看家产品需求的预测方法、装置及可读存储介质与流程

1.本发明涉及深度学习技术领域，尤其涉及一种看家产品需求的预测方法、装置及可读存储介质。


背景技术：

2.目前，运营商对看家产品需求的预测模型较少涉及，现有运营商的一些其它产品需求预测技术方案中的模型主要基于表格统计或人为设定特征的权重，或者基于逻辑回归、决策树、神经网络以及随机森林等浅层机器学习算法。但是，在大数据的背景下，这些静态或者浅层算法在需求预测问题上很难取得较高的预测精度，无法满足用户多样的个性化需求，运营商难以对有看家产品需求的用户进行精准营销。
3.综上所述，现有技术在预测用户对看家产品需求时存在预测精度较低的技术问题。


技术实现要素：

4.本发明的主要目的在于提供一种看家产品需求的预测方法、装置及可读存储介质，旨在提高看家产品需求的预测精度。
5.为实现上述目的，本发明提供一种看家产品需求的预测方法，所述看家产品需求的预测方法包括：
6.通过预设平台获取预设时段内待测用户的用户数据；
7.根据所述待测用户的用户数据确定用于预测所述待测用户的看家产品需求的特征数据；
8.根据所述特征数据以及深度神经网络模型确定所述待测用户的看家产品需求。
9.可选地，所述预设平台包括手机用户标签平台、宽带上网深度报文检测平台以及手机上网深度报文检测平台；所述用户数据包括所述待测用户的用户标签数据、宽带上网数据以及手机上网数据。
10.可选地，所述根据所述特征数据以及深度神经网络模型确定所述待测用户的看家产品需求的步骤包括：
11.根据所述特征数据以及所述深度神经网络模型确定所述待测用户的看家产品需求的预测值；
12.在所述预测值为预设值时，确定所述待测用户有看家产品需求。
13.可选地，所述通过预设平台获取预设时段内待测用户的用户数据的步骤之前，还包括：
14.获取已知看家产品需求的用户的用户数据；
15.根据已知看家产品需求的用户的用户数据确定样本特征数据；
16.根据所述样本特征数据以及预设网络模型确定所述深度神经网络模型。
17.可选地，所述样本特征数据包括训练特征数据以及测试特征数据，所述根据所述
样本特征数据以及预设网络模型确定所述深度神经网络模型的步骤包括：
18.采用所述训练特征数据对所述预设网络模型进行训练，以确定所述预设网络模型的目标权重值；
19.将所述预设网络模型的权重值设为所述目标权重值；
20.采用所述测试特征数据对设有目标权重值的所述预设网络模型进行测试，以测试设有目标权重值的所述预设网络模型预测看家产品需求的准确率；
21.在所述准确率大于预设阈值时，将设有目标权重值的所述预设网络模型确定为所述深度神经网络模型。
22.可选地，所述预设网络模型为基于深度学习框架tensorflow以及python算法搭建的深度神经网络模型，所述预设网络模型包括一个输入层、多个隐藏层以及一个输出层，其中，所述输入层的神经元数量与所述特征数据的数量相同。
23.可选地，所述根据所述特征数据以及深度神经网络模型确定所述待测用户的看家产品需求的步骤之后，还包括：
24.输出有看家产品需求的待测用户的用户数据；
25.对所述有看家产品需求的待测用户的用户数据进行脱敏处理；
26.根据脱敏处理后的所述用户数据对有看家产品需求的待测用户的终端设备发送看家产品的推送信息。
27.此外，为实现上述目的，本发明还提供一种看家产品需求的预测装置，所述看家产品需求的预测装置包括：
28.获取模块，通过预设平台获取预设时段内待测用户的用户数据；
29.确定模块，用于根据所述用户数据确定预测所述待测用户的看家产品需求的特征数据；
30.预测模块，用于根据所述特征数据以及深度神经网络模型确定所述待测用户的看家产品需求。
31.此外，为实现上述目的，本发明还提供一种看家产品需求的预测装置，所述看家产品需求的预测装置包括存储器、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看家产品需求的预测程序，所述看家产品需求的预测程序被所述处理器执行时实现上述任一项所述的看家产品需求的预测方法的步骤。
32.此外，为实现上述目的，本发明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看家产品需求的预测程序，所述看家产品需求的预测程序被处理器执行时实现上述任一项所述的看家产品需求的预测方法的步骤。
33.本发明提出了一种看家产品需求的预测方法、装置及可读存储介质，通过预设平台获取预设时段内待测用户的用户数据，根据待测用户的用户数据确定用于预测待测用户的看家产品需求的特征数据，根据特征数据以及深度神经网络模型确定待测用户的看家产品需求。本方案基于深度神经网络模型预测用户的看家产品需求，模型训练更充分，特征提取更准确，能有效挖掘用户的潜在产品需求，提高了看家产品需求的预测精度。
附图说明
34.图1是本发明实施例方案涉及的看家产品需求的预测装置的硬件架构示意图；
35.图2是本发明看家产品需求的预测方法的第一实施例的流程示意图；
36.图3是本发明看家产品需求的预测方法的第二实施例的流程示意图；
37.图4是本发明实施例方案涉及的看家产品需求的预测装置的模块结构示意图。
38.本发明目的的实现、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
39.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
40.作为一种实现方案，请参照图1，图1是本发明实施例方案涉及的看家产品需求的预测装置的硬件架构示意图，如图1所示，该看家产品需求的预测装置可以包括处理器101，例如cpu，存储器102，通信总线103，其中，通信总线103用于实现这些模块之间的连接通信。
41.存储器102可以是高速ram存储器，也可以是稳定的存储器(non-volatilememory)，例如磁盘存储器。如图1所示，作为一种计算机可读存储介质的存储器102中可以包括看家产品需求的预测程序；而处理器101可以用于调用存储器102中存储的看家产品需求的预测程序，并执行以下操作：
42.通过预设平台获取预设时段内待测用户的用户数据；
43.根据所述待测用户的用户数据确定用于预测所述待测用户的看家产品需求的特征数据；
44.根据所述特征数据以及深度神经网络模型确定所述待测用户的看家产品需求。
45.进一步地，处理器101可以用于调用存储器102中存储的看家产品需求的预测程序，并执行以下操作：
46.根据所述特征数据以及所述深度神经网络模型确定所述待测用户的看家产品需求的预测值；
47.在所述预测值为预设值时，确定所述待测用户有看家产品需求。
48.进一步地，处理器101可以用于调用存储器102中存储的看家产品需求的预测程序，并执行以下操作：
49.获取已知看家产品需求的用户的用户数据；
50.根据已知看家产品需求的用户的用户数据确定样本特征数据；
51.根据所述样本特征数据以及预设网络模型确定所述深度神经网络模型。
52.进一步地，处理器101可以用于调用存储器102中存储的看家产品需求的预测程序，并执行以下操作：
53.采用所述训练特征数据对所述预设网络模型进行训练，以确定所述预设网络模型的目标权重值；
54.将所述预设网络模型的权重值设为所述目标权重值；
55.采用所述测试特征数据对设有目标权重值的所述预设网络模型进行测试，以测试设有目标权重值的所述预设网络模型预测看家产品需求的准确率；
56.在所述准确率大于预设阈值时，将设有目标权重值的所述预设网络模型确定为所述深度神经网络模型。
57.进一步地，处理器101可以用于调用存储器102中存储的看家产品需求的预测程序，并执行以下操作：
58.输出有看家产品需求的待测用户的用户数据；
59.对所述有看家产品需求的待测用户的用户数据进行脱敏处理；
60.根据脱敏处理后的所述用户数据对有看家产品需求的待测用户的终端设备发送看家产品的推送信息。
61.移动看家产品主要是指用于解决家庭用户外出时仍能24小时实时查看家里老人、小孩、宠物、动作声音异状等各种状况的一款看家护院产品。移动看家产品需求的预测模型是一种用来发现家庭用户是否有看家产品需求的主要手段，预测模型的预测精度对运营商推广和营销看家产品至关重要。
62.目前，运营商对看家产品需求的预测模型较少，现有运营商的一些其它产品需求预测技术方案中的模型主要基于表格统计或人为设定特征的权重，或者基于逻辑回归、决策树、神经网络以及随机森林等浅层机器学习算法。但是，在大数据的背景下，这些静态或者浅层算法在需求预测问题上很难取得较高的预测精度，无法满足用户多样的个性化需求，运营商难以对有看家产品需求的用户进行精准营销。
63.基于上述现有技术存在的问题，本发明提出一种看家产品需求的预测方法，其核心思路是：(1)搭建深度神经网络模型；(2)从手机用户标签平台、宽带上网dpi(deep packet inspection，深度报文检测)平台以及手机上网dpi平台中获取已知看家产品需求的用户数据，根据已知看家产品需求的用户数据提取特征数据，并将提取的特征数据分为训练数据和测试数据；(3)用训练数据对搭建好的深度神经网络模型中进行预训练，在模型逐渐收敛之后得到深度神经网络模型的权重值，然后将得到的权重值代入深度神经网络模型，用测试数据进行准确性测试，在准确率满足要求时，完成深度神经网络模型的训练；(4)从手机用户标签平台、宽带上网dpi平台以及手机上网dpi平台获取未知看家产品需求的待测用户的用户数据，并根据待测用户的用户数据提取用于预测待测用户的看家产品需求的特征数据，将提取的特征数据输入训练好的深度神经网络模型，输出待测用户对看家产品需求的预测结果；(5)输出有看家产品需求的待测用户的用户数据，以对有看家产品需求的用户进行精准营销。本方案基于深度神经网络模型预测用户的看家产品需求，模型训练更充分，特征提取更准确，能有效挖掘用户的潜在产品需求，提高了看家产品需求的预测精度。下面通过具体实施例对本发明提出的看家产品需求的预测方法作进一步解释说明。
64.请参照图2，图2是本发明看家产品需求的预测方法的第一实施例的流程示意图，所述看家产品需求的预测方法包括：
65.步骤s10，通过预设平台获取预设时段内待测用户的用户数据；
66.本发明看家产品需求的预测方法的执行主体是看家产品需求的预测装置，其中，看家产品需求的预测装置可以是计算机或者服务器，在其他实施例中，看家产品需求的预测装置也可以根据实际需要确定，本实施例对此不作限定。
67.看家产品需求的预测装置通过预设平台获取预设时段内待测用户的用户数据，其中，预设平台包括手机用户标签平台、宽带上网dpi(deep packet inspection，深度报文检测)平台以及手机上网dpi平台；预设时段可以是6个月；待测用户是指未知看家产品需求的用户；用户数据包括待测用户的用户标签数据、宽带上网数据以及手机上网数据，用户数据包含了涉及待测用户看家产品需求的数据。
68.具体地，看家产品需求的预测装置通过手机用户标签平台、宽带上网dpi平台以及
手机上网dpi平台获取待测用户近6个月的用户标签数据、宽带上网数据以及手机上网数据得到待测用户的用户数据。
69.需要说明的是，在其他实施例中，预设平台也可以是上述三个平台中的一个或者两个平台，预设平台也可以是其他可以用于分析用户看家产品需求的数据平台，本实施例对此不作限定。可以理解的是，当预设平台发生变化时，相应的从预设平台获取的用户数据也会发生变化。预设时段也可以根据实际需要确定，本实施例对此不作限定。
70.步骤s20，根据所述待测用户的用户数据确定用于预测所述待测用户的看家产品需求的特征数据；
71.看家产品需求的预测装置获取到待测用户的用户数据后，根据所述待测用户的用户数据提取用于预测待测用户看家产品需求的特征数据，其中，特征数据可以包括待测用户的手机用户价值标签等级、被叫老人频次等级、被叫小孩频次等级、手机用户高通话低流量比、宽带访问竞品看家产品频次、手机访问竞品看家产品频次、手机用户年龄范围级、手机号是否亲情号主、手机流量白天与晚上的消耗比以及手机号是否有归属宽带业务等。特征数据的数量以及具体类型可以根据获取的用户数据按需提取。需要说明的是，一般来说，特征数据越多，表明提取的待测用户的看家产品需求的特征越多，特征提取更加充分，预测准确率更高。
72.步骤s30，根据所述特征数据以及深度神经网络模型确定所述待测用户的看家产品需求。
73.看家产品需求的预测装置获取到特征数据后，将特征数据作为输入数据，输入深度神经网络模型对待测用户的看家产品需求进行预测，其中，深度神经网路模型通过已知看家产品需求的用户的用户数据训练得到，可以直接对待测用户的看家产品需求进行预测，深度神经网络模型包括一个输入层、多个隐藏层、一个输出层，输入层的神经元数量与特征数据的数量相同，隐藏层的数量可以根据实际需要确定，可选为4层，每个隐藏层包括若干神经元数量，输出层包括一个神经元，其输出结果为1维数据，可选为0或者1，其中，可以用0代表待测用户无看家产品需求，用1代表待测用户有看家产品需求。
74.具体地，根据特征数据以及深度神经网络模型确定待测用户的看家产品需求的预测值，在预测值为预设值时，确定待测用户有看家产品需求。其中，预测值可以为上述深度神经网路模型输出层的输出结果0或者1，预设值可以是输出结果1，将特征数据作为输入数据输入深度神经网络模型得到待测用户的看家产品需求的预测值，在预测值为预设值1时，确定待测用户有看家产品需求，可以理解的是，当预测值不为预设值1时(预测值为0时)，确定待测用户无看家产品需求。
75.进一步地，看家产品需求的预测装置在确定待测用户的看家产品需求后，可以输出有看家产品需求的待测用户的用户数据，并对有看家产品需求的待测用户的用户数据进行脱敏处理，根据脱敏处理后的用户数据对有看家产品需求的待测用户的终端设备发送看家产品的推送信息。脱敏处理可以是对有看家产品需求的待测用户的敏感信息进行隐藏或者加密，敏感信息可以包括电话号码、身份证号码等；终端设备可以是有看家产品需求的待测用户的手机终端或者电视终端等设备；推送信息的形式可以是短信、语音以及视频。
76.需要说明的是，看家产品需求的预测装置在确定待测用户的看家产品需求后，也可以将有看家产品需求的待测用户的用户数据进行保存，当所有待测用户都预测完毕后，
将所有有看家产品需求的用户的用户数据以数据清单的方式集中输出，集中进行脱敏处理以及集中发送看家产品的推送信息。
77.本实施例通过向有看家产品需求的待测用户的终端设备发送看家产品的推送信息可以实现对有看家看品需求的用户的精准营销。
78.本实施例提供的技术方案中，通过通过预设平台获取预设时段内待测用户的用户数据，根据待测用户的用户数据确定用于预测待测用户的看家产品需求的特征数据，根据特征数据以及深度神经网络模型确定待测用户的看家产品需求。本方案基于深度神经网络模型预测用户的看家产品需求，模型训练更充分，特征提取更准确，能有效挖掘用户的潜在产品需求，提高了看家产品需求的预测精度。
79.请参照图3，图3是本发明看家产品需求的预测方法的第二实施例的流程示意图，基于第一实施例，上述s10的步骤之前，还包括：
80.步骤s40，获取已知看家产品需求的用户的用户数据；
81.看家产品需求的预测装置可以基于深度学习框架tensorflow以及python算法搭建预设网络模型，搭建的预设网络模型为尚未训练的深度神经网络模型，预设网络模型与第一实施例中的训练好的深度神经网络模型的网络结构相同，包括一个输入层、多个隐藏层以及一个输出层，其中，所述输入层的神经元数量与特征数据的数量相同，隐藏层的数量可选为4个，其中，当隐藏层的数量为4个时，第1个隐藏层可以含有64个神经元，第2个隐藏层可以含有32个神经元，第3个隐藏层可以含有16个神经元，第4个隐藏层可以含有8个神经元。需要说明的是，隐藏层使用的激活函数均为'relu'函数，输出层使用的激活函数为'sigmoid'。
82.看家产品需求的预测装置搭建好预设网络模型后，从预设平台获取已知看家产品需求的用户的用户数据。当然，也可以先获取已知看家产品需求的用户的用户数据再搭建预设网络模型。
83.步骤s50，根据已知看家产品需求的用户的用户数据确定样本特征数据；
84.步骤s60，根据所述样本特征数据以及预设网络模型确定所述深度神经网络模型。
85.看家产品需求的预测装置根据已知看家产品需求的用户的用户数据提取样本特征数据，样本特征数据与第一实施例中的特征数据的类型和数量相同。样本特征数据包括训练特征数据以及测试特征数据。
86.采用训练特征数据对预设网络模型进行训练，以确定预设网络模型的目标权重值。具体地，采用训练特征数据对搭建好的预设网络模型进行训练，并计算预设网络模型的损失函数，判断训练后的预设网络模型的损失函数是否收敛，当训练后的预设网络模型的损失函数收敛时，将预设网络模型的损失函数收敛时对应的权重值确定为预设网络模型的目标权重值。可以理解的是，当训练后的预设网络模型的损失函数不收敛时，调整所述预设网络模型的训练参数，继续采用训练特征数据对预设网络模型进行训练直至预设网络模型的损失函数收敛得到预设网络模型的目标权重值。
87.在得到预设网络模型的目标权重值后，将预设网络模型的权重值设置为目标权重值，采用测试特征数据对设有目标权重值的预设网络模型进行测试，以测试设有目标权重值的预设网络模型预测看家产品需求的准确率，在准确率大于预设阈值时，将设有目标权重值的预设网络模型确定为深度神经网络模型，该深度神经网络模型可以直接用于预测待
测用户是否有看家产品需求。可以理解的是，若准确率小于或等于预设阈值，表明预设网络模型并未训练成功，继续调整训练参数，采用训练特征数据对预设网络模型进行训练，直至准确率大于预设阈值。需要说明的是，预设阈值可以根据及预测精度的需要设置，本实施例对此不作限定。
88.本实施例提供的技术方案中，同通过获取已知看家产品需求的用户的用户数据，根据已知看家产品需求的用户的用户数据确定样本特征数据，根据所述样本特征数据以及预设网络模型确定深度神经网络模型。本方案通过已知看家产品需求的用户的用户数据对预设网咯模型进行训练得到用于预测看家产品需求的深度神经网络模型，模型训练更加全面、高效，可以提高深度神经网络模型对看家产品需求的预测精度。
89.基于上述实施例，请参照图4，本发明还提供了一种看家产品需求的预测装置，所述看家产品需求的预测装置包括：
90.获取模块100，通过预设平台获取预设时段内待测用户的用户数据；
91.确定模块200，用于根据所述用户数据确定预测所述待测用户的看家产品需求的特征数据；
92.预测模块300，用于根据所述特征数据以及深度神经网络模型确定所述待测用户的看家产品需求。
93.可选地，所述根据所述特征数据以及深度神经网络模型确定所述待测用户的看家产品需求方面，所述预测模块300具体应用于：
94.根据所述特征数据以及所述深度神经网络模型确定所述待测用户的看家产品需求的预测值；
95.在所述预测值为预设值时，确定所述待测用户有看家产品需求。
96.可选地，所述看家产品需求的预测装置还包括训练模块400，所述训练模块400具体应用于：
97.获取已知看家产品需求的用户的用户数据；
98.根据已知看家产品需求的用户的用户数据确定样本特征数据；
99.根据所述样本特征数据以及预设网络模型确定所述深度神经网络模型。
100.可选地，所述根据所述样本特征数据以及预设网络模型确定所述深度神经网络模型方面，所述训练模块400具体用用于：
101.采用所述训练特征数据对所述预设网络模型进行训练，以确定所述预设网络模型的目标权重值；
102.将所述预设网络模型的权重值设为所述目标权重值；
103.采用所述测试特征数据对设有目标权重值的所述预设网络模型进行测试，以测试设有目标权重值的所述预设网络模型预测看家产品需求的准确率；
104.在所述准确率大于预设阈值时，将设有目标权重值的所述预设网络模型确定为所述深度神经网络模型。
105.可选地，所述看家产品需求的预测装置还包括输出模块500，所述输出模块500具体应用于：
106.输出有看家产品需求的待测用户的用户数据；
107.对所述有看家产品需求的待测用户的用户数据进行脱敏处理；
108.根据脱敏处理后的所述用户数据对有看家产品需求的待测用户的终端设备发送看家产品的推送信息。
109.基于上述实施例，本发明还提供了一种看家产品需求的预测装置，上述看家产品需求的预测装置可以包括存储器、处理器及存储在上述存储器上并可在上述处理器上运行的看家产品需求的预测程序，上述处理器执行上述看家产品需求的预测程序时，实现如上述任一实施例所述的看家产品需求的预测方法的步骤。
110.基于上述实施例，本发明还提供一种计算机可读存储介质，其上存储有看家产品需求的预测程序，上述看家产品需求的预测程序被处理器执行时实现如上述任一实施例所述的看家产品需求的预测方法的步骤。
111.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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。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、物品或者系统中还存在另外的相同要素。
112.上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
113.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，本发明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如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是智能电视、手机、计算机等)执行本发明各个实施例所述的方法。
114.以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明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，均同理包括在本发明的专利保护范围内。