CN104268644A - 广告位上的广告的点击次数预估方法和装置 - Google Patents

Abstract

本发明公开了一种广告位上的广告点击次数的预估方法和装置，所述方法包括：针对待预估的广告位上投放的广告的每个定向，使用预先选取出的广告曝光数的预估模型，得到设定预估时间段内该定向的广告曝光数的预估值；并根据统计出的设定历史时间段内各定向的广告曝光数的实际值之和、广告点击次数的实际值之和，确定出设定历史时间段内的广告点击率；分别计算出每个定向的广告曝光数的预估值与广告点击率的乘积，将计算出的各乘积之和作为设定预估时间段内的广告点击次数的预估值；其中，广告曝光数的预估模型是根据预先训练的广告曝光数的至少两个预估模型的预估错误率，从至少两个预估模型中选取出来的。本发明可以提高广告点击次数的预估准确率。

Description

广告位上的广告的点击次数预估方法和装置

技术领域

本发明涉及互联网技术领域，尤其涉及一种广告位上的广告的点击次数预估方法和装置。

背景技术

网络广告就是在网络上做的广告。网络广告是一种通过网络传递到互联网用户的高科技广告运作方式。它通过网络广告投放平台来利用网站上的广告横幅、文本链接、多媒体的方法，在互联网刊登或发布广告。其中，根据计费来划分的CPC(Cost Per Click，按点击次数收费)广告与CPD(Cost PerDay，按天数收费)广告和CPM(Cost Per Mille，按每显示千次收费)广告不同，CPC广告的广告主按照用户点击广告的次数来收费，是网络中比较成熟的广告形式之一。

定向广告是指可按照人口统计特征，针对指定的地域、年龄、性别、兴趣、学历、婚姻状况等的受众进行广告投放的形式，定向广告可以为客户找到精确的受众群。例如，对于年龄，广告投放时可以包括女性的定向和男性的定向。因此，CPC广告和定向广告的结合为广大广告主所青睐。

通常，广告主在投放广告之前，希望了解网站上的某个或某些广告位投放广告的效果，并根据了解的投放效果来制定预订广告位的决策等。因此，为满足广告主进行网站上的广告位的查询、预订和释放等多个操作的要求，现有技术通常采取一定的方式，对未来一段时间某个广告位上投放的广告被点击的次数进行预估，以供广告主进行广告投放的参考。

现有技术中，广告位上的广告点击次数的预估方法通常是基于单一的预估模型进行预估。其中，预估模型是根据历史趋势进行建模得到的。

然而，本发明的发明人发现不同的广告位的历史趋势往往不同，例如，有的广告位的广告点击次数对周趋势的波动比较敏感，周一到周五由于是工作日广告点击次数较少，周六周日由于是休息日广告点击次数较多，而有的广告位的广告点击次数对季节性趋势比较敏感，因此，使用单一的预估模型对不同广告位的广告点击次数进行预估，往往会使得预估准确率不高，甚至可能会出现预估的广告点击次数为负值等不合常理的情况。

因此，有必要提供一种能够更为准确地进行广告位上的广告点击次数预估的方法。

发明内容

针对上述现有技术存在的缺陷，本发明实施例提供了一种广告位上的广告点击次数的预估方法和装置，用以更为准确地进行广告点击次数的预估。

本发明实施例提供了一种广告位上的广告点击次数的预估方法，包括：

针对待预估的广告位上已投放的广告的每个定向，使用预先选取出的广告曝光数的预估模型，得到设定预估时间段内该定向的广告曝光数的预估值；并

根据统计出的设定历史时间段内各定向的广告曝光数的实际值之和、以及广告点击次数的实际值之和，确定出所述设定历史时间段内的广告点击率；

分别计算出每个定向的广告曝光数的预估值与所述广告点击率的乘积，将计算出的各乘积之和作为所述设定预估时间段内的广告点击次数的预估值；

其中，所述广告曝光数的预估模型是根据预先训练的广告曝光数的至少两个预估模型的预估错误率，从所述至少两个预估模型中选取出来的。

其中，所述至少两个预估模型包括：第一预估模型和第四预估模型；

第一预估模型和第四预估模型中第i天的广告曝光数的预估值p[i]均是根据第i-T天的广告曝光数的实际值来确定的，T为预设周期；

其中，第一预估模型中第i天的广告曝光数的预估值p[i]具体为：

p[i]＝growth(i)×seasonality(i)     (公式5)

公式5中，seasonality(i)为第一纠正因子，且 T₁为第一预设周期；growth(i)＝a₁×i+b₁；a₁和b₁为第一预估模型的训练参数；h[i-T₁]为第i-T₁天的广告曝光数的实际值；以及

第四预估模型中第i天的广告曝光数的预估值p[i]具体为：

p[i]＝a₄×h[i-T₄]+b₄     (公式8)

其中，T₄为第二预设周期；h[i-T₄]表示第i-T₄天的广告曝光数的实际值；a₄和b₄为第四预估模型的训练参数。

较佳地，所述至少两个预估模型还包括：第二预估模型、第三预估模型和holt-winter预估模型；以及

第二预估模型中第w周第i天的广告曝光数的预估值p[i,w]是根据第w周之前的若干个周的第i天的广告曝光数的实际值来确定的；其中，第二预估模型中第w周第i天的广告曝光数的预估值p[i,w]具体为：

$p[i,w]=\frac{\underset{j_2=1}{\overset{k_2}{\mathrm{\Σ}}}g[i,w-j_2]}{k_2}$      (公式6)

公式6中，若第w-j₂周第i天记录有广告曝光数的实际值，则g[i,w-j₂]表示第w-j₂周第i天的广告曝光数的实际值，否则g[i,w-j₂]表示第w-j₂周第i天的广告曝光数的预估值；k₂为整数，表示第二预估模型的训练参数；j₂取1到k₂的整数；以及

第三预估模型中第i天的广告曝光数的预估值p[i]是根据第i天之前的若干天的广告曝光数的实际值来确定的；其中，第二预估模型中第i天的广告曝光数的预估值p[i]具体为：

$p\left[i\right]=\frac{\underset{j_3=1}{\overset{k_3}{\mathrm{\Σ}}}h[i-j_3]}{k_3}$      (公式7)

公式7中，若第i-j₃天记录有广告曝光数的实际值，则h[i-j₃]表示第i-j₃天的广告曝光数的实际值，否则h[i-j₃]表示第i-j₃天的广告曝光数的预估值；k₃为整数，表示第三预估模型的训练参数；j₃取1到k₃的整数。

较佳地，对于训练的广告曝光数的每个预估模型，该预估模型的预估错误率是根据如下公式10计算出来的：

$E=\frac{{\mathrm{\Σ}}_{s\∈S}{\mathrm{\ω}}_s{m}_s}{{\mathrm{\Σ}}_{s\∈S}{\mathrm{\ω}}_s}$      (公式10)

公式10中，s表示测试数据集的天数，s∈S＝{s₁,s₁+u,s₁+2u,.....,s_n}，s₁表示S中的第一个数据项，s_n表示S中的第n个数据项，s_n＝s₁+(n-1)u，u表示递增项；E为计算出的预估错误率；m_s表示从l-s天到l-1天内的平均预估错误率；l为训练数据集和测试数据集的总长度；表示第i天的预估错误率；p[i]为基于该预估模型得到的第i天的广告曝光数的预估值；h[i]为第i天的广告曝光数的实际值；ω_s表示测试数据集s的权重；ε为平滑参数。

较佳地，所述得到设定预估时间段内该定向的广告曝光数的预估值之后，还包括：

根据如下公式11对所述设定预估时间段内该定向的广告曝光数的预估值p_forecast进行趋势纠正：

p_adjustment＝p_forecast×λ     (公式11)

公式11中，p_adjustment表示纠正后的广告曝光数的预估值；λ表示第二纠正因子，λ＝h_actual/p_smooth，其中，p_smooth和h_actual分别表示所述设定历史时间段内该定向的广告曝光数的平滑值和实际值。

较佳地，所述至少两个预估模型均是基于预处理后的训练数据进行训练的；

其中，所处预处理具体包括数据清洗处理和数据平滑处理；

所述数据清洗处理具体包括：历史数据过少的定向数据清洗、以及异常波动和残缺严重数据清洗；

所述数据平滑处理具体包括：异常抖动数据平滑处理和节假日异常数据平滑处理。

较佳地，所述异常抖动数据平滑处理具体为：

根据第w周第i天的广告曝光数的实际值h[i,w]，分别根据如下公式1、2、3计算局部平均值μ、上界值b_u和下界值b_l：

$\mathrm{\μ}=\frac{1}{4}\left(h\right[i,w-2]+h[i,w-1]+h[i,w+1]+h[i,w+2\left]\right)$      (公式1)

b_u＝max{1.65μ,h[i,w-2],h[i,w-1],h[i,w+1],h[i,w+2]}   (公式2)

b_l＝min{0.66μ,h[i,w-2],h[i,w-1],h[i,w+1],h[i,w+2]}   (公式3)

根据如下公式4对第w周第i天的广告曝光数进行平滑处理，得到第w周第i天的广告曝光数的平滑值hw[i,w]'：

$h{[i,w]}^{\&prime;}=\left\{\begin{array}{c}\mathrm{\&mu;},h[i,w]=0\\ b_u,h[i,w]>b_u\\ b_l,h[i,w]<b_1\\ h[i,w,],b_l\&le;h[i,w]\&le;b_u\end{array}\right.$      (公式4)。

本发明实施例还提供了一种广告位上的广告点击次数的预估装置，包括：

预估模型选取模块，用于根据预先训练的广告曝光的至少两个预估模型的预估错误率，从所述至少两个预估模型中选取出用于广告曝光数预估的预估模型；

广告曝光数预估模块，用于针对待预估的广告位上已投放的广告的每个定向，使用所述预估模型选取模块选取出的广告曝光数的预估模型，得到设定预估时间段内该定向的广告曝光数的预估值；

广告点击率确定模块，用于根据统计出的设定历史时间段内各定向的广告曝光数的实际值之和、以及广告点击次数的实际值之和，确定出所述设定历史时间段内的广告点击率；

广告点击次数预估模块，用于分别计算出每个定向的广告曝光数的预估值与所述广告点击率的乘积，将计算出的各乘积之和作为所述设定预估时间段内的广告点击次数的预估值。

其中，所述至少两个预估模型包括：第一预估模型和第四预估模型；

第一预估模型和第四预估模型中第i天的广告曝光数的预估值p[i]均是根据第i-T天的广告曝光数的实际值来确定的，T为预设周期；

其中，第一预估模型中第i天的广告曝光数的预估值p[i]具体为：

p[i]＝growth(i)×seasonality(i)     (公式5)

公式5中，seasonality(i)为第一纠正因子，且 T₁为第一预设周期；growth(i)＝a₁×i+b₁；a₁和b₁为第一预估模型的训练参数；h[i-T₁]为第i-T₁天的广告曝光数的实际值；以及

第四预估模型中第i天的广告曝光数的预估值p[i]具体为：

p[i]＝a₄×h[i-T₄]+b₄     (公式8)

其中，T₄为第二预设周期；h[i-T₄]表示第i-T₄天的广告曝光数的实际值；a₄和b₄为第四预估模型的训练参数。

较佳地，所述至少两个预估模型还包括：第二预估模型、第三预估模型和holt-winter预估模型；以及

第二预估模型中第w周第i天的广告曝光数的预估值p[i,w]是根据第w周之前的若干个周的第i天的广告曝光数的实际值来确定的；其中，第二预估模型中第w周第i天的广告曝光数的预估值p[i,w]具体为：

$p[i,w]=\frac{\underset{j_2=1}{\overset{k_2}{\mathrm{\&Sigma;}}}g[i,w-j_2]}{k_2}$      (公式6)

公式6中，若第w-j₂周第i天记录有广告曝光数的实际值，则g[i,w-j₂]表示第w-j₂周第i天的广告曝光数的实际值，否则g[i,w-j₂]表示第w-j₂周第i天的广告曝光数的预估值；k₂为整数，表示第二预估模型的训练参数；j₂取1到k₂的整数；以及

第三预估模型中第i天的广告曝光数的预估值p[i]是根据第i天之前的若干天的广告曝光数的实际值来确定的；其中，第二预估模型中第i天的广告曝光数的预估值p[i]具体为：

$p\left[i\right]=\frac{\underset{j_3=1}{\overset{k_3}{\mathrm{\&Sigma;}}}h[i-j_3]}{k_3}$      (公式7)

公式7中，若第i-j₃天记录有广告曝光数的实际值，则h[i-j₃]表示第i-j₃天的广告曝光数的实际值，否则h[i-j₃]表示第i-j₃天的广告曝光数的预估值；k₃为整数，表示第三预估模型的训练参数；j₃取1到k₃的整数。

较佳地，所述预估模型选取模块具体用于对于训练的广告曝光数的每个预估模型，根据如下公式10计算出该预估模型的预估错误率：

$E=\frac{{\mathrm{\&Sigma;}}_{s\&Element;S}{\mathrm{\&omega;}}_s{m}_s}{{\mathrm{\&Sigma;}}_{s\&Element;S}{\mathrm{\&omega;}}_s}$      (公式10)

公式10中，s表示测试数据集的天数，s∈S＝{s₁,s₁+u,s₁+2u,.....,s_n}，s₁表示S中的第一个数据项，s_n表示S中的第n个数据项，s_n＝s₁+(n-1)u，u表示递增项；E为计算出的预估错误率；m_s表示从l-s天到l-1天内的平均预估错误率；l为训练数据集和测试数据集的总长度；表示第i天的预估错误率；p[i]为基于该预估模型得到的第i天的广告曝光数的预估值；h[i]为第i天的广告曝光数的实际值；ω_s表示测试数据集s的权重；ε为平滑参数。

较佳地，所述广告曝光数预估模块还用于针对待预估的广告位上已投放的广告的每个定向，根据如下公式11对所述设定预估时间段内该定向的广告曝光数的预估值p_forecast进行趋势纠正：

p_adjustment＝p_forecast×λ     (公式11)

公式11中，p_adjustment表示纠正后的广告曝光数的预估值；λ表示第二纠正因子，λ＝h_actual/p_smooth，其中，p_smooth和h_actual分别表示所述设定历史时间段内该定向的广告曝光数的平滑值和实际值。

进一步，所述广告位上的广告点击次数的预估装置，还包括：

预估模型训练模块，用于基于预处理后的训练数据对所述至少两个预估模型进行训练；其中，所处预处理具体包括数据清洗处理和数据平滑处理；所述数据清洗处理具体包括：历史数据过少的定向数据清洗、以及异常波动和残缺严重数据清洗；所述数据平滑处理具体包括：异常抖动数据平滑处理和节假日异常数据平滑处理。

本发明的技术方案中，建立多个对广告曝光数进行预估的预估模型，并从多个预估模型中选取出预估错误率较小的预估模型；基于选取出的预估模型分别对广告的不同定向的广告曝光数进行预估，并结合根据广告位的历史数据统计出的广告点击率，从而，得到未来一段时间内的广告点击次数的预估值。从而，本发明很好地提高了广告位上的广告点击次数预估的准确度。

附图说明

图1为本发明实施例的选取用于广告曝光数预估的预估模型的方法流程图；

图2为本发明实施例的广告位上的广告点击次数的预估方法的流程图；

图3为本发明实施例的广告位上的广告点击次数的预估装置的内部结构框图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下参照附图并举出优选实施例，对本发明进一步详细说明。然而，需要说明的是，说明书中列出的许多细节仅仅是为了使读者对本发明的一个或多个方面有一个透彻的理解，即便没有这些特定的细节也可以实现本发明的这些方面。

本申请使用的“模块”、“***”等术语旨在包括与计算机相关的实体，例如但不限于硬件、固件、软硬件组合、软件或者执行中的软件。例如，模块可以是，但并不仅限于：处理器上运行的进程、处理器、对象、可执行程序、执行的线程、程序和/或计算机。举例来说，计算设备上运行的应用程序和此计算设备都可以是模块。一个或多个模块可以位于执行中的一个进程和/或线程内。

本发明的发明人考虑到，广告位上的广告点击次数往往与广告所在网站页面的页面浏览量(PV，Page View)和广告的点击率有关。其中，网站页面的页面浏览量又可以认为是广告曝光数。因此，本发明的发明人建立多种对广告曝光数进行预估的预估模型，并基于广告位的历史数据对多个预估模型的预估错误率进行计算，从多个预估模型中选取出预估错误率较小的预估模型，以对广告位上的广告曝光数进行预估。而且，本发明的发明人还考虑到，广告位上的广告的不同定向的历史数据和广告曝光数往往有很大差别，因此，可以基于选取出的预估模型分别对不同定向的广告曝光数进行预估，并结合根据广告位的历史数据统计出的广告点击率，得到未来一段时间内的广告点击次数的预估值。这种从多个广告曝光数的预估模型中选取出适合广告位的广告点击次数预估的模型，以对广告的不同定向分别进行广告曝光数预估的方式，很好地提高了广告位上的广告点击次数预估的准确度。

下面结合附图详细说明本发明的技术方案。

本发明的发明人经过对多个广告位的历史趋势的波动等进行分析研究、总结经验等，建立了至少两种广告曝光数的预估模型。并且，在本发明中可预先对建立的广告曝光数的预估模型的预估错误率进行计算，从而从这些广告曝光数的预估模型中选取出预估错误率较小的一个，用于广告曝光数的预估。具体地，本发明实施例提供的选取用于广告曝光数预估的预估模型的方法的流程，如图1所示，包括如下步骤：

S101：对于广告位A上的广告，对设定历史时间段内的广告曝光数的实际值进行预处理。

在本步骤中，对设定历史时间段内广告位A上的广告曝光数的实际值进行预处理主要包括如下几个方面：

一方面是数据清洗处理。数据清洗处理包括历史数据过少的定向数据清洗、以及异常波动和残缺严重数据清洗。

历史数据过少的定向数据清洗具体可以为：对于广告位A上的广告投放的每个定向，若确定该定向对应的历史记录时间长度小于设定时间长度(如2个周)，则去除该定向的广告曝光数。异常波动和残缺严重数据清洗具体可以为：若某天的广告曝光数相对于前一天的增副或减幅大于设定幅度变化值，且当前时间之前的历史记录时间长度大于设定时间长度，则去除该天以及该天之前的广告曝光数；若对于某天，从该天开始连续设定天数(如7天)出现数据缺失，则去除出现数据缺失的最后一天及之前的广告曝光数。其中，若某天的广告曝光数的实际值小于50则认为该天数据缺失。

另一面是数据平滑处理。数据平滑处理包括异常抖动数据平滑处理和节假日异常数据平滑处理。

异常抖动数据平滑处理具体可以为：根据第w周第i天的广告曝光数的实际值h[i,w]，分别根据如下公式1、2、3计算局部平均值(local average)μ、上界值(upper bound)b_u和下界值(lower bound)b_l：

$\mathrm{\&mu;}=\frac{1}{4}\left(h\right[i,w-2]+h[i,w-1]+h[i,w+1]+h[i,w+2\left]\right)$      (公式1)

b_u＝max{1.65μ,h[i,w-2],h[i,w-1],h[i,w+1],h[i,w+2]}   (公式2)

b_l＝min{0.66μ,h[i,w-2],h[i,w-1],h[i,w+1],h[i,w+2]}   (公式3)。

根据如下公式4对第w周第i天的广告曝光数进行平滑处理，得到第w周第i天的广告曝光数的平滑值hw[i,w]'：

$h{[i,w]}^{\&prime;}=\left\{\begin{array}{c}\mathrm{\&mu;},h[i,w]=0\\ b_u,h[i,w]>b_u\\ b_l,h[i,w]<b_1\\ h[i,w,],b_l\&le;h[i,w]\&le;b_u\end{array}\right.$      (公式4)。

节假日异常数据平滑处理具体可以为：对于五一、十一等节假日中的每天，确定出节假日之外、距该天所在周最近的前、后两周，将确定出的两周中相同天的广告曝光数的实际值取平均值或者线性插值，作为该天的广告曝光数的平滑值。例如，对于十一中的一个周三，将十一之外的前一个周三和十一之外的后一个周三的广告曝光数的实际值取平均值或者线性插值，作为十一中的周三的广告曝光数的平滑值。这样，将五一、十一等节假日的广告曝光数出现异常波动的情况考虑在内，对包含节假日的时间段内的广告曝光数进行平滑处理，可以防止广告曝光数的预估模型在训练时因使用异常波动数据而导致预估模型的过度拟合。

S102：从预处理后的设定历史时间段内的广告曝光数的实际值中确定出训练数据集，对建立的至少两个广告曝光数的预估模型进行训练。

具体地，建立的至少两个广告曝光数的预估模型可以包括：第一预估模型、第二预估模型、第三预估模型、第四预估模型和holt-winter预估模型。

其中，第一预估模型和第四预估模型中第i天的广告曝光数的预估值p[i]均是根据第i-T天的广告曝光数的实际值来确定的，T为预设周期。

第一预估模型中第i天的广告曝光数的预估值p[i]具体为：

p[i]＝growth(i)×seasonality(i)     (公式5)

公式5中，T₁为第一预设周期，可以为年、月、日、周等，且T₁小于设定历史时间段；seasonality(i)为第一纠正因子，且 growth(i)＝a₁×i+b₁；a₁和b₁为第一预估模型的训练参数，h[i-T₁]为第i-T₁天的广告曝光数的实际值。

使用训练数据集对第一预估模型进行训练就是：基于训练数据集中第n₁天的广告曝光数的实际值h[n₁]，确定出使得最小的a₁和b₁。其中，d为训练数据集中的总天数。

第四预估模型中第i天的广告曝光数的预估值p[i]具体为：

p[i]＝a₄×h[i-T₄]+b₄     (公式8)

其中，T₄为第二预设周期，通常为一个设定的固定周期，如10天、20天等；h[i-T₄]表示第i-T₄天的广告曝光数的实际值；a₄和b₄为第四预估模型的训练参数。这样，基于历史前一个固定周期的数据进行平移和变换，可得到当前固定周期中的数据。

使用训练数据集对第四预估模型进行训练就是：基于训练数据集中第n₂天的广告曝光数的实际值h[n₂]，确定出使得目标函数 $\underset{m=d-T_4}{\overset{d}{\mathrm{\&Sigma;}}}\left|p\right[m]-h[n_2\left]\right|=\underset{m=d-T_4}{\overset{d}{\mathrm{\&Sigma;}}}|a_4\&times;h[n_2-T_4+1]{+b}_4-h[n_2]|$ 最小的a₄和b₄。其中，d为训练数据集中的总天数。

第二预估模型中第w周第i天的广告曝光数的预估值p[i,w]是根据第w周之前的若干个周的第i天的广告曝光数的实际值来确定的；其中，第二预估模型中第w周第i天的广告曝光数的预估值p[i,w]具体为：

$p[i,w]=\frac{\underset{j_2=1}{\overset{k_2}{\mathrm{\&Sigma;}}}g[i,w-j_2]}{k_2}$      (公式6)

公式6中，若第w-j₂周第i天记录有广告曝光数的实际值，则g[i,w-j₂]表示第w-j₂周第i天的广告曝光数的实际值，否则g[i,w-j₂]表示第w-j₂周第i天的广告曝光数的预估值；k₂为整数，表示第二预估模型的训练参数；j₂取1到k₂的整数。

使用训练数据集对第二预估模型进行训练就是：基于训练数据集确定出训练参数k₂。

第三预估模型中第i天的广告曝光数的预估值p[i]是根据第i天之前的若干天的广告曝光数的实际值来确定的；其中，第二预估模型中第i天的广告曝光数的预估值p[i]具体为：

$p\left[i\right]=\frac{\underset{j_3=1}{\overset{k_3}{\mathrm{\&Sigma;}}}h[i-j_3]}{k_3}$      (公式7)

公式7中，若第i-j₃天记录有广告曝光数的实际值，则h[i-j₃]表示第i-j₃天的广告曝光数的实际值，否则h[i-j₃]表示第i-j₃天的广告曝光数的预估值；k₃为整数，表示第三预估模型的训练参数；j₃取1到k₃的整数。

使用训练数据集对第三预估模型进行训练就是：基于训练数据集确定出训练参数k₃。

holt-winter预估模型为本领域技术人员所熟知，其可基于一次指数平滑或二次指数平滑进行预估。

其中，记当前为第i天，基于二次指数平滑的累加holt-winter预估模型中当前天第i天之后的第i+m天的广告曝光数的预估值F_i+m为：

$F_{i+m}=s_i+{\mathrm{mt}}_i+q_{i-T_5+\left(m\mathrm{mod}{T}_5\right)}$      (公式9-1)

公式9-1中，T₅为设定季节周期；t_i＝β(s_i-s_i-1)+(1-β)t_i-1；x_i为第i天的广告曝光数的实际值；s₀＝x₀；q₀＝0；t₀＝x₁-x₀；α、β、γ均为holt-winter预估模型的训练参数，取值在[0,1]。

基于二次指数平滑的累乘holt-winter预估模型中当前天第i天之后的第i+m天的广告曝光数的预估值F_i+m为：

$F_{i+m}=(s_i+{\mathrm{mt}}_i)q_{i-T_5+\left(m\mathrm{mod}{T}_5\right)}$      (公式9-2)

公式9-2中，T₅为设定季节周期；t_i＝β(s_i-s_i-1)+(1-β)t_i-1；x_i为第i天的广告曝光数的实际值；s₀＝x₀；q₀＝1；t₀＝x₁-x₀；α、β、γ均为第五预估模型中的训练参数，取值在[0,1]。

S103：从预处理后的设定历史时间段内的广告曝光数中确定出测试数据集，基于测试数据集得到每个预估模型的预估错误率。

具体地，若确定出的测试数据集s取集合S＝{s₁,s₁+u,s₁+2u,.....,s_n}中的元素，则可根据如下公式10确定出预估模型的预估错误率E：

$E=\frac{{\mathrm{\&Sigma;}}_{s\&Element;S}{\mathrm{\&omega;}}_s{m}_s}{{\mathrm{\&Sigma;}}_{s\&Element;S}{\mathrm{\&omega;}}_s}$      (公式10)

公式10中，s表示测试数据集的天数，s∈S＝{s₁,s₁+u,s₁+2u,.....,s_n}，s₁表示S中的第一个数据项，s_n表示S中的第n个数据项，s_n＝s₁+(n-1)u，u表示递增项；表示从l-s天到l-1天内的平均预估错误率；l为训练数据集和测试数据集的总长度；表示第i天的预估错误率；表示测试数据集s的权重；ε为平滑参数，默认值是0.01。

S104：根据得到的预估错误率，从建立的至少两个广告曝光数的预估模型中选取出用于广告曝光数预估的预估模型。

具体地，可以选取预估错误率最小的预估模型，作为用于广告曝光数预估的预估模型，从而可以保证后续的广告点击次数的预估准确度。

基于预先选取出的广告曝光数的预估模型，本发明实施例提供的广告位上的广告点击数的预估方法的流程，如图2所示，包括如下步骤：

S201：针对待预估的广告位上已投放的广告的每个定向，使用预先选取出的广告曝光数的预估模型，得到设定预估时间段内该定向的广告曝光数的预估值。

具体地，针对待预估的广告位上已投放的广告的每个定向，使用选取出的广告曝光数的预估模型，对设定预估时间段内该定向每天的广告曝光数进行预估，将每天的广告曝光数的预估值之和作为设定预估时间段内该定向的广告曝光数的预估值。其中，设定预估时间段具体可以是三个月。

进一步，针对待预估的广告位上已投放的广告的每个定向，还可根据如下公式11对设定预估时间段内该定向的广告曝光数的预估值p_forecast进行趋势纠正：

p_adjustment＝p_forecast×λ     (公式11)

公式11中，p_adjustment表示纠正后的广告曝光数的预估值；λ表示纠正因子，λ＝h_actual/p_smooth，其中，p_smooth和h_actual分别表示设定历史时间段内该定向的广告曝光数的平滑值和实际值。

具体地，得到p_smooth的方法可以为：对于设定历史时间段内该定向每天的广告曝光数的实际值，根据上述公式1至4所示的方法，得到该天的广告曝光数的平滑值；将得到的设定历史时间段内该定向每天的广告曝光数的平滑值之和作为p_smooth。

S202：统计出设定历史时间段内各定向的广告曝光数的实际值之和、以及广告点击次数的实际值之和，进而确定出设定历史时间段内的广告点击率。

具体地，对于广告投放的各定向，统计出设定历史时间段内各定向的广告曝光数的实际值之和、以及广告点击次数的实际值之和，根据如下公式12计算出设定历史时间段内的广告点击率：

$\mathrm{CTR}=\frac{{\mathrm{Click}}_{\mathrm{history}}}{P_{\mathrm{history}}}$      (公式12)

公式12中，CTR表示设定历史时间段内的广告点击率；Click_history表示设定历史时间段内各定向的广告点击次数的实际值之和；p_history表示设定历史时间段内各定向的广告曝光数的实际值之和。

进一步，还可根据如下公式13对计算出的广告点击率进行平滑处理：

$\mathrm{CTR}=\frac{{\mathrm{Click}}_{\mathrm{history}}+\mathrm{\&alpha;}}{P_{\mathrm{history}}+\mathrm{\&alpha;}+\mathrm{\&beta;}}$      (公式13)

公式13中，α和β为设定的广告点击率的平滑参数；α取值为[0,10]；β取值为[10000,50000]。

S203：分别计算出每个定向的广告曝光数的预估值与计算出的广告点击率的乘积，将计算出的各乘积之和作为设定预估时间段内的广告点击次数的预估值。

基于上述的广告位上的广告点击次数的预估方法，本发明实施例提供的广告位上的广告点击次数的预估装置的内部结构框图，如图3所示，包括：预估模型选取模块301、广告曝光数预估模块302、广告点击率确定模块303和广告点击次数预估模块304。

预估模型选取模块301用于根据预先训练的广告曝光的至少两个预估模型的预估错误率，从所述至少两个预估模型中选取出用于广告曝光数预估的预估模型。至少两个预估模型具体可以包括上述的第一预估模型、第二预估模型、第三预估模型、第四预估模型和holt-winter预估模型。具体地，预估模型选取模块对于训练的广告曝光数的每个预估模型，可根据公式10计算出该预估模型的预估错误率。

广告曝光数预估模块302用于针对待预估的广告位上已投放的广告的每个定向，使用预估模型选取模块301选取出的广告曝光数的预估模型，得到设定预估时间段内该定向的广告曝光数的预估值。进一步，广告曝光数预估模块302还用于针对待预估的广告位上已投放的广告的每个定向，根据如下公式11对设定预估时间段内该定向的广告曝光数的预估值p_forecast进行趋势纠正：

p_adjustment＝p_forecast×λ     (公式11)

公式11中，p_adjustment表示纠正后的广告曝光数的预估值；λ表示第二纠正因子，λ＝h_actual/p_smooth，其中，p_smooth和h_actual分别表示设定历史时间段内该定向的广告曝光数的平滑值和实际值。

广告点击率确定模块303用于统计出设定历史时间段内各定向的广告曝光数的实际值之和、以及广告点击次数的实际值之和，进而确定出设定历史时间段内的广告点击率。

广告点击次数预估模块304用于分别计算出定向广告曝光数预估模块302预估的每个定向的广告曝光数的预估值，与广告点击率确定模块303计算出的广告点击率的乘积，将计算出的各乘积之和作为所述设定预估时间段内的广告点击次数的预估值。

进一步，上述的广告点击次数的预估装置还可包括：预估模型训练模块305。

预估模型训练模块305用于基于预处理后的训练数据对所述至少两个预估模型进行训练；其中，所述预处理具体可包括上述的数据清洗处理和数据平滑处理；数据清洗处理具体包括：上述的历史数据过少的定向数据清洗、以及异常波动和残缺严重数据清洗；数据平滑处理具体包括：上述的异常抖动数据平滑处理和节假日异常数据平滑处理。

本发明的技术方案中，建立多个对广告曝光数进行预估的预估模型，并从多个预估模型中选取出预估错误率较小的预估模型；基于选取出的预估模型分别对广告的不同定向的广告曝光数进行预估，并结合根据广告位的历史数据统计出的广告点击率，从而，得到未来一段时间内的广告点击次数的预估值。从而，本发明很好地提高了广告位上的广告点击次数预估的准确度。

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步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于计算机可读取存储介质中，如：ROM/RAM、磁碟、光盘等。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (13)

1.一种广告位上的广告点击次数的预估方法，其特征在于，包括：

针对待预估的广告位上已投放的广告的每个定向，使用预先选取出的广告曝光数的预估模型，得到设定预估时间段内该定向的广告曝光数的预估值；并

根据统计出的设定历史时间段内各定向的广告曝光数的实际值之和、以及广告点击次数的实际值之和，确定出所述设定历史时间段内的广告点击率；

分别计算出每个定向的广告曝光数的预估值与所述广告点击率的乘积，将计算出的各乘积之和作为所述设定预估时间段内的广告点击次数的预估值；

其中，所述广告曝光数的预估模型是根据预先训练的广告曝光数的至少两个预估模型的预估错误率，从所述至少两个预估模型中选取出来的。

2.如权利要求1所述的方法，其特征在于，所述至少两个预估模型包括：第一预估模型和第四预估模型；以及

第一预估模型和第四预估模型中第i天的广告曝光数的预估值p[i]均是根据第i-T天的广告曝光数的实际值来确定的，T为预设周期；

其中，第一预估模型中第i天的广告曝光数的预估值p[i]具体为：

p[i]＝growth(i)×seasonality(i)     (公式5)

公式5中，seasonality(i)为第一纠正因子，且 T₁为第一预设周期；growth(i)＝a₁×i+b₁；a₁和b₁为第一预估模型的训练参数；h[i-T₁]为第i-T₁天的广告曝光数的实际值；以及

第四预估模型中第i天的广告曝光数的预估值p[i]具体为：

p[i]＝a₄×h[i-T₄]+b₄         (公式8)

其中，T₄为第二预设周期；h[i-T₄]表示第i-T₄天的广告曝光数的实际值；a₄和b₄为第四预估模型的训练参数。

3.如权利要求2所述的方法，其特征在于，所述至少两个预估模型还包括：第二预估模型、第三预估模型和holt-winter预估模型；以及

第二预估模型中第w周第i天的广告曝光数的预估值p[i,w]是根据第w周之前的若干个周的第i天的广告曝光数的实际值来确定的；其中，第二预估模型中第w周第i天的广告曝光数的预估值p[i,w]具体为：

$p[i,w]=\frac{\underset{j_2=1}{\overset{k_2}{\mathrm{\&Sigma;}}}g[i,w-j_2]}{k_2}$        (公式6)

公式6中，若第w-j₂周第i天记录有广告曝光数的实际值，则g[i,w-j₂]表示第w-j₂周第i天的广告曝光数的实际值，否则g[i,w-j₂]表示第w-j₂周第i天的广告曝光数的预估值；k₂为整数，表示第二预估模型的训练参数；j₂取1到k₂的整数；以及

第三预估模型中第i天的广告曝光数的预估值p[i]是根据第i天之前的若干天的广告曝光数的实际值来确定的；其中，第二预估模型中第i天的广告曝光数的预估值p[i]具体为：

$p\left[i\right]=\frac{\underset{j_3=1}{\overset{k_3}{\mathrm{\&Sigma;}}}h[i-j_3]}{k_3}$      (公式7)

公式7中，若第i-j₃天记录有广告曝光数的实际值，则h[i-j₃]表示第i-j₃天的广告曝光数的实际值，否则h[i-j₃]表示第i-j₃天的广告曝光数的预估值；k₃为整数，表示第三预估模型的训练参数；j₃取1到k₃的整数。

4.如权利要求1-3任一所述的方法，其特征在于，对于训练的广告曝光数的每个预估模型，该预估模型的预估错误率是根据如下公式10计算出来的：

$E=\frac{{\mathrm{\&Sigma;}}_{s\&Element;S}{\mathrm{\&omega;}}_s{m}_s}{{\mathrm{\&Sigma;}}_{s\&Element;S}{\mathrm{\&omega;}}_s}$      (公式10)

公式10中，s表示测试数据集的天数，s∈S＝{s₁,s₁+u,s₁+2u,.....,s_n}，s₁表示S中的第一个数据项，s_n表示S中的第n个数据项，s_n＝s₁+(n-1)u，u表示递增项；E为计算出的预估错误率；m_s表示从l-s天到l-1天内的平均预估错误率；l为训练数据集和测试数据集的总长度；表示第i天的预估错误率；p[i]为基于该预估模型得到的第i天的广告曝光数的预估值；h[i]为第i天的广告曝光数的实际值；ω_s表示测试数据集s的权重；ε为平滑参数。

5.如权利要求4所述的方法，其特征在于，所述得到设定预估时间段内该定向的广告曝光数的预估值之后，还包括：

根据如下公式11对所述设定预估时间段内该定向的广告曝光数的预估值p_forecast进行趋势纠正：

p_adjustment＝p_forecast×λ     (公式11)

公式11中，p_adjustment表示纠正后的广告曝光数的预估值；λ表示第二纠正因子，λ＝h_actual/p_smooth，其中，p_smooth和h_actual分别表示所述设定历史时间段内该定向的广告曝光数的平滑值和实际值。

6.如权利要求1-3任一所述的方法，其特征在于，所述至少两个预估模型均是基于预处理后的训练数据进行训练的；

其中，所处预处理具体包括数据清洗处理和数据平滑处理；

所述数据清洗处理具体包括：历史数据过少的定向数据清洗、以及异常波动和残缺严重数据清洗；

所述数据平滑处理具体包括：异常抖动数据平滑处理和节假日异常数据平滑处理。

7.如权利要求6所述的方法，其特征在于，所述异常抖动数据平滑处理具体为：

根据第w周第i天的广告曝光数的实际值h[i,w]，分别根据如下公式1、2、3计算局部平均值μ、上界值b_u和下界值b_l：

$\mathrm{\&mu;}=\frac{1}{4}\left(h\right[i,w-2]+h[i,w-1]+h[i,w+1]+h[i,w+2\left]\right)$      (公式1)

b_u＝max{1.65μ,h[i,w-2],h[i,w-1],h[i,w+1],h[i,w+2]}   (公式2)

b_l＝min{0.66μ,h[i,w-2],h[i,w-1],h[i,w+1],h[i,w+2]}   (公式3)

根据如下公式4对第w周第i天的广告曝光数进行平滑处理，得到第w周第i天的广告曝光数的平滑值hw[i,w]'：

$h{[i,w]}^{\&prime;}=\left\{\begin{array}{c}\mathrm{\&mu;},h[i,w]=0\\ b_u,h[i,w]>b_u\\ b_l,h[i,w]<b_1\\ h[i,w,],b_l\&le;h[i,w]\&le;b_u\end{array}\right.$      (公式4)。

8.一种广告位上广告点击次数的预估装置，其特征在于，包括：

预估模型选取模块，用于根据预先训练的广告曝光的至少两个预估模型的预估错误率，从所述至少两个预估模型中选取出用于广告曝光数预估的预估模型；

广告曝光数预估模块，用于针对待预估的广告位上已投放的广告的每个定向，使用所述预估模型选取模块选取出的广告曝光数的预估模型，得到设定预估时间段内该定向的广告曝光数的预估值；

广告点击率确定模块，用于根据统计出的设定历史时间段内各定向的广告曝光数的实际值之和、以及广告点击次数的实际值之和，确定出所述设定历史时间段内的广告点击率；

广告点击次数预估模块，用于分别计算出每个定向的广告曝光数的预估值与所述广告点击率的乘积，将计算出的各乘积之和作为所述设定预估时间段内的广告点击次数的预估值。

9.如权利要求8所述的装置，其特征在于，所述至少两个预估模型包括：第一预估模型和第四预估模型；以及

第一预估模型和第四预估模型中第i天的广告曝光数的预估值p[i]均是根据第i-T天的广告曝光数的实际值来确定的，T为预设周期；

其中，第一预估模型中第i天的广告曝光数的预估值p[i]具体为：

p[i]＝growth(i)×seasonality(i)     (公式5)

公式5中，seasonality(i)为第一纠正因子，且 T₁为第一预设周期；growth(i)＝a₁×i+b₁；a₁和b₁为第一预估模型的训练参数；h[i-T₁]为第i-T₁天的广告曝光数的实际值；以及

第四预估模型中第i天的广告曝光数的预估值p[i]具体为：

p[i]＝a₄×h[i-T₄]+b₄     (公式8)

其中，T₄为第二预设周期；h[i-T₄]表示第i-T₄天的广告曝光数的实际值；a₄和b₄为第四预估模型的训练参数。

10.如权利要求9所述的装置，其特征在于，所述至少两个预估模型还包括：第二预估模型、第三预估模型和holt-winter预估模型；以及

第二预估模型中第w周第i天的广告曝光数的预估值p[i,w]是根据第w周之前的若干个周的第i天的广告曝光数的实际值来确定的；其中，第二预估模型中第w周第i天的广告曝光数的预估值p[i,w]具体为：

$p[i,w]=\frac{\underset{j_2=1}{\overset{k_2}{\mathrm{\&Sigma;}}}g[i,w-j_2]}{k_2}$      (公式6)

公式6中，若第w-j₂周第i天记录有广告曝光数的实际值，则g[i,w-j₂]表示第w-j₂周第i天的广告曝光数的实际值，否则g[i,w-j₂]表示第w-j₂周第i天的广告曝光数的预估值；k₂为整数，表示第二预估模型的训练参数；j₂取1到k₂的整数；以及

第三预估模型中第i天的广告曝光数的预估值p[i]是根据第i天之前的若干天的广告曝光数的实际值来确定的；其中，第二预估模型中第i天的广告曝光数的预估值p[i]具体为：

$p\left[i\right]=\frac{\underset{j_3=1}{\overset{k_3}{\mathrm{\&Sigma;}}}h[i-j_3]}{k_3}$      (公式7)

公式7中，若第i-j₃天记录有广告曝光数的实际值，则h[i-j₃]表示第i-j₃天的广告曝光数的实际值，否则h[i-j₃]表示第i-j₃天的广告曝光数的预估值；k₃为整数，表示第三预估模型的训练参数；j₃取1到k₃的整数。

11.如权利要求8-10任一所述的装置，其特征在于，

所述预估模型选取模块具体用于对于训练的广告曝光数的每个预估模型，根据如下公式10计算出该预估模型的预估错误率：

$E=\frac{{\mathrm{\&Sigma;}}_{s\&Element;S}{\mathrm{\&omega;}}_s{m}_s}{{\mathrm{\&Sigma;}}_{s\&Element;S}{\mathrm{\&omega;}}_s}$      (公式10)

公式10中，s表示测试数据集的天数，s∈S＝{s₁,s₁+u,s₁+2u,.....,s_n}，s₁表示S中的第一个数据项，s_n表示S中的第n个数据项，s_n＝s₁+(n-1)u，u表示递增项；E为计算出的预估错误率；m_s表示从l-s天到l-1天内的平均预估错误率；l为训练数据集和测试数据集的总长度；表示第i天的预估错误率；p[i]为基于该预估模型得到的第i天的广告曝光数的预估值；h[i]为第i天的广告曝光数的实际值；ω_s表示测试数据集s的权重；ε为平滑参数。

12.如权利要求8-10任一所述的装置，其特征在于，

所述广告曝光数预估模块还用于针对待预估的广告位上已投放的广告的每个定向，根据如下公式11对所述设定预估时间段内该定向的广告曝光数的预估值p_forecast进行趋势纠正：

p_adjustment＝p_forecast×λ     (公式11)

公式11中，p_adjustment表示纠正后的广告曝光数的预估值；λ表示第二纠正因子，λ＝h_actual/p_smooth，其中，p_smooth和h_actual分别表示所述设定历史时间段内该定向的广告曝光数的平滑值和实际值。

13.如权利要求8-10任一所述的装置，其特征在于，还包括：

预估模型训练模块，用于基于预处理后的训练数据对所述至少两个预估模型进行训练；其中，所处预处理具体包括数据清洗处理和数据平滑处理；所述数据清洗处理具体包括：历史数据过少的定向数据清洗、以及异常波动和残缺严重数据清洗；所述数据平滑处理具体包括：异常抖动数据平滑处理和节假日异常数据平滑处理。