CN112149880A - 用户规模预测方法、装置、电子设备及存储介质 - Google Patents
用户规模预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112149880A CN112149880A CN202010910917.0A CN202010910917A CN112149880A CN 112149880 A CN112149880 A CN 112149880A CN 202010910917 A CN202010910917 A CN 202010910917A CN 112149880 A CN112149880 A CN 112149880A
- Authority
- CN
- China
- Prior art keywords
- user scale
- data
- data set
- prediction model
- scale 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 63
- 230000001364 causal effect Effects 0.000 claims abstract description 56
- 230000002596 correlated effect Effects 0.000 claims description 28
- 238000001514 detection method Methods 0.000 claims description 25
- 238000012795 verification Methods 0.000 claims description 17
- 230000000875 corresponding effect Effects 0.000 claims description 14
- 229910003472 fullerene Inorganic materials 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 238000002790 cross-validation Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 230000008602 contraction Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims 1
- 238000004891 communication Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000000977 Dickey–Fuller test Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例涉及大数据应用技术领域,公开了一种用户规模预测方法。本发明获取历史用户规模时序数据和内、外部因素时序数据,计算所述历史用户规模时序数据和所述内、外部因素时序数据的稀疏因果关系,根据所述稀疏因果关系建立用户规模预测模型,利用所述用户规模预测模型预测得到用户规模值。本发明还提出一种用户规模预测装置、电子设备以及计算机可读存储介质。本发明分析时序数据之间的因果相关性,进而稀疏时序数据之间的因果关系,提高用户规模预测的准确率。
Description
技术领域
本发明实施例涉及大数据应用技术领域,特别涉及一种用户规模预测的方法、装置、电 子设备及存储介质。
背景技术
随着当前大数据发展日益迅猛,用户规模预测凸显出越来越重要的作用,如在通信领域, 由于用户规模往往直接影响网络建设规模和投资,同时影响各项业务运营活动的规划与决策, 因此,亟需综合考虑多方面因素的方法,实现对用户规模科学精准的预测,为资源合理调配、 重点业务倾斜、运营策略策划等提供科学决策依据。现有的用户规模预测方法,主要依赖用 户规模自身的历史数据,并结合传统的时间序列算法或者改进算法,获取用户规模历史发展 过程、方向和趋势进行类比延伸,实现对下一阶段的用户客户规模预测。
但发明人发现,由于当前的用户规模预测方法对影响因素考虑单一,且未考虑内外部不 同影响因素指标之间的相关性,进而出现用户规模预测不够准确的问题。
发明内容
本发明实施方式的目的在于提供一种用户规模预测方法、装置、电子设备及存储介质, 能够分析影响时序数据之间的相关性,进而提高用户规模预测的准确率。
为解决上述技术问题,本发明的实施方式提供了一种用户规模预测方法,所述方法包括:
获取历史用户规模时序数据和内、外部因素时序数据;计算所述历史用户规模时序数据 和所述内、外部因素时序数据的稀疏因果关系;根据所述稀疏因果关系建立用户规模预测模 型;利用所述稀疏因果及关系所述用户规模预测模型预测得到用户规模值。
为了解决上述问题,本发明还提供一种用户规模预测装置,所述装置包括: 数据获取模块,用于获取历史用户规模时序数据和内、外部因素时序数据;相关性检测模块, 用于计算所述历史用户规模时序数据和所述内、外部因素时序数据的稀疏因果关系;预测模型构建模块,用于根据所述稀疏因果关系建立用户规模预测模型;预测模块,用于利用所述稀疏因果及关系所述用户规模预测模型预测得到用户规模值。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现上述所述的用户规模预测方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质 中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的用 户规模预测方法。
本发明实施例先根据获得的历史用户规模时序数据和内、外部因素时序数据,构建出稀 疏因果关系,并利用稀疏因果关系构建出用户规模预测模型,因稀疏因果关系可有效的对获 取到的多种时序数据进行因果关系提取,稀疏过多具有因果关系的数据,所以构建的用户规 模预测模型对用户规模预测会更加准确。
优选地,所述计算所述历史用户规模时序数据和所述内、外部因素时序数据的稀疏因果 关系,包括:
对所述历史用户规模时序数据和所述内、外部因素时序数据进行平稳性处理,得到标准 平稳数据集;对所述标准平稳数据集进行数据相关性检测,得到相关平稳数据集和所述第一 非相关平稳数据集,根据所述第一非相关平稳数据集得到所述稀疏因果关系。
优选地,所述对所述标准平稳数据集进行数据相关性检测,得到相关平稳数据集和第一 非相关平稳数据集,包括:使用所述标准平稳数据集构建最小绝对收缩选择模型;根据十折 交叉验证法拟合所述最小绝对收缩选择模型,得到拟合参数;根据所述拟合参数和所述标准 平稳数据集构建稀疏滑动平均模型;根据所述稀疏滑动平均模型内的模型系数,将所述标准 平稳数据集划分为所述相关平稳数据集和所述第一非相关平稳数据集。
本发明实施例结合十折交叉验证法拟合出最小绝对收缩选择模型,并根据拟合参数构建 稀疏滑动平均模型,相教于传统的线性回归方法,十折交叉验证法会进行多次拟合,拟合精 度更高、拟合参数更精确,因此依赖于拟合参数构建的稀疏滑动平均模型的相关性检测的检 测精度更高。
优选地,所述根据所述稀疏因果关系建立用户规模预测模型构建包括:
根据所述稀疏滑动平均模型构建原始用户规模预测模型;对所述原始用户规模预测模型 的内部参数进行参数估计,得到初级用户规模预测模型;对所述初级用户规模预测模型进行 模型校验得到校验值,并根据所述校验值对所述初级用户规模预测模型的内部参数进行更新, 直到所述校验值满足预设标准值;根据满足所述预设标准值的校验值对应的内部参数,构建 所述用户规模预测模型。
优选地,所述对所述原始用户规模预测模型的内部参数进行参数估计,包括:
计算所述原始用户规模预测模型的拟合残差平方和;以所述拟合残差平方和为约束条件, 根据普通最小二乘估计法对所述原始用户规模预测模型的内部参数进行参数估计。
优选地,对所述历史用户规模时序数据和所述内、外部因素时序数据进行平稳性处理, 得到标准平稳数据集,包括:
对所述历史用户规模时序数据和所述内、外部因素时序数据内每个数据进行迪基-富勒检 验,得到迪基-富勒检验值;将小于或等于预设临界值的迪基-富勒检验值对应的数据汇集为 平稳指标集;将大于所述预设临界值的迪基-富勒检验值对应的数据汇集为非平稳指标集;对 所述非平稳指标集进行平稳性转变,将平稳性转变之后的非平稳指标集和所述平稳指标集汇 总得到所述标准平稳数据集。
优选地,所述利用所述稀疏因果关系及所述用户规模预测模型预测得到用户规模值,包 括:
对所述相关平稳数据集进行残差拟合,得到残差拟合值;计算所述残差拟合值的方差, 并根据所述方差得到所述条件格兰杰因果数据值;判断所述条件格兰杰因果数据值的显著性, 根据所述显著性判断结果,清理所述相关平稳数据集,筛选出所述第二非相关平稳数据集; 利用所述第一非相关平稳数据集和所述第二非相关平稳数据集及所述用户规模预测模型,得 到用户规模值。
本发明实施例先对历史用户规模时序数据和内、外部因素时序数据进行平稳性处理,可 以将获得的非平稳数据转为平稳数据,因为非平稳数据在后续步骤中会造成伪回归问题,影 响预测准确率,因此平稳性处理可避免非平稳数据对预测准确率的影响,本发明实施例进一 步地进行数据相关性检测及条件格兰杰因果数据值检测,其中,数据相关性检测可以检测出 数据与数据之间的相关性,当数据与数据之间具有相关性时,进一步使用条件格兰杰因果数 据值清理具有相关性的数据,通过清理具有相关性的数据,减弱不同数据之间的互相影响, 因为具有相关关系的数据会影响用户规模预测模型的预测结果,因此进一步提高了用户规模 的预测准确率。
附图说明
图1为本发明第一实施例提供的用户规模预测方法流程示意图;
图2为本发明第一实施例提供的用户规模预测方法中其中一个步骤的详细实施流程示意 图;
图3为本发明第一实施例提供的用户规模预测方法中另一个步骤的详细实施流程示意图;
图4为本发明第一实施例提供的用户规模预测方法中另一个步骤的详细实施流程示意图;
图5为本发明第一实施例提供的用户规模预测方法中另一个步骤的详细实施流程示意图;
图6为本发明第一实施例提供的用户规模预测方法中另一个步骤的详细实施流程示意图;
图7为本发明第一实施例提供的用户规模预测方法中另一个步骤的详细实施流程示意图;
图8为本发明第二实施例提供的用户规模预测装置的模块示意图;
图9为本发明第三实施例提供的实现用户规模预测方法的电子设备的内部结构示意图;
本发明目的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的各实 施方式进行详细的阐述。然而,本领域的普通技术人员可以理解,在本发明各实施方式中, 为了使读者更好地理解本申请而提出了许多技术细节。但是,即使没有这些技术细节和基于 以下各实施方式的种种变化和修改,也可以实现本申请所要求保护的技术方案。
本发明的实施方式涉及一种用户规模预测方法,本实施方式的核心在于根据时序数据构 建出稀疏因果关系,进而根据稀疏因果关系建立用户规模预测模型,从而提高用户规模预测 的准确率。下面对本实施方式的用户规模预测实现细节进行具体的说明,以下内容仅为方便 理解提供的实现细节,并非实施本方案的必须。
参阅图1所示,图1是本发明第一实施方式中用户规模预测的流程图,包括:
S1、获取历史用户规模时序数据和内、外部因素时序数据。
本发明实施例中,所述历史用户规模时序数据是指与时间对应的公司业务所涉及的历史 用户规模数,所述内部因素时序数据是指可能影响用户规模的企业自身的经营类数据,所述 外部因素时序数据是指可能影响用户规模的外部环境数据,比如竞争对手的相关数据、国家 宏观指标等。
例如,用于预测***通讯公司未来的用户规模时,所述历史用户规模时序数据可包 括使用移动通信网络的客户规模的历史数据,所述内部因素时序数据可以包括移动业务使用 量情况、业务收入情况、移动客户流失等,以及所述外部因素时序数据可以包括竞争对手的 业务发展和用户规模发展、多项国家经济指标等。
本发明较佳实施例可以采用爬虫技术从相关网站数据中爬取历史用户规模时序数据和内、 外部因素时序数据,如爬取国家***、通信管理局、联通、电信、移动公开财报等公布的 通信市场份额数据。具体地,所述通信市场份额数据可以包含社会经济指标、竞争对手财报 数据、通信业务指标等几个方面的数据。此外,本发明较佳实施例中,历史用户规模时序数 据和内、外部因素时序数据中的每组数据都有对应的时间序列,如居民消费价格指数指标数 据对应的时间序列为2020年1月3日至2020年3月3日。
由于从网站数据中爬取的所述历史用户规模时序数据和内、外部因素时序数据,可能存 在空指标、指标数据异常等情况,因此,较佳地,本发明实施例需要对历史用户规模时序数 据和内、外部因素时序数据执行预处理操作。
详细地,所述预处理操作可以包括对历史用户规模时序数据和内、外部因素时序数据进 行去异常值、填充缺少数据值等。如对历史用户规模时序数据中缺失小于20%的数据进行填 补平均值操作,检测到有负数的异常数据,则直接去除等。
S2、计算所述历史用户规模时序数据和所述内、外部因素时序数据的稀疏因果关系。
本发明较佳实施例中,所述稀疏因果关系是指通过分析出时序数据之间的因果关系,从 而从所述时序数据中提取出非相关平稳数据集的过程。若直接用历史用户规模时序数据和内、 外部因素时序数据进行用户规模预测,由于数据之间具有关联性,不仅影响用户规模的预测 速度,同时也影响准确率,因此所述非相关平稳数据集可以弱化上述数据之间的关联性,提 高预测速度和准确率。
优选地,本发明实施例中,所述稀疏因果关系的计算包括平稳性处理以及数据相关性检 测。因此,参阅图2所示,本发明实施例中所述计算所述历史用户规模时序数据和所述内、 外部因素时序数据的稀疏因果关系,包括:
S20、对所述历史用户规模时序数据和所述内、外部因素时序数据进行平稳性处理,得到 标准平稳数据集;
S21、对所述标准平稳数据集进行数据相关性检测,得到相关平稳数据集和所述第一非相 关平稳数据集;
S22、根据所述第一非相关平稳数据集得到所述稀疏因果关系。
其中,所述平稳性处理是指去除所述历史用户规模时序数据和内、外部因素时序数据中 可能包括的非平稳指标数据。所述非平稳指标数据表示的是随着时间变化表现的无明显规律 的数据。非平稳指标数据不仅在后续会造成伪回归问题,同时还会极大的影响到后续数据相 关性检测。
详细地,参阅图3所示,所述平稳性处理包括:
S200、对所述历史用户规模时序数据和所述内、外部因素时序数据内每个数据进行迪基- 富勒检验(Dickey-Fuller Test,DF),得到迪基-富勒检验值;
S201、判断所述迪基-富勒检验值是否大于预设的迪基-富勒临界值;
S202、将小于或等于预设临界值的迪基-富勒检验值对应的数据汇集为平稳指标集;
S203、将大于所述预设临界值的迪基-富勒检验值对应的数据汇集为非平稳指标集;
进一步地,当得到平稳指标集和非平稳指标集后,将所述非平稳指标集进行平稳性转变, 将平稳性转变之后的非平稳指标集和所述平稳指标集汇总得到所述标准平稳数据集。
其中,所述迪基-富勒检验的检验方法如下:
其中,Yt为所述历史用户规模时序数据和内、外部因素时序数据内的时间序列,t为时间 趋势项,Yt-1为滞后1期的时间序列,ΔYt为一阶差分时间序列,ΔYt-j为滞后j期的一阶差分 时间序列,α为常数,β、ρ、λj为回归系数,P为滞后阶数,μt为误差项。
所述标准平稳数据集中具有相关关系的数据会影响用户规模的预测结果,因此,本发明 实施例进一步对所述标准平稳数据集进行相关性检测,从所述标准平稳数据集中分离出其中 的相关平稳数据集和非相关平稳数据集。其中,所述相关平稳数据集是具有相关关系的数据 的数据集合,所述非相关平稳数据集是不具有相关关系的数据集合,由于非相关平稳数据集 是不具有相关关系的数据集合,因此可以根据非相关平稳数据集稀疏出历史用户规模时序数 据和所述内、外部因素时序数据的因果关系。
详细地,参阅图4所示,所述相关性检测包括:
S211、使用所述标准平稳数据集构建最小绝对收缩选择模型;
S212、根据十折交叉验证法拟合所述最小绝对收缩选择模型得到拟合参数;
S213、根据所述拟合参数和所述标准平稳数据集构建稀疏滑动平均模型,根据所述稀疏 滑动平均模型内系数划分所述标准平稳数据集得到所述相关平稳数据集和所述第一非相关平 稳数据集。
所述最小绝对收缩选择模型简称Lasso(Least Absoulute Shrinkage andSelection Operator), 是一种采用了L1正则化(L1-regularization)的线性回归模型,采用了L1正则会使得部分学习 到的特征权值为0,从而达到稀疏化和特征选择的目的。所述十折交叉验证法,英文名为 10-fold cross-validation,用来测试算法准确性。本发明实施例通过所述十折交叉验证法验证所 述最小绝对收缩选择模型的准确性。
所述稀疏滑动平均模型包括如下计算公式:
其中,y(t)表示将要预测的用户规模在t时刻的值,xi(t)表示所述标准平稳数据集在t时 刻的数据值,αiτ表示指标xi在t-τ时刻时的数据值对用户规模在t时刻值的Lasso拟合参数, βτ表示用户规模的过去值对用户规模在t时刻值的Lasso拟合参数,p表示所述稀疏滑动平均 模型的最大滞后阶次,ε(t)为随机干扰。
其中,所述最大滞后阶次p由BIC原则确定,具体BIC计算公式为:
其中,N表示时间序列长度。
进一步地,所述根据所述稀疏滑动平均模型内系数划分所述标准平稳数据集得到所述相 关平稳数据集和所述第一非相关平稳数据集,可参照上述稀疏滑动平均模型所包括的计算公 式,当或者时,表示指标xi对用户规模当前时刻值不相关,进而 得到第一非相关平稳数据集;当或表示指标xi对用户规模当前 时刻值相关,进而得到相关平稳数据集。
本发明实施例结合十折交叉验证法拟合出最小绝对收缩选择模型,并根据拟合参数构建 稀疏滑动平均模型,因为十折交叉验证法具有多次拟合的过程,因此相对于传统的利用线性 回归方法进行相关性检测,本发明实施例的拟合精度更高、拟合参数更精确,因此依赖于拟 合参数构建稀疏滑动平均模型相关性检测的检测精度更高。
进一步地,上述数据相关性检测方法可以从所述标准平稳数据集中初步筛选出第一非相 关平稳数据集,而所述相关平稳数据集中可能还会存在非相关指标,因此本发明实施例进一 步利用格兰杰因果关系(Granger causality)检验方法从所述相关平稳数据集中筛选得到第二 非相关平稳数据集。其中,所述格兰杰因果关系检验方法是用来分析变量之间的因果的方法。
详细地,参阅图5所示,格兰杰因果关系检验方法的详细实施流程可包括:
S214、对所述相关平稳数据集进行残差拟合,得到残差拟合值;
S215、计算所述残差拟合值的方差,并根据所述方差求得所述条件格兰杰因果数据值;
S216、判断所述条件格兰杰因果数据值的显著性,根据所述显著性清理所述相关平稳数 据集得到第二非相关平稳数据集。
其中,所述残差在数理统计中是指实际观察值与估计值(拟合值)之间的差。
详细地,所述根据所述方差求得所述条件格兰杰因果数据值的方法如下所示:
其中,j表示所述相关平稳数据集内指标的编号,G(j)表示相关平稳数据集内指标的条件 格兰杰因果数据值,Xs表示所述相关平稳数据集,Xj表示所述相关平稳数据集内的指标,表示所述相关平稳数据集相对于所述相关平稳数据集内指标的残差拟合值,表示 的对应方差,所述相关平稳数据集的残差拟合值,表示的对应方差。
进一步地,所述判断所述条件格兰杰因果数据值的显著性如下所示:
(N-f)G(j)~χ2(f)
其中,上式表示(N-f)G(j)是否服从自由度为f的卡方χ2分布,此处f为所述稀疏滑动平 均模型的最大滞后阶次的差值,N为时间序列总长度。
如上述(N-f)G(j)若服从自由度为f的卡方χ2分布,则从所述相关平稳数据集中清理掉 编号为j的相关指标,根据该方法从所述相关平稳数据集中依次判断条件格兰杰因果数据值的 显著性并根据判断结果选择是否清理掉相关指标,进而得到所述第二非相关平稳数据集。
该步骤从所述相关平稳数据集进一步筛选出非相关平稳数据集,减少了具有相关关系的 指标后续影响用户规模预测模型的预测结果。
S3、根据所述稀疏因果关系建立用户规模预测模型。
详细地,所述建立用户规模预测模型,可参阅图6所示的流程示意图,包括:
S301、根据上述构建的稀疏滑动平均模型构建原始用户规模预测模型;
S302、对所述原始用户规模预测模型的内部参数进行估计得到初级用户规模预测模型;
S303、对所述初级用户规模预测模型进行模型校验得到校验值,并判断所述校验值是否 满足预设的标准值。
若所述校验值不满足预设的标准值,则返回S302;
若所述校验值满足预设标准值,则执行S304、根据满足所述预设标准值的校验值对应的 内部参数,建立用户规模预测模型。
如上所述,所述稀疏滑动平均模型为:
本发明实施例通过将所述第一非相关平稳数据集和所述第二非相关平稳数据集共M个非 相关指标数据作为自变量输入到所述稀疏滑动平均模型中,得到原始用户规模预测模型为:
所述原始用户规模预测模型表示目标变量(用户规模预测)的当前时刻值y(t),原因变 量的历史时刻值x(t-τ)的有限加权项和、前常数项a0以及随机干扰ε(t)之和。
进一步地,本发明较佳实施例采用普通最小二乘估计法对内部参数a0、aiτ进行参数估计, 并完成对所述原始用户规模预测模型检验和修正,得到初级用户规模预测模型。
详细地,可参阅图7所示,所述对所述原始用户规模预测模型的内部参数a0、aiτ进行估 计的流程,包括:
S311、计算所述原始用户规模预测模型的拟合残差的平方和;
S312、以所述平方和为约束条件,根据普通最小二乘估计法对所述原始用户规模预测模 型的内部参数进行估计。
如根据上述原始用户规模预测模型公式,计算原始用户规模预测模型的拟合残差的平方 和为:
进而利用所述最小二乘估计法求解未知参数a0、aiτ,使得拟合残差平方和E最小。
此外,在通过参数估计得到初级用户规模预测模型后,本发明实施例进一步对所述初级 用户规模预测模型进行模型校验。本发明实施例中,所述模型校验可分为模型显著性检验和 参数显著性检验。其中,模型显著性检验是基于残差序列得到的,若残差序列为白噪声序列, 则说明模型有效。对残差序列是否为白噪声的检验可用包括图示检验法、自相关系数法等方 法。
S4、利用所述稀疏因果及关系所述用户规模预测模型预测得到用户规模值。
进一步的,当得到用户规模预测模型后,本发明可将所述第一非相关平稳数据集和所述 第二非相关平稳数据集输入至用户规模预测模型,通过用户规模预测模型可预测得到用户规 模值,如预测移动4G客户2020年4月的用户新增量为二十三万人次。
如图8所示,是本发明用户规模预测装置的功能模块图。
本发明所述用户规模预测装置100可以安装于电子设备中。根据实现的功能,所述用户 规模预测装置可以包括数据获取模块101、数据相关性检测模块102、预测模型构建模块103、 预测模块104。本发所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行, 并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
数据获取模块101,用于获取历史用户规模时序数据和内、外部因素时序数据。
数据相关性检测模块102,用于计算所述历史用户规模时序数据和所述内、外部因素时 序数据的稀疏因果关系。
预测模型构建模块103,用于根据所述稀疏因果关系建立用户规模预测模型。
预测模块104,用于利用所述稀疏因果及关系所述用户规模预测模型预测得到用户规模 值。
本申请所提供的用户规模预测装置100中的模块能够根据时序数据构建出稀疏因果关系, 进而根据稀疏因果关系建立用户规模预测模型,其在具体运行时可以取得与上述的方法实施 例一样的技术效果,即有效的结合多种时序数据并分析多种数据的稀疏因果关系,进而提高 用户规模预测准确率。
如图9所示,是本发明实现用户规模预测方法的电子设备的结构示意图。
所述电子设备1可以包括处理器12、存储器11和总线,还可以包括存储在所述存储器 11中并可在所述处理器12上运行的计算机程序,如用户规模预测程序10。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、 移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设 备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如用户规模预测程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器12在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所 组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央 处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制 芯片的组合等。所述处理器12是所述电子设备的控制核心(Control Unit),利用各种接口和 线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块 (例如执行用户规模预测程序10等),以及调用存储在所述存储器11内的数据,以执行电子 设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线 或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可 以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一 个处理器12等之间的连接通信。
图9仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图9示出的结构并 不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件, 或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优 选地,电源可以通过电源管理装置与所述至少一个处理器12逻辑相连,从而通过电源管理装 置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流 或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等 任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线 接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设 备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单 元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选 地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED (Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称 为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的用户规模预测程序10是多个指令的组合,在 所述处理器12中运行时,可以实现上述实施例,在此不在赘述。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立 的产品销售或使用时,可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以 包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、 光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
所述计算机可读存储介质上存储有用户规模预测程序,所述用户规模预测程序可被一个 或多个处理器执行,以实现如下操作:
获取历史用户规模时序数据和内、外部因素时序数据;
计算所述历史用户规模时序数据和所述内、外部因素时序数据的稀疏因果关系;
根据所述稀疏因果关系建立用户规模预测模型;
利用所述稀疏因果及关系所述用户规模预测模型预测得到用户规模值。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过 其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分, 仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部 件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元 上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个 单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以 采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离 本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明 的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和 范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及 的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。***权利要求中陈述 的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示 名称,而并不表示任何特定的顺序。
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限制,尽管参照较佳实 施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案 进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种用户规模预测方法,其特征在于,所述方法包括:
获取历史用户规模时序数据和内、外部因素时序数据;
计算所述历史用户规模时序数据和所述内、外部因素时序数据的稀疏因果关系;
根据所述稀疏因果关系建立用户规模预测模型;
利用所述稀疏因果关系及所述用户规模预测模型预测得到用户规模值。
2.根据权利要求1所述的用户规模预测方法,其特征在于,所述计算所述历史用户规模时序数据和所述内、外部因素时序数据的稀疏因果关系,包括:
对所述历史用户规模时序数据和所述内、外部因素时序数据进行平稳性处理,得到标准平稳数据集;
对所述标准平稳数据集进行数据相关性检测,得到相关平稳数据集和第一非相关平稳数据集;
根据所述第一非相关平稳数据集得到所述稀疏因果关系。
3.根据权利要求2所述的用户规模预测方法,其特征在于,所述对所述标准平稳数据集进行数据相关性检测,得到相关平稳数据集和所述第一非相关平稳数据集,包括:
使用所述标准平稳数据集构建最小绝对收缩选择模型;
根据十折交叉验证法拟合所述最小绝对收缩选择模型,得到拟合参数;
根据所述拟合参数和所述标准平稳数据集构建稀疏滑动平均模型;
根据所述稀疏滑动平均模型内的模型系数,将所述标准平稳数据集划分为所述相关平稳数据集和所述第一非相关平稳数据集。
4.根据权利要求3所述的用户规模预测方法,其特征在于,所述根据所述稀疏因果关系建立用户规模预测模型包括:
根据所述稀疏滑动平均模型构建原始用户规模预测模型;
对所述原始用户规模预测模型的内部参数进行参数估计,得到初级用户规模预测模型;
对所述初级用户规模预测模型进行模型校验得到校验值,并根据所述校验值对所述初级用户规模预测模型的内部参数进行更新,直到所述校验值满足预设标准值;
根据满足所述预设标准值的校验值对应的内部参数,构建所述用户规模预测模型。
5.根据权利要求4所述的用户规模预测方法,其特征在于,所述对所述原始用户规模预测模型的内部参数进行参数估计,包括:
计算所述原始用户规模预测模型的拟合残差平方和;
以所述拟合残差平方和为约束条件,根据普通最小二乘估计法对所述原始用户规模预测模型的内部参数进行参数估计。
6.根据权利要求2所述的用户规模预测方法,其特征在于,所述对所述历史用户规模时序数据和所述内、外部因素时序数据进行平稳性处理,得到标准平稳数据集,包括:
对所述历史用户规模时序数据和所述内、外部因素时序数据内每个数据进行迪基-富勒检验,得到迪基-富勒检验值;
将小于或等于预设临界值的迪基-富勒检验值对应的数据汇集为平稳指标集;
将大于所述预设临界值的迪基-富勒检验值对应的数据汇集为非平稳指标集;
对所述非平稳指标集进行平稳性转变,将平稳性转变之后的非平稳指标集和所述平稳指标集汇总得到所述标准平稳数据集。
7.根据权利要求2至6中任意一项所述的用户规模预测方法,其特征在于,所述利用所述稀疏因果关系及所述用户规模预测模型预测得到用户规模值,包括:
对所述相关平稳数据集进行残差拟合,得到残差拟合值;
计算所述残差拟合值的方差,并根据所述方差得到条件格兰杰因果数据值;
判断所述条件格兰杰因果数据值的显著性,根据所述显著性判断结果,从所述相关平稳数据集中筛选出第二非相关平稳数据集;
利用所述第一非相关平稳数据集和所述第二非相关平稳数据集及所述用户规模预测模型,得到用户规模值。
8.一种用户规模预测装置,其特征在于,所述装置包括:
数据获取模块,用于获取历史用户规模时序数据和内、外部因素时序数据;
相关性检测模块,用于计算所述历史用户规模时序数据和所述内、外部因素时序数据的稀疏因果关系;
预测模型构建模块,用于根据所述稀疏因果关系建立用户规模预测模型
预测模块,用于利用所述稀疏因果关系及所述用户规模预测模型预测得到用户规模值。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任一项所述的用户规模预测方法。
10.一种计算机可读存储介质,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如权利要求1至7中任一项所述的用户规模预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010910917.0A CN112149880A (zh) | 2020-09-02 | 2020-09-02 | 用户规模预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010910917.0A CN112149880A (zh) | 2020-09-02 | 2020-09-02 | 用户规模预测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112149880A true CN112149880A (zh) | 2020-12-29 |
Family
ID=73890431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010910917.0A Pending CN112149880A (zh) | 2020-09-02 | 2020-09-02 | 用户规模预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112149880A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113837358A (zh) * | 2021-08-25 | 2021-12-24 | 润联软件***(深圳)有限公司 | 基于格兰杰因果关系的***策略预测方法及相关设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921688A (zh) * | 2018-07-02 | 2018-11-30 | 阿里巴巴集团控股有限公司 | 构建预测模型的方法及装置 |
CN109492788A (zh) * | 2017-09-13 | 2019-03-19 | 中移(杭州)信息技术有限公司 | 预测人流量以及建立人流量预测模型的方法及相关设备 |
CN111339072A (zh) * | 2020-02-23 | 2020-06-26 | 中国平安财产保险股份有限公司 | 基于用户行为的变化值分析方法、装置、电子设备及介质 |
-
2020
- 2020-09-02 CN CN202010910917.0A patent/CN112149880A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492788A (zh) * | 2017-09-13 | 2019-03-19 | 中移(杭州)信息技术有限公司 | 预测人流量以及建立人流量预测模型的方法及相关设备 |
CN108921688A (zh) * | 2018-07-02 | 2018-11-30 | 阿里巴巴集团控股有限公司 | 构建预测模型的方法及装置 |
CN111339072A (zh) * | 2020-02-23 | 2020-06-26 | 中国平安财产保险股份有限公司 | 基于用户行为的变化值分析方法、装置、电子设备及介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113837358A (zh) * | 2021-08-25 | 2021-12-24 | 润联软件***(深圳)有限公司 | 基于格兰杰因果关系的***策略预测方法及相关设备 |
CN113837358B (zh) * | 2021-08-25 | 2024-06-07 | 华润数字科技有限公司 | 基于格兰杰因果关系的***策略预测方法及相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Memarzadeh et al. | Value of information in sequential decision making: Component inspection, permanent monitoring and system-level scheduling | |
He et al. | Joint decision-making of parallel machine scheduling restricted in job-machine release time and preventive maintenance with remaining useful life constraints | |
CN109522192B (zh) | 一种基于知识图谱和复杂网络组合的预测方法 | |
US20140358838A1 (en) | Detecting electricity theft via meter tampering using statistical methods | |
Negahban | Simulation-based estimation of the real demand in bike-sharing systems in the presence of censoring | |
CN113539509B (zh) | 新发传染病发病风险预测方法、装置、终端设备及介质 | |
CN106803799B (zh) | 一种性能测试方法和装置 | |
Wu et al. | Design of the sum-of-conforming-run-length control charts | |
CN111122199A (zh) | 一种锅炉故障诊断方法及装置 | |
CN112463530A (zh) | 微服务***的异常检测方法、装置、电子设备及存储介质 | |
Amiri et al. | Multi-objective economic-statistical design of MEWMA control chart | |
CN111259922A (zh) | 基于客户退单预警的订单数据处理方法、装置 | |
CN114971016A (zh) | 一种变压器故障的智能监控方法 | |
CN112801315A (zh) | 电力二次设备的状态诊断方法、装置及终端 | |
CN113849374B (zh) | 中央处理器占用率预测方法、***、电子设备及存储介质 | |
Li et al. | Accurate and efficient processor performance prediction via regression tree based modeling | |
Wang | An imperfect software debugging model considering irregular fluctuation of fault introduction rate | |
CN112149880A (zh) | 用户规模预测方法、装置、电子设备及存储介质 | |
CN112182056A (zh) | 一种数据检测方法、装置、设备及存储介质 | |
Mohamed et al. | Enhancing test cases prioritization for internet of things based systems using Search-based technique | |
Dewanji et al. | A discrete time model for software reliability with application to a flight control software | |
CN117827593A (zh) | 一种基于异常识别结果确定异常原因的方法和*** | |
Kirschenmann et al. | Decision dependent stochastic processes | |
CN113988188A (zh) | 故障诊断方法、装置、电子设备及存储介质 | |
EP3846096A1 (en) | Systems and methods for identifying an officer at risk of an adverse event |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201229 |
|
RJ01 | Rejection of invention patent application after publication |