数据预测方法、装置、设备及可读存储介质与流程

1.本技术涉及信息技术领域，尤其涉及一种数据预测方法、装置、设备及可读存储介质。


背景技术：

2.目前，在一些公开活动中，存在因结果数据无法预测而产生较大的资源不均的情况，如招募活动，运营中招募活动是一个常见的运营运动，通常运营方通过在社交平台或线下渠道发布招募相关信息，吸引人员入群。但由于无法预计招募人数，会带给运营工作带来较大的影响，如实际人数远超过预计人数，则造成运营崩溃；实际人员远低于预计人员，则造成资源浪费。因此，活动结果数据的预测对活动资源的分配效率而言是至关重要的，而现有的，通常依个人经验预计招募人数，其与实际人数产生较大偏差，导致运营活动中资源分配不合理的问题。


技术实现要素：

3.本技术的主要目的在于提供一种数据预测方法、装置、设备及可读存储介质，旨在解决公开活动中资源分配不合理的技术问题。
4.为实现上述目的，本技术提供一种数据预测方法，所述数据预测方法包括步骤：
5.获取基础因素相关信息，其中，所述基础因素能够对数据预测的结果产生影响；
6.获取数据预测模型；
7.根据所述基础因素相关信息和所述数据预测模型，确定所述基础因素相关信息对应的目标数据结果，根据所述目标数据结果分配对应的目标资源。
8.可选地，所述获取数据预测模型的步骤之前，所述方法包括：
9.建立基础预测模型；
10.获取原始的基础因素相关信息，确定原始信息数据集；
11.根据所述原始信息数据集对所述基础预测模型进行模型训练优化，得到所述数据预测模型。
12.可选地，所述根据所述原始信息数据集对所述基础预测模型进行模型训练优化，得到所述数据预测模型的步骤，包括：
13.将所述原始信息数据集输入至所述初始预测模型中，得到训练结果；
14.将所述训练结果与原始结果进行比对，得到比对结果；
15.基于所述比对结果对所述初始预测模型进行参数调整，并确定是否满足预设训练完成条件，若不满足时，返回将所述原始信息数据集输入至所述初始预测模型中，得到训练结果的步骤，直至满足预设训练完成条件，得到数据预测模型。
16.可选地，所述根据所述基础因素相关信息和所述数据预测模型，确定所述基础因素相关信息对应的目标数据结果，根据所述目标数据结果分配对应的目标资源的步骤之后，包括：
17.根据所述基础因素相关信息和所述目标数据结果，更新所述原始信息数据集。
18.可选地，所述根据所述基础因素相关信息和所述数据预测模型，确定所述基础因素相关信息对应的目标数据结果，根据所述目标数据结果分配对应的目标资源的步骤，包括：
19.对所述基础因素相关信息进行数据处理，得到基础因素数据；
20.将所述基础因素数据输入所述数据预测模型中，通过所述数据预测模型对所述基础因素数据进行数据处理，得到目标数据结果；
21.根据所述目标数据结果分配对应的目标资源。
22.可选地，所述根据所述基础因素相关信息和所述数据预测模型，确定所述基础因素相关信息对应的目标数据结果，根据所述目标数据结果分配对应的目标资源的步骤之后，包括：
23.获取实际数据结果；
24.比对所述实际数据结果和目标数据结果，得到结果差值；
25.若所述结果差值大于所述预设差值时，则对所述数据预测模型进行参数优化。
26.可选地，所述目标数据结果是目标人员数据，所述基础因素是影响预测的人员数据的因素，其中，所述基础因素包括活动曝光量量级、活动曝光持续时长、活动附赠价值、活动转化价值、初始人员数据。
27.为实现上述目的，本发明提供一种数据预测装置，所述装置包括：
28.第一获取模块，获取基础因素相关信息，其中，所述基础因素能够对数据预测的结果产生影响；
29.第二获取模块，获取数据预测模型；
30.数据预测模块，根据所述基础因素相关信息和所述数据预测模型，确定所述基础因素相关信息对应的目标数据结果，根据所述目标数据结果分配对应的目标资源。
31.此外，为实现上述目的，本技术还提供一种数据预测设备，所述数据预测设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的数据预测程序，所述数据预测程序被所述处理器执行时实现如上所述的数据预测方法的步骤。
32.此外，为实现上述目的，本技术还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有数据预测程序，所述数据预测程序被处理器执行时实现如上所述的数据预测方法的步骤。
33.与现有技术中，公开活动中数据预测准确率不稳定以及资源分配不均相比，本技术通过获取基础因素相关信息，其中，所述基础因素能够对数据预测的结果产生影响；获取数据预测模型；根据所述基础因素相关信息和所述数据预测模型，确定所述基础因素相关信息对应的目标数据结果，根据所述目标数据结果分配对应的目标资源；通过上述方式，基于数据预测模型对基础因素相关信息进行数据预测，得到目标数据结果，提高数据预测准确率的稳定性；根据得到的目标数据结果对活动中的资源合理分配，得到目标资源，提高资源分配效率。
附图说明
34.图1是本技术数据预测方法第一实施例的流程示意图；
35.图2是本技术数据预测装置较佳实施例的功能模块示意图；
36.图3是本技术实施例方案涉及的硬件运行环境的结构示意图。
37.本技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
38.应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
39.本技术提供一种数据预测方法，参照图1，图1为本技术数据预测方法第一实施例的流程示意图。
40.本技术实施例提供了数据预测方法的实施例，需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。数据预测方法可应用于应用服务器的用于数据预测的程序模块中。为了便于描述，以下省略执行主体描述数据预测方法的各个步骤。数据预测方法包括：
41.步骤s10，获取基础因素相关信息，其中，所述基础因素能够对数据预测的结果产生影响；
42.步骤s20，获取数据预测模型；
43.步骤s30，根据所述基础因素相关信息和所述数据预测模型，确定所述基础因素相关信息对应的目标数据结果，根据所述目标数据结果分配对应的目标资源。
44.具体步骤如下：
45.步骤s10，获取基础因素相关信息，其中，所述基础因素能够对数据预测的结果产生影响；
46.在本实施例中，需要说明的是，数据预测方法可以应用于数据预测装置，该数据预测装置属于数据预测系统，该数据预测系统从属于数据预测设备。
47.在本实施例中，具体的应用场景可以是：目前，在公开招募活动中，运营方通过招募渠道发布招募相关信息，吸引新人加入加入活动中，其中，招募渠道包括社交平台等线上渠道、或线下渠道，可以是具有活动信息的海报、传单、宣传册、社群交流信息等。在新人加入后，需要运营团队承接(承接活动通常包含答疑、活跃气氛、发布相关活动细则和维护活动秩序等)和协调活动人员，但在目前活动中，由于无法预计招募人员数据，或因经验预计招募人员数据，导致预计招募人员数据与实际招募人员数据偏差较大，给运营工作带来较大影响。如实际招募人员数据远超过预计招募人员数据，而运营人员不足，则无法及时协调和管理活动；实际招募人员数据远低于预计招募人员数据，而运营人员以及运营资源过多，浪费了活动资源，增加了人员成本。因此，若能够预测活动截止时的招募人员数据，按照招募人员数据合理分配运营工作，可解决资源不足或浪费的问题，同时也可以推动活动组织者根据预测的招募人员数据和目标人员数据之间偏差，及时做出活动策略的调整，促使高效完成招募活动。
48.在本实施例中，基础因素是指能够对预测的目标数据结果产生不同程度影响的因素，可以理解，在招募活动中，基础因素可以是活动属性数据、活动曝光量量级、活动曝光持续时长、活动附赠价值、活动转化价值、初始人员数据等，其中，活动属性数据是指本次招募活动的目的，如招募指定场所的志愿者，指定场所是指竞赛活动场所、发布会场所、交通道路等；活动曝光量量级是指活动发出后公开传播的力度，也即用户流量的等级；活动曝光持
续时长是指活动传播的持续时间；活动附赠价值是指在招募活动中，吸引新人加入时给予的吸引价值，吸引价值可以是附赠产品的价值；活动转化价值是指根据活动投入的成本，计算得出的最终招募人员数据的人均成本，也即获客平均成本；初始人员数据是指活动前的人员数量。需要说明的是，基础因素包括但不限于上述的六种因素，其他可以对目标数据结果的预测产生影响的因素都考虑在内，实施方式基本相同，在此不再赘述。
49.在本实施例中，基础因素相关信息包括标识信息和数据信息，标识信息也即基础因素，数据信息是指基础因素对应的具体数据，如基础因素为活动曝光持续时长，数据信息为持续时长，则一项基础因素相关信息是活动曝光持续时长为n个单位时间，单位时间由用户设定，可以是以天为单位计算活动曝光持续时长。基础因素为活动附赠价值，数据信息为价格，则一项基础因素相关信息是活动附赠价值为m，m由用户根据实际附赠产品设定，单位为元。其他基础因素相关信息类似，不再赘述。
50.步骤s20，获取数据预测模型；
51.在本实施例中，数据预测模型是用以根据基础因素相关信息，预测活动结束时的目标数据结果，根据目标数据结果能够在开展公开活动前及时调整活动策略，达到活动目标。
52.其中，数据预测模型，包括以下步骤s21-s23；
53.步骤s21，建立基础预测模型；
54.在本实施例中，基础预测模型是一种神经网络，神经网络是一种类似于人脑神经细胞突触结构的信息处理数学模型，本发明基于dnn(deep neural network，深度神经网络)展开，充分的利用神经网络的优势，在搭建的网络中含有多个隐藏层，每个隐藏层通过不同神经网络区分，通过网络计算基础因素相关信息，对信息进行数学计算、变换，预测目标数据结果。由此，基础预测模型可以是线性模型，模型如下：
[0055][0056]
其中，θ为修正参数，x为影响预测结果的基础因素相关信息，xi为第i个基础因素相关信息，ωi为第i个基础因素相关信息对应的基础因素的影响权重。
[0057]
需要说明的是，由于多个基础因素相关信息对应的基础因素对预测的结果影响程度各不相同，在预测数据结果时，各基础因素的权重也不同，基础因素对预测的数据结果影响程度越大，则基础因素的权重越大。因此，需要分析各基础因素的权重，以供对活动开展策略的调整和设定。
[0058]
步骤s22，获取原始的基础因素相关信息，确定原始信息数据集；
[0059]
在本实施例中，原始的基础因素相关信息是指过去已经开展过的活动中，统计和记录的基础因素相关信息的数据，基础因素相关信息包括活动属性数据、活动曝光量量级、活动曝光持续时长、活动附赠价值、活动转化价值、初始人员数据等。由于各基础因素相关信息对应的计量单位是不同的，相互之间难于比较，如活动曝光持续时长的单位是时间(如天、小时、分钟等)，活动附赠价值的单位是价格(如人民币元、美元、欧元等)，活动曝光持续时长和活动附赠价值两个基础因素相关信息的数值和单位不同，由此，活动曝光持续时长和活动附赠价值的直接数据没有可比性，难于分析两者对预测结果的影响权重。因此，为了便于后续数据的处理，需要对基础因素相关信息对应的数据信息进行标准化处理，去除各
基础因素相关信息对应的数据信息的单位限制，将其转化为无量纲的纯数值，使之落入一个小的特定区间，便于不同单位或量级的指标能够进行比较和加权。
[0060]
各基础因素相关信息通过标准化处理后，得到基础因素相关数据，对基础因素相关数据和基础因素相关信息对应的原始数据结果进行数据整理，得到基础因素数据集。也即，基础数据集中包括基础因素相关数据和原始数据结果，可以理解，开展一次活动，得到一组基础因素数据样本，基础因素数据样本中包括活动属性数据、活动曝光量量级、活动曝光持续时长、活动附赠价值、活动转化价值、初始人员数据等，以及招募活动结束后，实际的数据结果，也即原始数据结果，对多组基础因素数据样本整合得到原始信息数据集。
[0061]
步骤s23，根据所述原始信息数据集对所述基础预测模型进行模型训练优化，得到所述数据预测模型。
[0062]
在本实施例中，将原始信息数据集输入至上述公式(1)中进行多项式拟合处理，得到公式(1)中的θ和ω，将参数θ和ω的值带入公式(1)中，得到数据预测模型。在下一次开展活动时，输入基础因素相关信息至数据预测模型中，便可得到目标数据结果。
[0063]
其中，根据所述原始信息数据集对所述基础预测模型进行模型训练优化，得到所述数据预测模型，包括以下步骤s231-s233；
[0064]
步骤s231，将所述原始信息数据集输入至所述初始预测模型中，得到训练结果；
[0065]
步骤s232，将所述训练结果与原始结果进行比对，得到比对结果；
[0066]
步骤s233，基于所述比对结果对所述初始预测模型进行参数调整，并确定是否满足预设训练完成条件，若不满足时，返回将所述原始信息数据集输入至所述初始预测模型中，得到训练结果的步骤，直至满足预设训练完成条件，得到数据预测模型。
[0067]
在本实施例中，将原始信息数据集划分为测试数据集和训练数据集，其中，训练数据集用以对基础预测模型进行模型训练，测试数据集用以对悬链后的基础预测模型进行参数调优，根据测试数据集和训练数据集对基础预测模型的训练和优化后，得到准确的数据预测模型。需要说明的是，对原始信息数据集的划分方式可以根据用户设定，如根据训练和测试的比例划分、根据随机方式划分等，优选的，使用交叉验证法对原始信息数据集进行测试数据集和训练数据集的划分。
[0068]
在初始预测模型训练过程中会有一定的损失，使得通过初始预测模型得到的训练结果和原始数据结果不同，其中，原始数据结果是一组基础因素数据样本中，基础因素相关信息对应的数据结果。训练结果和原始数据结果之间存在的误差值，可以评价不同的初始预测模型的预测准确性，根据误差值对初始预测模型进行参数调整，以提高其预测的准确性。具体地，将原始信息数据集中的训练数据集输入初始预测模型中，得到θ和ω，更新公式(1)，将测试数据集中的基础因素相关数据输入至更新后的公式(1)中，得到训练结果。
[0069]
比对训练结果和基础因素相关数据对应的原始数据结果，得到比对结果，基于比对结果对初始预测模型进行参数调整。并确定是否满足预设训练完成条件，其中，预设训练完成条件由用户设定，可以是训练的极限次数，当训练的次数达到极限次数时，满足预设训练完成条件，结束训练；可以是比对结果是否满足允许误差范围，允许误差范围是指训练结果和基础因素相关数据对应的原始数据结果之间允许的差值，也即，在允许误差范围内的比对结果属于正常范围，当比对结果在允许误差范围内时，则满足预设训练完成条件，结束训练；还可以是训练时长、训练步长等。若不满足预设训练完成条件时，则返回将所述原始
信息数据集输入至所述初始预测模型中，得到训练结果的步骤，继续对初始预测模型进行训练，直至满足预设训练完成条件，得到上述公式(1)中的参数θ和ωi的值，由此获得到数据预测模型。需要说明的是，也可以采用监督学习法获取上述公式(1)中的参数θ和ωi的值。
[0070]
进一步地，ωi为第i个基础因素相关信息对应的基础因素的影响权重，根据ωi可以得到各基础因素对于目标数据结果的影响权重，为后续调整活动策略提供参考。可以理解，若活动曝光量量级对应的ω最大，其为主权重，则活动主办者可在开展活动前，加大活动曝光量的策略力度，以达到此活动的理想结果。
[0071]
步骤s30，根据所述基础因素相关信息和所述数据预测模型，确定所述基础因素相关信息对应的目标数据结果，根据所述目标数据结果分配对应的目标资源。
[0072]
在本实施例中，获取待开展的招募活动的基础因素相关信息，将基础因素相关信息输入至数据预测模型中，通过预测数据模型对基础因素相关信息进行数据计算，得到目标数据结果，根据目标数据结果分配对应的目标资源，以提高活动的资源分配效率，其中，目标数据结果是指对待开展的招募活动预测的数据结果，资源是指活动开展中所需的成本投入(如活动曝光渠道成本、活动附赠产品成本、人工成本等)、人工投入(如运营人员数量、活动各承接环节人员等)，目标资源是指在活动中根据目标数据结果合理分配的资源。
[0073]
其中，根据所述基础因素相关信息和所述数据预测模型，确定所述基础因素相关信息对应的目标数据结果，根据所述目标数据结果分配对应的目标资源，包括以下步骤s31-s32：
[0074]
步骤s31，对所述基础因素相关信息进行数据处理，得到基础因素数据；
[0075]
步骤s32，将所述基础因素数据输入所述数据预测模型中，通过所述数据预测模型对所述基础因素数据进行数据处理，得到目标数据结果，根据所述目标数据结果分配对应的目标资源。
[0076]
在本实施例中，对待开展的招募活动的基础因素相关信息对应的数据信息进行标准化处理，得到基础因素数据，将基础因素数据输入至数据预测模型中，也即，将基础因素数据带入数据预测模型中的xi，根据通过数据预测模型对基础因素数据进行数据处理，得到目标数据结果。根据目标数据结果获取目标数据结果对应的目标资源，获取的方式有多种，如方式一，通过建立目标数据结果和目标资源之间的映射关系，根据目标数据结果和映射关系，得到目标数据结果对应的资源，其中，映射关系表中数据可根据对往期招募活动中数据的记录和统计而获得；需要说明的是，通过映射关系得到的目标资源与实际活动中的目标资源可能存在偏差或调整，将每一次活动结束后，用实际的目标资源和目标数据结果更新映射关系，以提高目标资源和目标数据结果的匹配准确率，达到资源合理分配的效果。方式二，运营者根据往期开展活动的经验，得到目标数据结果对应的目标资源；以使目标数据结果和目标资源相匹配，合理分配运营工作，提高活动中资源合理分配的效率。
[0077]
进一步地，将基础因素相关信息和经过数据预测模型得到的目标数据结果加入原始信息数据集中，更新原始信息数据集。根据得到的新的原始信息数据集再次对数据预测模型进行模型训练和参数调优，以得到新的数据预测模型，提高数据预测模型的预测准确性。
[0078]
进一步地，根据所述基础因素相关信息和所述数据预测模型，确定所述基础因素
相关信息对应的目标数据结果之后，包括以下步骤s33-s35：
[0079]
步骤s33，获取实际数据结果；
[0080]
步骤s34，比对所述实际数据结果和目标数据结果，得到结果差值；
[0081]
步骤s35，若所述结果差值大于所述预设差值时，则对所述数据预测模型进行参数优化。
[0082]
在本实施例中，实际数据结果是基于基础因素相关信息开展活动后，得到的实际的数据，比对实际数据结果和经过数据预测模型得到的目标数据结果，得到结果差值，若结果差值大于预设差值时，则对数据预测模型进行参数优化，其中，预设差值是指可被允许的误差数值。需要说明的是，除此根据实际数据结果和目标数据结果的比对结果调整数据预测模型之外，还可以计算目标数据结果与实际数据结果之间的准确率，评价得到的准确率是否满足调整条件。具体的，若得到的准确率为90％，设定调整条件为预测的准确率在85％，则经过数据预测模型得到的目标数据结果相对准确，无需进行参数调整，若准确率在85％以下，则满足调整条件，需要对数据预测模型进行参数调整，以提高数据预测模型的预测准确性，根据目标数据结果分配对应的目标资源，使得目标数据结果和对应的资源合理匹配，提高运营资源的合理分配效率。
[0083]
本技术数据预测方法，包括以下步骤：获取基础因素相关信息，其中，所述基础因素能够对数据预测的结果产生影响；获取数据预测模型；根据所述基础因素相关信息和所述数据预测模型，确定所述基础因素相关信息对应的目标数据结果，根据所述目标数据结果分配对应的目标资源；通过上述方式，基于数据预测模型对基础因素相关信息进行数据预测，得到目标数据结果，提高数据预测准确率的稳定性；根据得到的目标数据结果对活动中的资源合理分配，得到目标资源，提高资源分配效率。
[0084]
在一些场景中，公开活动是社群运营中的招募活动，目标数据结果是招募入群人数，其中，社群是指各种社交平台，具有交流和沟通的组织，如微信群、qq群等。运营方通过在社交平台或线下渠道发布包含社群内容的信息，如附带社群二维码的海报、连接、图片等，以各种优惠策略吸引新人进群。在新人入群后，需要运营团队承接活动，其中，承接活动通常包含答疑、活跃气氛、发布相关活动细则和维护社群秩序。根据社群活动的基础因素相关信息和数据预测模型，预测招募入群的人数，其中，基础因素相关信息包括活动曝光量量级、活动曝光持续时长、活动附赠价值、活动转化价值、初始人员数据等，在得到目标数据结果后，运营方按目标数据结果合理分配运营工作。同时，根据目标数据结果调整招募机制以达到更好的活动效果，提高运营活动中的资源分配效率。当社群数量超过一个时，基础因素相关信息根据各群的平均值统计和记录。
[0085]
本技术还提供一种数据预测装置，参照图2，所述数据预测装置包括：
[0086]
第一获取模块10，获取基础因素相关信息，其中，所述基础因素能够对数据预测的结果产生影响；
[0087]
第二获取模块20，获取数据预测模型；
[0088]
数据预测模块30，根据所述基础因素相关信息和所述数据预测模型，确定所述基础因素相关信息对应的目标数据结果，根据所述目标数据结果分配对应的目标资源。
[0089]
可选地，所述数据预测装置还包括：
[0090]
建模模块，建立基础预测模型；
[0091]
第二获取模块，获取原始的基础因素相关信息，确定原始信息数据集；
[0092]
训练模块，根据所述原始信息数据集对所述基础预测模型进行模型训练优化，得到所述数据预测模型。
[0093]
可选地，所述训练模块包括：
[0094]
计算子模块，将所述原始信息数据集输入至所述初始预测模型中，得到训练结果；
[0095]
比对子模块，将所述训练结果与原始结果进行比对，得到比对结果；
[0096]
训练子模块，基于所述比对结果对所述初始预测模型进行参数调整，并确定是否满足预设训练完成条件，若不满足时，返回将所述原始信息数据集输入至所述初始预测模型中，得到训练结果的步骤，直至满足预设训练完成条件，得到数据预测模型。
[0097]
可选地，所述数据预测装置还包括包括：
[0098]
根据所述基础因素相关信息和所述目标数据结果，更新所述原始信息数据集。
[0099]
可选地，所述数据预测模块30包括：
[0100]
数据处理子模块，对所述基础因素相关信息进行数据处理，得到基础因素数据；
[0101]
确定子模块，将所述基础因素数据输入所述数据预测模型中，通过所述数据预测模型对所述基础因素数据进行数据处理，得到目标数据结果；根据所述目标数据结果分配对应的目标资源。
[0102]
可选地，所述数据预测装置还包括：
[0103]
第三获取模块，获取实际数据结果；
[0104]
比对模块，比对所述实际数据结果和目标数据结果，得到结果差值；
[0105]
优化模块，若所述结果差值大于所述预设差值时，则对所述数据预测模型进行参数优化。
[0106]
此外，本技术还提供一种数据预测设备。如图3所示，图3是本技术实施例方案涉及的硬件运行环境的结构示意图。
[0107]
需要说明的是，图3即可为数据预测设备的硬件运行环境的结构示意图。
[0108]
如图3所示，该数据预测设备可以包括：处理器1001，例如cpu，存储器1005，用户接口1003，网络接口1004，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如wi-fi接口)。存储器1005可以是高速ram存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
[0109]
可选地，数据预测设备还可以包括rf(radio frequency，射频)电路，传感器、音频电路、wifi模块等等。
[0110]
本领域技术人员可以理解，图3中示出的数据预测设备结构并不构成对数据预测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
[0111]
如图3所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及数据预测程序。其中，操作系统是管理和控制数据预测设备硬件和软件资源的程序，支持数据预测程序以及其它软件或程序的运行。
[0112]
在图3所示的数据预测设备中，用户接口1003主要用于连接终端，与终端进行数据通信，如接收终端发送的用户信令数据；网络接口1004主要用于后台服务器，与后台服务器进行数据通信；处理器1001可以用于调用存储器1005中存储的数据预测程序，并执行如上所述的数据预测方法的步骤。
[0113]
本技术数据预测设备具体实施方式与上述数据预测方法各实施例基本相同，在此不再赘述。
[0114]
此外，本技术实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有数据预测程序，所述数据预测程序被处理器执行时实现如上所述的数据预测方法的步骤。
[0115]
本技术计算机可读存储介质具体实施方式与上述数据预测方法各实施例基本相同，在此不再赘述。
[0116]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
[0117]
上述本技术实施例序号仅仅为了描述，不代表实施例的优劣。
[0118]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，设备，或者网络设备等)执行本技术各个实施例所述的方法。
[0119]
以上仅为本技术的优选实施例，并非因此限制本技术的专利范围，凡是利用本技术说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本技术的专利保护范围内。