CN117221180A - 流量预测方法及装置 - Google Patents
流量预测方法及装置 Download PDFInfo
- Publication number
- CN117221180A CN117221180A CN202311152984.0A CN202311152984A CN117221180A CN 117221180 A CN117221180 A CN 117221180A CN 202311152984 A CN202311152984 A CN 202311152984A CN 117221180 A CN117221180 A CN 117221180A
- Authority
- CN
- China
- Prior art keywords
- flow
- city
- data
- target
- prediction
- 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 42
- 238000010586 diagram Methods 0.000 claims abstract description 37
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 238000004590 computer program Methods 0.000 claims description 27
- 238000003860 storage Methods 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000010191 image analysis Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 6
- 238000007405 data analysis Methods 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种流量预测方法及装置,所述方法包括:通过获取终端中应用程序消耗的历史流量数据,并基于城市特征数据和历史流量数据,确定出目标关系图,采用分析模型处理目标关系图,获得目标城市对应的流量空间特征和流量时间特征,依据城市特征数据、流量空间特征和流量时间特征,确定出目标城市在预设时段内的流量预测值;采用本方法能够通过采用分析模型对构建的目标关系图进行处理,并依据获取到的流量空间特征和流量时间特征,结合城市特征数据,进行流量预测,无需从海量数据中进行数据分析和指标计算,降低了预测成本;同时使得流量预测值体现各城市单独预测结果的同时还能够体现城市之间的关系,提高了预测的准确性。
Description
技术领域
本申请涉及大数据技术领域,特别是涉及一种流量预测方法及装置。
背景技术
随着电子信息技术的不断发展,用户可通过消耗网络流量对终端中APP(Application,应用程序)进行操作,以获得不同类型的服务。与此同时,为便于APP运营人员进行差异化管理,并在恰当的时候进行引流,需要对APP中网络流量的消耗量进行预测。
然而,传统方案中针对网络流量的预测往往需要从海量数据中进行数据分析和指标计算,消耗大量的人力和物力,存在预测成本高的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够降低预测成本的流量预测方法及装置。
第一方面,本申请提供了一种流量预测方法,方法包括:
获取终端中应用程序消耗的历史流量数据;
基于城市特征数据和历史流量数据,确定出目标关系图;
将目标关系图输入至分析模型,获得目标城市对应的流量空间特征和流量时间特征;
依据城市特征数据、流量空间特征和流量时间特征,确定出目标城市在预设时段内的流量预测值。
在其中一个实施例中,城市特征数据包括各城市所处的位置信息;基于城市特征数据和历史流量数据,确定出目标关系图,包括:
根据位置信息确定出第一权重,第一权重用于表征各城市之间的位置关系;
基于位置信息和历史流量数据,得到流量相关系数,将流量相关系数确定为第二权重,第二权重用于表征各城市之间流量消耗的相似度;
依据第一权重和第二权重,构建目标关系图。
在其中一个实施例中,流量相关系数为各城市之间的任一时段内终端出入应用程序对应的Pearson相关系数。
在其中一个实施例中,城市特征数据包括各城市对应的经济信息和人口信息;依据流量空间特征和流量时间特征,确定出目标城市在预设时段内的流量预测值,包括:
将经济信息、人口信息、流量空间特征和流量时间特征输入至流量预测模型,获取目标城市在预设时段内的流量预测值。
在其中一个实施例中,流量预测模型为MLP模型。
在其中一个实施例中,分析模型为图卷积神经网络模型。
第二方面,本申请还提供了一种流量预测装置,装置包括:
数据获取模块,用于获取终端中应用程序消耗的历史流量数据;
图像输出模块,用于基于城市特征数据和历史流量数据,确定出目标关系图;
图像分析模块,用于将目标关系图输入至分析模型,获得目标城市对应的流量空间特征和流量时间特征;
流量预测模块,用于依据城市特征数据、流量空间特征和流量时间特征,确定出目标城市在预设时段内的流量预测值。
第三方面,本申请还提供了一种计算机设备。计算机设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述流量预测方法。
第四方面,本申请还提供了一种计算机可读存储介质。计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述流量预测方法。
第五方面,本申请还提供了一种计算机程序产品。计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述流量预测方法。
上述流量预测方法及装置,通过获取终端中应用程序消耗的历史流量数据,并基于城市特征数据和历史流量数据,确定出目标关系图,采用分析模型处理目标关系图,获得目标城市对应的流量空间特征和流量时间特征,依据城市特征数据、流量空间特征和流量时间特征,确定出目标城市在预设时段内的流量预测值;本申请通过采用分析模型对构建的目标关系图进行处理,并依据获取到的流量空间特征和流量时间特征,结合城市特征数据,进行流量预测,无需从海量数据中进行数据分析和指标计算,降低了预测成本;同时使得流量预测值体现各城市单独预测结果的同时还能够体现城市之间的关系,提高了预测的准确性。
附图说明
图1为一个实施例中流量预测方法的应用环境图;
图2为一个实施例中流量预测方法的流程示意图;
图3为一个实施例中确定出目标关系图的流程示意图;
图4为一个实施例中流量预测装置的结构框图;
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
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。
可以理解的是,本申请中诸如“第一”、“第二”等术语仅用于区分类似的对象,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。本申请实施例中出现的“连接”是指直接连接或者间接连接等各种连接方式,以实现设备间的通信,本申请实施例对此不做任何限定。
可以理解,“至少一个”是指一个或多个,“多个”是指两个或两个以上。
在此使用时,单数形式的“一”、“一个”和“所述/该”也可以包括复数形式,除非上下文清楚指出另外的方式。还应当理解的是,术语“包括/包含”或“具有”等指定所陈述的特征、整体、步骤、操作、组件、部分或它们的组合的存在,但是不排除存在或添加一个或更多个其他特征、整体、步骤、操作、组件、部分或它们的组合的可能性。同时,在本说明书中使用的术语“和/或”包括相关所列项目的任何及所有组合。
术语解释:
图卷积神经网络(Graph Convolutional Networks,GCN)模型:一个拥有C个输入管道的图作为输入,经过中间的隐藏层,得到F个输出管道的输出,使得图像处理中的卷积操作能够简单得被用到图结构数据处理中来。
多层感知器(Multi-Layer Perception,MLP):MLP是一种前馈人工神经网络模型,用于将输入的多个数据集映射到单一的输出的数据集上。通常,MLP包括三种神经网络层:输入层、隐层和输出层,其中隐层的数量可以为一个或多个;并且,MLP中不同的神经网络层之间是全连接的,上一层的任何一个神经单元与下一层的所有神经单元都有连接,其中,最简单的MLP只含一个隐层,即三层的结构。
随着互联网时代的发展,越来越多的APP重视其流量价值,APP流量价值是指APP的流量通过各种方式的变现能够带来的总收入,即流量变现的价值。而获得APP流量的价值是APP具有的流量,有了流量,才能够谈流量变现。
随着金融科技的快速发展,银行相关应用程序成为线上对客的主要渠道,为了测算银行相关应用程序的流量价值,首先需要做的是预测应用程序的流量,从而帮助运营人员进行差异化管理,并在恰当的时候进行引流。目前对流量的计算是基于事后对应用程序的埋点数据进行分析统计,如何事前对流量进行预测、并且分城市进行预测,根据不同城市的流量开展不同的营销策略,是当前面临的技术问题。
本申请实施例提供的流量预测方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。服务器104获取终端102中应用程序消耗的历史流量数据,并基于城市特征数据和历史流量数据,确定出目标关系图;将目标关系图输入至分析模型,获得目标城市对应的流量空间特征和流量时间特征;依据城市特征数据、流量空间特征和流量时间特征,确定出目标城市在预设时段内的流量预测值。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104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。
在一个实施例中,如图2所示,提供了一种流量预测方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
S202,获取终端中应用程序消耗的历史流量数据。
其中,历史流量数据可以包括历史流量消耗的时间信息,和历史流量消耗的地点信息。
具体地,服务器可以采集存储在终端中应用程序消耗的历史流量数据。
示例性地,服务器可以将获取到的历史流量数据存储至数据库,可选地,数据库可以为MySQL数据库。
S204,基于城市特征数据和历史流量数据,确定出目标关系图。
其中,城市特征数据可以包括城市位置信息,以及城市之间的关系信息;目标关系图可以指用于定义城市间相似度的关系图。
具体而言,服务器的数据库可以存储有城市特征数据,服务器可以根据数据库中的城市特征数据和历史流量数据,构建出目标关系图;进一步地,通过不同城市之间构建的目标关系图,通过图模型的训练和预测来预测不同城市之间的流量预测值。
示例性地,服务器可以基于不同时间点,不同城市的app历史流量,以及通过这些流量(历史流量数据)和城市特征数据计算的指标共同构成城市的关系图,即,确定出目标关系图。
在其中一个实施例中,如图3所示,城市特征数据包括各城市所处的位置信息;基于城市特征数据和历史流量数据,确定出目标关系图,包括:
S302,根据位置信息确定出第一权重,第一权重用于表征各城市之间的位置关系。
具体地,服务器可以根据各城市之间相距的距离,确定出第一权重,第一权重可以为城市之间距离的倒数。
示例性地,以城市间的的位置距离进行目标关系图的构建,可以推出,两城市之间距离越小,关系越大,以此提升目标关系图的准确性。
S304,基于位置信息和历史流量数据,得到流量相关系数,将流量相关系数确定为第二权重,第二权重用于表征各城市之间流量消耗的相似度。
具体而言,服务器一句位置信息和历史流量数据,可以确定出应用程序出入流量,基于任一城市的任一时间段内的应用程序出入流量,确定出流量相关系数,并将流量相关系数作为第二权重。
示例性地,应用程序出流量可以为任一城市的任一时间段内终端退出应用程序的次数,应用程序入流量可以为任一城市的任一时间段终端打开应用程序的次数。
S306,依据第一权重和第二权重,构建目标关系图。
其中,第一权重越大、第二权重越大可以表示为城市之间的相似度越高。
具体地,服务器可以通过将第一权重和第二权重进行加权平均融合,以构建目标关系图。
本申请实施例中,通过基于位置信息确定出第一权重,依据位置信息和历史流量数据确定出第二权重,通过第一权重和第二权重构建目标关系图,便于后续的分城市进行流量预测的进行,提升预测的全面性和准确度;进一步地,不需要开发人员在每次需要数据的时候进行重复的分析计算,提高工作效率的同时降低了预测成本。
在其中一个实施例中,流量相关系数为各城市之间的任一时段内终端出入应用程序对应的Pearson相关系数,
可选地,为了便于本领域技术人员的理解,结合一个具体示例对获取Pearson相关系数的方法予以说明:以城市A和城市B进行说明,假设每五分钟统计一次应用程序出入流量,在一天、一周或者一个月这段时间内会得到关于不同时间点城市A和城市B的流量的两个时间序列,计算这两个序列的Pearson相关系数即可获取对应的Pearson相关系数。
本申请实施例中,通过确定出对应的Pearson相关系数,提升了流量预测的准确性。
S206,将目标关系图输入至分析模型,获得目标城市对应的流量空间特征和流量时间特征。
其中,分析模型可以指预先训练好的能够对目标关系图进行分析的模型;流量空间特征可以指包括流量信息和空间信息的特征;流量时间特征可以指包括流量信息和时间信息的特征。
进一步地,目标城市可以根据实际情况进行设定,在本申请实施例中不做限定。
具体地,服务器可以将目标关系图输入至分析模型,生成目标城市对应的流量空间特征和流量时间特征。
示例性地,服务器可以根据不同时间点的目标关系图,以此对待训练的分析模型进行训练,训练完成后,通过训练完成的分析模型,获取包含时间、空间、流量等信息的embedding(流量空间特征和流量时间特征)。
S208,依据城市特征数据、流量空间特征和流量时间特征,确定出目标城市在预设时段内的流量预测值。
其中,预设时段可以根据实际情况进行设定,在本申请实施例中不做限定。
具体而言,服务器可以依据数据库存储的城市特征数据,结合获取到的流量空间特征和流量时间特征,以此确定出目标城市在预设时段内的流量预测值。
在其中一个实施例中,城市特征数据包括各城市对应的经济信息和人口信息;依据流量空间特征和流量时间特征,确定出目标城市在预设时段内的流量预测值,包括:
将经济信息、人口信息、流量空间特征和流量时间特征输入至流量预测模型,获取目标城市在预设时段内的流量预测值。
其中,经济信息可以为城市GDP(Gross Domestic Product,国内生产总值),人口信息可以为城市人口数量;预设时段可以根据实际情况进行设定,在本申请实施例中不做限定。
具体而言,服务器可以将embedding(流量空间特征和流量时间特征),结合城市GDP和人口信息作为流量预测模型的输入,以获取目标城市在预设时段内的流量预测值。
可选地,服务器可以输出不同城市的流量预测值,并将一段时间内的流量预测值可视化展示,方便运营人员查看,为不同城市选择不同的手机银行运营策略,进行差异化管理;进一步地,流量预测值可以以不同时间维度来展示。
本申请实施例中,通过流量预测模型,能够一次性事前预测多个时间点的数据,为运营决策提供参考;进一步地,可以将流量预测模型快速拓展至其他需要进行时空流量预测的场景。
上述流量预测方法中,通过获取终端中应用程序消耗的历史流量数据,并基于城市特征数据和历史流量数据,确定出目标关系图,采用分析模型处理目标关系图,获得目标城市对应的流量空间特征和流量时间特征,依据城市特征数据、流量空间特征和流量时间特征,确定出目标城市在预设时段内的流量预测值;采用分析模型对构建的目标关系图进行处理,并依据获取到的流量空间特征和流量时间特征,结合城市特征数据,进行流量预测,无需从海量数据中进行数据分析和指标计算,降低了预测成本;同时使得流量预测值体现各城市单独预测结果的同时还能够体现城市之间的关系,提高了预测的准确性。
在其中一个实施例中,流量预测模型为MLP模型。
具体地,利用MLP模型做最终的结果预测,提高了流量预测的准确性。
在其中一个实施例中,分析模型为图卷积神经网络模型。
具体而言,采用图卷积神经网络来利用任一时刻前各时段的流量及特征去预测任一时刻的流量,不仅展示了不同城市单独预测结果,也体现了城市之间的关系,提高了流量预测的全面性和准确性。
为了便于本领域技术人员的理解,下面结合一个具体示例对流量预测方法进行说明:
通过利用不同城市任一时刻前各时段的流量及特征去预测任一时刻的流量,通过历史流量数据、城市特征数据构建城市的关系图(目标关系图),利用图卷积神经网络模型处理时空数据,生成包含时间、空间、流量等信息的embedding,最后利用多层感知机结合城市人工设计特征预测城市的流量预测值,预测方式准确,运营人员能够根据不同城市的流量开展不同的营销策略。
需要说明的是,时空数据可以指目标关系图,历史流量数据可以为时间数据,城市特征数据可以为空间数据,进一步地,历史流量数据中可以包括流量消耗的地点,可以和城市关系图(城市特征数据)产生勾连,通过历史流量数据和城市特征数据构建的关系图(目标关系图)即为不同时间点,不同城市的应用程序历史流量,以及通过这些流量和城市特征数据计算的指标共同构成城市的关系图。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的流量预测方法的流量预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个流量预测装置实施例中的具体限定可以参见上文中对于流量预测方法的限定,在此不再赘述。
在一个实施例中,如图4所示,提供了一种流量预测装置400,装置包括:
数据获取模块401,用于获取终端中应用程序消耗的历史流量数据;
图像输出模块402,用于基于城市特征数据和历史流量数据,确定出目标关系图;
图像分析模块403,用于将目标关系图输入至分析模型,获得目标城市对应的流量空间特征和流量时间特征;
流量预测模块404,用于依据城市特征数据、流量空间特征和流量时间特征,确定出目标城市在预设时段内的流量预测值。
在其中一个实施例中,城市特征数据包括各城市所处的位置信息;图像输出模块402,还用于根据位置信息确定出第一权重,第一权重用于表征各城市之间的位置关系;
基于位置信息和历史流量数据,得到流量相关系数,将流量相关系数确定为第二权重,第二权重用于表征各城市之间流量消耗的相似度;
依据第一权重和第二权重,构建目标关系图。
在其中一个实施例中,流量相关系数为各城市之间的任一时段内终端出入应用程序对应的Pearson相关系数。
在其中一个实施例中,城市特征数据包括各城市对应的经济信息和人口信息;流量预测模块404,还用于将经济信息、人口信息、流量空间特征和流量时间特征输入至流量预测模型,获取目标城市在预设时段内的流量预测值。
在其中一个实施例中,流量预测模型为MLP模型。
在其中一个实施例中,分析模型为图卷积神经网络模型。
上述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服务器,其内部结构图可以如图5所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。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非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储城市特征数据和历史流量数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种流量预测方法。
进一步地,该计算机设备可以包括显示单元,显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取终端中应用程序消耗的历史流量数据;
基于城市特征数据和历史流量数据,确定出目标关系图;
将目标关系图输入至分析模型,获得目标城市对应的流量空间特征和流量时间特征;
依据城市特征数据、流量空间特征和流量时间特征,确定出目标城市在预设时段内的流量预测值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
城市特征数据包括各城市所处的位置信息;基于城市特征数据和历史流量数据,确定出目标关系图,包括:
根据位置信息确定出第一权重,第一权重用于表征各城市之间的位置关系;
基于位置信息和历史流量数据,得到流量相关系数,将流量相关系数确定为第二权重,第二权重用于表征各城市之间流量消耗的相似度;
依据第一权重和第二权重,构建目标关系图。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:流量相关系数为各城市之间的任一时段内终端出入应用程序对应的Pearson相关系数。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:城市特征数据包括各城市对应的经济信息和人口信息;依据流量空间特征和流量时间特征,确定出目标城市在预设时段内的流量预测值,包括:
将经济信息、人口信息、流量空间特征和流量时间特征输入至流量预测模型,获取目标城市在预设时段内的流量预测值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:流量预测模型为MLP模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:分析模型为图卷积神经网络模型。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述流量预测方法。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述流量预测方法。
需要说明的是,本申请所涉及的用户信息(包括但不限于位置信息、经济信息和人口信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,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。
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,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,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、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种流量预测方法,其特征在于,所述方法包括:
获取终端中应用程序消耗的历史流量数据;
基于城市特征数据和所述历史流量数据,确定出目标关系图;
将所述目标关系图输入至分析模型,获得目标城市对应的流量空间特征和流量时间特征;
依据所述城市特征数据、所述流量空间特征和所述流量时间特征,确定出所述目标城市在预设时段内的流量预测值。
2.根据权利要求1所述的方法,其特征在于,所述城市特征数据包括各城市所处的位置信息;所述基于城市特征数据和所述历史流量数据,确定出目标关系图,包括:
根据所述位置信息确定出第一权重,所述第一权重用于表征各城市之间的位置关系;
基于所述位置信息和所述历史流量数据,得到流量相关系数,将所述流量相关系数确定为第二权重,所述第二权重用于表征各城市之间流量消耗的相似度;
依据所述第一权重和所述第二权重,构建所述目标关系图。
3.根据权利要求2所述的方法,其特征在于,所述流量相关系数为各城市之间的任一时段内所述终端出入所述应用程序对应的Pearson相关系数。
4.根据权利要求1所述的方法,其特征在于,所述城市特征数据包括各城市对应的经济信息和人口信息;所述依据所述流量空间特征和所述流量时间特征,确定出所述目标城市在预设时段内的流量预测值,包括:
将所述经济信息、所述人口信息、所述流量空间特征和所述流量时间特征输入至流量预测模型,获取所述目标城市在预设时段内的流量预测值。
5.根据权利要求4所述的方法,其特征在于,所述流量预测模型为MLP模型。
6.根据权利要求1至5任一项所述的方法,其特征在于,所述分析模型为图卷积神经网络模型。
7.一种流量预测装置,其特征在于,所述装置包括:
数据获取模块,用于获取终端中应用程序消耗的历史流量数据;
图像输出模块,用于基于城市特征数据和所述历史流量数据,确定出目标关系图;
图像分析模块,用于将所述目标关系图输入至分析模型,获得目标城市对应的流量空间特征和流量时间特征;
流量预测模块,用于依据所述城市特征数据、所述流量空间特征和所述流量时间特征,确定出所述目标城市在预设时段内的流量预测值。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311152984.0A CN117221180A (zh) | 2023-09-07 | 2023-09-07 | 流量预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311152984.0A CN117221180A (zh) | 2023-09-07 | 2023-09-07 | 流量预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117221180A true CN117221180A (zh) | 2023-12-12 |
Family
ID=89045520
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311152984.0A Pending CN117221180A (zh) | 2023-09-07 | 2023-09-07 | 流量预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117221180A (zh) |
-
2023
- 2023-09-07 CN CN202311152984.0A patent/CN117221180A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Esquivel et al. | Spatio-temporal prediction of Baltimore crime events using CLSTM neural networks | |
CN109345130A (zh) | 商业选址的方法、装置、计算机设备及存储介质 | |
CN115641019A (zh) | 指标异常分析方法、装置、计算机设备和存储介质 | |
CN112801712A (zh) | 一种广告投放策略的优化方法及装置 | |
CN116468543A (zh) | 基于联邦学习的信贷风险评估方法、装置、设备和介质 | |
CN115564152A (zh) | 基于stirpat模型的碳排放量预测方法及装置 | |
CN117472511A (zh) | 容器资源监控方法、装置、计算机设备和存储介质 | |
CN117035980A (zh) | 资源借调评估方法、装置、计算机设备和存储介质 | |
CN117221180A (zh) | 流量预测方法及装置 | |
CN116049887A (zh) | 基于轨迹预测的隐私轨迹发布方法和装置 | |
Hu et al. | Neural network pruning based on channel attention mechanism | |
CN114219184A (zh) | 产品交易数据预测方法、装置、设备、介质和程序产品 | |
CN114997259A (zh) | 图像聚类方法、图像聚类模型训练方法和电子设备 | |
CN115455276A (zh) | 推荐对象的方法、装置、计算机设备和存储介质 | |
CN112307334A (zh) | 信息推荐方法、信息推荐装置、存储介质与电子设备 | |
CN116881575B (zh) | 内容推送方法、装置、计算机设备和存储介质 | |
CN117853217A (zh) | 数据隐私保护的金融违约率预测方法、装置以及设备 | |
CN115375454A (zh) | 用户数据处理方法、装置、计算机设备、存储介质 | |
CN116911358A (zh) | 神经网络的剪枝方法、装置、设备、存储介质和程序产品 | |
CN115907969A (zh) | 账户风险评估方法、装置、计算机设备和存储介质 | |
CN116703544A (zh) | 资源互动轨迹预测方法、装置、计算机设备和存储介质 | |
CN116561423A (zh) | 资源转移信息推荐方法、装置、计算机设备和存储介质 | |
CN116127183A (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
CN115905552A (zh) | 意图匹配方法、装置、计算机设备和存储介质 | |
CN116881543A (zh) | 金融资源对象推荐方法、装置、设备、存储介质和产品 |
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 |