CN116452242A - 一种基于拟合回归的游戏利润预测方法、装置及设备 - Google Patents

一种基于拟合回归的游戏利润预测方法、装置及设备 Download PDF

Info

Publication number
CN116452242A
CN116452242A CN202310500200.2A CN202310500200A CN116452242A CN 116452242 A CN116452242 A CN 116452242A CN 202310500200 A CN202310500200 A CN 202310500200A CN 116452242 A CN116452242 A CN 116452242A
Authority
CN
China
Prior art keywords
user
game
prediction model
obtaining
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
Application number
CN202310500200.2A
Other languages
English (en)
Inventor
王传鹏
罗谊烽
吴灿杰
李佳新
马岩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Yingfeng Network Technology Co ltd
Original Assignee
Guangzhou Yingfeng Network Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Yingfeng Network Technology Co ltd filed Critical Guangzhou Yingfeng Network Technology Co ltd
Priority to CN202310500200.2A priority Critical patent/CN116452242A/zh
Publication of CN116452242A publication Critical patent/CN116452242A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Game Theory and Decision Science (AREA)
  • Algebra (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及游戏利润预测技术领域，尤其涉及一种基于拟合回归的游戏利润预测方法、装置及设备，所述方法具体包括：基于第一历史数据中游戏用户平均创造收益和每个用户特征以及两者之间的相对熵获得第一多元线性回归方程，根据差分法修正所述第一多元线性回归方程的预测数据和所述第一历史数据之间的误差，然后获得游戏用户平均创造收益预测模型；基于第二历史数据中广告投放成本和新增用户量获得第二多元线性方程，根据差分法修正所述第二多元线性回归方程的预测数据和所述第二历史数据之间的误差，然后获得广告投放成本与新增用户量预测模型。本发明结合用户留存率、新增用户量和用户平均创造收益等预测因素，形成游戏利润预测模型。

Description

一种基于拟合回归的游戏利润预测方法、装置及设备
技术领域
本发明涉及游戏利润预测技术领域，尤其涉及一种基于拟合回归的游戏利润预测方法、装置及设备。
背景技术
利润预测对于运营策略来说有重要的影响因素，根据未来某个时间段内的日利润可以动态调整运营策略，对于游戏公司来说游戏利润的预测也同样重要，通过游戏利润的未来预测，游戏公司可以对该游戏产品作出不同的运营策略。然而，目前的游戏利润预测方法不够精准，不能结合多重预测因子来组成游戏利润预测模型，也不能根据不同的预测因子选择最合适的预测模型，这对游戏利润预测数据的误差均起到不小的影响。
发明内容
本发明的目的在于提供一种基于拟合回归的游戏利润预测方法、装置及设备，根据相对熵方法、拟合回归和差分法，结合用户留存率、新增用户量、广告投放成本和用户平均创造收益等预测因素，形成游戏利润预测模型，以解决上述现有问题的至少之一。
本发明提供了一种基于拟合回归的游戏利润预测方法，所述方法具体包括：
基于第一历史数据中游戏用户平均创造收益和每个用户特征以及两者之间的相对熵获得第一多元线性回归方程，根据差分法修正所述第一多元线性回归方程的预测数据和所述第一历史数据之间的误差，然后获得游戏用户平均创造收益预测模型；
基于第二历史数据中广告投放成本和新增用户量获得第二多元线性方程，根据差分法修正所述第二多元线性回归方程的预测数据和所述第二历史数据之间的误差，然后获得广告投放成本与新增用户量预测模型；
根据游戏用户留存率历史数据，确定游戏生命周期的每个阶段中误差最小的回归拟合函数模型，然后获得游戏用户留存率预测模型；
基于所述游戏用户平均创造收益预测模型、所述广告投放成本与新增用户预测模型和所述游戏用户留存率预测模型，获得游戏利润预测模型，根据所述游戏利润预测模型确定广告投放策略。
进一步的，所述基于历史数据中游戏用户平均创造收益和每个用户特征以及两者之间的相对熵获得第一多元线性回归方程，根据差分法修正所述第一多元线性回归方程的预测数据和所述历史数据之间的误差，然后获得游戏用户平均创造收益预测模型，具体包括：
获取第一历史数据，所述第一历史数据包括用户平均创造收益的历史数据和每个用户特征的历史数据，所述用户特征包括用户性别、用户年龄、用户地域、用户社交和用户收入；
获取所述每个用户平均创造收益和每个用户特征之间的相对熵，将所述相对熵进行归一化处理并形成权重集合，然后根据所述权重集合、所述每个用户平均创造收益和所述每个用户特征构建第一多元线性回归方程；
根据差分法修正所述第一多元线性回归方程的第一预测数据和所述第一历史数据之间的误差并获得游戏用户平均创造收益预测模型。
更进一步的，所述获取所述每个用户平均创造收益和每个用户特征之间的相对熵，将所述相对熵进行归一化处理并形成权重集合，然后根据所述权重集合、所述每个用户平均创造收益和所述每个用户特征构建第一多元线性回归方程，具体包括：
根据所述用户平均创造收益的历史数据确定第一概率分布，根据所述每个用户特征的历史数据确定第二概率分布集合；
将所述第一概率分布和所述第二概率分布集合中的每个第二概率分布通过相对熵公式获得相对熵集合，所述相对熵公式满足
其中，DKL(P||Q)代表相对熵，P代表第一概率分布，Q表示每个第二概率分布，t表示时间段集合，N表示t的第N个时间段；
将所述相对熵集合进行归一化处理并获得权重集合，根据所述权重集合、所述每个用户平均创造收益和所述每个用户特征构建第一多元线性回归方程，所述第一多元线性回归方程满足y＝β0+β1x1+β2x2+β3x3+β4x4+β5x5...+βkxk，其中，y表示每个用户平均创造收益，x1至xk分别表示每个用户特征，β0至βT表示权重集合。
更进一步的，所述根据差分法修正所述第一多元线性回归方程的第一预测数据和所述第一历史数据之间的误差并获得游戏用户平均创造收益预测模型，具体包括：
根据所述第一多元线性方程获得第一预测数据，通过所述第一预测数据和所述第一历史数据之间的误差获得第一误差序列；
检验所述第一误差序列是否为平稳时间序列，若所述第一误差序列不为平稳时间序列，根据差分法差分所述第一误差序列并获得第二误差序列；
根据所述第一多元线性方程和所述第二误差序列获得用户平均创造收益预测模型。
进一步的，所述基于第二历史数据中广告投放成本和新增用户量获得第二多元线性方程，根据差分法修正所述第二多元线性回归方程的预测数据和所述第二历史数据之间的误差，然后获得广告投放成本与新增用户预测模型，具体包括：
确定第二历史数据，所述第二历史数据包括第1时间段至第T时间段内的广告投放成本历史数据和第T+1时间段内的新增用户量历史数据；
根据第二历史数据包括第1时间段至第T时间段内的广告投放成本和第T+1时间段内的新增用户量构建第二多元线性方程；
根据所述第二多元线性方程获得第二预测数据，通过所述第二预测数据和所述第二历史数据之间的误差获得第三误差序列；
检验所述第三误差序列是否为平稳时间序列，若所述第一误差序列不为平稳时间序列，根据差分法差分所述第三误差序列并获得第四误差序列；
根据所述第二多元线性回归方程和所述第四误差序列获得广告投放成本与新增用户预测模型。
更进一步的，所述所述第二多元线性方程满足y＝β0+β1x1+β2x2+β3x3+β4x4+β5x5...+βTxT，其中，y表示第T+1时间段内的新增用户量，x1至xT分别表示第1时间段至第T时间段内的广告投放成本，β0至βT表示每个时间段内的广告投放成本权重，且β0＜...＜β5＜...＜βT。
进一步的，所述根据游戏用户留存率历史数据，确定游戏生命周期的每个阶段中误差最小的回归拟合函数模型，然后获得游戏用户留存率预测模型，具体包括：
确定游戏用户留存率历史数据和游戏生命周期的阶段集合，所述阶段集合包括上线阶段、成长阶段、成熟阶段和衰退阶段；
在所述游戏生命周期的当前所处阶段以及当前所处阶段之前的每个阶段中，分别根据回归函数集合中的每个回归函数确定第一游戏用户留存率预测模型集合，然后通过拟合函数集合中的每个拟合函数确定第二游戏用户留存率预测模型集合，所述回归函数集合包括幂函数、指数函数和对数函数，所述拟合函数集合包括最小二乘法、最大似然估计法和最大后验估计法；
基于误差计算函数，从所述第二游戏用户留存率预测模型集合中筛选出误差值最小的第二游戏用户留存率预测模型，所述误差计算函数包括均值误差、绝对误差、标准误差和残差平方和；
将所述误差值最小的第二游戏用户留存率预测模型确定为游戏用户留存率预测模型。
进一步的，所述基于所述游戏用户平均创造收益预测模型、所述广告投放成本与新增用户量预测模型和所述游戏用户留存率预测模型，获得游戏利润预测模型，根据所述游戏利润预测模型确定广告投放策略，具体包括：
根据所述游戏用户平均创造收益预测模型确定第一未来时间段内的每日用户平均创造收益预测数据；
根据所述广告投放成本与新增用户量预测模型确定所述第一未来时间段内的每日广告投放成本预测数据和所述第一未来时间段内的每日新增用户量预测数据；
根据所述游戏用户留存率预测模型和所述第一未来时间段之前的老用户量，确定所述第一未来时间段内的每日老用户留存量；
根据所述第一未来时间段内的每日新增用户量预测数据和所述第一未来时间段内的每日老用户留存量，确定所述第一未来时间段内的每日活跃用户量；
根据所述第一未来时间段内的每日活跃用户量和所述第一未来时间段内的每日用户平均创造收益预测数据的乘积，确定所述第一未来时间段内的每日游戏利润预测数据；
根据所述第一未来时间段内的每日广告投放成本预测数据和所述第一未来时间段内的每日游戏利润预测数据的差异对比，确定在所述第一未来时间段内稳定保持或加大或减少广告投放成本。
本发明还提供了一种基于拟合回归的游戏利润预测装置，所述装置具体包括：
第一处理模块，用于基于第一历史数据中游戏用户平均创造收益和每个用户特征以及两者之间的相对熵获得第一多元线性回归方程，根据差分法修正所述第一多元线性回归方程的预测数据和所述第一历史数据之间的误差，然后获得游戏用户平均创造收益预测模型；
第二处理模块，用于基于第二历史数据中广告投放成本和新增用户量获得第二多元线性方程，根据差分法修正所述第二多元线性回归方程的预测数据和所述第二历史数据之间的误差，然后获得广告投放成本与新增用户量预测模型；
第三处理模块，用于根据游戏用户留存率历史数据，确定游戏生命周期的每个阶段中误差最小的回归拟合函数模型，然后获得游戏用户留存率预测模型；
第四处理模块，用于基于所述游戏用户平均创造收益预测模型、所述广告投放成本与新增用户预测模型和所述游戏用户留存率预测模型，获得游戏利润预测模型，根据所述游戏利润预测模型确定广告投放策略。
本发明还提供了一种计算机设备，包括：存储器和处理器及存储在存储器上的计算机程序，当所述计算机程序在处理器上被执行时，实现如权利要求1至8中任一项所述的基于拟合回归的游戏利润预测方法。
与现有技术相比，本发明具有以下技术效果的至少之一：
1、根据相对熵公式以确定影响游戏用户平均创造收益的不同因素的重要程度，从而确定不同影响因素的权重差异。
2、基于游戏用户平均创造收益预测数据、广告投放成本与新增用户量预测数据、游戏用户留存率预测数据等多重预测因子，确定游戏利润预测数据和回收时间。
3、根据游戏用户留存率和游戏生命周期的紧密关系，通过不同的拟合回归函数、误差计算函数，确定游戏生命周期的每个阶段中误差最小的游戏用户留存率预测曲线。
附图说明
是为了更清楚地说明本申请实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于拟合回归的游戏利润预测方法的流程示意图；
图2是本发明实施例提供的一种基于拟合回归的游戏利润预测装置的结构示意图；
图3是本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
利润预测对于运营策略来说有重要的影响因素，根据未来某个时间段内的日利润可以动态调整运营策略，对于游戏公司来说游戏利润的预测也同样重要，通过游戏利润的未来预测，游戏公司可以对该游戏产品作出不同的运营策略。然而，目前的游戏利润预测方法不够精准，不能结合多重预测因子来组成游戏利润预测模型，也不能根据不同的预测因子选择最合适的预测模型，这对游戏利润预测数据的误差均起到不小的影响。
参照图1，本发明实施例提供了一种基于拟合回归的游戏利润预测方法，所述方法具体包括：
S101：基于第一历史数据中游戏用户平均创造收益和每个用户特征以及两者之间的相对熵获得第一多元线性回归方程，根据差分法修正所述第一多元线性回归方程的预测数据和所述第一历史数据之间的误差，然后获得游戏用户平均创造收益预测模型。
在一些实施例中，所述基于历史数据中游戏用户平均创造收益和每个用户特征以及两者之间的相对熵获得第一多元线性回归方程，根据差分法修正所述第一多元线性回归方程的预测数据和所述历史数据之间的误差，然后获得游戏用户平均创造收益预测模型，具体包括：
获取第一历史数据，所述第一历史数据包括用户平均创造收益的历史数据和每个用户特征的历史数据，所述用户特征包括用户性别、用户年龄、用户地域、用户社交和用户收入；
获取所述每个用户平均创造收益和每个用户特征之间的相对熵，将所述相对熵进行归一化处理并形成权重集合，然后根据所述权重集合、所述每个用户平均创造收益和所述每个用户特征构建第一多元线性回归方程；
根据差分法修正所述第一多元线性回归方程的第一预测数据和所述第一历史数据之间的误差并获得游戏用户平均创造收益预测模型。
具体的，所述获取所述每个用户平均创造收益和每个用户特征之间的相对熵，将所述相对熵进行归一化处理并形成权重集合，然后根据所述权重集合、所述每个用户平均创造收益和所述每个用户特征构建第一多元线性回归方程，具体包括：
根据所述用户平均创造收益的历史数据确定第一概率分布，根据所述每个用户特征的历史数据确定第二概率分布集合；
将所述第一概率分布和所述第二概率分布集合中的每个第二概率分布通过相对熵公式获得相对熵集合，所述相对熵公式满足
其中，DKL(P||Q)代表相对熵，P代表第一概率分布，Q表示每个第二概率分布，t表示时间段集合，N表示t的第N个时间段；
将所述相对熵集合进行归一化处理并获得权重集合，根据所述权重集合、所述每个用户平均创造收益和所述每个用户特征构建第一多元线性回归方程，所述第一多元线性回归方程满足y＝β0+β1x1+β2x2+β3x3+β4x4+β5x5...+βkxk，其中，y表示每个用户平均创造收益，x1至xk分别表示每个用户特征，β0至βT表示权重集合。
具体的，所述根据差分法修正所述第一多元线性回归方程的第一预测数据和所述第一历史数据之间的误差并获得游戏用户平均创造收益预测模型，具体包括：
根据所述第一多元线性方程获得第一预测数据，通过所述第一预测数据和所述第一历史数据之间的误差获得第一误差序列；
检验所述第一误差序列是否为平稳时间序列，若所述第一误差序列不为平稳时间序列，根据差分法差分所述第一误差序列并获得第二误差序列；
根据所述第一多元线性方程和所述第二误差序列获得用户平均创造收益预测模型。
该实施例中，相对熵等价于两个概率分布信息熵的差值，即可以通过用户平均创造收益以及影响用户平均创造收益的不同因素之间的信息损耗，获得不同因素中每个因素与用户平均创造收益的紧密程度，而用户特征则是最能反映用户平均创造收益的因素。用户特征包括用户性别、用户年龄、用户地域、用户社交和用户收入，然后将每个用户特征进一步细化后，再根据每个用户特征的具体历史数据建立第二概率分布。
比如，用户性别包括男性用户和女性用户，用户年龄包括少年(10-20岁)、青年(20-30岁)、中年及以上(超过30岁)，用户地域包括国内和国外以及国内不同的地区，用户收入包括1000-3000元、3000-7000元、7000-10000元和10000元以上，将根据上述的每个具体化的用户特征逐一建立第二概率分布，并与第一概率分布通过相对熵公式获得不同的相对熵，再根据相对熵大小建立权重集合。同时，考虑到相对熵之间的数值差异较大，因此将每个相对熵进行归一化处理后，才建立权重集合，并将权重集合作为第一多元线性方程的系数。
根据第一多元线性方程获得第一预测数据，第一预测数据为第一未来时间段内用户平均创造收益预测数据，将第一预测数据和历史数据比对后获得第一误差序列，假如第一误差序列不为平稳序列，则通过差分法将其转变为平稳序列，即第二误差序列。之后，则在根据第一多元线性方程获得其他未来时间段内用户平均创造收益预测数据，再将该预测数据和第二误差序列相加后得到更准确的游戏用户平均创造收益预测数据。
S102：基于第二历史数据中广告投放成本和新增用户量获得第二多元线性方程，根据差分法修正所述第二多元线性回归方程的预测数据和所述第二历史数据之间的误差，然后获得广告投放成本与新增用户量预测模型。
在一些实施例中，所述基于第二历史数据中广告投放成本和新增用户量获得第二多元线性方程，根据差分法修正所述第二多元线性回归方程的预测数据和所述第二历史数据之间的误差，然后获得广告投放成本与新增用户预测模型，具体包括：
确定第二历史数据，所述第二历史数据包括第1时间段至第T时间段内的广告投放成本历史数据和第T+1时间段内的新增用户量历史数据；
根据第二历史数据包括第1时间段至第T时间段内的广告投放成本和第T+1时间段内的新增用户量构建第二多元线性方程；
根据所述第二多元线性方程获得第二预测数据，通过所述第二预测数据和所述第二历史数据之间的误差获得第三误差序列；
检验所述第三误差序列是否为平稳时间序列，若所述第一误差序列不为平稳时间序列，根据差分法差分所述第三误差序列并获得第四误差序列；
根据所述第二多元线性回归方程和所述第四误差序列获得广告投放成本与新增用户预测模型。
所述所述第二多元线性方程满足y＝β0+β1x1+β2x2+β3x3+β4x4+β5x5...+βTxT，其中，y表示第T+1时间段内的新增用户量，x1至xT分别表示第1时间段至第T时间段内的广告投放成本，β0至βT表示每个时间段内的广告投放成本权重，且β0＜...＜β5＜...＜βT。
该实施例中，由于新增用户量通常是跟广告投放有关，因此可以建立广告投放成本和新增用户量之间的预测数据关系模型，由于当天(第T+1时间段)的新增用户量是跟当天之前(第1时间段至第T时间段)的所有广告投放成本相关的，因此需要将当天之前的每一天的广告投放成本都计算在内，同时越接近当天的投放广告，越与当天的新增用户量有关，因此在设置广告投放成本权重时，第1时间段的权重最低，然后逐渐递增，第T时间段的权重最高。在设置具体的权重比例时，可以根据具体的历史数据进行考虑。
在建立第二多元线性方程后并得到第二预测数据，第二预测数据为第一未来时间段内广告投放成本和新增用户量之间的关系预测数据，同样要将第二预测数据和历史数据比对并获得第三误差序列，如果第三误差序列不为平稳序列，则通过差分法获得平稳序列，即第四误差序列。之后，再根据第二多元线性方程获得其他未来时间段内广告投放成本和新增用户量之间的关系预测数据，并和第四误差序列相加后，即获得更精准的广告投放成本和新增用户量之间的关系预测数据。
S103：根据游戏用户留存率历史数据，确定游戏生命周期的每个阶段中误差最小的回归拟合函数模型，然后获得游戏用户留存率预测模型。
在一些实施例中，所述根据游戏用户留存率历史数据，确定游戏生命周期的每个阶段中误差最小的回归拟合函数模型，然后获得游戏用户留存率预测模型，具体包括：
确定游戏用户留存率历史数据和游戏生命周期的阶段集合，所述阶段集合包括上线阶段、成长阶段、成熟阶段和衰退阶段；
在所述游戏生命周期的当前所处阶段以及当前所处阶段之前的每个阶段中，分别根据回归函数集合中的每个回归函数确定第一游戏用户留存率预测模型集合，然后通过拟合函数集合中的每个拟合函数确定第二游戏用户留存率预测模型集合，所述回归函数集合包括幂函数、指数函数和对数函数，所述拟合函数集合包括最小二乘法、最大似然估计法和最大后验估计法；
基于误差计算函数，从所述第二游戏用户留存率预测模型集合中筛选出误差值最小的第二游戏用户留存率预测模型，所述误差计算函数包括均值误差、绝对误差、标准误差和残差平方和；
将所述误差值最小的第二游戏用户留存率预测模型确定为游戏用户留存率预测模型。
该实施例中，一款游戏产品通常都有其生命周期，而游戏的生命周期则跟用户的留存数量有关，因此可以根据用户的留存数量来确定某游戏当前处于其生命周期的哪个阶段，而游戏生命周期通常包括上线阶段、成长阶段、成熟阶段和衰退阶段等四个阶段。由于在不同的阶段中，基于历史数据进行预测曲线回归拟合的不同函数的精准度也不同，因此在每个阶段都根据各个回归函数、拟合函数获得各个初始预测模型，再根据误差计算函数综合评价各个初始预测模型的误差值，并从其中筛选出误差值最小的初始预测模型。假如当前游戏生命周期处于上线阶段，则只需要筛选出上线阶段的误差值最小的初始预测模型，并确定为游戏用户留存率预测模型，否则还需要将每个阶段的误差值最小的初始预测模型进行拼合，然后形成游戏用户留存率预测模型。
S104：基于所述游戏用户平均创造收益预测模型、所述广告投放成本与新增用户预测模型和所述游戏用户留存率预测模型，获得游戏利润预测模型，根据所述游戏利润预测模型确定广告投放策略。
在一些实施例中，所述基于所述游戏用户平均创造收益预测模型、所述广告投放成本与新增用户量预测模型和所述游戏用户留存率预测模型，获得游戏利润预测模型，根据所述游戏利润预测模型确定广告投放策略，具体包括：
根据所述游戏用户平均创造收益预测模型确定第一未来时间段内的每日用户平均创造收益预测数据；
根据所述广告投放成本与新增用户量预测模型确定所述第一未来时间段内的每日广告投放成本预测数据和所述第一未来时间段内的每日新增用户量预测数据；
根据所述游戏用户留存率预测模型和所述第一未来时间段之前的老用户量，确定所述第一未来时间段内的每日老用户留存量；
根据所述第一未来时间段内的每日新增用户量预测数据和所述第一未来时间段内的每日老用户留存量，确定所述第一未来时间段内的每日活跃用户量；
根据所述第一未来时间段内的每日活跃用户量和所述第一未来时间段内的每日用户平均创造收益预测数据的乘积，确定所述第一未来时间段内的每日游戏利润预测数据；
根据所述第一未来时间段内的每日广告投放成本预测数据和所述第一未来时间段内的每日游戏利润预测数据的差异对比，确定在所述第一未来时间段内稳定保持或加大或减少广告投放成本。
该实施例中，根据每个已确定的预测模型获得第一未来时间段内的各个预测数据，并根据各个预测数据获得游戏利润预测数据。每日游戏利润等于每日用户平均创造收益和每日活跃用户量的乘积，其中，每日用户平均创造收益预测数据可以通过游戏用户平均创造收益预测模型获得，每日活跃用户量等于每日老用户留存量和每日新增用户量的相加，每日老用户留存量可以根据游戏用户留存率预测模型获得的当天游戏用户留存率和当天之前的老用户量获得，每日新增用户量则可以根据广告投放成本与新增用户量预测模型获得。
通过上述各个预测数据确定第一未来时间段内的每日游戏利润预测数据后，可以比较第一未来时间段内的每日广告投放成本预测数据和第一未来时间段内的每日游戏利润预测数据的差异，确定在第一未来时间段内针对该游戏要加大广告投放成本，或者减少广告投放成本，或者稳定保持广告投放成本。
参照图2，本发明实施例还提供了一种基于拟合回归的游戏利润预测装置2，所述装置2具体包括：
第一处理模块201，用于基于第一历史数据中游戏用户平均创造收益和每个用户特征以及两者之间的相对熵获得第一多元线性回归方程，根据差分法修正所述第一多元线性回归方程的预测数据和所述第一历史数据之间的误差，然后获得游戏用户平均创造收益预测模型；
第二处理模块202，用于基于第二历史数据中广告投放成本和新增用户量获得第二多元线性方程，根据差分法修正所述第二多元线性回归方程的预测数据和所述第二历史数据之间的误差，然后获得广告投放成本与新增用户量预测模型；
第三处理模块203，用于根据游戏用户留存率历史数据，确定游戏生命周期的每个阶段中误差最小的回归拟合函数模型，然后获得游戏用户留存率预测模型；
第四处理模块204，用于基于所述游戏用户平均创造收益预测模型、所述广告投放成本与新增用户预测模型和所述游戏用户留存率预测模型，获得游戏利润预测模型，根据所述游戏利润预测模型确定广告投放策略。
可以理解的是，如图1所示的基于拟合回归的游戏利润预测方法实施例中的内容均适用于本基于拟合回归的游戏利润预测装置实施例中，本基于拟合回归的游戏利润预测装置实施例所具体实现的功能与如图1所示的基于拟合回归的游戏利润预测方法实施例相同，并且达到的有益效果与如图1所示的基于拟合回归的游戏利润预测方法实施例所达到的有益效果也相同。
需要说明的是，上述装置之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、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，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
参照图3，本发明实施例还提供了一种计算机设备3，包括：存储器302和处理器301及存储在存储器302上的计算机程序303，当所述计算机程序303在处理器301上被执行时，实现如上述方法中任一项所述的基于拟合回归的游戏利润预测方法。
所述计算机设备3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该计算机设备3可包括，但不仅限于，处理器301、存储器302。本领域技术人员可以理解，图3仅仅是计算机设备3的举例，并不构成对计算机设备3的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
所称处理器301可以是中央处理单元(Central Processing Unit，CPU)，该处理器301还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器302在一些实施例中可以是所述计算机设备3的内部存储单元，例如计算机设备3的硬盘或内存。所述存储器302在另一些实施例中也可以是所述计算机设备3的外部存储设备，例如所述计算机设备3上配备的插接式硬盘，智能存储卡(Smart MediaCard,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器302还可以既包括所述计算机设备3的内部存储单元也包括外部存储设备。所述存储器302用于存储操作***、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器302还可以用于暂时地存储已经输出或者将要输出的数据。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器运行时，实现如上述方法中任一项所述的基于拟合回归的游戏利润预测方法。
该实施例中，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，本申请实现上述实施例方法中的全部或部分流程，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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所公开的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
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。

Claims (10)

1.一种基于拟合回归的游戏利润预测方法，其特征在于，所述方法具体包括：
基于第一历史数据中游戏用户平均创造收益和每个用户特征以及两者之间的相对熵获得第一多元线性回归方程，根据差分法修正所述第一多元线性回归方程的预测数据和所述第一历史数据之间的误差，然后获得游戏用户平均创造收益预测模型；
基于第二历史数据中广告投放成本和新增用户量获得第二多元线性方程，根据差分法修正所述第二多元线性回归方程的预测数据和所述第二历史数据之间的误差，然后获得广告投放成本与新增用户量预测模型；
根据游戏用户留存率历史数据，确定游戏生命周期的每个阶段中误差最小的回归拟合函数模型，然后获得游戏用户留存率预测模型；
基于所述游戏用户平均创造收益预测模型、所述广告投放成本与新增用户预测模型和所述游戏用户留存率预测模型，获得游戏利润预测模型，根据所述游戏利润预测模型确定广告投放策略。
2.根据权利要求1所述的方法，其特征在于，所述基于历史数据中游戏用户平均创造收益和每个用户特征以及两者之间的相对熵获得第一多元线性回归方程，根据差分法修正所述第一多元线性回归方程的预测数据和所述历史数据之间的误差，然后获得游戏用户平均创造收益预测模型，具体包括：
获取第一历史数据，所述第一历史数据包括用户平均创造收益的历史数据和每个用户特征的历史数据，所述用户特征包括用户性别、用户年龄、用户地域、用户社交和用户收入；
获取所述每个用户平均创造收益和每个用户特征之间的相对熵，将所述相对熵进行归一化处理并形成权重集合，然后根据所述权重集合、所述每个用户平均创造收益和所述每个用户特征构建第一多元线性回归方程；
根据差分法修正所述第一多元线性回归方程的第一预测数据和所述第一历史数据之间的误差并获得游戏用户平均创造收益预测模型。
3.根据权利要求2所述的方法，其特征在于，所述获取所述每个用户平均创造收益和每个用户特征之间的相对熵，将所述相对熵进行归一化处理并形成权重集合，然后根据所述权重集合、所述每个用户平均创造收益和所述每个用户特征构建第一多元线性回归方程，具体包括：
根据所述用户平均创造收益的历史数据确定第一概率分布，根据所述每个用户特征的历史数据确定第二概率分布集合；
将所述第一概率分布和所述第二概率分布集合中的每个第二概率分布通过相对熵公式获得相对熵集合，所述相对熵公式满足
其中，DKL(P||Q)代表相对熵，P代表第一概率分布，Q表示每个第二概率分布，t表示时间段集合，N表示t的第N个时间段；
将所述相对熵集合进行归一化处理并获得权重集合，根据所述权重集合、所述每个用户平均创造收益和所述每个用户特征构建第一多元线性回归方程，所述第一多元线性回归方程满足y＝β0+β1x1+β2x2+β3x3+β4x4+β5x5...+βkxk，其中，y表示每个用户平均创造收益，x1至xk分别表示每个用户特征，β0至βT表示权重集合。
4.根据权利要求2所述的方法，其特征在于，所述根据差分法修正所述第一多元线性回归方程的第一预测数据和所述第一历史数据之间的误差并获得游戏用户平均创造收益预测模型，具体包括：
根据所述第一多元线性方程获得第一预测数据，通过所述第一预测数据和所述第一历史数据之间的误差获得第一误差序列；
检验所述第一误差序列是否为平稳时间序列，若所述第一误差序列不为平稳时间序列，根据差分法差分所述第一误差序列并获得第二误差序列；
根据所述第一多元线性方程和所述第二误差序列获得用户平均创造收益预测模型。
5.根据权利要求1所述的方法，其特征在于，所述基于第二历史数据中广告投放成本和新增用户量获得第二多元线性方程，根据差分法修正所述第二多元线性回归方程的预测数据和所述第二历史数据之间的误差，然后获得广告投放成本与新增用户预测模型，具体包括：
确定第二历史数据，所述第二历史数据包括第1时间段至第T时间段内的广告投放成本历史数据和第T+1时间段内的新增用户量历史数据；
根据第二历史数据包括第1时间段至第T时间段内的广告投放成本和第T+1时间段内的新增用户量构建第二多元线性方程；
根据所述第二多元线性方程获得第二预测数据，通过所述第二预测数据和所述第二历史数据之间的误差获得第三误差序列；
检验所述第三误差序列是否为平稳时间序列，若所述第一误差序列不为平稳时间序列，根据差分法差分所述第三误差序列并获得第四误差序列；
根据所述第二多元线性回归方程和所述第四误差序列获得广告投放成本与新增用户预测模型。
6.根据权利要求5所述的方法，其特征在于，所述所述第二多元线性方程满足y＝β0+β1x1+β2x2+β3x3+β4x4+β5x5...+βTxT，其中，y表示第T+1时间段内的新增用户量，x1至xT分别表示第1时间段至第T时间段内的广告投放成本，β0至βT表示每个时间段内的广告投放成本权重，且β0＜...＜β5＜...＜βT。
7.根据权利要求1所述的方法，其特征在于，所述根据游戏用户留存率历史数据，确定游戏生命周期的每个阶段中误差最小的回归拟合函数模型，然后获得游戏用户留存率预测模型，具体包括：
确定游戏用户留存率历史数据和游戏生命周期的阶段集合，所述阶段集合包括上线阶段、成长阶段、成熟阶段和衰退阶段；
在所述游戏生命周期的当前所处阶段以及当前所处阶段之前的每个阶段中，分别根据回归函数集合中的每个回归函数确定第一游戏用户留存率预测模型集合，然后通过拟合函数集合中的每个拟合函数确定第二游戏用户留存率预测模型集合，所述回归函数集合包括幂函数、指数函数和对数函数，所述拟合函数集合包括最小二乘法、最大似然估计法和最大后验估计法；
基于误差计算函数，从所述第二游戏用户留存率预测模型集合中筛选出误差值最小的第二游戏用户留存率预测模型，所述误差计算函数包括均值误差、绝对误差、标准误差和残差平方和；
将所述误差值最小的第二游戏用户留存率预测模型确定为游戏用户留存率预测模型。
8.根据权利要求1所述的方法，其特征在于，所述基于所述游戏用户平均创造收益预测模型、所述广告投放成本与新增用户量预测模型和所述游戏用户留存率预测模型，获得游戏利润预测模型，根据所述游戏利润预测模型确定广告投放策略，具体包括：
根据所述游戏用户平均创造收益预测模型确定第一未来时间段内的每日用户平均创造收益预测数据；
根据所述广告投放成本与新增用户量预测模型确定所述第一未来时间段内的每日广告投放成本预测数据和所述第一未来时间段内的每日新增用户量预测数据；
根据所述游戏用户留存率预测模型和所述第一未来时间段之前的老用户量，确定所述第一未来时间段内的每日老用户留存量；
根据所述第一未来时间段内的每日新增用户量预测数据和所述第一未来时间段内的每日老用户留存量，确定所述第一未来时间段内的每日活跃用户量；
根据所述第一未来时间段内的每日活跃用户量和所述第一未来时间段内的每日用户平均创造收益预测数据的乘积，确定所述第一未来时间段内的每日游戏利润预测数据；
根据所述第一未来时间段内的每日广告投放成本预测数据和所述第一未来时间段内的每日游戏利润预测数据的差异对比，确定在所述第一未来时间段内稳定保持或加大或减少广告投放成本。
9.一种基于拟合回归的游戏利润预测装置，其特征在于，所述装置具体包括：
第一处理模块，用于基于第一历史数据中游戏用户平均创造收益和每个用户特征以及两者之间的相对熵获得第一多元线性回归方程，根据差分法修正所述第一多元线性回归方程的预测数据和所述第一历史数据之间的误差，然后获得游戏用户平均创造收益预测模型；
第二处理模块，用于基于第二历史数据中广告投放成本和新增用户量获得第二多元线性方程，根据差分法修正所述第二多元线性回归方程的预测数据和所述第二历史数据之间的误差，然后获得广告投放成本与新增用户量预测模型；
第三处理模块，用于根据游戏用户留存率历史数据，确定游戏生命周期的每个阶段中误差最小的回归拟合函数模型，然后获得游戏用户留存率预测模型；
第四处理模块，用于基于所述游戏用户平均创造收益预测模型、所述广告投放成本与新增用户预测模型和所述游戏用户留存率预测模型，获得游戏利润预测模型，根据所述游戏利润预测模型确定广告投放策略。
10.一种计算机设备，其特征在于，包括：存储器和处理器及存储在存储器上的计算机程序，当所述计算机程序在处理器上被执行时，实现如权利要求1至8中任一项所述的基于拟合回归的游戏利润预测方法。
CN202310500200.2A 2023-05-06 2023-05-06 一种基于拟合回归的游戏利润预测方法、装置及设备 Pending CN116452242A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310500200.2A CN116452242A (zh) 2023-05-06 2023-05-06 一种基于拟合回归的游戏利润预测方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310500200.2A CN116452242A (zh) 2023-05-06 2023-05-06 一种基于拟合回归的游戏利润预测方法、装置及设备

Publications (1)

Publication Number Publication Date
CN116452242A true CN116452242A (zh) 2023-07-18

Family

ID=87125616

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310500200.2A Pending CN116452242A (zh) 2023-05-06 2023-05-06 一种基于拟合回归的游戏利润预测方法、装置及设备

Country Status (1)

Country Link
CN (1) CN116452242A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116956594A (zh) * 2023-07-25 2023-10-27 广州锐兴科技有限公司 一种基于拓扑结构的农村电网优化方法、装置及设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116956594A (zh) * 2023-07-25 2023-10-27 广州锐兴科技有限公司 一种基于拓扑结构的农村电网优化方法、装置及设备
CN116956594B (zh) * 2023-07-25 2024-02-09 广州锐兴科技有限公司 一种基于拓扑结构的农村电网优化方法、装置及设备

Similar Documents

Publication Publication Date Title
CN109299356B (zh) 基于大数据的活动推荐方法、装置、电子设备及存储介质
US20110047058A1 (en) Apparatus and method for modeling loan attributes
CN116452242A (zh) 一种基于拟合回归的游戏利润预测方法、装置及设备
CN111091287A (zh) 风险对象识别方法、装置以及计算机设备
CN110991761B (zh) 一种供热负荷预测方法及装置
CN109597745B (zh) 异常数据处理方法及装置
CN111371853A (zh) 资源信息推送方法、装置、服务器及存储介质
CN113095392A (zh) 异常业务识别方法及装置
CN112148880A (zh) 一种客服对话语料聚类方法、***、设备及存储介质
CN110717653B (zh) 风险识别方法及装置和电子设备
CN110111135B (zh) 一种发电侧成员动态报价决策方法、装置及设备
CN112669091A (zh) 数据处理方法、装置及存储介质
CN111523083A (zh) 一种电力负荷申报数据的确定方法以及装置
CN111783883A (zh) 一种异常数据的检测方法及装置
CN109523296B (zh) 用户行为概率分析方法及装置、电子设备、存储介质
CN109472455B (zh) 活动评估方法、装置、电子设备及存储介质
CN111159169A (zh) 数据治理方法及设备
CN111160614A (zh) 资源转移预测模型的训练方法、装置及计算设备
CN112287208A (zh) 用户画像生成方法、装置、电子设备及存储介质
CN113486933B (zh) 模型训练方法、用户身份信息预测方法及装置
CN115587310A (zh) 基线负荷估计方法、装置、电子设备及存储介质
CN114511409A (zh) 用户样本处理方法、装置及电子设备
CN113095939A (zh) 一种区块链智能合约推荐方法及装置
CN112434198B (zh) 图表组件推荐方法及装置
CN117436550B (zh) 推荐模型训练方法及装置

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