实现游戏业务量预估的方法、装置和计算机可读存储介质与流程

文档序号:11177913阅读:290来源:国知局
实现游戏业务量预估的方法、装置和计算机可读存储介质与流程

本发明涉及互联网应用技术领域,特别涉及一种实现游戏业务量预估的方法、装置和计算机可读存储介质。



背景技术:

随着互联网应用技术的迅猛发展,出现了各种游戏业务。各种游戏业务在其运营中往往需要获得游戏业务量,以描述游戏业务的运营情况。游戏业务量作为运营情况的数据反映,可以进行游戏业务量的预测而为游戏业务的运营提供未来业务量数据,进而为服务器资源的合理调度和运营决策提供保障。

在实际游戏业务运营过程中,往往存在着常态化的运营以及非常态化运营。例如,节假日期这一特殊场景的游戏业务运营即为非常态化运营过程。

但是,所进行的游戏业务量预测是以游戏业务的常态化运营为基准的,相应获得的未来业务量数据用于反映长期趋势性。非常态化游戏业务运营中实际产生的游戏业务量与长期趋势性不相符。因此,现有的游戏业务量预测并未适用于非常态化运营,特别是节假日这一特殊场景游戏业务的运营,其原因在于现有游戏业务量预测的实现仅仅是基于长期趋势性的历史统计数据。

由此,所获得的未来业务量数据与常态化的游戏业务量相匹配,相对于非常态化的游戏业务量,特别是在节假日这一特殊场景下的预测,往往存在着非常大的偏差,进而造成游戏业务量的预测精度较低。



技术实现要素:

为了解决相关技术中游戏业务量的预测在节假日这一特殊场景下存在着精底较低,偏差较大的技术问题,本发明提供了一种实现游戏业务量预估的方法、装置和计算机可读存储介质。

一种实现游戏业务量预估的方法,所述方法包括:

根据游戏业务运行的历史统计数据而预测得到待预测节假日的预测值;

在得到所述待预测节假日的预测值之后,由游戏业务运行的历史统计数据计算待预测节假日在历史年度中与其它节假日之间的关联关系,由此关联关系获得待预测节假日关联的历史已发生节假日;

根据所述待预测节假日关联的历史已发生节假日,从所述历史统计数据得到所述待预测节假日期间游戏业务量的相似历史统计数据;

根据所述游戏业务量的相似历史统计数据对所述待预测节假日的预测值进行增益处理,通过所述预测值的增益处理而修正所述预测值。

一种实现游戏业务量预估的装置,所述装置包括:

游戏业务量预测模块,用于根据游戏业务运行的历史统计数据而预测得到待预测节假日的预测值;

关联假日获得模块,用于在得到所述待预测节假日的预测值之后,根据游戏业务运行的历史统计数据计算待预测节假日在历史年度中与其它节假日之间的关联关系,由所述关联关系获得待预测节假日关联的历史已发生节假日;

相似数据获得模块,用于根据所述待预测节假日关联的历史已发生节假日,从所述历史统计数据得到所述待预测节假日期间游戏业务量的相似历史统计数据;

预测修正模块,用于根据所述游戏业务量的相似历史统计数据修正所述待预测节假日的预测值进行增益处理,通过所述预测值的增益处理而修正所述预测值。

一种实现游戏业务量预估的装置,包括:

处理器;以及

存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时实现如上所述的实现游戏业务量预估的方法。

一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的实现游戏业务量预估的方法。

本发明的实施例提供的技术方案可以包括以下有益效果:

在随着游戏业务的运行而产生的历史统计数据中,首先根据游戏业务运行的历史统计数据而预测得到待预测节假日的预测值,在得到待预测节假日的预测值之后,由游戏业务运行的历史统计数据计算待预测节假日在历史年度中与其它节假日之间的关联关系,由关联关系获得待预测节假日关联的历史已发生节假日,由此相应得到了待预测节假日期间游戏业务量的相似历史统计数据,相似历史统计数据是与节假日这一特殊场景下游戏业务运营情况存在着相似性的,对于节假日所对应非常态化运营时游戏业务量的预测值,能够以相似历史统计数据为依据进行与节假日所对应非常态运营情况相符的修正,从而使得游戏业务量的预测在节假日这一特殊场景下存在着精度较高,偏差小的优势。

应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并于说明书一起用于解释本发明的原理。

图1是根据一示例性实施例示出的一种实现游戏业务量预估的方法的流程图;

图2是根据图1对应实施例示出的对步骤130的细节进行描述的流程图;

图3是根据图2对应实施例示出的对步骤133的细节进行描述的流程图;

图4是根据图2对应实施例示出的对步骤131的细节进行描述的流程图;

图5是根据图2对应实施例示出的对步骤110的细节进行描述的流程图;

图6是根据另一示例性实施例示出的一种实现游戏业务量预估的方法的流程图;

图7是根据图1对应实施例示出的对步骤170的细节进行描述的流程图;

图8是根据一示例性实施例示出的节假日预测修正的流程框架示意图;

图9是根据一实际预测中节假日前两天预测与实际值修正前后的比对示意图;

图10是根据一示例性实施例示出的一种实现游戏业务量预估的装置的框图;

图11是根据图10对应实施例示出的对关联假日获得模块的细节进行描述的框图;

图12是根据图11对应实施例示出的对关联性运算单元的细节进行描述的框图;

图13是根据图11对应实施例示出的对数据处理单元的细节进行描述的框图;

图14是根据图10对应实施例示出的对游戏业务量预测模块的细节进行描述的框图;

图15是根据另一示例性实施例示出的一种实现游戏业务量预估的装置的框图;

图16是根据图10对应实施例示出的对预测修正模块的细节进行描述的框图;

图17是根据一示例性实施例示出的一种装置的框图。

具体实施方式

这里将详细地对示例性实施例执行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

图1是根据一示例性实施例示出的一种实现游戏业务量预估的方法的流程图。该实现游戏业务量预估的方法,如图1所示,可以包括以下步骤。

在步骤110中,根据游戏业务运行的历史统计数据而预测得到待预测节假日的预测值。

其中,游戏业务用于实现相应游戏应用中提供给用户的各种服务。例如,通过游戏业务的配置而在用户所运行的游戏应用中的虚拟游戏场景,并且在此虚拟游戏场景实现相应虚拟角色对象的操控。

用于进行待预测节假日预测的历史统计数据是这一待预测节假日在历史年度的历史统计数据,其可根据待预测节假日在游戏业务运行而产生的历史统计数据中,提取进行待预测节假日预测的历史统计数据。

待预测节假日的预测值,是为即将发生的节假日,即待预测节假日进行游戏业务量的预测而获得。在游戏业务的长期性运营中,进行着即将发生的时间段实现此时间段的游戏业务量预测,待预测节假日便作为一即将发生的时间段而加入日常的游戏业务量预测。

在步骤130中,在得到待预测节假日的预测值之后,根据游戏业务运行的历史统计数据计算待预测节假日在历史年度中与其它节假日之间的关联关系,由关联关系获得待预测节假日关联的历史已发生节假日。

其中,游戏业务被配置于游戏应用中,有其对应的业务逻辑,通过业务逻辑的执行实现游戏应用中的相应游戏业务,最终为用户实现虚拟场景下的交互。

游戏业务在被投放运营的过程中,随着用户通过客户端中游戏业务的触发而使得此游戏业务被运行,进而方能够实现可供用户操控的虚拟场景。在游戏业务的运行中,会不断进行游戏业务量的统计产生相应统计数据,进而作为游戏业务运行的历史统计数据存储。

因此,历史统计数据指示了游戏业务运行的游戏业务量,用于反映游戏业务的运营状况。根据历史统计数据可以回溯游戏业务的运营。

在游戏业务被投放运营的过程中,随着其持续运行,必然会经历各种节假日,节假日的存在将对游戏业务的运行情况产生影响。例如,在节假日期间,游戏业务量往往会发生涨跌,而较之平日下的常态而言,大不相同。

在所进行的游戏业务量预估中,每当即将迎来一节假日,都需要专门对此节假日进行有针对性的游戏业务量预估。

由此,待预测节假日是即将到来的一节假日,将即将到来的节假日指定为待预测节假日。

历史已发生节假日是与待预测节假日之间具备关联关系的节假日。游戏业务运行的历史统计数据中,存在着游戏业务被投放运营以来每一历史年度中每一天的游戏业务数据,而任一节假日都是对应于所在历史年度的某一天的,故从游戏业务运行的历史统计数据中能够获得历史年度中各节假日的历史统计数据。

历史年度中的各节假日,存在着与待预测节假日实质为相同节日的一节假日,以及其它节假日。在各历史年度中,以历史统计数据为依据,计算待预测节假日在历史年度中与其它节假日之间的关联关系,由此关联关系便获得待预测节假日在各历史年度中关联的历史已发生节假日。

在一个示例性实施例的具体实现中,所进行的历史已发生节假日的计算是针对每一历史年度以及业务渠道而执行的。可以理解的,游戏业务的投放运行必然是依赖于各种业务渠道的,例如,可供用户获得此游戏业务的平台等,游戏业务的运行中根据其所在的业务渠道,运营情况各有不同,与之相对应的游戏业务量也各不相同。

针对每一历史年度,以及此历史年度中每一业务渠道为待预测节假日计算关联的历史已发生节假日。待预测节假日的游戏业务量预测将会针对不同业务渠道进行,能够提高预测的有效性和针对性,进而使得预测的精准性获得相应提高。

至此便可以为待预测节假日在游戏业务运行的历史统计数据获得所有与之存在关联关系的历史已发生节假日,进而为后续所进行待预测节假日期间游戏业务量的预测提供足够的样本,能够以此为基础优化预测过程。

在步骤150中,根据待预测节假日关联的历史已发生节假日,从历史统计数据得到待预测节假日期间游戏业务量的相似历史统计数据。

其中,相似历史统计数据与待预测节假日期间游戏业务量存在相似性,因此相似历史统计数据可以作为待预测节假日在各历史年度的历史统计。

如前所述的,待预测节假日关联的历史已发生节假日与待预测节假日之间具备着相似性关系,可以按照待预测节假日关联的历史已发生节假日在历史统计数据中提取其所对应的历史统计数据,进而将提取的历史统计数据作为待预测节假日期间游戏业务量的相似历史统计数据。

遍历游戏业务所有历史年度和所有业务渠道,获得待预测节假日关联历史已发生节假日的历史统计数据,由获得的历史统计数据而获得分别对应于所有历史已发生节假日且相对于待预测节假日相似的相似历史统计数据。

在此应当进行说明的是,前述步骤所获得的待预测节假日关联的历史已发生节假日,每一历史已发生节假日都是唯一对应于一历史年度,甚至于还唯一对应于一业务渠道。

在步骤170中,根据游戏业务量的相似历史统计数据对待预测节假日的预测值进行增益处理,通过预测值的增益处理而修正预测值。

其中,如前所述的,待预测节假日的预测值是基于游戏业务运行的历史统计数据而预测得到的。

应当理解的,在游戏业务被投放运营的过程中,会发布各种活动进行此游戏业务的推广,也会随着游戏业务的不断优化而进行版本发布。游戏业务的运营情况,将随着各种活动的发布、新版本的发布以及节假日的到来而发生游戏业务量的涨跌。

但是,对于游戏业务而言,活动和版本更新是其运营所必然存在的,与游戏业务本身紧密相关,因此,活动和版本更新是游戏业务所必不可少的运营过程,其相应呈现的运营情况是常态化的运营情况。

换而言之,无论活动还是版本更新,均是有规律进行的有序执行过程,相对于持续所进行的长期趋势记录,活动和版本更新也是为游戏业务的运营而长期推进的,对应于活动发布和版本发布期间的历史统计数据,是描述长期性趋势的历史统计数据的一部分,是游戏业务运行的常态化数据。

而节假日则是作为外部因素影响着游戏业务的运营,虽然也是有规律存在的,节假日会造成游戏业务量涨跌。节假日期间游戏业务运行而产生的历史统计数据是游戏业务运行的非常态化数据。

基于游戏业务运行的历史统计数据而预测得到待预测节假日的预测值,相对于节假日期间游戏业务的实质运营情况而言是极不准确的,需要对此进行修正。

对于一节假日而言,每一年度仅有一次,因此在一历史年度中仅仅有一组历史统计数据。每一历史年度均有这一节假日的一组历史统计数据。这对于节假日期间游戏业务量的预测,若以此节假日在每一历史年度的一组历史统计数据为样本进行预测值的修正,必将会存在数据的有限的局限性,特别是发布时间不长的游戏业务,其数据则更少,并无法保证修正的准确性。

而为一节假日,即待预测节假日所获得的相似历史统计数据,则为其所对应的样本实现了准确扩充,在扩大样本量的同时,相似历史统计数据是与待预测节假日期间游戏业务量的历史统计数据相似的,因此相似历史统计数据相对待预测节假日而言,也保障了所扩充样本的准确性。

由此,即可根据相似历史统计数据为待预测节假日进行预测值的修正。在一个示例性实施例的具体实现中,可以由相似历史统计数据而运算得到待预测节假日期间存在的涨跌值,按照运算得到的涨跌值来对预测值进行增益处理。

进一步的,首先对相似历史统计数据进行平均值的运算,得到一具体数值,再由此具体数值而运算得到待预测节假日期间存在的涨跌值。

在由上所述的示例性实施例中,为游戏业务的游戏业务量预估实现了针对于节假日这一特殊场景下游戏业务量的预测,进而相应获得能够准确反映节假日期间游戏业务运营情况,是对游戏业务运营中游戏业务量的长期性趋势预测的准确性补充,具备非常强的针对性和有效性。

图2是根据图1对应实施例示出的对步骤130的细节进行描述的流程图。该步骤130,如图2所示,可以包括以下步骤。

在步骤131中,在预测得到待预测节假日的预测值之后,控制从游戏业务运行的历史统计数据获得对应于待预测节假日的统计数据序列,以及历史已发生节假日统计数据序列,历史已发生节假日统计数据序列对应的历史已发生节假日区别于待预测节假日。

其中,在游戏业务运行的过程中,随着游戏业务的持续运行而持续产生历史统计数据。换而言之,持续产生的历史统计数据是对应于所设定的每一时间节点的,例如,游戏业务运行的每一日。

不同节假日所对应的时间长度各不相同,由此在不同的节假日期间,包含了数量不同的时间节点。需要此预先进行处理,使得每一节假日包含相同的时间节点,相应的数据长度方能够相同,从而方便后续进行准确的计算。

具体而言,在游戏业务运行的历史统计数据中,针对每一节假日,按照指定的时间长度进行所对应历史统计数据的统一处理,得到时间长度相同的统计数据序列。所对应节假日与待预测节假日相同的统计数据序列,是对应于待预测节假日的统计数据序列。

为其它节假日进行历史统计数据统一处理而获得的统计数据序列即为历史已发生节假日统计数据序列。

在步骤133中,进行对应于待预测节假日的统计数据序列和历史已发生节假日统计数据序列之间的运算,得到待预测节假日与历史已发生节假日之间存在的关联关系,从关联关系获得待预测节假日关联的历史已发生节假日。

其中,针对每一历史年度,进行各节假日与待预测节假日二者之间统计数据序列的相似性运算,所指的各节假日,是历史年度中区别于待预测节假日的其它节假日。

统计数据序列是对相应节假日期间游戏业务运营情况的数据描述。因此,通过统计数据序列的相似性运算实质即为两个节假日的相似性评价过程,通过相似性评价过程而确定两个节假日之间是否存在着关联关系,进而确定与待预测节假日最为相似的节假日,此节假日即为与待预测节假日关联的历史已发生节假日,也就是说,与待预测节假日存在着关联关系的历史已发生节假日,才可成为待预测节假日关联的历史已发生节假日;反之,与待预测节假日并未存在关联关系的历史已发生节假日,则不可以作为待预测节假日关联的历史已发生节假日。

通过如上所述的示例性实施例,实现了待预测节假日与其它节假日的关联性计算,借助于统计数据序列而保证关联性计算的准确性。

图3是根据图2对应实施例示出的对步骤133的细节进行描述的流程图。该步骤133,如图3所示,可以包括以下步骤。

在步骤1331中,按照历史年度进行对应于待预测节假日的统计数据序列和历史已发生节假日统计数据序列之间的相似性运算,得到待预测节假日与对应历史已发生节假日之间的距离。

其中,如前所述的,随着游戏业务运营所经历的年份,有其所对应的历史年度,在此便针对每一历史年度来进行相似性运算。

无论是对应于待预测节假日的统计数据序列,还是历史已发生节假日统计数据序列,对节假日期间运营情况的特征向量表示,是对节假日期间的变化特征量化的结果,故直接以此为依据进行待预测节假日和每一历史年度中其它历史节假日之间的相似性运算,由此而获得的数据,可以是以相似度的方式衡量相似性,也可以通过距离的方式衡量相似性。

在一个示例性实施例的具体实现中,相似性运算是距离运算。在此引入了闵可夫斯基距离(minkowskidistance)的概念。

闵可夫斯基距离定义如下:

其中,d12是特征x1k和特征x2k之间的距离,n为特征向量维度,p为一个变参数,p为1时d12是曼哈顿距离,p为2时d12是欧式距离,p为∞时d12是切比雪示夫距离。

在实际应用中,仅仅考虑了单一特征,统计数据序列用于指示一游戏业务量在节假日期间的变化率,因此使用欧式距离进行计算,度量游戏业务在各个业务渠道节假日的相似性,这一相似性指示了两个节假日之间数据分布的相似程度,距离越大则相似性越低。

在步骤1333中,根据距离确定待预测节假日与历史已发生节假日之间存在的关联关系,将所述关联关系指示的历史已发生节假日作为与待预测节假日关联的历史已发生节假日。

其中,距离大小表征了待预测节假日与历史已发生节假日之间的关联性,因此可以根据距离大小而确定待预测节假日与一历史已发生节假日之间是否存在着关联关系,对应于较小距离的待预测节假日与历史已发生节假日之间存在着关联关系。根据所运算得到的距离来获得每一历史年度中相对待预测节假日距离较小的节假日,其即为与待预测节假日关联的历史已发生节假日。

通过如上所述的示例性实施例,为待预测节假日实现了关联性计算,获得待预测节假日在每一年度所存在的关联关系,即由待预测节假日与其关联的历史已发生节假日构成了此关联关系。

图4是根据图2对应实施例示出的对步骤131的细节进行描述的流程图。该步骤131,如图4所示,可以包括以下步骤。

在步骤1311中,预测得到待预测节假日的预测值之后,在游戏业务运行的历史统计数据中,按照历史年度所存在的节假日提取对应于待预测节假日的历史统计数据和历史已发生节假日历史统计数据。

其中,首先按照历史年度进行每一节假日所对应历史统计数据的提取。对为每一节假日提取所获得的历史统计数据,所对应的时间长度可能相同,也可能各不相同。

例如,为元旦假期而获得的历史统计数据,其时间长度为三天;为春节假期而获得的历史统计数据,时间长度则为七天,以此类推,为五一假期获得的历史统计数据时间长度为三天,故各节假日之间其历史统计数据的时间长度是相同的,也可以是不相同的。

在步骤1313中,按照指定时间长度分片处理对应于待预测节假日的历史统计数据和历史已发生节假日历史统计数据,获得对应于待预测节假日的统计数据序列和历史已发生节假日统计数据序列。

其中,指定时间长度必须是在每一节假日均能够满足的。例如,指定时间长度可以是三天,当然并不限于此,可以根据年度中节假日的分布以及节假日的时间长度而最终确定。

分片处理用于对时间长度超出指定时间长度的历史统计数据执行分片操作,获得与指定时间长度相符的统计数据序列,具体而言,获得对应于待预测节假日的统计数据序列和历史已发生节假日统计数据序列。

具体的,对于与指定时间长度相符的历史统计数据,将不做任何处理;对于超出指定时间长度的历史统计数据,将按照指定时间长度对其执行分片操作,得到若干个统计数据序列。例如,对应于节假日前几天的统计数据序列,对应于节假日后几天的统计数据序列,甚至于对应于节假日中的统计数据序列。

通过如上所述的示例性实施例,使为每一节假日实现了数据的统一处理,最终获得易于进行运算的序列。

所获得的统计数据序列,将是相应节假日期间游戏业务运营的某一游戏业务量所对应的特征向量,以此来描述相应节假日期间游戏业务的运营情况。

根据图1对应实施例,在一个示例性实施例中,相似历史统计数据从历史已发生节假日统计数据序列获得,步骤130包括:

在由历史统计数据获得的历史已发生节假日统计数据序列中,为待预测节假日提取得到对应于关联历史已发生节假日的历史已发生节假日统计数据序列,提取的历史已发生节假日统计数据序列即为待预测节假日期间游戏业务量的相似历史统计数据。

其中,如前所述的,对于各节假日,包括与待预测节假日相同的节假日,都可由历史统计数据而获得相应统计数据序列。待预测节假日关联的历史已发生节假日有其对应的统计数据序列,即历史已发生节假日统计数据序列。

由于历史已发生节假日与待预测节假日存在着关联关系,故二者所对应的统计数据序列所指示的游戏业务量分布是相似的。

图5是根据图3对应实施示出的对步骤110的细节进行描述的流程图。步骤110如图5所示,可以包括以下步骤。

在步骤111中,按照指定特征维度从游戏业务运行的历史统计数据提取待测节假日期间游戏业务量预测的特征。

其中,首先应当说明的是,游戏业务量的长期趋势预测是通过预先构建的模型实现。具体而言,将按照指定特征维度而为此预测提取相应特征,进而以提取的特征为输入即可由预先构建的模型获得游戏业务量的预测值。

而对于待预测节假日而言,也将通过预先构建的模型进行游戏业务量的预测,然后再对此预测进行修正即可。

游戏业务运营中存在着多种游戏业务量,并且也可以由某几个游戏业务量作为特征,通过模型运算得到另一游戏业务量,因此,根据所预测游戏业务量的不同,所对应的特征维度以及特征各不相同,只需要按照指定特征维度进行历史统计数据中的特征提取即可。

在步骤113中,通过特征在预先构建的回归模型进行待预测节假日期间游戏业务量的预测,获得待预测节假日的预测值。

其中,前述所指的模型,在一个示例性实施例的具体实现中,可以是回归模型。例如,所使用的回归模型可以包括线性回归模型和随机森林回归模型。

用于描述游戏业务运营情况的数据包括dau(每日活跃用户量,activedailyusers)、acu(平均同时在线玩家人数,averageconcurrentusers)和pcu(最高同时在线玩家人数,peakconcurrentusers)等。

为适应于游戏业务运营中的成本管理,包括服务器的缩容、降配、扩容、开区和监控告警等场景,游戏业务量将是以相应变化率的形式存在。

与之相对应的,所获得的特征以及输出的预测值也将是以变化率的形式而存在,进而方能够准确应用于游戏业务运营的成本管理。

多种游戏业务量中,对于dau相关的游戏业务量预测,预测问题可以拆解成留存和新进,dau等于每日用户留存量和每日用户新进量的和,因此时间模型,比如时间序列模型arima,在dau相关游戏业务量的预测上能够取得很好的效果。

与dau相比,pcu很难拆分,且游戏大区的pcu数据不够平移。并且还常常会受到很多因素的影响而发生波动,比如,游戏业务所处的生命周期阶段、活动发布、新版本发布、节假日等待。在实际运营过程中,上周同期的pcu经常被用来作为参考值。然而,当预测窗口超过15天时,针对pcu进行的游戏业务量预测中同期的预测值始终都是一个数值,这显然是不准确的。假设上周同期的这个点刚好是一个异常点,预估偏差就会更大。

考虑到拆分的思路不可行,时间序列效果不明显,相对于上周期偏差大,因此需要采用回归模型来进行游戏业务量的预测。

回归模型分为线性回归模型和非线性回归模型,线性回归模型有经典的线性回归模型(basiclinearregression),非线性回归模型有:随机森林回归模型(randomforestregression)。

在进行长期趋势的预测中,通过模型而获得预测值,具备高精度,而在节假日等特殊场景下,则需要通过关联的历史已发生节假日来修正。

图6是根据另一示例性实施例示出的一种实现游戏业务量预估的方法的流程图。该实现游戏业务量预估的方法,在步骤330之前,如图6所示,可以包括以下步骤。

在步骤410中,由游戏业务运行的历史统计数据获得样本数据。

其中,如前所述的,历史统计数据是随着游戏业务的运行而不断产生的,因此,历史统计数据包括了各历史已发生时间节点所对应的历史游戏业务量。对于回归模型的训练而言,将以此历史游戏业务量作为样本数据。

在步骤430中,进行样本数据中的离群点检测,剔除样本数据中对应于特殊场景的数据点,得到回归模型的训练样本。

其中,游戏业务的实际运营中,对于大量的样本数据,相对于其长期趋势,存在着离群点。而对于游戏业务,除了常规的活动发布和版本发布之外,随着实际运营的情况往往存在着各种突发状况,即非常规的活动发布和新版本发布,这样的过程对于游戏业务运营而言是异常,而在所大量获得的样本数据中,也将表现为异常点。故对于模型训练和后续的预测而言,都是等造成误差的重要因素,应当在样本数据中进行离群点的检测,得到适用于回归模型训练的训练样本。

具体的,针对突发的活动发布和版本发布,可以采用sigma检测来确定离群点,进而将确定的离群点从样本数据中剔除即可。

在如上所述的示例性实施例中,为模型的训练样本准备提供了具体实现,并且保证了模型训练和预测的精准性。

图7是根据图1对应实施例示出的对步骤170的细节进行描述的流程图。该步骤170,如图7所示,可以包括以下步骤。

在步骤151中,根据待预测节假日期间游戏业务量相似历史统计数据获得待测节假日的修正幅度值。

其中,如前所述的,预测节假日期间游戏业务量的相似历史统计数据是由预测节假日所关联历史已发生节假日获得的。具体而言,通过相似性计算而获得待预测节假日所关联的历史已发生节假日。所获得的历史已发生节假日是针对于每一历史年度中各节假日计算得到的,因此,为待预测节假日所获得的历史已发生节假日必然是分别于各历史年度以及各节假日中的,其数量为多个。

与之相对应的,由于待预测节假日期间游戏业务量的相似历史统计数据是按照待预测节假日所关联历史已发生节假日而填充得到的,其数量也为多个。

在一个示例性实施例的具体实现中,所获得预测节假日期间游戏业务量相似历史统计数据,将形成节假日相似序列矩阵,至此,便由此节假日相似序列矩阵来确定待预测节假日的修正幅度值。

由于相假历史统计数据是作为待预测节假日的样本补充而存在的,以弥补游戏业务运行的历史统计数据中待预测节假日的样本数据不充足,进而是能够实现精准预测的缺陷,所以根据待预测节假日期间游戏业务量相似历史统计数据而获得待预测节假日的修正幅度值。修正幅度值指示了待预测节假日期间游戏业务量的预测值所需要进行的涨幅调整或跌幅调整。

在一个示例性实施例的具体实现中,可以是运算节假日相似序列矩阵中各元素之间的均值,根据此均值相对于上一预测窗口中的游戏业务量而得到待预测节假日的修正幅度值。

在另一个示例性实施例的具体实现迥,可通过节假日相似序列矩阵作为样本而进行回归模型的参数优化,以获得适用于待预测节假日的模型,进而最终获得优化修正后的修正幅度值。

在步骤173中,按照修正幅度值进行与预置强规则策略相符的预测值调整,获得待预测节假日的预测优化值。

其中,强规则策略是为游戏业务的运营而预先配置的。强规则策略用于指示对待预测节假日所强制执行的调整。强规则策略包括节假日前两天游戏业务量呈现明显涨幅的策略、节假日后游戏业务量自然回落的策略等。

强规则策略根据游戏业务运营中面临的问题,特别是节假日期间预测所面临的问题而设定的,并且如前所述的,节假日作为特殊场景而存在,故由常态数据所实现的长期趋势预测中,并未能够准确反映特殊场景所存在的趋势,进而需要基于长期趋势预测而进行与预置强规则策略相符的预测值调整。

通过所进行的预测值调整,而保证了在后续回溯时能够得到非常好的预测效果,预测优化值与实际值拟合度较好。

如上所述的示例性实施例中,是基于游戏业务的运营而执行的各种游戏业务量预测,因此,本发明所涉及的实施环境,可以是游戏服务器,也可以是为为游戏服务器而配置的机器,用于为此游戏服务器实现其所运营游戏业务的游戏业务量预测,在此不进行一一列举和限定。

图8是根据一示例性实施例示出的节假日预测修正的流程框架示意图。在此节假日的预测修正中,以pcu相关的游戏业务量的预测为例,进行说明。

首先应当说明的是,对于与pcu相关的游戏业务量,游戏业务量指的是pcu相对于上一预测窗口中同期发生的涨幅或跌幅。预测窗口用于指示每一次预测所覆盖的时间长度,例如,具体实现中,所配置的预测窗口往往是15日的时间长度。

与pcu所相关的游戏业务量预测中,指定了多个特征维度来进行特征的提取,所提取的特征主要包括dau和acu。

如图8所示,与pcu所相关的游戏业务量预测的实现,分为两大部分,一部分是模型的构建,另一部分则是游戏业务量预测本身。

首先对于模型的构建而言,如图8所示的训练集,将由游戏业务运行而获得历史统计数据,由此历史统计数据通过执行前述图6所示的示例性实施例而获得模型构建所使用的训练集510。

通过训练集510而执行回归学习过程530,以构建适用于当前游戏业务长期趋势预测的回归模型,即如图8所示的函数h(x)。

在此基础上,在进行某一节假日,即前述所指待预测节假日期间游戏业务量的预测时,需要首先通过关联性计算而获得关联的历史已发生节假日,然后再根据历史已发生节假日来进行为待预测节假日进行样本扩充,获得待预测节假日期间游戏业务量的相似历史统计数据。

通过待预测节假日期间游戏业务量的相似历史统计数据来进行函数h(x)的优化,获得此待预测节假日的修正函数f(x)。

至此,特征dau和acu在被输入至回归模型,即函数h(x)之后,所输出的预测值通过修正函数f(x)而输出得到预测优化值,此预测优化值是为pcu相关的游戏业务量所最终得到的预测结果。在函数h(x)至修正函数f(x)的过程中,所获得的预测优化值相对于预测值,至少包括执行增益处理的过程。

例如,图9是根据一实际预测中节假日前两天预测与实际值修正前后的比对示意图。对于节假日前两天,结合游戏业务量相似历史统计数据以及强规则策略进行修改,则是基于游戏业务量相似历史统计数据进行增益处理并且保证增益处理的过程与强规则策略相符合的具体实现。

在图9可以明显看到,修正后的数值,相对于修正前,更符合节假日前存在活动发布而产生涨幅明显的现象,预测精度提升较大。

因此,通过如上所述的示例性实施例,能够为游戏运营中推广、服务器资源合理调度,运营决策等提供有保障的未来趋势数据,从而达到精细化运营的目的。

在如上所述的示例性实施例中,能够在所进行的游戏业务量预测中保证预测优化值与实际值具备较好的拟合度,且消除过拟合,克服了节假日等特殊场景以及其它突发情况的影响。

下述为本发明装置实施例,可以用于执行本发明上述实现游戏业务量预估的方法实施例。对于本发明装置实施例中未披露的细节,请参照本发明实现游戏业务量预估的方法实施例。

图10是根据一示例性实施例示出的一种实现游戏业务量预估的装置的框图。该实现游戏业务量预估的装置,如图10所示,可以包括但不限于:游戏业务量预测模块710、关联假日获得模块730、相似数据获得模块750和预测修正模块770。

游戏业务量预测模块710,用于根据游戏业务运行的历史统计数据而预测得到待预测节假日的预测值。

关联假日获得模块730,用于在得到待预测节假日的预测值之后,根据游戏业务运行的历史统计数据计算待预测节假日在历史年度中与其它节假日之间的关联关系,由关联关系获得待预测节假日关联的历史已发生节假日。

相似数据获得模块750,用于根据待预测节假日关联的历史已发生节假日,从历史统计数据得到待预测节假日期间游戏业务量的相似历史统计数据。

预测修正模块770,用于根据游戏业务量的相似历史统计数据修正待预测节假日的预测值进行增益处理,通过所述预测值的增益处理而修正所述预测值。

图11是根据图10对应实施例示出的对关联假日获得模块的细节进行描述的框图。该关联假日获得模块730,如图11所示,可以包括但不限于:数据处理单元731和关联性运算单元733。

数据处理单元731,用于在预测得到待预测节假日的预测值之后,控制从游戏业务运行的历史统计数据获得对应于待预测节假日的统计数据序列,以及历史已发生节假日统计数据序列,历史已发生节假日统计数据序列对应的历史已发生节假日区别于待预测节假日。

关联性运算单元733,用于进行对应于待预测节假日的统计数据序列和历史已发生节假日统计数据序列之间的运算,得到待预测节假日与历史已发生节假日之间存在的关联关系,从关联关系获得待预测节假日关联的历史已发生节假日。

图12是根据图11对应实施例示出的对关联性运算单元的细节进行描述的框图。该关联性运算单元733,如图12所示,可以包括但不限于:相似性运算子单元7331和假日提取子单元7333。

相似性运算子单元7331,用于按照历史年度进行对应于待预测节假日的统计数据序列和历史已发生节假日统计数据序列之间的相似性运算,得到待预测节假日与对应历史已发生节假日之间的距离。

假日提取子单元7333,用于根据距离确定待预测节假日与历史已发生节假日之间存在的关联关系,将关联关系指示的历史已发生节假日作为与待预测节假日关联的历史已发生节假日。

图13是根据图11对应实施例示出的对数据处理单元的细节进行描述的框图。该数据处理单元731,如图13所示,可以包括但不限于:历史统计数据提取子单元7311和分片处理子单元7313。

历史统计数据提取子单元7311,用于预测得到待预测节假日的预测值之后,在游戏业务运行的历史统计数据中,按照历史年度所存在的节假日提取对应于待预测节假日的历史统计数据和历史已发生节假日历史统计数据。

分片处理子单元7313,用于按照指定时间长度分片处理对应于待预测节假日的历史统计数据和历史已发生节假日历史统计数据,获得对应于待预测节假日的统计数据序列和历史已发生节假日统计数据序列。

在一个示例性实施例中,相似历史统计数据从历史已发生节假日统计数据序列获得,图10对应实施例的示的相似数据获得模块750进一步用于在由历史统计数据获得的历史已发生节假日统计数据序列中,为待预测节假日提取得到对应于关联历史已发生节假日的历史已发生节假日统计数据序列,提取的历史已发生节假日统计数据序列即为待预测节假日期间游戏业务量的相似历史统计数据。

图14是根据图10对应实施例示出的对游戏业务量预测模块的细节进行描述的框图。该游戏业务量预测模块710,如图14所示,可以包括但不限于:特征提取单元711和模型预测单元713。

特征提取单元711,用于按照指定特征统计从游戏业务运行的历史统计数据提取待测节假日期间游戏业务量预测的特征。

模型预测单元713,用于通过特征在预先构建的回归模型进行待预测节假日期间游戏业务量的预测,获得待预测节假日的预测值。

图15是根据另一示例性实施例示出的一种实现游戏业务量预估的装置的框图。该实现游戏业务量预估的装置,如图15所示,可以包括但不限于:样本数据获得模块910和离群点检测模块930。

样本数据获得模块910,用于由游戏业务运行的历史统计数据获得样本数据。

离群点检测模块930,用于进行样本数据中的离群点检测,剔除样本数据中对应于特殊场景的数据点,得到回归模型的训练样本。

图16是根据图10对应实施例示出的对预测修正模块的细节进行描述的框图。该预测修正模块770,如图16所示,可以包括但不限于:修正幅度获得单元771和强规则调整单元773。

修正幅度获得单元771,用于根据待预测节假日期间游戏业务量相似历史统计数据获得待测节假日的修正幅度值。

强规则调整单元773,用于按照修正幅度值进行与预置强规则策略相符的预测值调整,获得待预测节假日的预测优化值。

可选的,本发明还提供一种实现游戏业务量预估的装置,执行图1、图2、图3、图4、图5、图6和图7任一所示的实现游戏业务量预估的方法的全部或者部分步骤。所述装置包括:

处理器;

用于存储处理器可执行指令的存储器;

其中,所述处理器被配置为执行:

根据游戏业务运行的历史统计数据而预测得到待预测节假日的预测值;

在得到所述待预测节假日的预测值之后,根据游戏业务运行的历史统计数据计算待预测节假日在历史年度中与其它节假日之间的关联关系,由所述关联关系获得待预测节假日关联的历史已发生节假日;

根据所述待预测节假日关联的历史已发生节假日,从所述历史统计数据得到所述待预测节假日期间游戏业务量的相似历史统计数据;

根据所述游戏业务量的相似历史统计数据对所述待预测节假日的预测值进行增益处理,通过预测值的增益处理而修正预测值。

图17是根据一示例性实施例示出的一种装置的框图。该装置1000可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(centralprocessingunits,cpu)1022(例如,一个或一个以上处理器)和存储器1032,一个或一个以上存储应用程序1042或数据1044的存储介质1030(例如一个或一个以上海量存储设备)。其中,存储器1032和存储介质1030可以是短暂存储或持久存储。存储在存储介质1030的程序可以包括一个或一个以上模块(图示未示出),每个模块可以包括对服务器中的一系列指令操作。更进一步地,中央处理器1022可以设置为与存储介质1030通信,在装置1000上执行存储介质1030中的一系列指令操作。装置1000还可以包括一个或一个以上电源1026,一个或一个以上有线或无线网络接口1050,一个或一个以上输入输出接口1058,和/或,一个或一个以上操作系统1041,例如windowsservertm,macosxtm,unixtm,linuxtm,freebsdtm等等。上述图1、图2、图3、图4、图5、图6和图7所示实施例中所述的由服务器所执行的步骤可以基于该图17所示的装置结构。

应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围执行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1