[发明专利]基于LSTM神经网络的月活预测方法、存储介质和计算机设备

权利要求书

1.一种基于LSTM神经网络的月活预测方法，其特征在于，包括：

接收从第i天到第t天中各天的累计活跃设备数，得到第一序列；

对所述第一序列做差分运算得到第二序列，其中所述第二序列为从第i+1天到第t天的每日新增活跃设备数；

使用LSTM神经网络，根据所述第二序列确定第t+1天至月末的每日新增活跃设备数；

根据所述第t+1天至月末的每日新增活跃设备数和从第i天到第t天中各天的累计活跃设备数，确定月活跃设备数。

2.根据权利要求1所述的基于LSTM神经网络的月活预测方法，其特征在于，

使用LSTM神经网络，根据所述第二序列确定第t+1天至月末的每日新增活跃设备数之前，还包括：使用所述第二序列中的最大值对所述第二序列做归一化处理得到第三序列；以及

使用LSTM神经网络，根据所述第二序列确定第t+1天至月末的每日新增活跃设备数，包括：

使用LSTM神经网络，根据所述第三序列确定第四序列，其中，所述第四序列与第t+1天至月末的每日新增活跃设备数对应；以及

使用所述第二序列中的最大值对所述第四序列做反归一化处理得到第t+1天至月末的每日新增活跃设备数。

3.根据权利要求1所述的基于LSTM神经网络的月活预测方法，其特征在于，根据所述第t+1天至月末的每日新增活跃设备数和从第i天到第t天中各天的累计活跃设备数，确定月活跃设备数，包括：

确定第t天的累计活跃设备数及第t+1天至月末的每日新增活跃设备数之和，以确定结果作为月活跃设备数。

4.根据权利要求2所述的基于LSTM神经网络的月活预测方法，其特征在于，使用LSTM神经网络，根据所述第三序列确定第四序列，包括：

使用LSTM神经网络，以所述第三序列作为输入得到所述第三序列的输出，将所述输出加入所述第三序列作为新的第三序列，循环直到得到月末对应的输出，得到所述第四序列，其中，所述第四序列与第t+1天至月末的每日新增活跃设备数对应。

5.根据权利要求1所述的基于LSTM神经网络的月活预测方法，其特征在于，使用LSTM神经网络，根据所述第二序列确定第t+1天至月末的每日新增活跃设备数，包括：

使用LSTM神经网络，以所述第二序列作为输入确定第t+1天的每日新增活跃设备数，将第t+1天的每日新增活跃设备数加入所述第二序列得到新的第二序列，循环直到得到月末的每日新增活跃设备数。

6.根据权利要求1或2所述的基于LSTM神经网络的月活预测方法，其特征在于，以历史月的第1天到第n-1天的每日新增活跃设备数为输入，并以所述历史月的第2天到第n天的每日新增活跃设备数为期望，训练所述LSTM神经网络。

7.根据权利要求2或4所述的基于LSTM神经网络的月活预测方法，其特征在于，以历史月的第1天到第n-1天的每日新增活跃设备数的归一化序列为输入，并以所述历史月的第2天到第n天的每日新增活跃设备数的归一化序列为期望，训练所述LSTM神经网络。

8.根据权利要求1所述的基于LSTM神经网络的月活预测方法，其特征在于，以受试者工作特征曲线下与坐标轴围成的面积AUC或均方误差MSE作为模型训练指标训练所述LSTM神经网络。

9.一种计算机设备，其特征在于，所述计算机设备包括：

存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序；

所述计算机程序被所述处理器执行时实现如权利要求1至8中任一项所述的基于LSTM神经网络的月活预测方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有基于LSTM神经网络的月活预测程序，所述基于LSTM神经网络的月活预测程序被处理器执行时实现如权利要求1至8中任一项所述的基于LSTM神经网络的月活预测方法的步骤。