CN113313316A - 预测数据的输出方法及装置、存储介质、电子设备 - Google Patents
预测数据的输出方法及装置、存储介质、电子设备 Download PDFInfo
- Publication number
- CN113313316A CN113313316A CN202110655887.8A CN202110655887A CN113313316A CN 113313316 A CN113313316 A CN 113313316A CN 202110655887 A CN202110655887 A CN 202110655887A CN 113313316 A CN113313316 A CN 113313316A
- Authority
- CN
- China
- Prior art keywords
- data
- delivery
- convlstm
- inputting
- outputting
- 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 54
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 230000015654 memory Effects 0.000 claims description 26
- 238000004891 communication Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000005096 rolling process Methods 0.000 claims description 6
- 230000007787 long-term memory Effects 0.000 claims description 4
- 230000036962 time dependent Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 9
- 238000012549 training Methods 0.000 abstract description 9
- 230000004888 barrier function Effects 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 38
- 238000012545 processing Methods 0.000 description 23
- 238000010586 diagram Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 12
- 230000005540 biological transmission Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000012800 visualization 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
- 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
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/06—Asset management; Financial planning or analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种预测数据的输出方法及装置、存储介质、电子设备,属于人工智能领域。本方法创新引入编码解码结构。其中,该方法包括:获取目标虚拟资源在多个投放渠道的投放组合数据,其中,所述投放组合数据包括历史投放数据,以及所述历史投放数据的回报数据;基于所述投放组合时序数据构建监督数据;将所述监督数据进行维度变形并输入序列到序列seq2seq模型进行训练,并采用所述seq2seq模型预测输出所述目标虚拟资源在未来时间的预测数据。通过本发明,解决了相关技术无法对多渠道的回报数据进行准确预测的技术问题,解决了跨平台间的数据壁垒,提高了预测模型的适应性和通用性。
Description
技术领域
本发明涉及人工智能领域,具体而言,涉及一种预测数据的输出方法及装置、存储介质、电子设备。
背景技术
相关技术中,随着科技的发展,互联网信息量不断增长,资源投放渠道的数量和复杂度增加,跨平台资源投放影响最终回报的过程呈现黑盒状态,资源投放者无法提前掌握投放预期效果,从而对未来的生产等其他计划进行及时调整。
相关技术中,还不能对跨平台的投放效果进行准确预测,针对环境相对简单的场景下,可以通过构建机器学***台间的数据壁垒,和资源投放渠道复杂性和多样化,还没有实现高准确度的预测。相关技术无法对跨平台资源投放效果回报进行准确预测,因大型平台基于统计或机器学***台内的投放效果进行预测。但在不同平台之间存在数据壁垒和信息协同作用,各平台投放资源影响最终回报(如销量/营收)的过程复杂抽象,涉及人心理,附带大量逻辑和测量噪声,目前没有专门应对此场景/问题下预测的技术和模型,需要构建更复杂的深度学习模型。
针对相关技术中存在的上述问题,目前尚未发现有效的解决方案。
发明内容
本发明实施例提供了一种预测数据的输出方法及装置、存储介质、电子设备。
根据本申请实施例的一个方面,提供了一种预测数据的输出方法,包括:获取目标虚拟资源在多个投放渠道的投放组合数据,其中,所述投放组合数据包括历史投放数据,以及所述历史投放数据的回报数据;基于所述投放组合数据构建监督数据;接收用户参数,其中,所述用户参数用于指示预测数据的输出步长;将所述监督数据输入序列到序列seq2seq模型,并采用所述seq2seq模型输出所述目标虚拟资源在未来时间的预测数据。
进一步,基于所述投放组合数据构建监督数据包括:对所述投放组合数据进行归一化处理,得到中间数据;基于预设的时间依赖长度和预测时长滚动所述中间数据的时间窗口,构建监督数据。
进一步,将所述监督数据输入序列到序列seq2seq模型,并采用所述seq2seq模型输出所述目标虚拟资源在未来时间的预测数据,包括:将所述监督数据输入至编码网络,输出编码数据;将所述编码数据输入至预测网络,输出所述目标虚拟资源在未来时间的预测数据;其中,所述seq2seq模型包括所述编码网络和所述预测网络。
进一步,将所述监督数据输入至编码网络,输出编码数据,包括:提取所述监督数据在以下维度的参数:样本数,分割步长,时间依赖长度,渠道数量,预设频道值,其中,所述预设频道值为常数;基于提取的参数输出多维张量输入数据。
进一步,将所述监督数据输入至编码网络,输出编码数据,包括:选择ConvLSTM和Attention作为所述seq2seq模型的网络结构;选择与任务场景匹配的卷积核尺寸;在所述编码网络中配置第一尺寸的第一卷积长短时记忆神经网络ConvLSTM和第二尺寸的第二ConvLSTM,其中,所述第一尺寸小于所述第二尺寸,所述第一ConvLSTM用于捕捉近场信息,所述第二ConvLSTM用于捕捉远场信息;将所述监督数据输入至第一ConvLSTM,并将所述第一ConvLSTM的输出数据再输入至所述第二ConvLSTM,从所述第二ConvLSTM输出编码数据。
进一步,将所述编码数据输入至预测网络,输出所述目标虚拟资源在未来时间的预测数据,包括:复制所述编码数据,将所述编码数据输入自注意力Attention模块,输出第一中间数据;将所述第一中间数据输入至第三ConvLSTM,并将所述第三ConvLSTM的输出数据再输入至第四ConvLSTM,从所述第四ConvLSTM输出所述目标虚拟资源在未来时间的预测数据。
进一步,获取目标虚拟资源在多个投放渠道的投放组合数据包括:从多个投放渠道分别采集所述目标虚拟资源在预设时段内的历史投放数据和回报数据;在所述历史投放数据和所述回报数据中配置所述预设时段内的宏观变量数据,经济指标变量数据,以及突发事件变量数据,得到所述投放组合数据。
根据本申请实施例的另一个方面,还提供了一种预测数据的输出装置,包括:获取模块,用于获取目标虚拟资源在多个投放渠道的投放组合数据,其中,所述投放组合数据包括历史投放数据,以及所述历史投放数据的回报数据;构建模块,用于基于所述投放组合数据构建监督数据;接收模块,用于接收用户参数,其中,所述用户参数用于指示预测数据的输出步长;输出模块,用于将所述监督数据输入序列到序列seq2seq模型,并采用所述seq2seq模型输出所述目标虚拟资源在未来时间的预测数据。
进一步,所述构建模块包括:处理单元,用于对所述投放组合数据进行归一化处理,得到中间数据;构建单元,用于基于预设的时间依赖长度和预测时长滚动所述中间数据的时间窗口,构建监督数据。
进一步,所述转换单元包括:提取子单元,用于提取所述监督数据在以下维度的参数:样本数,分割步长,时间依赖长度,渠道数量,预设频道值,其中,所述预设频道值为常数;构建子单元,用于基于提取的参数构建所述多维张量输入数据。
进一步,所述输出模块包括:第一处理单元,用于将所述监督数据输入至编码网络,输出编码数据;第二处理单元,用于将所述编码数据输入至预测网络,输出所述目标虚拟资源在未来时间的预测数据;其中,所述seq2seq模型包括所述编码网络和所述预测网络。
进一步,所述第一处理单元包括:提取子单元,用于提取所述监督数据在以下维度的参数:样本数,分割步长,时间依赖长度,渠道数量,预设频道值,其中,所述预设频道值为常数;输出子单元,用于基于提取的参数输出多维张量输入数据。
进一步,所述第一处理单元包括:选择子单元,用于选择与任务场景匹配的卷积核尺寸;配置子单元,用于在所述编码网络中配置第一尺寸的第一卷积长短时记忆神经网络ConvLSTM和第二尺寸的第二ConvLSTM,其中,所述第一尺寸小于所述第二尺寸,所述第一ConvLSTM用于捕捉近场信息,所述第二ConvLSTM用于捕捉远场信息;处理子单元,用于将所述监督数据输入至第一ConvLSTM,并将所述第一ConvLSTM的输出数据再输入至所述第二ConvLSTM,从所述第二ConvLSTM输出编码数据。
进一步,所述第一处理单元包括:输入子单元,用于复制所述编码数据,将所述编码数据输入自注意力Attention模块,输出第一中间数据;处理子单元,用于将所述第一中间数据输入至第三ConvLSTM,并将所述第三ConvLSTM的输出数据再输入至第四ConvLSTM,从所述第四ConvLSTM输出所述目标虚拟资源在未来时间的预测数据。
进一步,所述获取模块包括:采集单元,用于从多个投放渠道分别采集所述目标虚拟资源在预设时段内的历史投放数据和回报数据;配置单元,用于在所述历史投放数据和所述回报数据中配置所述预设时段内的宏观变量数据,经济指标变量数据,以及突发事件变量数据,得到所述投放组合数据。
根据本申请实施例的另一方面,还提供了一种存储介质,该存储介质包括存储的程序,程序运行时执行上述的步骤。
根据本申请实施例的另一方面,还提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;其中:存储器,用于存放计算机程序;处理器,用于通过运行存储器上所存放的程序来执行上述方法中的步骤。
本申请实施例还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述方法中的步骤。
本方案可以应用于深度学***台间的数据壁垒,提高了预测模型的适应性和通用性。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明实施例的一种服务器的硬件结构框图;
图2是根据本发明实施例的一种预测数据的输出方法的流程图;
图3是本发明实施例中编码解码网络结构图;
图4是本发明的网络模型中ConvLSTM和Attention的结构图;
图5是本发明实施例的***框架图;
图6是根据本发明实施例的一种预测数据的输出装置的结构框图;
图7是实施本发明实施例的一种电子设备的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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他实施例,都应当属于本申请保护的范围。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
本申请实施例一所提供的方法实施例可以在服务器、计算机、手机、或者类似的运算装置中执行。以运行在服务器上为例,图1是本发明实施例的一种服务器的硬件结构框图。如图1所示,服务器可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,可选地,上述服务器还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述服务器的结构建成限定。例如,服务器还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
存储器104可用于存储服务器程序,例如,应用软件的软件程序以及模块,如本发明实施例中的一种预测数据的输出方法对应的服务器程序,处理器102通过运行存储在存储器104内的服务器程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至服务器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括服务器的通信供应商提供的无线网络。在一个实例中,传输设备106包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输设备106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种预测数据的输出方法,图2是根据本发明实施例的一种预测数据的输出方法的流程图,如图2所示,该流程包括如下步骤:
步骤S202,获取目标虚拟资源在多个投放渠道的投放组合数据,其中,投放组合数据包括历史投放数据,以及历史投放数据的回报数据;
步骤S204,基于投放组合数据构建监督数据;
在本实施例中,投放组合数据是时序数据,如以天为单位,每天都有一个投放组合数据,监督数据是投放组合数据的序列数据,一组序列数据包括n天的时序数据,每组序列数据对应的时段不同,以单位时间滚动平移,如1~30天,2~31天的投放组合数据分别是两组不同的序列数据,监督数据包括多组序列数据。
步骤S206,接收用户参数,其中,用户参数用于指示预测数据的输出步长;
获取用户输入的参数,后台准备对应的单步或多步预测输出结构。
步骤S208,将监督数据输入序列到序列seq2seq模型,并采用seq2seq模型输出目标虚拟资源在未来时间的预测数据。
可选的,seq2seq模型包括ConvLSTM网络和Attention模块。预测数据为未来时间的回报数据。
通过上述步骤,获取目标虚拟资源在多个投放渠道的投放组合数据,其中,所述投放组合数据包括历史投放数据,以及所述历史投放数据的回报数据;基于所述投放组合数据构建监督数据;将所述监督数据输入序列到序列seq2seq模型,并采用所述seq2seq模型输出所述目标虚拟资源在未来时间的预测数据,通过获取多个投放渠道的投放组合数据,并构建监督数据,接收用户参数,用户参数用于指示预测数据的输出步长,可以将时序数据转换为更高维度并应用seq2seq模型,来实现高准确度预测,解决了相关技术预测多渠道的回报数据不准确的技术问题,解决了跨平台间的数据壁垒,提高了预测模型的适应性和通用性。
在本实施例的一个实施方式中,获取目标虚拟资源在多个投放渠道的投放组合数据包括:从多个投放渠道分别采集目标虚拟资源在预设时段内的历史投放数据和回报数据;在历史投放数据和回报数据中配置预设时段内的宏观变量数据,经济指标变量数据,以及突发事件变量数据,得到投放组合数据。
在一些场景中,目标虚拟资源可以是推广资源,如广告资源等,投放渠道可以是不同类型的投放渠道,如电视渠道,网页渠道,APP内渠道等,也可以是同一投放类型的多个渠道,如在腾讯APP,优酷APP,爱奇艺APP内同时投放某个推广链接。其中,历史投放数据可以是投放时间信息,投放量,回报数据可以是点击率,曝光率,与目标虚拟资源对应的产品购买量,交易金额等。
在本实施例中,宏观变量数据,经济指标变量数据,以及突发事件变量数据与各渠道投放数据一样,都是特征变量,目的是根据具体情形增设变量以提高预测准确度。举例比如测试周期内疫情爆发会对市场造成影响,于是需要把新冠事件作为新的变量添加进来,提高预测准确度。
在本实施例中,基于投放组合数据构建监督数据包括:
S11,对投放组合数据进行归一化处理,得到中间数据;
S12,基于预设的时间依赖长度和预测时长滚动中间数据的时间窗口,构建监督数据;
其中,监督数据是时间序列数据。
本实施例的方案基于seq2seq模型,通过给定长度为T的序列来预测后面的序列,即ConvLSTM(ConvolutionalLongShort-TermMemoryNetwork,卷积长短期记忆神经网络)不仅具有LSTM的时序建模能力,同时可以像CNN那样刻画局部的特征,从而达到了时间、跨渠道特性具备。训练数据(测试阶段的原理相同)为跨渠道的投放效果及回报数据,首先对训练数据进行预处理,转为5D张量。本发明为更好地解决多模态时间序列预测问题,将ConvLSTM和注意力机制Attention结合,,构建两个网络,一个编码网络和一个预测网络。编码网络序列数据使用多层ConvLSTM学习时序特征,将编码网络的输出序列作为预测网络输入,预测网络可选加入Attention机制,并与输出模块连接,学习并得到最终的预测输出。包括:
S1:获取数据和参数,以预测销量为例,用户上传各渠道投放数据及其他特征变量(X)及销量(y);
S2:对数据进行预处理:首先对数据进行标准化/归一化处理,然后按用户设定的时间依赖长度(超参)和预测时长(超参)构造监督数据,以滚动窗口,即连续n天投放序列数据(以投放30天为例)t1~t30,t2~t31,…以及对应预测y值序列数据(以预测7天为例)t31~t37,t32~t38,…。构造训练数据。
S3:将监督数据x变形为模型输入五维张量;
S4:训练完成并保存模型参数。用户上传新的投放数据,可调用训练好的模型进行预测。
在本实施例的一个实施方式中,将监督数据转换为多维张量输入数据包括:提取监督数据在以下维度的参数:样本数,分割步长,时间依赖长度,渠道数量,预设频道值,其中,预设频道值为常数;基于提取的参数构建多维张量输入数据。
将监督数据x变形为模型输入五维张量,通常,ConvLSTM的训练数据为短视频,输入为(samples样本数,time图片帧数,rows图片长,cols图片宽,channels颜色通道)的5DTensor,本发明创新应用到投放场景上(时间序列数据),输入为[samples样本数,step步长,timedependency时间依赖长度,features=渠道数/特征数,channels默认选择1]。
在构建多维张量输入数据的过程中,将时间序列数据转化为更高维度的输入,使经过单元的每个点包含的信息量增大;将特性不同的网络结合在一起,使得它具有很强的鲁棒性,能够胜任在复杂及噪声大的场景中进行预测。其工作原理可由如下公式表示:
Ht=Ot×tanh(Ct)i;
seq2seq模型的LSTM模块主要由三个门控制:遗忘门ft、输入门it、输出门ot,其中*表示卷积算子,即ConvLSTM在LSTM基础上设计卷积运算,这里的it,ft,Ct,ot,Ht均三维的tensor。输入数据,Ct为当前单元记忆,Ht为当前单元输出,W为权重,σ为sigmoid函数。
在本实施方式中,用户上传数据,后台获取历史投放数据等组成的投放组合数据,根据具体业务场景,包含各平台资源投放效果数据,可选添加宏观变量,经济指标,突发事件变量等;然后选择预处理方式:对数据进行归一化或标准化,设置滞后参数(将时间序列转化为监督数据),选择模型输出结构(预测一天或多天)。根据预处理参数,将输入数据进行重构,把时序数据转化为监督数据,然后,再对监督数据进行变形,将二维输入转变为五维数据。
本实施例创造性地将编码解码结构(其中,码码结构对应编码网络,解码结构对应预测网络),ConvLSTM网络和注意力机制应用于投放组合回报预测,与传统的预测方法相比,本发明采用了卷积和长短期记忆网络结合体,将长时间的资源投放组合数据作为特征矩阵,编码器将大量的长时间资源投放特征矩阵构造为5D张量输入数据,卷积神经网络可以对局部特征刻画抽取。因此本方法同时应对投放组合的长时间依赖和跨渠道特征交互影响,可以更加准确有效地对投放组合的效果和回报进行预测。
图3是本发明实施例中编码解码网络结构图,采用seq2seq结构,可实现序列输出,不仅高准确度预测下一天的回报,还可预测未来多天的投放回报,让资源投放者可根据预测情况提前做出投放或生产计划的调整。同时针对不同的使用场景,可以选择不同的seq2seq模型,如备选结构Transformers。图4是本发明的网络模型中ConvLSTM和Attention的结构图。seq2seq模型包括,编码网络,模型通过配置预设好ConvLSTM的大、小核的大小(尺寸,size),其中大核能够捕捉较长远的信息,而小核能够捕捉较近的信息。可选的,可以根据任务场景设置或自动匹配相应的卷积核尺寸;预测网络,复制编码层输出,连接到attention模块,得到attention后的输出,再将其通过ConvLSTM卷积处理。预测网络与编码网络类似,都是通过ConvLSTM模块的堆叠,根据场景人工选择(专家判断)匹配合适预测模块的卷积核大小;进行模型训练和测试,并保存模型参数。
在本实施例的一个实施方式中,将监督数据输入序列到序列seq2seq模型,并采用seq2seq模型输出目标虚拟资源在未来时间的预测数据,包括:
S21,选择ConvLSTM和Attention作为所述seq2seq模型的网络结构;
在另一方面,在一些比较复杂的场景中,也可以选择完全基于Attention的Transformer网络结构。
S22,将监督数据输入至编码网络,输出编码数据;
在一个示例中,将监督数据输入至编码网络,输出编码数据,包括:选择与任务场景匹配的卷积核尺寸;在编码网络中配置第一尺寸的第一卷积长短时记忆神经网络ConvLSTM和第二尺寸的第二ConvLSTM,其中,第一尺寸小于第二尺寸,第一ConvLSTM用于捕捉近场信息,第二ConvLSTM用于捕捉远场信息;将监督数据输入至第一ConvLSTM,并将第一ConvLSTM的输出数据再输入至第二ConvLSTM,从第二ConvLSTM输出编码数据。
第二ConvLSTM输出编码数据为多维张量输入数据,将所述监督数据输入至编码网络,输出编码数据,包括:提取所述监督数据在以下维度的参数:样本数,分割步长,时间依赖长度,渠道数量,预设频道值,其中,所述预设频道值为常数;基于提取的参数输出多维张量输入数据。
S23,将编码数据输入至预测网络,输出目标虚拟资源在未来时间的预测数据;其中,seq2seq模型包括编码网络和预测网络。
在一个示例中,将编码数据输入至预测网络,输出目标虚拟资源在未来时间的预测数据,包括:复制编码数据,将编码数据输入自注意力Attention模块,输出第一中间数据;将第一中间数据输入至第三ConvLSTM,并将第三ConvLSTM的输出数据再输入至第四ConvLSTM,从第四ConvLSTM输出目标虚拟资源在未来时间的预测数据。
图5是本发明实施例的***框架图,包括:底层的模型运算层(数据处理层),中间的业务逻辑层,前端的应用层,用户在前端输入历史投放及效果回报数据,数据经过业务逻辑层处理并传送到模型运算层,模型完成训练后返还训练结果给前端,前端展示预测模型的训练结果指标以及未来多天的回报趋势等相关结果。一体化***,从用户输入,模型选择,参数设定,到结果可视化,可一键运行输出。
本实施例基于深度学习模型搭建智能***,实时预测资源者关心的回报指标,精准预测下一天或者一段时间的回报指标等数据(销量/话题度/兴趣度/搜索量等)。输出精准的预测数据,可以让资源投放者及时调整资源投放或生产制造等决策。
为进一步展示本发明的实施效果,本发明在销量预测数据集上进行了实验,数据集包含了连续487天的投放效果数据及销量。客观评价指标包括平均绝对百分百误差(MAPE),均方根误差(RMSE),拟合优度(R2),如下表1所示:
表1
模型 | Sales-MAPE | Sales-RMSE | R2 |
本实施例 | 7.684% | 13259.118 | 0.67 |
CNN+LSTM | 11.971% | 21725.934 | 0.121 |
BI-LSTM | 21.527% | 37226.535 | -1.57 |
GBDT | 99.99% | 128940.766 | -29.951 |
表1展示了本实施例的测试结果,以单步预测为例,可以看到本发明结果远超其他常见深度学习方法,而传统的机器学习方法(GBDT)无法应对此类预测问题。
表2为本发明多步预测实验结果,本实施例可以输出多步预测,来实现对未来多天的销量预测。表2展示了本实施例采用过去一个月的数据预测未来7天(Day1~Day7)销量的效果指标。
表2
Day1: | Test R2:0.484 |
Day1: | Test MAPE:9.352 |
Day1: | Test DW:1.003 |
Day1: | Test RMSE:15689.510 |
Day1: | Test MAE:11780.694 |
Day2: | Test R2:0.407 |
Day2: | Test MAPE:10.608 |
Day2: | Test DM:1.001 |
Day2: | Test RMSE:17294.725 |
Day2: | Test MAE:13272.193 |
Day3: | Test R2:0.382 |
Day3: | Test MAPE:11.583 |
Day3: | Test DM:1.001 |
Day3: | Test RMSE:18099.625 |
Day3: | Test MAE:14312.133 |
Day4: | Test R2:0.370 |
Day4: | Test MAPE:12.463 |
Day4: | Test DM:1.018 |
Day4: | Test RMSE:18587.496 |
Day4: | Test MAE:15019.383 |
Day5: | Test R2:0.360 |
Day5: | Test MAPE:13.055 |
Day5: | Test DM:1.025 |
Day5: | RMSE:18967.104 |
Day5: | Test MAE:15580.194 |
Day6: | Test R2:0.343 |
Day6: | Test MAPE:13.547 |
Day6: | Test DM:1.037 |
Day6: | Test RMSE:19370.010 |
Day6: | Test MAE:15907.170 |
Day7: | Test R2:0.263 |
Day7: | Test MAPE:14.668 |
Day7: | Test DM:1.062 |
Day7: | Test RMSE:20514.299 |
Day7: | Test MAE:16784.400 |
本实施例的方案突破了跨平台资源投放回报难以预测的现状,能够高准确度预测下一天投放效果回报,可使资源投放者提前掌握未来趋势。提醒资源投放者及时做出调整,提高决策时效性和透明度。创新引入编码器解码器结构,将时序数据转换为更高维度并应用特殊构造的深度学习模型,来实现高准确度预测。利用seq2seq模型,实现多天预测输出,并结合ConvLSTM和注意力机制等图像和自然语言处理技术,来提升预测效果。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
实施例2
在本实施例中还提供了一种预测数据的输出装置,用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图6是根据本发明实施例的一种预测数据的输出装置的结构框图,如图6所示,该装置包括:获取模块60,构建模块62,接收模块64,输出模块66,其中,
获取模块60,用于获取目标虚拟资源在多个投放渠道的投放组合数据,其中,所述投放组合数据包括历史投放数据,以及所述历史投放数据的回报数据;
构建模块62,用于基于所述投放组合数据构建监督数据;
接收模块64,用于接收用户参数,其中,所述用户参数用于指示预测数据的输出步长;
输出模块66,用于将所述监督数据输入序列到序列seq2seq模型,并采用所述seq2seq模型输出所述目标虚拟资源在未来时间的预测数据。
可选的,所述构建模块包括:处理单元,用于对所述投放组合数据进行归一化处理,得到中间数据;构建单元,用于基于预设的时间依赖长度和预测时长滚动所述中间数据的时间窗口,构建监督数据。
可选的,所述转换单元包括:提取子单元,用于提取所述监督数据在以下维度的参数:样本数,分割步长,时间依赖长度,渠道数量,预设频道值,其中,所述预设频道值为常数;构建子单元,用于基于提取的参数构建所述多维张量输入数据。
可选的,所述输出模块包括:第一处理单元,用于将所述监督数据输入至编码网络,输出编码数据;第二处理单元,用于将所述编码数据输入至预测网络,输出所述目标虚拟资源在未来时间的预测数据;其中,所述seq2seq模型包括所述编码网络和所述预测网络。
可选的,所述第一处理单元包括:提取子单元,用于提取所述监督数据在以下维度的参数:样本数,分割步长,时间依赖长度,渠道数量,预设频道值,其中,所述预设频道值为常数;输出子单元,用于基于提取的参数输出多维张量输入数据。
可选的,所述第一处理单元包括:选择子单元,用于选择与任务场景匹配的卷积核尺寸;配置子单元,用于在所述编码网络中配置第一尺寸的第一卷积长短时记忆神经网络ConvLSTM和第二尺寸的第二ConvLSTM,其中,所述第一尺寸小于所述第二尺寸,所述第一ConvLSTM用于捕捉近场信息,所述第二ConvLSTM用于捕捉远场信息;处理子单元,用于将所述监督数据输入至第一ConvLSTM,并将所述第一ConvLSTM的输出数据再输入至所述第二ConvLSTM,从所述第二ConvLSTM输出编码数据。
可选的,所述第一处理单元包括:输入子单元,用于复制所述编码数据,将所述编码数据输入自注意力Attention模块,输出第一中间数据;处理子单元,用于将所述第一中间数据输入至第三ConvLSTM,并将所述第三ConvLSTM的输出数据再输入至第四ConvLSTM,从所述第四ConvLSTM输出所述目标虚拟资源在未来时间的预测数据。
可选的,所述获取模块包括:采集单元,用于从多个投放渠道分别采集所述目标虚拟资源在预设时段内的历史投放数据和回报数据;配置单元,用于在所述历史投放数据和所述回报数据中配置所述预设时段内的宏观变量数据,经济指标变量数据,以及突发事件变量数据,得到所述投放组合数据。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,对于后者,可以通过以下方式实现,但不限于此:上述模块均位于同一处理器中;或者,上述各个模块以任意组合的形式分别位于不同的处理器中。
实施例3
本发明的实施例还提供了一种存储介质,该存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,获取目标虚拟资源在多个投放渠道的投放组合数据,其中,所述投放组合数据包括历史投放数据,以及所述历史投放数据的回报数据;
S2,基于所述投放组合数据构建监督数据;
S3,接收用户参数,其中,所述用户参数用于指示预测数据的输出步长;
S4,将所述监督数据输入序列到序列seq2seq模型,并采用所述seq2seq模型输出所述目标虚拟资源在未来时间的预测数据。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的实施例还提供了一种电子设备,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地,上述电子设备还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,获取目标虚拟资源在多个投放渠道的投放组合数据,其中,所述投放组合数据包括历史投放数据,以及所述历史投放数据的回报数据;
S2,基于所述投放组合数据构建监督数据;
S3,接收用户参数,其中,所述用户参数用于指示预测数据的输出步长;
S4,将所述监督数据输入序列到序列seq2seq模型,并采用所述seq2seq模型输出所述目标虚拟资源在未来时间的预测数据。
可选地,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
图7是本发明实施例的一种电子设备的结构图,如图7所示,包括处理器71、通信接口72、存储器73和通信总线74,其中,处理器71,通信接口72,存储器73通过通信总线74完成相互间的通信,存储器73,用于存放计算机程序;处理器71,用于执行存储器73上所存放的程序。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元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,也可以采用软件功能单元的形式实现。
所述集成的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。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种预测数据的输出方法,其特征在于,包括:
获取目标虚拟资源在多个投放渠道的投放组合数据,其中,所述投放组合数据包括历史投放数据,以及所述历史投放数据的回报数据;
基于所述投放组合数据构建监督数据;
接收用户参数,其中,所述用户参数用于指示预测数据的输出步长;
将所述监督数据输入序列到序列seq2seq模型,并采用所述seq2seq模型输出所述目标虚拟资源在未来时间的预测数据。
2.根据权利要求1所述的方法,其特征在于,基于所述投放组合数据构建监督数据包括:
对所述投放组合数据进行归一化处理,得到中间数据;
基于预设的时间依赖长度和预测时长滚动所述中间数据的时间窗口,构建监督数据。
3.根据权利要求1所述的方法,其特征在于,将所述监督数据输入序列到序列seq2seq模型,并采用所述seq2seq模型输出所述目标虚拟资源在未来时间的预测数据,包括:
将所述监督数据输入至编码网络,输出编码数据;
将所述编码数据输入至预测网络,输出所述目标虚拟资源在未来时间的预测数据;
其中,所述seq2seq模型包括所述编码网络和所述预测网络。
4.根据权利要求3所述的方法,其特征在于,将所述监督数据输入至编码网络,输出编码数据,包括:
提取所述监督数据在以下维度的参数:样本数,分割步长,时间依赖长度,渠道数量,预设频道值,其中,所述预设频道值为常数;
基于提取的参数输出多维张量输入数据。
5.根据权利要求4所述的方法,其特征在于,将所述监督数据输入至编码网络,输出编码数据,包括:
选择ConvLSTM和Attention作为所述seq2seq模型的网络结构;
选择与任务场景匹配的卷积核尺寸;
在所述编码网络中配置第一尺寸的第一卷积长短时记忆神经网络ConvLSTM和第二尺寸的第二ConvLSTM,其中,所述第一尺寸小于所述第二尺寸,所述第一ConvLSTM用于捕捉近场信息,所述第二ConvLSTM用于捕捉远场信息;
将所述监督数据输入至第一ConvLSTM,并将所述第一ConvLSTM的输出数据再输入至所述第二ConvLSTM,从所述第二ConvLSTM输出编码数据。
6.根据权利要求4所述的方法,其特征在于,将所述编码数据输入至预测网络,输出所述目标虚拟资源在未来时间的预测数据,包括:
复制所述编码数据,将所述编码数据输入自注意力Attention模块,输出第一中间数据;
将所述第一中间数据输入至第三ConvLSTM,并将所述第三ConvLSTM的输出数据再输入至第四ConvLSTM,从所述第四ConvLSTM输出所述目标虚拟资源在未来时间的预测数据。
7.根据权利要求1所述的方法,其特征在于,获取目标虚拟资源在多个投放渠道的投放组合数据包括:
从多个投放渠道分别采集所述目标虚拟资源在预设时段内的历史投放数据和回报数据;
在所述历史投放数据和所述回报数据中配置所述预设时段内的宏观变量数据,经济指标变量数据,以及突发事件变量数据,得到所述投放组合数据。
8.一种预测数据的输出装置,其特征在于,包括:
获取模块,用于获取目标虚拟资源在多个投放渠道的投放组合数据,其中,所述投放组合数据包括历史投放数据,以及所述历史投放数据的回报数据;
构建模块,用于基于所述投放组合数据构建监督数据;
接收模块,用于接收用户参数,其中,所述用户参数用于指示预测数据的输出步长;
输出模块,用于将所述监督数据输入序列到序列seq2seq模型,并采用所述seq2seq模型输出所述目标虚拟资源在未来时间的预测数据。
9.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,所述程序运行时执行上述权利要求1至7中任一项所述的方法步骤。
10.一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;其中:
存储器,用于存放计算机程序;
处理器,用于通过运行存储器上所存放的程序来执行权利要求1至7中任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110655887.8A CN113313316A (zh) | 2021-06-11 | 2021-06-11 | 预测数据的输出方法及装置、存储介质、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110655887.8A CN113313316A (zh) | 2021-06-11 | 2021-06-11 | 预测数据的输出方法及装置、存储介质、电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113313316A true CN113313316A (zh) | 2021-08-27 |
Family
ID=77378705
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110655887.8A Pending CN113313316A (zh) | 2021-06-11 | 2021-06-11 | 预测数据的输出方法及装置、存储介质、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113313316A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114066510A (zh) * | 2021-11-02 | 2022-02-18 | 创优数字科技(广东)有限公司 | 物品销量预测方法、装置、计算机设备和存储介质 |
CN114662807A (zh) * | 2022-05-26 | 2022-06-24 | 国网浙江省电力有限公司电力科学研究院 | 基于序列编码重构的多尺度区域光伏出力预测方法及*** |
CN116567353A (zh) * | 2023-07-10 | 2023-08-08 | 湖南快乐阳光互动娱乐传媒有限公司 | 一种视频投放方法及装置、存储介质及电子设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140200995A1 (en) * | 2013-01-17 | 2014-07-17 | Kenshoo Ltd. | Temporal budget optimization in online advertising |
CN107808220A (zh) * | 2017-10-30 | 2018-03-16 | 北京金堤科技有限公司 | 一种收入预测方法及装置 |
CN110009429A (zh) * | 2019-04-10 | 2019-07-12 | 金瓜子科技发展(北京)有限公司 | 一种预测流量数据的方法、装置和计算机设备 |
CN110852515A (zh) * | 2019-11-15 | 2020-02-28 | 北京工业大学 | 基于混合长短时记忆神经网络的水质指标预测方法 |
CN112053004A (zh) * | 2020-09-14 | 2020-12-08 | 胜斗士(上海)科技技术发展有限公司 | 用于时间序列预测的方法和装置 |
CN112348564A (zh) * | 2020-09-27 | 2021-02-09 | 北京淇瑀信息科技有限公司 | 自动管理广告投放的方法、装置和电子设备 |
CN112418409A (zh) * | 2020-12-14 | 2021-02-26 | 南京信息工程大学 | 一种利用注意力机制改进的卷积长短期记忆网络时空序列预测方法 |
CN112801712A (zh) * | 2021-02-09 | 2021-05-14 | 杭州网易再顾科技有限公司 | 一种广告投放策略的优化方法及装置 |
CN112819245A (zh) * | 2021-02-24 | 2021-05-18 | 阳光保险集团股份有限公司 | 用户投诉行为预测方法、装置、设备及存储介质 |
-
2021
- 2021-06-11 CN CN202110655887.8A patent/CN113313316A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140200995A1 (en) * | 2013-01-17 | 2014-07-17 | Kenshoo Ltd. | Temporal budget optimization in online advertising |
CN107808220A (zh) * | 2017-10-30 | 2018-03-16 | 北京金堤科技有限公司 | 一种收入预测方法及装置 |
CN110009429A (zh) * | 2019-04-10 | 2019-07-12 | 金瓜子科技发展(北京)有限公司 | 一种预测流量数据的方法、装置和计算机设备 |
CN110852515A (zh) * | 2019-11-15 | 2020-02-28 | 北京工业大学 | 基于混合长短时记忆神经网络的水质指标预测方法 |
CN112053004A (zh) * | 2020-09-14 | 2020-12-08 | 胜斗士(上海)科技技术发展有限公司 | 用于时间序列预测的方法和装置 |
CN112348564A (zh) * | 2020-09-27 | 2021-02-09 | 北京淇瑀信息科技有限公司 | 自动管理广告投放的方法、装置和电子设备 |
CN112418409A (zh) * | 2020-12-14 | 2021-02-26 | 南京信息工程大学 | 一种利用注意力机制改进的卷积长短期记忆网络时空序列预测方法 |
CN112801712A (zh) * | 2021-02-09 | 2021-05-14 | 杭州网易再顾科技有限公司 | 一种广告投放策略的优化方法及装置 |
CN112819245A (zh) * | 2021-02-24 | 2021-05-18 | 阳光保险集团股份有限公司 | 用户投诉行为预测方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
杜圣东 等: "一种基于序列到序列时空注意力学习的交通流预测模型", 计算机研究与发展, vol. 57, no. 08, 6 August 2020 (2020-08-06), pages 1715 - 1728 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114066510A (zh) * | 2021-11-02 | 2022-02-18 | 创优数字科技(广东)有限公司 | 物品销量预测方法、装置、计算机设备和存储介质 |
CN114662807A (zh) * | 2022-05-26 | 2022-06-24 | 国网浙江省电力有限公司电力科学研究院 | 基于序列编码重构的多尺度区域光伏出力预测方法及*** |
CN116567353A (zh) * | 2023-07-10 | 2023-08-08 | 湖南快乐阳光互动娱乐传媒有限公司 | 一种视频投放方法及装置、存储介质及电子设备 |
CN116567353B (zh) * | 2023-07-10 | 2023-09-12 | 湖南快乐阳光互动娱乐传媒有限公司 | 一种视频投放方法及装置、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113313316A (zh) | 预测数据的输出方法及装置、存储介质、电子设备 | |
TWI788529B (zh) | 基於lstm模型的信用風險預測方法及裝置 | |
CN110033314B (zh) | 广告数据处理方法及装置 | |
CN107423442A (zh) | 基于用户画像行为分析的应用推荐方法及***,储存介质及计算机设备 | |
CN111339433B (zh) | 基于人工智能的信息推荐方法、装置、电子设备 | |
CN110147711A (zh) | 视频场景识别方法、装置、存储介质和电子装置 | |
CN109657156A (zh) | 一种基于循环生成对抗网络的个性化推荐方法 | |
CN103678394A (zh) | 基于肖像匹配度的婚恋交友推荐方法和*** | |
CN106204063A (zh) | 一种付费用户挖掘方法及装置 | |
CN112418292B (zh) | 一种图像质量评价的方法、装置、计算机设备及存储介质 | |
CN113361250A (zh) | 一种基于语义一致性的双向文本生成图像方法及*** | |
CN110019420B (zh) | 一种数据序列预测方法及计算设备 | |
CN109344998A (zh) | 一种基于医疗美容场景的客户违约概率预测方法 | |
CN112183818A (zh) | 一种推荐概率预测方法、装置、电子设备及存储介质 | |
CN111680147A (zh) | 一种数据处理方法、装置、设备以及可读存储介质 | |
CN110827138A (zh) | 一种推送信息确定方法及装置 | |
CN108133390A (zh) | 用于预测用户行为的方法和装置以及计算设备 | |
Shen et al. | Short-term electric vehicles charging load forecasting based on deep learning in low-quality data environments | |
CN112686700A (zh) | 基于人工智能的产品属性决策方法、装置、电子设备 | |
CN109377347B (zh) | 基于特征选择的网络信用预警方法、***及电子设备 | |
CN115936180A (zh) | 光伏发电功率预测方法、装置和计算机设备 | |
CN110414710A (zh) | 基于人工智能的趋势预测方法及装置 | |
CN117575663A (zh) | 基于深度学习的装修成本估算方法及*** | |
CN115221396A (zh) | 基于人工智能的信息推荐方法、装置及电子设备 | |
Cui et al. | Modelling customer online behaviours with neural networks: applications to conversion prediction and advertising retargeting |
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 |