[发明专利]一种数据处理方法、装置、计算机设备以及存储介质

权利要求书

1.一种数据处理方法，其特征在于，包括：

获取目标运营活动的历史运营数据，所述历史运营数据包括连续的多个时间段中每个时间段内所述目标运营活动的参与人数；

对所述历史运营数据进行预处理，得到预处理后的历史运营数据；

将所述预处理后的历史运营数据输入训练后的长短期记忆循环神经网络LSTM模型，以得到所述多个时间段的下一时间段内所述目标运营活动的预估参与人数。

2.根据权利要求1所述方法，其特征在于，所述方法还包括：

利用所述预估参与人数还原所述历史运营数据中缺失的所述下一时间段内的参与人数；或者，

利用所述预估参与人数确定所述目标运营活动在所述下一时间段内的资源分配量。

3.根据权利要求1或2所述方法，其特征在于，所述方法还包括：

获取样本数据，所述样本数据包括连续的预设数量个时间段中每个时间段内所述目标运营活动的实际参与人数；

利用所述样本数据对初始化的LSTM模型进行训练，以得到所述训练后的LSTM模型。

4.根据权利要求3所述方法，其特征在于，所述利用所述样本数据对初始化的LSTM模型进行训练，以得到所述训练后的LSTM模型，包括：

将所述样本数据划分为训练样本集和验证样本集，所述训练样本集包括所述样本数据中第一数量个时间段中每个时间段内的实际参与人数，所述验证样本集包括所述样本数据中时间在所述第一数量个时间段之后的第二数量个时间段中每个时间段内的实际参与人数；

对所述训练样本集和所述验证样本集分别进行预处理，得到预处理后的训练样本集和预处理后的验证样本集；

利用所述预处理后的训练样本集和所述预处理后的验证样本集对初始化的LSTM模型进行训练，以得到所述训练后的LSTM模型。

5.根据权利要求4所述方法，其特征在于，所述利用所述预处理后的训练样本集和所述预处理后的验证样本集对初始化的LSTM模型进行训练，以得到所述训练后的LSTM模型，包括：

将所述预处理后的训练样本集输入初始化的LSTM模型，得到输出结果，所述输出结果包括对所述预处理后的验证样本集中各个时间段内的预估参与人数；

根据所述输出结果和所述预处理后的验证样本集对所述初始化的LSTM模型的参数进行调整，以得到所述训练后的LSTM模型。

6.根据权利要求5所述方法，其特征在于，所述根据所述输出结果和所述预处理后的验证样本集对所述初始化的LSTM模型的参数进行调整，以得到所述训练后的LSTM模型，包括：

根据所述输出结果和所述预处理后的验证样本集确定损失函数的损失值；

根据所述损失值采用随机梯度下降方法对所述初始化的LSTM模型的参数进行调整，直到重新确定的所述损失函数的损失值满足预设收敛条件。

7.根据权利要求1所述方法，其特征在于，所述对所述历史运营数据进行预处理，得到预处理后的历史运营数据，包括：

获取所述历史运营数据中大于历史峰值的参与人数，并将所述大于历史峰值的参与人数替换为所述历史峰值；

获取替换为所述历史峰值后的历史运营数据中的最大值和最小值；

利用所述最大值和所述最小值对所述替换为所述历史峰值后的历史运营数据进行归一化处理，得到预处理后的历史运营数据。

8.一种数据处理装置，其特征在于，包括：

获取模块，用于获取目标运营活动的历史运营数据，所述历史运营数据包括连续的多个时间段中每个时间段内所述目标运营活动的参与人数；

预处理模块，用于对所述历史运营数据进行预处理，得到预处理后的历史运营数据；

预估模块，用于将所述预处理后的历史运营数据输入训练后的长短期记忆循环神经网络LSTM模型，以得到所述多个时间段的下一时间段内所述目标运营活动的预估参与人数。