[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

说明书

本申请涉及一种基于LSTM神经网络的月活预测方法、存储介质和计算机设备，其中该方法包括：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；对第一序列做差分运算得到第二序列，其中第二序列为从第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。通过本申请，实现了对当月月活跃设备数进行预测，并可不依赖于自身历史月活跃设备数，亦不受人为的基于先验主义的影响。

技术领域

本申请涉及数据分析技术领域，尤其涉及一种基于长短期记忆(Long Short-TermMemory，简称为LSTM)神经网络的月活预测方法、存储介质和计算机设备。

背景技术

相关技术中，基于历史月活预测月活跃设备数(简称为月活)。例如，针对某一个应用的历史月活进行建模，所用模型有ARIMA、多项式拟合、指数平均等，根据历史月活来预测下一个月的月活。该方法依赖于自身的历史数据无法实现快速预测。

相关技术中，还基于日活和同类应用日活与月活之比的预测月活。例如，统计某电商App的日活d，而同类电商的App日活d'，同时已知同类电商App的月活m'，则估算该电商App的月活m＝d*(m'/d')，为了进一步增加精度，d可以取最近n天的平均值，d'、m'可以取多个同类App的统计数据。上述方法虽然解决了快速估算的问题，然而，有时我们基于先验主义的策略通过人工的方法分类并不总是那么的合理，例如，虽然同样为电商，有些App的用户重复登录次数很高，有些则很低。

发明内容

为了解决上述技术问题或者至少部分地解决上述技术问题，本申请提供了一种基于LSTM神经网络的月活预测方法、存储介质和计算机设备。

第一方面，本申请提供了一种基于LSTM神经网络的月活预测方法，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；对第一序列做差分运算得到第二序列，其中第二序列为从第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。

在某些实施例中，使用LSTM神经网络，根据上述第二序列确定第t+1天至月末的每日新增活跃设备数之前，还包括：使用上述第二序列中的最大值对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，根据上述第三序列确定第四序列，其中，第四序列与第t+1天至月末的每日新增活跃设备数对应；以及使用第二序列中的最大值对上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。

在某些实施例中，根据第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。

在某些实施例中，使用LSTM神经网络，根据上述第三序列确定上述第四序列，包括：使用LSTM神经网络，以上述第三序列作为输入得到第三序列的输出，将输出加入上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，得到上述第四序列，其中，第四序列与第t+1天至月末的每日新增活跃设备数对应。

在某些实施例中，使用LSTM神经网络，根据上述第二序列确定第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，以上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。

在某些实施例中，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LSTM神经网络。