[發明專利]基于LSTM神經網絡的月活預測方法、存儲介質和計算機設備

有效

• 申請號: 202010894199.2
• 申請日: 2020-08-31
• 公開（公告）號: CN112116381B
• 公開（公告）日: 2021-05-07
• 發明（設計）人: 李慧斌
• 申請（專利權）人: 北京基調網絡股份有限公司
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06N3/04;G06N3/08
• 代理公司: 北京匯澤知識產權代理有限公司 11228
• 代理人: 牟昌兵

本申請涉及一種基于LSTM神經網絡的月活預測方法、存儲介質和計算機設備，其中該方法包括：接收從第i天到第t天中各天的累計活躍設備數，得到第一序列；對第一序列做差分運算得到第二序列，其中第二序列為從第i+1天到第t天的每日新增活躍設備數；使用LSTM神經網絡，根據第二序列確定第t+1天至月末的每日新增活躍設備數；根據第t+1天至月末的每日新增活躍設備數和從第i天到第t天中各天的累計活躍設備數，確定月活躍設備數。通過本申請，實現了對當月月活躍設備數進行預測，并可不依賴于自身歷史月活躍設備數，亦不受人為的基于先驗主義的影響。

技術領域

本申請涉及數據分析技術領域，尤其涉及一種基于長短期記憶(Long Short-TermMemory，簡稱為LSTM)神經網絡的月活預測方法、存儲介質和計算機設備。

背景技術

相關技術中，基于歷史月活預測月活躍設備數(簡稱為月活)。例如，針對某一個應用的歷史月活進行建模，所用模型有ARIMA、多項式擬合、指數平均等，根據歷史月活來預測下一個月的月活。該方法依賴于自身的歷史數據無法實現快速預測。

相關技術中，還基于日活和同類應用日活與月活之比的預測月活。例如，統計某電商App的日活d，而同類電商的App日活d'，同時已知同類電商App的月活m'，則估算該電商App的月活m＝d*(m'/d')，為了進一步增加精度，d可以取最近n天的平均值，d'、m'可以取多個同類App的統計數據。上述方法雖然解決了快速估算的問題，然而，有時我們基于先驗主義的策略通過人工的方法分類并不總是那么的合理，例如，雖然同樣為電商，有些App的用戶重復登錄次數很高，有些則很低。

發明內容

為了解決上述技術問題或者至少部分地解決上述技術問題，本申請提供了一種基于LSTM神經網絡的月活預測方法、存儲介質和計算機設備。

第一方面，本申請提供了一種基于LSTM神經網絡的月活預測方法，包括：接收從第i天到第t天中各天的累計活躍設備數，得到第一序列；對第一序列做差分運算得到第二序列，其中第二序列為從第i+1天到第t天的每日新增活躍設備數；使用LSTM神經網絡，根據第二序列確定第t+1天至月末的每日新增活躍設備數；根據第t+1天至月末的每日新增活躍設備數和從第i天到第t天中各天的累計活躍設備數，確定月活躍設備數。

在某些實施例中，使用LSTM神經網絡，根據上述第二序列確定第t+1天至月末的每日新增活躍設備數之前，還包括：使用上述第二序列中的最大值對第二序列做歸一化處理得到第三序列；以及，使用LSTM神經網絡，根據第二序列確定第t+1天至月末的每日新增活躍設備數，包括：使用LSTM神經網絡，根據上述第三序列確定第四序列，其中，第四序列與第t+1天至月末的每日新增活躍設備數對應；以及使用第二序列中的最大值對上述第四序列做反歸一化處理得到第t+1天至月末的每日新增活躍設備數。

在某些實施例中，根據第t+1天至月末的每日新增活躍設備數和從第i天到第t天中各天的累計活躍設備數，確定月活躍設備數，包括：確定第t天的累計活躍設備數及第t+1天至月末的每日新增活躍設備數之和，以確定結果作為月活躍設備數。

在某些實施例中，使用LSTM神經網絡，根據上述第三序列確定上述第四序列，包括：使用LSTM神經網絡，以上述第三序列作為輸入得到第三序列的輸出，將輸出加入上述第三序列作為新的第三序列，循環直到得到月末對應的輸出，得到上述第四序列，其中，第四序列與第t+1天至月末的每日新增活躍設備數對應。

在某些實施例中，使用LSTM神經網絡，根據上述第二序列確定第t+1天至月末的每日新增活躍設備數，包括：使用LSTM神經網絡，以上述第二序列作為輸入確定第t+1天的每日新增活躍設備數，將第t+1天的每日新增活躍設備數加入第二序列得到新的第二序列，循環直到得到月末的每日新增活躍設備數。

在某些實施例中，以歷史月的第1天到第n-1天的每日新增活躍設備數為輸入，并以歷史月的第2天到第n天的每日新增活躍設備數為期望，訓練LSTM神經網絡。