应用程序的指标时序预测方法、设备、存储介质及产品技术

本公开实施例提供一种应用程序的指标时序预测方法、设备、存储介质及产品，通过获取目标应用场景的场景信息及在过去预设时间窗口内不同时刻应用程序在目标应用场景下待预测指标的历史数据；根据目标应用场景的场景信息以及任一时刻的待预测指标的历史数据构建该时刻的输入向量；将各输入向量按时序输入预设指标时序预测模型预测应用程序在目标应用场景下的待预测指标，其中预设指标时序预测模型为能够对应用程序在不同应用场景下的各种指标进行时序预测的指标时序预测模型。在预测目标应用场景下的待预测指标时，将场景信息也作为模型入参的一部分特征变量，使用通用的指标时序预测模型进行时序预测，降低成本且提高效率。率。率。

【技术实现步骤摘要】
应用程序的指标时序预测方法、设备、存储介质及产品


[0001]本公开实施例涉及计算机与网络通信
，尤其涉及一种应用程序的指标时序预测方法、设备、存储介质及产品。

技术介绍

[0002]时序预测是基于历史统计数据预测未来趋势，现有技术分为四种方式，即单变量时序预测单指标，单变量时序预测多指标，多变量时序预测单指标和多变量时序预测多指标。
[0003]现有技术中，无论哪种方式，时序预测模型所学习的场景是唯一的，对不同场景的时序预测需要再学习一个模型，例如对应用程序的业务指标进行时序预测时，例如日活跃用户数量、新增日活跃用户数量、次日留存用户数量等，由于应用程序的业务指标未来的趋势与应用程序所处应用场景相关，例如当应用程序的业务涉及不同地区、不同操作系统、不同产品线时，业务指标未来的趋势各不相同，需要在各种应用场景下分别学习时序预测模型。
[0004]现有技术对于不同的应用场景需要学习不同的时序预测模型，成本较高，效率较低，并且当需要在较多的应用场景下进行时序预测时，现有技术无法高效解决。
专利技术内容
[000本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种应用程序的指标时序预测方法，其特征在于，包括：获取应用程序的目标应用场景的场景信息，以及在过去的预设时间窗口内不同时刻所述应用程序在目标应用场景下待预测指标的历史数据；将所述目标应用场景的场景信息以及任一时刻的所述待预测指标的历史数据进行融合和处理，构建该时刻对应的输入向量，其中所述输入向量中包括所述场景信息部分和所述指标历史数据部分；将各输入向量按时序输入预设指标时序预测模型，通过所述预设指标时序预测模型预测所述应用程序在目标应用场景下的所述待预测指标，其中所述预设指标时序预测模型为能够对所述应用程序在不同应用场景下的各种指标进行时序预测的指标时序预测模型。2.根据权利要求1所述的方法，其特征在于，所述将所述目标应用场景的场景信息以及任一时刻的所述待预测指标的历史数据进行融合和处理，构建该时刻对应的输入向量，包括：对所述目标应用场景的场景信息进行one
‑
hot独热编码，获取所述场景信息部分的初始向量；对所述待预测指标进行one
‑
hot编码，并将one
‑
hot编码中待预测指标对应的维度设置为任一时刻的所述待预测指标的历史数据，得到所述指标历史数据部分的初始向量；将所述场景信息部分的初始向量和所述指标历史数据部分的初始向量融合为一个向量，将其确定为该时刻对应的所述输入向量。3.根据权利要求2所述的方法，其特征在于，所述对所述目标应用场景的场景信息进行one
‑
hot独热编码，获取所述场景信息部分的初始向量后，还包括：对所述场景信息部分的初始向量进行embedding嵌入处理，将所述场景信息部分的初始向量映射为连续向量；和/或所述得到所述指标历史数据部分的初始向量后，还包括：对所述指标历史数据部分的初始向量进行归一化处理，将所述指标历史数据部分的初始向量中的数值转化为绝对值不大于1的数值。4.根据权利要求3所述的方法，其特征在于，对所述指标历史数据部分的初始向量归一化处理，包括：从所述预设时间窗口内不同时刻所述待预测指标的历史数据中选择一个时刻的历史数据作为基准历史数据；对于任一时刻的所述指标历史数据部分的初始向量，获取其中的待预测指标的历史数据与所述基准历史数据的差值，并获取所述差值与所述基准历史数据的比值。5.根据权利要求1
‑
4任一项所述的方法，其特征在于，所述预设指标时序预测模型为双向长短记忆网络BiLSTM模型，包括前向LSTM网络和后向LSTM网络；其中前向LSTM网络包括按时序依次连接的多个LSTM单元，后向LSTM网络包括按逆序依次连接的多个LSTM单元；所述通过所述预设指标时序预测模型预测所述应用程序在目标应用场景下的所述待预测指标，包括：将各个所述输入向量按照时序分别输入前向LSTM网络中对应的LSTM单元进行处理；将各个所述输入向量按照逆序分别输入后向LSTM网络中对应的LSTM单元进行处理；将同一所述输入向量的前向处理结果和后向处理结果进行联结得到对应的结果向量；
并对各所述输入向量对应的结果向量进行求和或求平均，获取最终的输出向量；对所述输出向量通过全连接层进行处理，获取所述待预测指标在目标应用场景下的预测值。6.一种指标时序预测模型的训练方法，其特征在于，包括：获取应用程序的不同应用场景的场景信息、以及在不同应用场景下应用程序的不同指标的历史数据；根据不同应用场景的场景信息、以及在不同应用场景下应用程序的不同指标的历史数据，获取不同应用场景下应用程序的不同指标对应的输入向量集合，所述输入向量集合包括多个按时序排列的输入向量，其中所述输入向量中包括场景信息部分和指标历史数据部分；根据不同应用场景下应用程序的不同指标对应的输入向量集合对一个初始的指标时序预测模型进行训练，使得指标时序预测模型能够对所述应用程序在不同应用场景下的各种指标进行时序预测。7.根据权利要求6所述的方法，其特征在于，所述根据不同应用场景下应用程序的不同指标对应的输入向量集合对一个初始的指标时序预测模型...

【专利技术属性】
技术研发人员：万明阳，马国俊，黄冶，吴昊，
申请(专利权)人：北京字跳网络技术有限公司，
类型：发明
国别省市：