访问量预测方法、装置、设备及存储介质制造方法及图纸

本申请提供一种访问量预测方法、装置、设备及存储介质，该访问量预测方法包括：确定目标兴趣点的历史访问量数据中各访问量的置信度；提取历史访问量数据的周期性特征，周期性特征用于描述访问量在预设周期内的特征；基于周期性特征，构建自回归模型的输入变量，自回归模型中随机噪声序列的回归系数为关于所述置信度的函数；求解自回归模型的回归系数，得到目标兴趣点预测的访问量。实现了基于自回归模型，根据访问量的置信度和周期性特征进行未来访问量的预测，通过置信度的设置，有效提高了预测对意外事件发生情况下访问量预测的鲁棒性，通过周期性特征的引入提高了访问量预测的稳定性。的稳定性。的稳定性。

【技术实现步骤摘要】
访问量预测方法、装置、设备及存储介质


[0001]本申请涉及数据处理
，尤其涉及一种访问量预测方法、装置、设备及存储介质。

技术介绍

[0002]地图中包括多个景点、商铺等兴趣点(POI，Point of Interest)，为了提高兴趣点推荐的准确度、提高兴趣点的服务质量等，可以进行兴趣点访问量或流量的预测。
[0003]访问量为时间序列，在进行访问量预测时，通常采用深度学习模型进行预测，如LSTM(Long Short
‑
Term Memory，长短期记忆)模型、Transformer模型等。在意外事件(如景点维护、恶劣天气等)发生的情况下，导致数据量少且规律性较差，而深度学习模型对数据量和数据的规律性依赖度较高，从而基于深度学习的预测方法，不适用于意外事件发生情况下的访问量预测，预测鲁棒性和稳定性较差。
[0004]因此，亟需提供一种鲁棒性强、稳定性高的访问量预测方法。

技术实现思路

[0005]本申请提供一种访问量预测方法、装置、设备及存储介质，基于自回归模型，结合访问量的置信度和周期性特征，进行未来访问量的预测，计算开销低，且预测鲁棒性强、稳定性高。
[0006]第一方面，本申请提供一种访问量预测方法，包括：
[0007]确定目标兴趣点的历史访问量数据中各时间节点对应的访问量的置信度；提取所述历史访问量数据的周期性特征，其中，所述周期性特征用于描述访问量在预设周期内的特征，所述预设周期包括多个时间节点；基于所述周期性特征，构建自回归模型的输入变量，其中，所述输入变量包括待预测的访问量，所述自回归模型中随机噪声序列的回归系数为关于所述置信度的函数；求解所述自回归模型的回归系数，得到所述目标兴趣点预测的未来时间的访问量。
[0008]第二方面，本申请提供一种访问量预测装置，包括：
[0009]置信度确定模块，用于确定目标兴趣点的历史访问量数据中各访问量的置信度；
[0010]周期性特征提取模块，用于提取所述历史访问量数据的周期性特征，其中，所述周期性特征用于描述访问量在预设周期内的特征；
[0011]输入变量构建模块，用于基于所述周期性特征，构建自回归模型的输入变量，其中，所述输入变量包括待预测的访问量，所述自回归模型中随机噪声序列的回归系数为关于所述置信度的函数；
[0012]模型求解模块，用于求解所述自回归模型的回归系数，得到所述目标兴趣点预测的访问量。
[0013]第三方面，本申请提供一种访问量预测设备，包括：
[0014]处理器，以及与所述处理器通信连接的存储器；所述存储器存储计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，以实现本申请任意方面提供的访问量预测方法。
[0015]第四方面，本申请提供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计算机执行指令，所述计算机执行指令被处理器执行时用于实现本申请任意方面提供的访问量预测方法。
[0016]第五方面，本申请提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现本申请任意方面提供的访问量预测方法。
[0017]本申请提供的访问量预测方法、装置、设备及存储介质，针对需进行访问量预测的目标兴趣点，为该目标兴趣点历史时间采集的访问量设置置信度，从而提高置信度较高的数据对预测的影响，从而在进行意外事件发生期间的访问量预测时，提高预测的鲁棒性；同时提取历史时间采集的历史访问量数据的周期性特征，该周期性特征用于表征历史访问量数据的较强的规律性，通过自回归模型，基于周期性特征以及访问量的置信度进行访问量的预测，使得即使在历史访问量数据较少的情况下，仍可以以较高准确度进行访问量的预测，提高了预测的稳定性；由回归模型进行访问量预测，相较于深度学习模型，计算开销低，降低了访问量预测的成本。
附图说明
[0018]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
[0019]图1为本申请实施例提供的一种访问量预测方法的示意图；
[0020]图2为本申请实施例提供的一种访问量预测方法的流程示意图；
[0021]图3为本申请实施例提供的另一种访问量预测方法的流程示意图；
[0022]图4为本申请实施例提供的又一种访问量预测方法的流程示意图；
[0023]图5为本申请实施例提供的另一种访问量预测方法的过程示意图；
[0024]图6为本申请实施例提供的一种访问量预测装置的结构示意图；
[0025]图7为本申请实施例提供的一种访问量预测设备的结构示意图。
[0026]通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
[0027]这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
[0028]首先，对本申请涉及的名称进行解释：
[0029]自回归模型(Autoregressive Model)：简称AR模型，是统计学中一种处理时间序列的方法，用同一变量如x，之前各期的表现，即x1至x
t
‑1，来预测本期x
t
或者将来多期，即x
t+1
、x
t+2
等的表现，并假设它们之间为线性关系。
[0030]卡尔曼滤波器：是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。
[0031]下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
[0032]图1为本申请实施例提供的一种访问量预测方法的示意图，如图1所示，地图上包括较多的兴趣点POI，如商场、景点等，图1中以5个兴趣点，即POI1至POI5为例，为了进行兴趣点访问量的预测，以进行热门兴趣点推荐、兴趣点流量预警或其他用途，需动态采集兴趣点的原始数据，包括搜索记录、兴趣点对应的链接的点击量、以兴趣点为目的地的导航数据等，访问量预测设备则基于采集的原始数据，确定兴趣点的访问量，基于一段时间的访问量进行未来时间的访问量预测。
[0033]访问量预测设备的形式可以为服务器、计算机或者其他设备，图1中以服务器为例。
[0034]常见的访问量预测方法为基于深度学习模型进行未来时间访问量的预测，将采集的大量的历史时间的访问量本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种访问量预测方法，其特征在于，包括：确定目标兴趣点的历史访问量数据中各访问量的置信度；提取所述历史访问量数据的周期性特征，其中，所述周期性特征用于描述访问量在预设周期内的特征；基于所述周期性特征，构建自回归模型的输入变量，其中，所述输入变量包括待预测的访问量，所述自回归模型中随机噪声序列的回归系数为关于所述置信度的函数；求解所述自回归模型的回归系数，得到所述目标兴趣点预测的访问量。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：基于访问量的置信度以及访问量对应的时间，构建所述随机噪声序列的回归系数，其中，所述随机噪声序列的回归系数与所述置信度呈正相关关系，与所述访问量对应的时间与当前时间的差值的绝对值呈负相关关系。3.根据权利要求1所述的方法，其特征在于，确定目标兴趣点的历史访问量数据中各时间节点对应的访问量的置信度，包括：计算所述历史访问量数据中访问量的均值和方差；针对所述历史访问量数据中各访问量，基于所述访问量的均值和方差，确定所述访问量的置信度。4.根据权利要求1所述的方法，其特征在于，提取所述历史访问量数据的周期性特征，包括：按照所述预设周期，对所述历史访问量数据进行叠加，得到阶段访问量；对所述阶段访问量进行傅里叶变换；基于傅里叶变换的结果，得到所述周期性特征。5.根据权利要求1所述的方法，其特征在于，所述方法还包括：提取所述历史访问量数据的近期特征，其中，所述近期特征用于描述所述访问量在预设时间段内的特征，所述预设时间段为距离当前时间小于或等于预设时长的时间段；所述输入变量包括周期性输入变量和近期输入变量，基于所述周期性特征，构建自回归模型的输入变量，包括：基于所述周期性特征，构建所述自回归模型的周期性输入变量；基于所述近期特征，构建所述自回归模型的近期输入变量。6.根据权利要求5所述的方法，其特征在于，所述方法还包...

【专利技术属性】
技术研发人员：翟鹏龙，陈芳芳，
申请(专利权)人：阿里巴巴中国有限公司，
类型：发明
国别省市：