资源的请求量预测方法、应用推荐方法和装置制造方法及图纸

本发明专利技术提供了一种资源的请求量预测方法，所述方法包括：获取资源所对应的历史请求量时间序列，在所述历史请求量时间序列中提取设定时间长度的最近历史请求量；根据所述最近历史请求量进行参数估计得到状态变量和模型参数，由所述状态变量和模型参数构建状态空间模型；通过构建的所述状态空间模型预测所述资源的未来请求量。此外，还提供了一种与该方法匹配的应用资源推荐方法和装置。上述资源的请求量预测方法、应用推荐方法和装置能够对资源的请求量进行准确预测。

【技术实现步骤摘要】

本专利技术涉及互联网应用
，特别涉及一种资源的请求量预测方法、应用推荐方法和装置。
技术介绍
随着互联网应用的发展，互联网络中可提供各种资源，用户将通过终端的请求来获取到该资源，例如，该资源可以是各种第三方应用和电影等媒体播放资源。互联网络大都是通过搭建各种平台的方式来进行相应资源的发布，用户通过终端访问此平台并对所需要的资源进行请求即可以得到该资源，例如，通过请求发起应用资源的下载。对于任意一种资源而言，将实时记录相应的请求量，以此来衡量此资源的热度，然而，关于此资源潜在请求量的预测问题仍然是一空白，并无法对资源的请求量进行准确预测。
技术实现思路
基于此，有必要提供一种资源的请求量预测方法，所述方法能够对资源的请求量进行准确预测。此外，还有必要提供一种应用资源推荐方法，所述方法能够对资源的请求量进行准确预测。另外，还有必要提供一种资源的请求量预测装置和应用资源推荐装置，所述装置能够对资源的请求量进行准确预测。为解决上述技术问题，将采用如下技术方案：一种资源的请求量预测方法，包括：获取资源所对应的历史请求量时间序列，在所述历史请求量时间序列中提取设定时间长度的最近历史请求量；根据所述最近历史请求量进行参数估计得到状态变量和模型参数，由所述状态变量和模型参数构建状态空间模型；通过构建的所述状态空间模型预测所述资源的未来请求量。一种应用资源推荐方法，包括：获取应用获取平台中各应用资源所分别对应的历史下载量时间序列，在所述历史下载量时间序列中提取设定时间长度的最近历史下载量；根据所述最近历史下载量进行参数估计得到状态变量和模型参数，由所述状态变量和模型参数构建状态空间模型；通过构建的所述状态空间模型预测所述应用资源的未来下载量；按照所述应用资源的未来下载量在所述应用获取平台进行所述应用资源的推荐。一种资源的请求量预测装置，包括：目标序列获取模块，用于获取资源所对应的历史请求量时间序列，在所述历史请求量时间序列中提取设定时间长度的最近历史请求量；估计模块，用于根据所述最近历史请求量进行参数估计得到状态变量和模型参数，由所述状态变量和模型参数构建状态空间模型；预测模块，用于通过构建的所述状态空间模型预测所述资源的未来请求量。一种应用资源推荐装置，包括：应用的目标序列获取模块，用于获取应用获取平台中各应用资源所分别对应的历史下载量时间序列，在所述历史下载量时间序列中提取设定时间长度的最近历史下载量；参数估计模块，用于根据所述最近历史下载量进行参数估计得到状态变量和模型参数，由所述状态变量和模型参数构建状态空间模型；下载量预测模块，用于通过构建的所述状态空间模型预测所述应用资源的未来下载量；推荐执行模块，用于按照所述应用资源的未来下载量在所述应用获取平台进行所述应用资源的推荐。由上述技术方案可知，互联网络中发布的各种资源均有对应的历史请求量时间序列，历史请求量时间序列记录了每日所对应的历史请求量，因此，对于任意资源，都将在历史请求量时间序列中提取设定时间长度的最近历史请求量，根据最近历史请求量进行参数估计得到状态变量和模型参数，由状态变量和模型参数构建状态空间模型，通过构建的状态空间模型预测资源的未来请求量，在此预测中，由于未来请求量是通过历史请求量时间序列和状态空间模型所得到的，并且状态空间模型反映了历史请求量时间序列的变化性，因此，预测得到的未来请求量能够作为资源的请求量的准确预测结果，保证了资源的请求量预测的准确性。附图说明图1是本专利技术实施例提供的一种服务器的结构示意图；图2是一个实施例中资源的请求量预测方法的流程图；图3是一个实施例中对历史请求量时间序列进行类型识别的方法流程图；图4是另一个实施例中资源的请求量预测方法的流程图；图5是图4中在搜索数据和/或社交数据中为状态空间模型的构建挖掘相关的解释变量时间序列的方法流程图；图6是图4中通过解释变量时间序列和最近历史请求量之间的相关性运算，在挖掘的解释变量时间序列中选取引入状态空间模型的解释变量时间序列的方法流程图；图7是一个实施例中一资源的最近历史请求量和一解释变量时间序列的量化关系示意图；图8是图2中根据最近历史请求量进行参数估计得到状态变量和模型参数，由状态变量和模型参数构建状态空间模型的方法流程图；图9是一个实施例中应用资源推荐方法的流程图；图10是一个实施例中应用资源推荐的具体实现示意图；图11是一个实施例中资源的请求量预测装置的结构示意图；图12是图11中类别识别模块的结构示意图；图13是另一个实施例中资源的请求量预测装置的结构示意图；图14是图13中解释变量挖掘模块的结构示意图；图15是图13中解释变量选取模块的结构示意图；图16是图11中估计模块的结构示意图；图17是一个实施例中应用资源推荐装置的结构示意图。具体实施方式体现本专利技术特征与优点的典型实施方式将在以下的说明中详细叙述。应理解的是本专利技术能够在不同的实施方式上具有各种的变化，其皆不脱离本专利技术的范围，且其中的说明及图示在本质上是当作说明之用，而非用以限制本专利技术。如前所述的，根据互联网络中业务的不同，在此业务中发布的资源也各不相同。例如，对于媒体播放业务而言，可通过搭建的媒体资源获取平台来进行媒体资源的发布。在具体实现中，所发布的资源往往是海量的，虽进行了相应下载量的统计，拥有海量的下载量统计数据，但是由于缺乏未来下载量的准确预测而无法基于大数据而为后续的资源发布提供精准指引。因此，特提出了一种资源的请求量预测方法。该资源的请求量预测方法由计算机程序实现，与之相对应的，所构建的资源的请求量预测装置则被存储于服务器中，以在服务器中运行，进而实现未来请求量的预测。图1是本专利技术实施例提供的一种服务器结构示意图。该服务器100可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(centralprocessingunits，CPU)110(例如，一个或一个以上处理器)和存储器120，一个或一个以上存储应用程序131或数据133的存储介质130(例如一个或一个以上海量存储设备)。其中，存储器120和存储介质130可以是短暂存储或持久存储。存储在存储介质130的程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器110可以设置为与存储介质130通信，在服本文档来自技高网...

【技术保护点】
一种资源的请求量预测方法，其特征在于，包括：获取资源所对应的历史请求量时间序列，在所述历史请求量时间序列中提取设定时间长度的最近历史请求量；根据所述最近历史请求量进行参数估计得到状态变量和模型参数，由所述状态变量和模型参数构建状态空间模型；通过构建的所述状态空间模型预测所述资源的未来请求量。

【技术特征摘要】
1.一种资源的请求量预测方法，其特征在于，包括：
获取资源所对应的历史请求量时间序列，在所述历史请求量时间序列中提取设定时间
长度的最近历史请求量；
根据所述最近历史请求量进行参数估计得到状态变量和模型参数，由所述状态变量和
模型参数构建状态空间模型；
通过构建的所述状态空间模型预测所述资源的未来请求量。
2.根据权利要求1所述的方法，其特征在于，所述根据所述时间序列进行参数估计处到
状态变量和模型参数，由所述状态变量和模型参数构建状态空间模型的步骤之前，所述方
法还包括：
对所述历史请求量时间序列进行类型识别，所述类型为平稳型或非平稳型。
3.根据权利要求2所述的方法，其特征在于，所述对所述历史请求量时间序列进行类型
识别的步骤包括：
运算所述历史请求量时间序列的波动率；
根据所述波动率和设定的阈值得到所述历史请求量时间序列的类型为平稳型或非平
稳型的类型识别结果。
4.根据权利要求2所述的方法，其特征在于，所述类型为非平稳型，所述对所述历史请
求量时间序列进行类型识别的步骤之后，所述方法还包括：
在搜索数据和/或社交数据中为所述状态空间模型的构建挖掘相关的解释变量时间序
列；
通过所述解释变量时间序列和所述最近历史请求量之间的相关性运算，在挖掘的所述
解释变量时间序列中选取引入所述状态空间模型的解释变量时间序列。
5.根据权利要求4所述的方法，其特征在于，所述在搜索数据和/社交数据中为所述状
态空间模型的构建挖掘相关的解释变量时间序列的步骤包括：
在所述搜索数据和/或社交数据中匹配得到与所述资源相关的关键词；
根据设定时间长度获取所述关键词相关的热度时间序列作为构建所述状态空间模型
相关的解释变量时间序列。
6.根据权利要求4所述的方法，其特征在于，所述通过所述解释变量时间序列和所述最
近历史请求量之间的相关性运算，在挖掘的所述解释变量时间序列中选取引入所述状态空
间模型的解释变量时间序列的步骤包括：
进行所述解释变量时间序列和所述最近历史请求量之间的相关性运算，得到所述解释
变量时间序列对应的相关系数和显著性检验值；
根据所述相关系数和显著性检验值在挖掘的所述解释变量时间序列中选取引入状态
空间模型的解释变量时间序列。
7.根据权利要求4所述的方法，其特征在于，所述根据所述最近历史请求量进行参数估
计得到状态变量和模型参数，由所述状态变量和模型参数构建状态空间模型的步骤包括：
根据所述最近历史请求量和引入所述状态空间模型的解释变量时间序列进行递归运
算求解得到状态变量和模型参数；
使用所述状态变量和模型参数进行所述状态空间模型的建模。
8.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述资源的未来请求量进行所述资源的推荐。
9.一种应用资源推荐方法，其特征在于，包括：
获取应用获取平台中各应用资源所分别对应的历史下载量时间序列，在所述历史下载
量时间序列中提取设定时间长度的最近历史下载量；
根据所述最近历史下载量进行参数估计得到状态变量和模型参数，由所述状态变量和
模型参数构建状态空间模型；
通过构建的所述状态空间模型预测所述应用资源的未来下载量；
按照所述应用资...

【专利技术属性】
技术研发人员：胡海峰，付强，练振杰，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44