产品的有效数据补充,使得最终所确定的目标参数值更加准确,从而能够有效提高游戏产品的参数预测的准确性。
下面,将说明本申请实施例在一个实际的网络游戏的应用场景中的示例性应用。
由于主机游戏与移动游戏差异巨大、主机厂商较为割裂独立、市场数据难以获得且依赖于主机游戏数据分析能力,主机游戏的销量预测成为了一个业界难题,这也是游戏厂商市的痛点和盲区。游戏产品研发周期长,前期投入大,在未上市之前相关数据难以获得,这给预测工作造成了很高的门槛。本申请实施例克服了市场数据缺乏的难点,将机器学习和时间序列分析技术结合起来,提升有限的市场数据的使用效率,从产品本身出发获得相对精确的预测结果。本申请实施例是一种数据分析与预测技术,本申请实施例已经对几款在研的二方工作室产品数据进行了预测,并取得了较好的效果。未来的远景规划是将本申请实施例所述的方法论开发为数据工具,由使用方根据自身主机游戏的特点输入所需参数,即可获得预测数据。
在一些实施例中,参见图8,图8是本申请实施例提供的游戏产品的参数预测方法的原理示意图,本申请实施例提供的游戏产品的参数预测方法可以通过图8所示出的数据输入层、模型层和输出层实现。其中,输入层允许本申请实施例的使用者根据指引输入原始数据集,本申请实施例根据预设的算法对原始数据进行预处理以将其加工成能建模所需的数据格式及标准;模型层则对已经预处理完毕的数据分别进行LSTM和ARIMA模型建模,目的是最大化捕捉历史数据中的时间趋势和相应的特征,从而建立模型范式;输出层是将模型层中以标准化形态呈现的数据进行反标准化,将其转化为人工可识别的销量预测结果。从物理形态上来说,本申请实施例提供的游戏产品的参数预测方法,将搭载于云上,将云数据库、云计算模组打通,从而减少使用方的硬件部署成本。下面将针对输入层、模型层和输出层的实现原理进行说明。
在一些实施例中,参见图8,图8所示出的模型层91,可以通过图8所示出的步骤911至步骤913实现。
在步骤911中,获取单个同类游戏原始数据集。
在一些实施例中,由于本申请实施例的应用场景多为预测一款在研游戏产品,而在研游戏因为尚未上市导致没有历史销量数据进行建模,因此本申请实施例需要使用已上市的可比同类游戏的历史数据来构建原始数据集。
作为示例,参见图9,图9是本申请实施例提供的游戏产品的参数预测方法的原理示意图,图8所示出的步骤911可以通过图9所示出的步骤9111至步骤9115实现。
在步骤9111中,获取待预测游戏。
在步骤9112中,分解待预测游戏特征指标。
在一些实施例中,参见图9,图9所示的步骤9112可以通过图9所示的步骤91121至步骤91124实现。
在步骤91121中,分解待预测游戏的平台(移动平台、主机平台和PC平台)特征指标。
在步骤91122中,分解待测试游戏的玩法(MOBA、RPG、MMO)指标特征。
在步骤91123中,分解待测试游戏的题材(科幻、复古、神话)指标特征。
在步骤91124中,分解待测试游戏的其他指标特征。
在步骤9113中,寻找能同时最多满足以上特征的五款同类游戏产品对标已上市游戏产品。
在步骤9114中,对五款对标游戏按照相似度分别赋予权重。
在步骤9115中,获取已上市游戏的每日笑来那个数据以及对应的特征数据。
在步骤912中,数据预处理,训练集划分。
在一些实施例中,按照图9所示出的方式获取到对标游戏之后,接下来就是确定需要获取对象哪些数据来构建模型,根据建模使用方法的不同,需要获取销量时序数据和特征数据两大类,前者用来分析销量随时间变化而产生的趋势性变化,后者是为了提升ARIMA模型的预测精度而增加的特征变量。
作为示例,销量时序数据包括对标游戏自上市开始时每日的销量及销售价格,数据切片如下表2所示:
表2本申请实施例提供的数据切片的示意表
日期 | 销量 | 价格 |
2019-01-01 | 10000 | 19.99 |
2019-01-02 | 9876 | 19.99 |
2019-01-03 | 9555 | 19.99 |
作为示例,特征数据包括其他可能会对销量产生影响的因素,特征数据如下表3至表5所示:
表3本申请实施例提供的特征数据(日期)的示意表
日期属性 | 值 |
工作日 | 0 |
双休日 | 1 |
法定节假日 | 2 |
表4本申请实施例提供的特征数据(折扣)的示意表
表5本申请实施例提供的特征数据(产品更新)的示意表
产品更新属性 | 值 |
版本更新发布 | 0 |
新DLC发布 | 1 |
新内购商品发布 | 2 |
无产品更新 | 3 |
在步骤913中,时间序列转化为监督学习。
在一些实施例中,参见图8,图8所示出的模型层92,可以通过图8所示出的步骤921至步骤929实现。
在步骤921中,调用目标预测模型1。
在一些实施例中,上述步骤921可以通过如下方式实现:基于时间序列,调用目标预测模型1,对目标游戏进行预测,得到初始预测结果。
在一些实施例中,上述目标预测模型1可以为ARIMA模型,ARIMA模型可以通过如下方式进行建模,下面详细进行说明。
ARIMA模型主要识别的是时间序列中的趋势性特征,从而构建自变量随时间变化而产生的模式变动。为了构建ARIMA模型,需要进行两个步骤:
第一,平稳性检验。平稳性检验是为了检验原始数据的平稳性,对非平稳的时序数据通过差分法进行平稳化运算。一阶差分后需要再次检验是否达到平稳,若不平稳则重复差分操作。本申请实施例使用ADF法进行平稳性检验,使用工具为python3.7的arch.unitroot包:
ADF检验对象是三类回归式:
(1)无漂移项自回归过程:Yt=ρYt-1+εt,(t=1,2,…,n),Y0=0
(2)带漂移项自回归过程:Yt=μ+ρYt-1+εt,(t=1,2,…,n),Y0=0
(3)带漂移项和趋势项自回归过程:Yt=μ+βt+ρYt-1+εt,(t=1,2,…,n),Y0=0。
其中μ是常数项,βt是时间趋势项,εt是白噪音无自相关性。Yt和Yt-1对应的是不同时段的销量,本申请实施例的使用者可以根据数据及使用实际决定使用哪一个回归式(上述三个回归式在实际运用中均需计算)。
假设检验的条件是:
H0:ρ=1(存在单位根,时间序列是非平稳的)。
H1:ρ<1(不存在单位根,时间序列是平稳的)。
如果得到的显著性检验统计量小于三个置信度(10%,5%和1%)则可以拒绝原假设,认为时间序列是平稳的。
通过Python进行ADF检验的代码如下:
From arch.unitroot import ADF;
adf=ADF(Sales)##对包含日期和销量的时序数据进行ADF检验;
adf.trend=‘ct’##’n’表示无漂移项,‘c’表示有截距项,’ct’表示带漂移和趋势项;
print(adf.summary().as_text())
对输出的结果P值进行检验,如果P>0.05则拒绝原假设,表明数据是平稳可用的,如果无法拒绝原假设则需要对原始时间序列进行平稳化处理。本申请实施例使用序列平稳化处理方法:
其中Z是时间序列,t是序列的项数,K为差分的阶数。如果原始阶数k的运算结果未能通过平稳性检测,则对K进行累加赋值(如原始K为1,重新赋值为2),直到数据通过平稳性检测。
第二,模型参数确定,ARIMA(p,d,q)需要确定3个参数,d为平稳性检验中最终确定的差分次数,p和q是自回归移动平均模型(ARMA)中的参数(数学表达式为:)。由于差分次数d已经确定,因此本步骤中只需要确定p和q两个参数,本申请实施例使用BIC方法确定参数,具体的计算方法如下:
其中,n是原始数据集的大小,如果原始数据集中有100组数据,则n为100;K是参数的数量,k=p+q+1,p和q均为>=0的整数,BIC算法会生成多组数据组合以计算出最佳的BIC数值,如p=1,q=2;p=0,q=3等;SSE(Sum of Squares of Error)是残差平方和,用于衡量拟合数据点和原始数据对应点的误差平方和,计算公式为其中yi为ARIMA建模后模型在i时点产生的拟合数据,/>是i时点的原始数据。BIC方法会计算多组(设定值,例如50组)(p,d,q)值的结果,本申请实施例取多组结果中的BIC最小值作为(p,d,q)的最优解。如经过BIC计算当(p,d,q)值等于(4,1,8)时最终计算出的BIC值是最小值,则将(4,1,8)作为ARIMA模型的最终参数,模型构建完毕后应该利用原始数据进行准确性检验。/>
在步骤922中,对目标预测模型1的预测结果划分非线性部分。
在步骤923中,调用目标预测模型2。
在一些实施例中,目标预测模型2可以是LSTM神经网络模型,ARIMA模型在捕捉数据的趋势方面有较好的表现,但是其精度不高。为了更好的利用数据,提升预测精度和效果,本申请实施例在构建完ARIMA模型之后还需要输入更多的数据来构建含影响因素的多变量LSTM神经网络模型。为了构建LSTM模型,首先需要准备输入数据。除了对标游戏的每日销量数据之外,还应该添加特征数据和价格数据,数据的输入格式为:
上式中in表示第n天的数据集,in={Sn,Wn,Dn,Pn,Gn…}。具体的含义是Sn表示第n天的销量;Wn表示第n天是否为双休日、节假日还是工作日;Dn表示当日是否有折扣以及相应的折扣类型;Pn表示当日的产品售价;Gn表示当日的产品更新属性。
为了保证输入数据单位和量纲的一致性,需要对输入数据进行归一化处理,本申请实施例使用min-max归一化,其作用使数据落在[0,1]区间内。
将必要的输入数据进行归一化处理完毕后需要将时间序列重构以进行机器学习,本申请实施例使用滑动窗口法来进行时间序列重构,以将时间序列数据转化为监督学习问题。具体来说是将一个以前的时间点问题作为输入变量,将下一个时间点的数据作为输出变量。本申请实施例允许使用人根据业务实际自定义输入的时间窗口,比如可以将7天的数据作为输入变量,将第8天的数据作为输出变量,以此进行平滑移动。为了衡量模型的拟合效果,本申请实施例将前n个月的数据作为训练集,将最后1个月的数据作为测试集,发明人可以根据业务需要进行灵活调整。
LSTM模型包括三个门控单元(或计算单元):遗忘门(ft,Forget Gate)、输入门(it,Input Gate)、输出门(Ot,Output Gate)和一个记忆细胞Cell用于存储信息。三个门控单元的功能由sigmoid函数和点乘运算实现,门控单元不会提供额外的信息,只负责筛选信息通过量。具体的公式如下所示:
ft=σ(Wf×[ht-1,xt]+bf) (15)
σ是一个sigmoid函数,W为权重,b为偏置。
首先,遗忘门决定保留多少上一时刻的信息继续为当前时刻使用。输入上一时刻的隐藏层状态ht-1和当前时刻的序列数据xt,通过遗忘门确定保留范围,并作用于上一时刻的记忆信息Ct-1。
其次,输入门决定保留多少当前时刻的输入到当前时刻的单元状态。输入上一时刻的ht-1和当前时刻的xt,通过一个tanh函数输出一个(-1,1)的取值作为阈值,得到此刻的备选记忆信息同时ht-1和xt通过输入门确定输入范围作用于/>经过遗忘门对上一时刻记忆信息的保留以及输入门对备选信息的选择,得到当前时刻新的记忆信息ct。
it=σ(Wf×[ht-1,xt]+bi) (16)
/>
最后,输出门决定当前时刻的记忆信息有多少输出。ht-1和xt通过输出门后先确定输出范围,再通过一个tanh函数对当前记忆信息ct进行部分选取,经过输出门确定信息输出ht。
ot=σ(Wo×[ht-1,xt]+bo) (19)
ht=ot×tanh (ct) (20)
本申请实施例使用python的keras库进行LSTM模型的构建,需要输入训练集数据Fn,Fn即作为t时刻的xt输入it,ht是一个由(0,1)组成的状态选取函数,是由LSTM模型根据t-1时刻和t时刻数据是否保持一致而选择是否遗忘的参数,假如t-1时刻日期属性为双休日,而t时刻仍为双休日,则ht=1,否则为0,其中0时刻的遗忘函数为0。经过神经网络计算可以由前n日的数据平滑地预测之后的每一日的销量,从而达到预测的效果。
此时模型构建完毕,使用测试集的数据来验证模型的准确度,当模型的准确度高于本申请实施例使用方的设定数值时则LSTM模型构建完毕,否则应当调整输入数据重新构建模型。根据使用经验一般模型构建不成功是由于日期切分不合理导致,比如可以使用5天、15天或30天的数据来预测下一日的结果。
在步骤924中,对目标预测模型2的预测结果划分线性部分。
在步骤925中,生成第一预测结果。
在一些实施例中,上述步骤925可以通过如下方式实现:对线性部分和目标预测模型2的预测结果,生成第一预测结果。
在步骤926中,调用目标预测模型3。
在一些实施例中,上述目标预测模型3,可以是多变量LSTM神经网络模型。
在步骤927中,生成第二预测结果。
在一些实施例中,模型生成的预测结果还不是最终的输出结果,由于之前对数据进行了归一化处理,将所有的数据全部压缩到了[0,1]区间,因此需要对结果进行反转重新得到原数据,计算公式如下:
x=xnew(xmax-xmin)+xmin (21)
在步骤928中,加权组合得到组合模型预测结果。
在一些实施例中,上述步骤928可以通过如下方式实现:将第一预测结果和第二预测结果进行加权,得到组合模型预测结果。
本申请实施例使用等权重法、误差方差加权平均法和误差倒数加权平均法分别得到ARIMA模型和LSTM模型结果的权重,具体的计算方式如下:
为了进行加权平均,首先要分别计算出ARIMA模型和LSTM模型预测结果的预测质量指标RMSE和MAPE:
其中,ft是预测模型对t时刻的预测值,dt是t时刻的真实值。
本申请实施例分别使用等权重法、误差方差加权平均法和误差倒数加权平均法计算加权后的ARIMA-LSTM预测模型预测值,再将加权后的预测值与真实值重新计算三种方法加权后的RMSE和MAPE,取RMSE和MAPE均为最小值的加权权重为最终赋权权重,加权后的结果为最终预测值。等权重法是给ARIMA模型和LSTM模型的预测值各赋予50%的权重;误差方差加权平均法则是对ARIMA模型和LSTM模型预测结果按照误差大小进行排序,误差大则赋予更少的权重,误差小赋予更高的权重,其计算公式为 其中n是总误差的误差数量,本申请实施例是2,i是排序,如果ARIMA的RMSE和MAPE小则i=1,LSTM的i=2。误差倒数加权平均法是将ARIMA模型和LSTM模型产生的误差按照倒数的形式计算加权权数的方法,其计算公式为/>其中Ei是均方根误差RMSE。计算出权重Wi后按照公式计算最终的预测值,公式为:
ft=W1xt+W2yt(t=1,2,…,n) (24)
其中,Xt表示ARIMA模型在t时刻的预测值,yt表示LSTM模型在t时刻的预测值。
在一些实施例中,参见图8,图8所示出的输出层93,可以通过图9所示出的步骤931至步骤933实现。
在步骤931中,预测结果反标准化。
在步骤932中,获取销量预测结果。
在步骤933中,销量预测结果加权。
在一些实施例中,竞品数据加权,得到最终预测数据。对每一竞品的原始数据都按照以上流程进行计算,得到利用每个竞品历史数据对未来t时刻的预测值,再根据专家对每个竞品的权重设置对每个游戏t时刻的预测值乘以权重,得到预测对象在t时刻的预测结果。本申请实施例对于专家的权重设置范围仅要求>0即可,并不要求5款游戏的权重相加等于1,因为最终的产品形态可能与市场现存竞品存在较大差异,可能使得最终销量远超历史记录,因此可以根据产品的实际打分对于某一款竞品的预测结果赋予大于1的权重以进行总体数字的调整。
在一些实施例中,由于游戏产品开发周期长,对未来的预测主要依赖专家的主观判断,这就导致最终的结果与预测结果出现很大的偏移。本申请实施例提出了一种游戏产品的参数预测方法,将专家打分与量化预测结合起来,提升整体预测的准确度。
如此,通过目标游戏产品的同类游戏产品的历史参数值序列,对目标游戏产品进行参数预测,得到第一预测参数值,并通过目标参数对应的多个影响数据以及历史参数值序列,对目标游戏产品进行参数预测,得到第二参数预测值,将第一预测参数值和第二预测参数值进行融合,得到目标参数值。如此,一方面,通过目标参数对应的多个影响数据以及历史参数值序列联合进行参数预测,并通过历史参数值序列单独进行参数预测,由于影响数据能够准确反映相应的影响因子对目标参数的参数值的影响程度,通过影响数据确定的第二预测参数值,能够对第一预测参数值进行有效补充,使得所确定的目标参数值更加准确。另一方面,由于历史参数值序列能够反映目标游戏产品的同类游戏产品的历史参数值,同类游戏产品的历史参数值序列实现了对目标游戏产品的有效数据补充,使得最终所确定的目标参数值更加准确,从而能够有效提高游戏产品的参数预测的准确性。
可以理解的是,在本申请实施例中,涉及到历史参数值序列等相关的数据,当本申请实施例运用到具体产品或技术中时,需要获得用户许可或者同意,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
下面继续说明本申请实施例提供的游戏产品的参数预测装置455的实施为软件模块的示例性结构,在一些实施例中,如图2所示,存储在存储器450的游戏产品的参数预测装置455中的软件模块可以包括:序列获取模块4551,用于获取目标游戏产品的同类游戏产品的历史参数值序列,历史参数值序列中包括同类游戏产品的目标参数在不同历史时间点的参数值;第一预测模块4552,用于基于历史参数值序列,对目标游戏产品进行参数预测,得到目标游戏产品的目标参数的第一预测参数值;影响获取模块4553,用于获取目标参数对应的多个影响数据,每个影响数据对应一个影响因子,影响数据,用于指示相应的影响因子对目标参数的参数值的影响程度;第二预测模块4554,用于基于历史参数值序列和影响数据,对目标游戏产品进行参数预测,得到目标游戏产品的目标参数的第二预测参数值;融合模块4555,用于将第一预测参数值和第二预测参数值进行融合,得到目标游戏产品的目标参数的目标参数值。
在一些实施例中,上述第二预测模块4554,还用于基于影响数据,对历史参数值序列进行更新,得到同类游戏产品的更新序列;基于更新序列,对目标游戏产品进行参数预测,得到目标游戏产品的目标参数的第二预测参数值。
在一些实施例中,上述第二预测模块4554,还用于针对历史参数值序列中各历史时间点的参数值分别执行以下处理,以得到更新序列:获取历史时间点关联的至少一个影响因子,并从多个影响数据中,确定各影响因子对应的目标影响数据;将各目标影响数据和历史时间点的参数值进行归一化处理,得到历史时间点的更新数据;将历史参数值序列中历史时间点的参数值,更新为历史时间点的更新数据。
在一些实施例中,上述第二预测模块4554,还用于从各目标影响数据和历史时间点的参数值中,确定最大数据值和最小数据值;确定历史时间点的参数值和最小数据值之间的第一差值,以及最大数据值和最小数据值之间的第二差值;将第一差值和第二差值的比值,确定为历史时间点的更新数据。
在一些实施例中,上述第二预测模块4554,还用于基于更新序列,对更新序列在未来时间点的序列值进行预测,得到更新序列对应的预测序列值;从各目标影响数据和历史时间点的参数值中,确定最大数据值和最小数据值;确定最大数据值和最小数据值之间的差值,并将预测序列值和差值的乘积,与最小数据值进行相加,得到目标游戏产品的目标参数的第二预测参数值。
在一些实施例中,上述第一预测模块4552,还用于基于历史参数值序列,对目标游戏产品进行初始参数预测,得到目标游戏产品的目标参数的初始预测参数值;对初始预测参数值进行误差修正,得到目标游戏产品的目标参数的第一预测参数值。
在一些实施例中,上述融合模块4555,还用于获取第一预测参数值对应的第一预测误差,并获取第二预测参数值对应的第二预测误差;结合第一预测误差和第二预测误差,确定第一预测参数值和第二预测参数值分别对应的权重,权重与参数预测的预测误差负相关;基于权重,对第一预测参数值和第二预测参数值进行加权融合,得到目标参数的目标参数值。
在一些实施例中,上述融合模块4555,还用于将第一预测误差和第二预测误差进行比较,得到比较结果;当比较结果指示第一预测误差大于第二预测误差时,将第一预测参数值对应的权重确定为第一权重值,并将第二预测参数值对应的权重确定为第二权重值;其中,第一权重值大于第二权重值,且第一权重值和第二权重值的加和等于1;当比较结果指示第一预测误差小于第二预测误差时,将第一预测参数值对应的权重确定为第二权重值,并将第二预测参数值对应的权重确定为第一权重值。
在一些实施例中,上述融合模块4555,还用于将第一预测误差的倒数和第二预测误差的倒数进行求和,得到总体误差;将第一预测误差的倒数和总体误差的比值,确定为第一预测参数值的权重;将第二预测误差的倒数和总体误差的比值,确定为第二预测参数值的权重。
在一些实施例中,历史参数值序列中包括同类游戏产品的目标参数在t个不同历史时间点的参数值,t为不小于2的正整数,上述融合模块4555,还用于将历史参数值序列中前t-1个历史时间点的参数值序列,确定为参数值序列样本;基于参数值序列样本,对目标游戏产品进行参数预测,得到目标游戏产品的目标参数的第三预测参数值;结合第三预测参数值和历史参数值序列中第t个历史时间点的参数值,确定第一预测误差。
在一些实施例中,上述融合模块4555,还用于基于参数值序列样本和影响数据,对目标游戏产品进行参数预测,得到目标游戏产品的目标参数的第四预测参数值;结合第四预测参数值和历史参数值序列中第t个历史时间点的参数值,确定第二预测误差。
本申请实施例提供了一种计算机程序产品,该计算机程序产品包括计算机程序或计算机可执行指令,该计算机程序或计算机可执行指令存储在计算机可读存储介质中。电子设备的处理器从计算机可读存储介质读取该计算机可执行指令,处理器执行该计算机可执行指令,使得该电子设备执行本申请实施例上述的游戏产品的参数预测方法。
本申请实施例提供一种存储有计算机可执行指令的计算机可读存储介质,其中存储有计算机可执行指令,当计算机可执行指令被处理器执行时,将引起处理器执行本申请实施例提供的游戏产品的参数预测方法,例如,如图3示出的游戏产品的参数预测方法。
在一些实施例中,计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器;也可以是包括上述存储器之一或任意组合的各种电子设备。
在一些实施例中,计算机可执行指令可以采用程序、软件、软件模块、脚本或代码的形式,按任意形式的编程语言(包括编译或解释语言,或者声明性或过程性语言)来编写,并且其可按任意形式部署,包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
作为示例,计算机可执行指令可以但不一定对应于文件系统中的文件,可以可被存储在保存其它程序或数据的文件的一部分,例如,存储在超文本标记语言(HTML,HyperText Markup Language)文档中的一个或多个脚本中,存储在专用于所讨论的程序的单个文件中,或者,存储在多个协同文件(例如,存储一个或多个模块、子程序或代码部分的文件)中。
作为示例,计算机可执行指令可被部署为在一个电子设备上执行,或者在位于一个地点的多个电子设备上执行,又或者,在分布在多个地点且通过通信网络互连的多个电子设备上执行。
综上,本申请实施例具有如下有益效果:
(1)通过目标游戏产品的同类游戏产品的历史参数值序列,对目标游戏产品进行参数预测,得到第一预测参数值,并通过目标参数对应的多个影响数据以及历史参数值序列,对目标游戏产品进行参数预测,得到第二参数预测值,将第一预测参数值和第二预测参数值进行融合,得到目标参数值。如此,一方面,通过目标参数对应的多个影响数据以及历史参数值序列联合进行参数预测,并通过历史参数值序列单独进行参数预测,由于影响数据能够准确反映相应的影响因子对目标参数的参数值的影响程度,通过影响数据确定的第二预测参数值,能够对第一预测参数值进行有效补充,使得所确定的目标参数值更加准确。另一方面,由于历史参数值序列能够反映目标游戏产品的同类游戏产品的历史参数值,同类游戏产品的历史参数值序列实现了对目标游戏产品的有效数据补充,使得最终所确定的目标参数值更加准确,从而能够有效提高游戏产品的参数预测的准确性。
(2)通过获取目标游戏产品的同类游戏产品的历史参数值序列,从而通过同类游戏产品的历史参数值序列,替代缺失历史参数值序列的目标游戏产品的历史参数值序列,便于后续基于同类游戏产品的历史参数值序列,对目标游戏产品进行参数预测,从而为目标游戏产品有效拓展的预测数据来源,有效提高了目标游戏产品的参数预测的准确性。
(3)当目标永存模型包括的目标预测子模型的数量为至少两个时,各目标预测子模型均可以完成上述参数预测,且不同的目标预测子模型之间的预测结果,可以相互进行误差修正,从而使得最终确定的第一预测参数值更加准确。
(4)通过对目标游戏产品进行初始参数预测,得到目标游戏产品的目标参数的初始预测参数值,然后对初始预测参数值进行误差修正,从而使得所得到目标游戏产品的目标参数的第一预测参数值的误差更小,有效提高了所确定的目标参数的第一预测参数值的准确性。
(5)获取目标参数对应的多个影响数据,便于后续基于影响数据,对目标游戏产品进行参数预测,由于影响数据指示相应的影响因子对目标参数的参数值的影响程度,通过后续通过将影响数据融入参数预测的过程中,有效提高了有效提高了所确定的目标参数的预测参数值的准确性。
(6)通过基于影响数据,对历史参数值序列进行更新,得到同类游戏产品的更新序列,从而使得所得到的更新序列能够反映影响数据和历史参数值序列的整体随时间的变化趋势,从而使得基于更新序列,对目标游戏产品进行参数预测,所得到目标游戏产品的目标参数的第二预测参数值能够充分考虑影响数据对预测结果的影响,使得预测结果更加准确。
(7)由于第一预测参数值是基于历史参数值序列预测得到的,第二预测参数值是基于历史参数值序列和影响数据确定得到的,因此,无论第一预测参数值和第二预测参数值分别对应的目标预测模型的模型结构是否相同,均会导致第一预测参数值和第二预测参数值分别对应的预测误差不同,从而通过预测误差确定各自对应的权重,通过权重确定目标参数值,使得目标参数值的准确度更高。
(8)通过调用历史参数值序列对应的目标预测模型,对目标游戏产品进行参数预测,所得到的第三预测参数值能够准确反映目标预测模型和历史参数值序列所产生的预测误差,使得基于第三预测参数值所确定的第一预测误差更加准确。
(9)通过调用历史参数值序列和影响数据对应的目标预测模型,对目标游戏产品进行参数预测,所得到的第四预测参数值能够准确反映目标预测模型、历史参数值序列和影响数据所产生的预测误差,使得基于第四预测参数值所确定的第二预测误差更加准确。
以上所述,仅为本申请的实施例而已,并非用于限定本申请的保护范围。凡在本申请的精神和范围之内所作的任何修改、等同替换和改进等,均包含在本申请的保护范围之内。
Claims (15)
1.一种游戏产品的参数预测方法,其特征在于,所述方法包括:
获取目标游戏产品的同类游戏产品的历史参数值序列,所述历史参数值序列中包括所述同类游戏产品的目标参数在不同历史时间点的参数值;
基于所述历史参数值序列,对所述目标游戏产品进行参数预测,得到所述目标游戏产品的目标参数的第一预测参数值;
获取所述目标参数对应的多个影响数据,每个所述影响数据对应一个影响因子,所述影响数据,用于指示相应的所述影响因子对所述目标参数的参数值的影响程度;
基于所述历史参数值序列和所述影响数据,对所述目标游戏产品进行参数预测,得到所述目标游戏产品的目标参数的第二预测参数值;
将所述第一预测参数值和所述第二预测参数值进行融合,得到所述目标游戏产品的目标参数的目标参数值。
2.根据权利要求1所述的方法,其特征在于,所述基于所述历史参数值序列和所述影响数据,对所述目标游戏产品进行参数预测,得到所述目标游戏产品的目标参数的第二预测参数值,包括:
基于所述影响数据,对所述历史参数值序列进行更新,得到所述同类游戏产品的更新序列;
基于所述更新序列,对所述目标游戏产品进行参数预测,得到所述目标游戏产品的目标参数的第二预测参数值。
3.根据权利要求2所述的方法,其特征在于,所述基于所述影响数据,对所述历史参数值序列进行更新,得到所述同类游戏产品的更新序列,包括:
针对所述历史参数值序列中各所述历史时间点的参数值分别执行以下处理,以得到所述更新序列:
获取所述历史时间点关联的至少一个影响因子,并从所述多个影响数据中,确定各所述影响因子对应的目标影响数据;
将各所述目标影响数据和所述历史时间点的参数值进行归一化处理,得到所述历史时间点的更新数据;
将所述历史参数值序列中所述历史时间点的参数值,更新为所述历史时间点的更新数据。
4.根据权利要求3所述的方法,其特征在于,所述将各所述目标影响数据和所述历史时间点的参数值进行归一化处理,得到所述历史时间点的更新数据,包括:
从各所述目标影响数据和所述历史时间点的参数值中,确定最大数据值和最小数据值;
确定所述历史时间点的参数值和所述最小数据值之间的第一差值,以及所述最大数据值和所述最小数据值之间的第二差值;
将所述第一差值和所述第二差值的比值,确定为所述历史时间点的更新数据。
5.根据权利要求3所述的方法,其特征在于,所述基于所述更新序列,对所述目标游戏产品进行参数预测,得到所述目标游戏产品的目标参数的第二预测参数值,包括:
基于所述更新序列,对所述更新序列在未来时间点的序列值进行预测,得到所述更新序列对应的预测序列值;
从各所述目标影响数据和所述历史时间点的参数值中,确定最大数据值和最小数据值;
确定所述最大数据值和所述最小数据值之间的差值,并将所述预测序列值和所述差值的乘积,与所述最小数据值进行相加,得到所述目标游戏产品的目标参数的第二预测参数值。
6.根据权利要求1所述的方法,其特征在于,所述基于所述历史参数值序列,对所述目标游戏产品进行参数预测,得到所述目标游戏产品的目标参数的第一预测参数值,包括:
基于所述历史参数值序列,对所述目标游戏产品进行初始参数预测,得到所述目标游戏产品的目标参数的初始预测参数值;
对所述初始预测参数值进行误差修正,得到所述目标游戏产品的目标参数的第一预测参数值。
7.根据权利要求1所述的方法,其特征在于,所述将所述第一预测参数值和所述第二预测参数值进行融合,得到所述目标游戏产品的目标参数的目标参数值,包括:
获取所述第一预测参数值对应的第一预测误差,并获取所述第二预测参数值对应的第二预测误差;
结合所述第一预测误差和所述第二预测误差,确定所述第一预测参数值和所述第二预测参数值分别对应的权重,所述权重与所述参数预测的预测误差负相关;
基于所述权重,对所述第一预测参数值和所述第二预测参数值进行加权融合,得到所述目标参数的目标参数值。
8.根据权利要求7所述的方法,其特征在于,所述结合所述第一预测误差和所述第二预测误差,确定所述第一预测参数值和所述第二预测参数值分别对应的权重,包括:
将所述第一预测误差和所述第二预测误差进行比较,得到比较结果;
当所述比较结果指示所述第一预测误差大于所述第二预测误差时,将所述第一预测参数值对应的权重确定为第一权重值,并将所述第二预测参数值对应的权重确定为第二权重值;
其中,所述第一权重值大于所述第二权重值,且所述第一权重值和所述第二权重值的加和等于1;
当所述比较结果指示所述第一预测误差小于所述第二预测误差时,将所述第一预测参数值对应的权重确定为所述第二权重值,并将所述第二预测参数值对应的权重确定为所述第一权重值。
9.根据权利要求7所述的方法,其特征在于,所述结合所述第一预测误差和所述第二预测误差,确定所述第一预测参数值和所述第二预测参数值分别对应的权重,包括:
将所述第一预测误差的倒数和所述第二预测误差的倒数进行求和,得到总体误差;
将所述第一预测误差的倒数和所述总体误差的比值,确定为所述第一预测参数值的权重;
将所述第二预测误差的倒数和所述总体误差的比值,确定为所述第二预测参数值的权重。
10.根据权利要求7所述的方法,其特征在于,所述历史参数值序列中包括所述同类游戏产品的目标参数在t个不同历史时间点的参数值,t为不小于2的正整数;所述获取所述第一预测参数值对应的第一预测误差,包括:
将所述历史参数值序列中前t-1个历史时间点的参数值序列,确定为参数值序列样本;
基于所述参数值序列样本,对所述目标游戏产品进行参数预测,得到所述目标游戏产品的目标参数的第三预测参数值;
结合所述第三预测参数值和所述历史参数值序列中第t个历史时间点的参数值,确定所述第一预测误差。
11.根据权利要求10所述的方法,其特征在于,所述获取所述第二预测参数值对应的第二预测误差,包括:
基于所述参数值序列样本和所述影响数据,对所述目标游戏产品进行参数预测,得到所述目标游戏产品的目标参数的第四预测参数值;
结合所述第四预测参数值和所述历史参数值序列中第t个历史时间点的参数值,确定所述第二预测误差。
12.一种游戏产品的参数预测装置,其特征在于,所述装置包括:
序列获取模块,用于获取目标游戏产品的同类游戏产品的历史参数值序列,所述历史参数值序列中包括所述同类游戏产品的目标参数在不同历史时间点的参数值;
第一预测模块,用于基于所述历史参数值序列,对所述目标游戏产品进行参数预测,得到所述目标游戏产品的目标参数的第一预测参数值;
影响获取模块,用于获取所述目标参数对应的多个影响数据,每个所述影响数据对应一个影响因子,所述影响数据,用于指示相应的所述影响因子对所述目标参数的参数值的影响程度;
第二预测模块,用于基于所述历史参数值序列和所述影响数据,对所述目标游戏产品进行参数预测,得到所述目标游戏产品的目标参数的第二预测参数值;
融合模块,用于将所述第一预测参数值和所述第二预测参数值进行融合,得到所述目标游戏产品的目标参数的目标参数值。
13.一种电子设备,其特征在于,所述电子设备包括:
存储器,用于存储计算机可执行指令或者计算机程序;
处理器,用于执行所述存储器中存储的计算机可执行指令或者计算机程序时,实现权利要求1至11任一项所述的游戏产品的参数预测方法。
14.一种计算机可读存储介质,存储有计算机可执行指令,其特征在于,所述计算机可执行指令被处理器执行时实现权利要求1至11任一项所述的游戏产品的参数预测方法。
15.一种计算机程序产品,包括计算机程序或计算机可执行指令,其特征在于,所述计算机程序或计算机可执行指令被处理器执行时实现权利要求1至11任一项所述的游戏产品的参数预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310230265.XA CN116954627A (zh) | 2023-02-28 | 2023-02-28 | 游戏产品的参数预测方法、装置、设备、介质及程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310230265.XA CN116954627A (zh) | 2023-02-28 | 2023-02-28 | 游戏产品的参数预测方法、装置、设备、介质及程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116954627A true CN116954627A (zh) | 2023-10-27 |
Family
ID=88451744
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310230265.XA Pending CN116954627A (zh) | 2023-02-28 | 2023-02-28 | 游戏产品的参数预测方法、装置、设备、介质及程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116954627A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117555815A (zh) * | 2024-01-11 | 2024-02-13 | 腾讯科技(深圳)有限公司 | 参数预测方法、模型训练方法和相关装置 |
-
2023
- 2023-02-28 CN CN202310230265.XA patent/CN116954627A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117555815A (zh) * | 2024-01-11 | 2024-02-13 | 腾讯科技(深圳)有限公司 | 参数预测方法、模型训练方法和相关装置 |
CN117555815B (zh) * | 2024-01-11 | 2024-04-30 | 腾讯科技(深圳)有限公司 | 参数预测方法、模型训练方法和相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wirawan et al. | Short term prediction on bitcoin price using ARIMA method | |
Clarke | Land use change modeling with sleuth: Improving calibration with a genetic algorithm | |
AU2023203714A1 (en) | Model integration tool | |
CN108475393A (zh) | 通过合成特征和梯度提升决策树进行预测的系统和方法 | |
CN107392319A (zh) | 生成机器学习样本的组合特征的方法及系统 | |
US20150088606A1 (en) | Computer Implemented Tool and Method for Automating the Forecasting Process | |
CN108389631A (zh) | 水痘发病预警方法、服务器及计算机可读存储介质 | |
CN116954627A (zh) | 游戏产品的参数预测方法、装置、设备、介质及程序产品 | |
CN112232887A (zh) | 一种数据处理方法、装置、计算机设备以及存储介质 | |
CN101561904A (zh) | 一种基于过程数据的软件项目成本测定方法及系统 | |
De la Fuente et al. | Enabling intelligent processes in simulation utilizing the TensorFlow deep learning resources | |
CN114676176A (zh) | 时间序列的预测方法、装置、设备及程序产品 | |
CN114626886A (zh) | 一种调查问卷数据分析方法及系统 | |
CN116776006B (zh) | 用于企业融资的客户画像构建方法及系统 | |
US20180260902A1 (en) | System and method for determining an optimal stopping time | |
AU2021204470A1 (en) | Benefit surrender prediction | |
KR102406375B1 (ko) | 원천 기술의 평가 방법을 포함하는 전자 장치 | |
Aslam et al. | Combining system dynamics and multi-objective optimization with design space reduction | |
Bone et al. | A Temporal Variant‐Invariant Validation Approach for Agent‐based Models of Landscape Dynamics | |
EP2851851A1 (en) | A computer implemented tool and method for automating the forecasting process | |
CN112001774A (zh) | 基于神经网络的烟草投放量研判方法及系统 | |
CN111667307A (zh) | 一种理财产品销量的预测方法及装置 | |
McCluskey et al. | Computer assisted mass appraisal and the property tax | |
Ale Ebrahim Dehkordi et al. | Long-term dynamics of institutions: Using ABM as a complementary tool to support theory development in historical studies | |
Wirawan et al. | Application of data mining to prediction of timeliness graduation of students (a case study) |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |