播放量预测方法、装置、模型、电子设备及存储介质制造方法及图纸

本发明专利技术实施例提供了一种播放量预测方法、装置、模型、电子设备及存储介质，该方法包括：获取待预测节目在历史时间段内的第一时序数据，并将所述第一时序数据转换为图像数据；对所述第一时序数据进行时序特征提取，得到时序特征值；对所述图像数据进行图像特征提取，得到图像特征值；根据所述时序特征值和所述图像特征值，预测所述待预测节目在未来时间段内的预测播放量。上述方案，根据第一时序数据得到图像数据，将原本单一模态的第一时序数据转换为了时序、图像两种模态的数据，从多模态融合的角度进行节目播放趋势的预估，能够更加准确的预测节目的播放趋势。的预测节目的播放趋势。的预测节目的播放趋势。

【技术实现步骤摘要】
播放量预测方法、装置、模型、电子设备及存储介质


[0001]本专利技术涉及互联网
，特别是涉及一种播放量预测方法、装置、模型、电子设备及存储介质。

技术介绍

[0002]在综艺节目广告的售卖中，按天付费的订单都会与客户约定一个保底曝光量，按保底曝光量进行定价。而在实际的投放过程中，广告的实际曝光量与综艺节目的播放趋势相关。因此，需要对综艺节目播放趋势进行预估。
[0003]综艺节目播放趋势预估这类时间序列预测问题主要通过以下方法：通过差分整合移动平均自回归模型(Autoregressive Integrated Moving Average model，ARIMA)等传统时序模型对时间序列进行自回归预测，这种方法对数据的利用率低，只在短期预测中有效，而对中长期的时间序列预测效果较差，很难准确预测综艺节目的播放趋势。
[0004]由此可见，现有技术中的综艺节目播放趋势预估方案的效果较差，很难准确预测综艺节目的播放趋势。

技术实现思路

[0005]本专利技术实施例的目的在于提供一种播放量预测方法、装置、模型、电子设备及存储介质，以在一定程度上解决现有技术中的综艺节目播放趋势预估方案的效果较差，很难准确预测综艺节目的播放趋势的问题。具体技术方案如下：
[0006]在本专利技术实施的第一方面，首先提供了一种播放量预测方法，包括：
[0007]获取待预测节目在历史时间段内的第一时序数据，并将所述第一时序数据转换为图像数据；
[0008]对所述第一时序数据进行时序特征提取，得到时序特征值；
[0009]对所述图像数据进行图像特征提取，得到图像特征值；
[0010]根据所述时序特征值和所述图像特征值，预测所述待预测节目在未来时间段内的预测播放量。
[0011]在本专利技术实施的第二方面，还提供了一种播放量预测装置，包括：
[0012]第一处理模块，用于获取待预测节目在历史时间段内的第一时序数据，并将所述第一时序数据转换为图像数据；
[0013]第二处理模块，用于对所述第一时序数据进行时序特征提取，得到时序特征值；
[0014]第三处理模块，用于对所述图像数据进行图像特征提取，得到图像特征值；
[0015]预测模块，用于根据所述时序特征值和所述图像特征值，预测所述待预测节目在未来时间段内的预测播放量。
[0016]在本专利技术实施例的第三方面，还提供了一种播放量预测模型，执行如上述播放量预测方法中的部分步骤。
[0017]在本专利技术实施例的第四方面，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；
[0018]存储器，用于存放计算机程序；
[0019]处理器，用于执行存储器上所存放的程序时，实现上述所述的播放量预测方法。
[0020]在本专利技术实施的第五方面，还提供了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指令，当其在计算机上运行时，使得计算机执行上述任一所述的播放量预测方法。
[0021]在本专利技术实施的第六方面，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任一所述的播放量预测方法。
[0022]本专利技术实施例的播放量预测方法，首先获取待预测节目在历史时间段内的第一时序数据，并将所述第一时序数据转换为图像数据，即根据第一时序数据得到图像数据，将原本单一模态的第一时序数据转换为了时序、图像两种模态的数据，能够充分挖掘第一时序数据中包含的隐藏信息，即隐藏的图像数据信息；再通过第一网络对第一时序数据进行处理，得到时序特征值，并通过第二网络对图像数据进行处理，得到图像特征值，根据所述时序特征值和所述图像特征值，预测所述待预测节目在未来时间段内的预测播放量；采用单一模态预测播放量的方法，对数据的利用率低，很难准确预测综艺节目的播放趋势，而从时序、图像的多模态融合的角度对节目播放趋势进行预估，即通过多角度的数据预估节目播放趋势，能够提高数据的利用率，更加准确的预测节目的播放趋势。
附图说明
[0023]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
[0024]图1为本专利技术实施例提供的一种播放量预测方法的步骤流程图之一；
[0025]图2为本专利技术实施例提供的一种播放量预测方法的步骤流程图之二；
[0026]图3为本专利技术实施例提供的播放量预测模型的结构示意图；
[0027]图4为本专利技术实施例提供的一种播放量预测装置的框图；
[0028]图5为本专利技术实施例提供的电子设备的框图。
具体实施方式
[0029]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行描述。
[0030]目前，综艺节目播放趋势预估这类时间序列预测问题还可以通过以下方法：其中一种是利用特征工程提取过往数据的特征，然后进行机器学习建模，这种方法对技术人员的经验具有很强的依赖性；另外一种是长短期记忆网络(Long Short
‑
Term Memory，LSTM)或一维卷积等深度学习方法，由于综艺节目的播放趋势受播放类型、节假日、嘉宾表现等因素影响较大，在相邻两天比较下呈现出较大的波动性，面对这种时序数据，LSTM或一维卷积表达能力有限，很难准确预测综艺节目的播放趋势。
[0031]由此，本专利技术实施例提供了一种播放量预测方法、装置、模型、电子设备及存储介质，从时序、图像的多模态融合的角度对节目播放趋势进行预估，即通过多角度的数据预估节目播放趋势，能够提高数据的利用率，更加准确的预测节目的播放趋势。
[0032]如图1所示，本专利技术实施例提供了一种播放量预测方法，用于预估待预测节目(如：
综艺节目等)的播放趋势。上述方法具体包括如下步骤：
[0033]步骤101，获取待预测节目在历史时间段内的第一时序数据，并将所述第一时序数据转换为图像数据。
[0034]在上述步骤101中，首先获取待预测节目在历史时间段内的第一时序数据，然后将该第一时序数据进行图像转换，得到由第一时序数据转换而来的图像数据。其中，第一时序数据为针对待预测节目在历史时间序列的播放数据，具体而言，播放数据可以包括但不限于如下至少一种：每日播放量、每日预约播放量、每日关注量、每日评论量等，对此不作穷举。
[0035]其中，历史时间段表示在当前时间之前的一段时间范围，该时间段可以根据需要由用户自定义。
[0036]其中，待预测节目可以是已经播放过的、且需要预测未来播放趋势的节目。具体的，待预测节目具体包括但不限于如下至少一种：综艺节目、电视剧、电影、法律节目等。进一步的，待预测节目可以是已经播放过一段时间的节目，示例性的，具体可以是在当前时间之前播放过、且播放量大于预设播放量的综艺节目、电视剧、电影、法律节目等节目中的至少一种。需要说明的是，预设播放量是用于判本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种播放量预测方法，其特征在于，包括：获取待预测节目在历史时间段内的第一时序数据，并将所述第一时序数据转换为图像数据；对所述第一时序数据进行时序特征提取，得到时序特征值；对所述图像数据进行图像特征提取，得到图像特征值；根据所述时序特征值和所述图像特征值，预测所述待预测节目在未来时间段内的预测播放量。2.根据权利要求1所述的方法，其特征在于，所述根据所述时序特征值和所述图像特征值，预测所述待预测节目在未来时间段内的预测播放量，包括：将所述时序特征值和所述图像特征值进行特征拼接，得到拼接特征值；将所述拼接特征值经过第一全连接层进行融合处理，得到融合特征值；将所述融合特征值经过第二全连接层进行播放量预测，得到所述待预测节目在未来时间段内的预测播放量。3.根据权利要求1所述的方法，其特征在于，所述将所述第一时序数据转换为图像数据，包括：将所述第一时序数据进行坐标转换，得到极坐标时序数据；对所述极坐标时序数据进行函数变换，得到格拉姆角场矩阵；将所述格拉姆角场矩阵确定为图像像素矩阵，得到所述图像数据。4.根据权利要求1所述的方法，其特征在于，所述获取待预测节目在历史时间段内的第一时序数据，包括：获取所述待预测节目在历史时间段内的历史播放数据；将所述历史播放数据进行归一化处理，得到所述第一时序数据。5.根据权利要求1所述的方法，其特征在于，所述对所述图像数据进行图像特征提取，得到图像特征值，包括：将所述图像数据依次经过第一卷积处理、批归一化处理、激活函数ReLU处理、最大池化处理，得到第一特征值；将所述第一特征值依次经过第二卷积处理、批归一化处理、激活函数ReLU处理，得到第二特征值；将所述第一特征值和所述第二特征值进行残差连接处理，得...

【专利技术属性】
技术研发人员：陈雨东，
申请(专利权)人：北京奇艺世纪科技有限公司，
类型：发明
国别省市：