广告流量预测方法及装置与流程

本发明涉及计算机技术领域，特别是涉及一种广告流量预测方法及装置。

背景技术：

随着信息技术地发展，企业为了更好地推广自身的产品，通常需要在线上投放大量的广告，以吸引用户更好地了解企业产品，从而产生购买的欲望。在线上投放广告的过程中，为了得到更多的曝光机会，企业一般会选择竞价广告，但是竞价广告没有广告流量保证，企业需要根据自身预计的出价去分析可能获得多少广告流量，以判断自身出价是否合理。其中，广告流量是指在理想状态下广告位上最多有多少次广告曝光的机会。

经发明人研究发现，现有的广告流量预测方法是根据广告订单，认为对广告流量的历史数据进行分析，进而预测将来满足广告订单要求的广告流量，但是广告流量历史数据通常都非常庞大，人为进行广告流量分析效率较低，且对广告流量预测的准确率较低，无法满足客户对广告流量预测的需求。

技术实现要素：

有鉴于此，本发明提供一种广告流量预测方法，通过该方法，可以通过确定目标模型参数组，并将目标模型参数组应用至广告流量模型上，通过广告流量模型和历史流量数据，实现对广告流量的预测。

本发明还提供了一种广告流量预测装置，用以保证上述方法在实际中的实现及应用。

一种广告流量预测方法，包括：

当需要预测目标广告位在预先指定的未来时间段内的广告流量时，获取所述目标广告位的历史流量数据，所述历史流量数据中包含多个历史时间段内的历史广告流量，所述历史广告流量为其对应的历史时间段内所述目标广告位所曝光广告的数量；

获取预先设置的广告流量模型对应的各个模型参数备选区间，并依据每个模型参数备选区间中包含的各个模型参数，确定应用于所述广告流量模型的各个模型参数组，每个所述模型参数组中分别包含从各个所述模型参数备选区间中获得的模型参数；

从各个所述模型参数组中，确定对所述目标广告为进行广告流量预测的目标模型参数组，并将所述模型参数组中的各个模型参数应用至所述广告流量模型中，获得对所述目标广告位进行流量预测的目标广告流量模型；

设置所述未来时间段对应的时间参数，并将所述时间参数及所述历史流量数据输入至所述目标广告流量模型中，触发所述目标广告流量模型输出所述目标广告位对应的预测值，并将所述预测值作为所述目标广告位在所述未来时间段内的广告流量。

上述的方法，可选的，所述获取所述目标广告位的历史流量数据，包括：

接收用户发送的所述目标广告位的广告流量预测指令，并获取所述广告流量预测指令中包含的所述目标广告位对应的广告位信息；

确定所述广告位信息中包含的应用所述目标广告位进行广告投放，并满足预先设定的投放阈值的各个城市，并获取每个所述城市的城市广告信息；

获取所述城市广告信息中包含的每个所述历史时间段对应的城市广告流量，并基于各个所述城市广告流量获得所述目标广告位的历史流量数据。

上述的方法，可选的，所述获取预先设置的广告流量模型对应的各个模型参数备选区间，包括：

获取所述广告流量模型对应的模型参数信息，并解析所述模型参数信息，确定所述广告流量模型所需的各个参数类型；

依据每个所述参数类型，获取预先存储的每个所述参数类型对应的模型参数备选区间。

上述的方法，可选的，所述从各个所述模型参数组中，确定对所述目标广告为进行广告流量预测的目标模型参数组，包括：

确定各个所述模型参数组的输入顺序，并依据所述输入顺序将各个所述模型参数组依次输入所述广告流量模型中；

在每次向所述广告流量模型输入所述模型参数组时，向所述广告流量模型输入所述历史流量数据，以通过所述广告流量模型依次获得各个所述模型参数组分别对应的损失函数值；

从各个所述损失函数值中确定最小的损失函数值，并将所述最小的损失函数值对应的模型参数组，确定为对所述目标广告位进行广告流量预测的目标模型参数组。

上述的方法，可选的，所述从各个所述损失函数值中确定最小的损失函数值，并将所述最小的损失函数值对应的模型参数组，确定为对所述目标广告位进行广告流量预测的目标模型参数组，包括：

在获得到每个所述损失函数值时，判断当前损失函数值是否为首个损失函数值；

若所述当前损失函数值并非首个损失函数值，则将所述当前损失函数值与上一个已记录的损失函数值进行比较，并记录当前损失函数值和上一个已记录的损失函数值中最小的损失函数值；

判断所述当前损失函数值对应的模型参数组，是否为最后一个输入所述广告流量模型的模型参数组；

若所述当前损失函数值对应的模型参数组，为最后一个输入所述广告流量模型的模型参数组，则将当前记录的最小的损失函数值对应的模型参数组，确定为对所述目标广告位进行广告流量预测的目标模型参数组。

一种广告流量预测装置，包括：

获取单元，包括当需要预测目标广告位在预先指定的未来时间段内的广告流量时，获取所述目标广告位的历史流量数据，所述历史流量数据中包含多个历史时间段内的历史广告流量，所述历史广告流量为其对应的历史时间段内所述目标广告位所曝光广告的数量；

确定单元，用于获取预先设置的广告流量模型对应的各个模型参数备选区间，并依据每个模型参数备选区间中包含的各个模型参数，确定应用于所述广告流量模型的各个模型参数组，每个所述模型参数组中分别包含从各个所述模型参数备选区间中获得的模型参数；

应用单元，用于从各个所述模型参数组中，确定对所述目标广告为进行广告流量预测的目标模型参数组，并将所述模型参数组中的各个模型参数应用至所述广告流量模型中，获得对所述目标广告位进行流量预测的目标广告流量模型；

预测单元，用于设置所述未来时间段对应的时间参数，并将所述时间参数及所述历史流量数据输入至所述目标广告流量模型中，触发所述目标广告流量模型输出所述目标广告位对应的预测值，并将所述预测值作为所述目标广告位在所述未来时间段内的广告流量。

上述的装置，可选的，所述获取单元，包括：

接收子单元，用于接收用户发送的所述目标广告位的广告流量预测指令，并获取所述广告流量预测指令中包含的所述目标广告位对应的广告位信息；

第一确定子单元，用于确定所述广告位信息中包含的应用所述目标广告位进行广告投放，并满足预先设定的投放阈值的各个城市，并获取每个所述城市的城市广告信息；

第一获取子单元，用于获取所述城市广告信息中包含的每个所述历史时间段对应的城市广告流量，并基于各个所述城市广告流量获得所述目标广告位的历史流量数据。

上述的装置，可选的，所述确定单元，包括：

解析子单元，用于获取所述广告流量模型对应的模型参数信息，并解析所述模型参数信息，确定所述广告流量模型所需的各个参数类型；

第二获取子单元，用于依据每个所述参数类型，获取预先存储的每个所述参数类型对应的模型参数备选区间。

上述的装置，可选的，所述应用单元，包括：

第一输入子单元，用于确定各个所述模型参数组的输入顺序，并依据所述输入顺序将各个所述模型参数组依次输入所述广告流量模型中；

第二输入单元，用于在每次向所述广告流量模型输入所述模型参数组时，向所述广告流量模型输入所述历史流量数据，以通过所述广告流量模型依次获得各个所述模型参数组分别对应的损失函数值；

第二确定子单元，用于从各个所述损失函数值中确定最小的损失函数值，并将所述最小的损失函数值对应的模型参数组，确定为对所述目标广告位进行广告流量预测的目标模型参数组。

上述的装置，可选的，所述第二确定子单元，还用于：

在获得到每个所述损失函数值时，判断当前损失函数值是否为首个损失函数值；

若所述当前损失函数值并非首个损失函数值，则将所述当前损失函数值与上一个已记录的损失函数值进行比较，并记录当前损失函数值和上一个已记录的损失函数值中最小的损失函数值；

判断所述当前损失函数值对应的模型参数组，是否为最后一个输入所述广告流量模型的模型参数组；

若所述当前损失函数值对应的模型参数组，为最后一个输入所述广告流量模型的模型参数组，则将当前记录的最小的损失函数值对应的模型参数组，确定为对所述目标广告位进行广告流量预测的目标模型参数组。

一种存储介质，所述存储介质包括存储的指令，其中，在所述指令运行时控制所述存储介质所在的设备执行上述的广告流量预测方法。

一种电子设备，包括存储器，以及一个或者一个以上的指令，其中一个或者一个以上指令存储于存储器中，且经配置以由一个或者一个以上处理器执行上述的广告流量预测方法。

与现有技术相比，本发明包括以下优点：

本发明提供了一种广告流量预测方法，包括：当需要预测广告流量时，获取历史流量数据；获取各个模型参数备选区间，并依据每个模型参数备选区间中包含的各个模型参数，确定应用于广告流量模型的各个模型参数组；从各个所述模型参数组中，确定对所述目标广告位进行广告流量预测的目标模型参数组，并将所述目标模型参数组应用至所述广告流量模型中，获得对所述目标广告位进行广告流量预测的目标广告流量模型；设置所述未来时间段对应的时间参数，并将所述时间参数及所述历史流量数据输入至所述目标广告流量模型中，触发所述目标广告流量模型输出所述目标广告位对应的预测值，并将所述预测值作为所述目标广告位在所述未来时间段内的广告流量。应用本发明提供的方法，可以通过确定目标模型参数组，并将目标模型参数组应用至广告流量模型上，通过广告流量模型和历史流量数据，实现对广告流量的预测。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的一种广告流量预测方法的方法流程图；

图2为本发明实施例提供的一种广告流量预测方法的方法示例图；

图3为本发明实施例提供的一种广告流量预测方法的又一方法示例图；

图4为本发明实施例提供的一种广告流量预测装置的装置结构图；

图5为本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本申请中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本发明可用于众多通用或专用的计算装置环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器装置、包括以上任何装置或设备的分布式计算环境等等。

本发明实施例提供了一种广告流量预测方法，该方法可以应用在多种系统平台，其执行主体可以为计算机终端或各种移动设备的处理器，所述方法的方法流程图如图1所示，具体包括：

s101：当需要预测目标广告位在预先指定的未来时间段内的广告流量时，获取所述目标广告位的历史流量数据；

其中，所述历史流量数据中包含多个历史时间段内的历史广告流量，所述历史广告流量为其对应的历史时间段内所述目标广告位所曝光广告的数量；

在本发明实施例中，广告位指的是广告平台中对广告进行曝光的位置，例如前贴片广告、插播广告及脚标广告等。当需要预测任意一个广告位的广告流量时，确定需要预测广告流量的广告位为目标广告位，并获取该目标广告位的历史流量数据。如，需要预测未来一个月内的广告流量时，则未来时间段则为未来一个月，历史流量数据可以是过去一年中每个月的广告流量的总和。

需要说明的是，历史流量数据中可以包含每个历史时间段对应的时间参数。

s102：获取预先设置的广告流量模型对应的各个模型参数备选区间，并依据每个模型参数备选区间中包含的各个模型参数，确定应用于所述广告流量模型的各个模型参数组；

其中，每个所述模型参数组中分别包含从各个所述模型参数备选区间中获得的模型参数；

在本发明实施例中，在应用广告流量模型对目标广告位的广告流量进行预测之前，需要先确定可以应用于该广告流量模型的各个模型参数。具体根据各个模型参数备选空间，获取各个可以应用于该广告流量模型的各个模型参数组。

需要说明的是，每个模型参数组中的模型参数数量可以相同，一个模型参数组中的各个模型参数分别都是从各个模型参数备选区间中获得的。例如，广告流量模型需要四个模型参数，则有四个模型参数备选区间，若每个模型参数备选区间都是包含备选的模型参数为0、1、2、3，那么各个模型参数组成可以应用于广告流量模型的模型参数组一共有4^4＝256种，分别是从0000到4444的模型参数组。

还需要说明的是，该广告流量模型可以是周期性差分整合移动平均回归模型sarima。sarima应用于包含趋势和季节性的单变量数据，由趋势和季节要素组成的序列构成。其中，sarima所需要应用的模型参数包含：季节性自回归阶数p、季节性差分阶数d、季节性移动平均阶数q和单个季节性周期的时间步长数m。

s103：从各个所述模型参数组中，确定对所述目标广告为进行广告流量预测的目标模型参数组，并将所述模型参数组中的各个模型参数应用至所述广告流量模型中，获得对所述目标广告位进行流量预测的目标广告流量模型；

在本发明实施例中，在应用广告流量模型对目标广告位的广告流量进行预测时，需要确定应用在广告流量模型中的最佳的模型参数，基于最佳的模型参数及广告流量模型中的模型算法对广告流量进行预测。具体的，在各个已经确定的模型参数组中，确定目标模型参数组，目标模型参数组中的各个模型参数就是最终选定应用在广告流量模型中的最佳的模型参数。

可以理解的是，目标模型参数组应用在该广告流量模型中时，该广告流量模型对广告流量进行预测时所获得的结果最准确。因此，将该目标模型参数组应用到广告流量模型后，所获得的广告流量模型是目标广告流量模型。

s104：设置所述未来时间段对应的时间参数，并将所述时间参数及所述历史流量数据输入至所述目标广告流量模型中，触发所述目标广告流量模型输出所述目标广告位对应的预测值，并将所述预测值作为所述目标广告位在所述未来时间段内的广告流量。

在本发明实施例中，设置未来时间段对应的时间参数，可以是按照未来时间段对应的时间时长进行设置，如一个月的时长有30天，则可以设置时间参数为30。由于目标广告流量模型中已经应用该目标模型参数组中的各个模型参数，当向目标广告流量模型输入历史流量数据和时间参数时，目标广告流量模型根据模型算法及各个模型参数进行模拟计算，输出一个预测值。该预测值则为该目标广告位在未来时间段内的广告流量。

本发明实施例提供的广告流量预测方法中，当需要预测目标广告位在未来时间段内的广告流量时，先获取历史流量数据，并依据广告流量模型的各个模型参数备选区间的各个模型参数中，确定应用于该广告流量模型的各个模型参数组。并在各个模型参数组中确定目标模型参数组，将目标模型参数组应用到广告流量模型中后获得目标广告流量模型。通过该目标广告流量模型实现对该目标广告位的广告流量预测。具体的，将历史流量数据以及未来时间段对应的时间参数输入到目标广告流量模型中，目标广告流量模型会依据历史流量数据及该时间参数输出未来时间段对应的预测值。此时，可以将该目标广告流量模型所输出的预测值作为目标广告位在未来时间段内的广告流量。

需要说明的是，当该广告流量模型为sarima时，该sarima中所应用的算法为sarima算法，当需要应用sarima对目标广告位广告流量进行预测时，通过sarima算法结合目标模型参数组实现广告流量的预测过程。

应用本发明实施例提供的方法，可以通过确定目标模型参数组，并将目标模型参数组应用至广告流量模型上，通过广告流量模型和历史流量数据，实现对广告流量的预测。

本发明实施例提供的方法中，基于上述步骤s101的内容，在确定需要预测未来时间段内目标广告位的广告流量后，需要获取该目标广告位的历史流量数据，具体获取历史流量数据的过程如图2所示，具体可以包括：

s201：接收用户发送的所述目标广告位的广告流量预测指令，并获取所述广告流量预测指令中包含的所述目标广告位对应的广告位信息；

在本发明实施例中，当用户需要预测目标广告位的广告流量时，获取该目标广告位对应的广告位信息，并向处理器发送携带有该广告位信息的广告流量预测指令。

需要说明的是，广告位信息中包含用户所指定预测的目标广告位的广告位名称、位置参数及应用该广告位进行投放广告的各个城市。

s202：确定所述广告位信息中包含的应用所述目标广告位进行广告投放，并满足预先设定的投放阈值的各个城市，并获取每个所述城市的城市广告信息；

在本发明实施例中，在各个城市，均可以在目标广告为上进行投放广告，由于每个城市的人口密度等因素的不同，每个城市的在目标广告位对应的广告流量均不同。为提高对广告流量的预测，获取满足投放阈值的各个城市的城市广告信息。

需要说明的是，获取满足投放阈值的各个城市均为广告曝光量较高的城市，用户在选择对广告曝光的地点时，基本选择曝光量最大的几个城市进行曝光，也可以所有城市进行广告的投放和曝光。除了根据广告位信息获取满足该投放阈值的各个城市的城市广告信息之外，也可以直接获取所有在该目标广告位上投放广告的所有城市的城市广告信息。

s203：获取所述城市广告信息中包含的每个所述历史时间段对应的城市广告流量，并基于各个所述城市广告流量获得所述目标广告位的历史流量数据。

在本发明实施例中，根据每个城市在各个历史时间段对应的城市广告流量，将各个城市广告流量进行求和所获得的总广告流量为历史流量数据。

其中，该历史流量数据中可以包含各个历史时间段对应的时间参数。

本发明实施例提供的广告流量预测方法中，通过广告位信息确定在目标广告位投放广告的各个城市，并确定对广告投放较多的各个城市在各个历史时间段内的城市广告流量，通过各个城市广告流量获得历史流量数据。

需要说明的是，本发明提供的方法中，可以用于预测各个广告位的广告流量之外，还可以用于预测整个广告平台的广告流量，或者是任意一个城市的广告流量等。

可选的，该历史流量数据除了可以是目标广告位上，各个满足投放阈值的各个城市的城市广告流量的总和之外，还可以是各个城市的城市广告流量的平均城市广告流量。

应用本发明提供的方法，通过获取多个城市的城市广告流量，以获得目标广告位的历史流量数据。

本发明实施例提供的方法中，基于上述步骤s102的内容，在对广告流量进行预测的过程中，需要选取更加准确的模型参数应用到该广告流量模型中。其中，广告流量模型中需要设置多个模型参数，每个模型参数均有一个对应的模型参数备选区间。获取广告流量模型对应的各个模型参数备选区间的过程，具体可以包括：

获取所述广告流量模型对应的模型参数信息，并解析所述模型参数信息，确定所述广告流量模型所需的各个参数类型；

依据每个所述参数类型，获取预先存储的每个所述参数类型对应的模型参数备选区间。

本发明实施例提供的广告流量预测方法中，广告流量模型可以是一种带有时间序列、季节性和趋势性的神经网络模型，例如sarima。不同类型的神经网络模型在应用的过程中，都需要设置符合该模型应用要求的模型参数，因此，对于广告流量模型，需要根据该广告流量模型对应的模型参数信息，确定该广告流量模型在应用过程中，所需的各个模型参数的参数类型，并根据各个参数类型，获取每个参数类型对应的模型参数备选区间。其中，各个模型参数备选区间预先存储在预先设置的存储空间，当需要获取任意神经网络模型的模型参数，可从该存储空间中根据参数类型获得需要应用在当前神经网络模型中的模型参数备选区间。

例如，广告流量模型为sarima，则可以确定sarima所需要的模型参数分别为季节性自回归阶数p、季节性差分阶数d、季节性移动平均阶数q和单个季节性周期的时间步长数m。其中参数p的模型参数备选区间为[0,1,2,3]；参数d的模型参数备选区间为[0,1,2,3]；参数q的模型参数备选区间为[0,1,2,3]；参数m的模型参数备选区间为[0,1,2,3]。由此可知，每个参数都有四种可以选择的可能性，因此，根据各个参数的模型参数备选区间可以确定可以应用于sarima的模型参数组有4^4＝256种。若目标模型参数组为[1,1,2,2]，则可以确定当前对目标广告位进行流量预测时，可以应用在sarima中的最佳的模型参数中的参数p设置为1、参数d设置为1、参数q设置为2及参数m设置为2。

需要说明的是，各个模型参数备选区间的各个模型参数之间可以相同，也可以是各个模型参数备选区间的部分模型参数之间相同，也可以是模型参数备选区间的各个模型参数之间均不相同。

应用本发明实施例提供的方法，根据参数类型，获取对应的模型参数备选区间，以保证通过各个模型参数备选区间获得的各个模型参数组，能够符合应用在广告流量模型中的要求。

本发明实施例提供的方法中，基于上述步骤s103的内容，在通过各个模型参数备选区间获得各个模型参数组后，确定各个模型参数组中对目标广告位进行广告流量预测的目标模型参数组的过程如图3所示，具体可以包括：

s301：确定各个所述模型参数组的输入顺序，并依据所述输入顺序将各个所述模型参数组依次输入所述广告流量模型中；

在本发明实施例中，在获得各个模型参数组后，需要通过广告流量模型进行选择，确定出目标模型参数组。其中，应用广告流量模型选择目标模型参数组的过程中，需要将各个模型参数组先进行排序，确定各个模型参数组的输入顺序后，依次输入广告流量模型当中。

其中，确定各个模型参数组的输入顺序，可以是根据从模型参数备选区间中选取出模型参数组的顺序进行排序的。

s302：在每次向所述广告流量模型输入所述模型参数组时，向所述广告流量模型输入所述历史流量数据，以通过所述广告流量模型依次获得各个所述模型参数组分别对应的损失函数值；

在本发明实施例中，在每次输入模型参数组时，同时输入历史流量数据。该广告流量模型在获得当前输入的模型参数组后，将该模型参数组应用在广告流量模型内部，在接收到历史流量数据后，依据该模型参数及广告流量模型中预先设置的模型算法进行模拟计算，最终获得一个当前输入该广告流量模型的模型参数组对应的损失函数值。

s303：从各个所述损失函数值中确定最小的损失函数值，并将所述最小的损失函数值对应的模型参数组，确定为对所述目标广告位进行广告流量预测的目标模型参数组。

在本发明实施例中，在各个损失函数值中确定最小的损失函数值，其中损失函数值越小，表征该广告流量模型对广告流量进行预测的准确度越高。在得到最小的损失函数值后，将最小的损失函数值对应的模型参数组应用到广告流量模型中实现对目标广告位预测未来时间段内的广告流量。同时可以确定最小的损失函数值对应的模型参数组为目标模型参数组。

本发明实施例提供的广告流量预测方法中，按照输入顺序依次向广告流量模型输入各个模型参数组，并在每次输入时同时输入历史流量数据，通过广告流量模型获得每个模型参数组对应的损失函数值，可以通过比较各个损失函数值确定最小的损失函数值，并将最小的损失函数值对应的模型参数组确定为目标模型参数组。

可以理解的是，由于损失函数值是用来衡量广告流量模型对广告流量进行预测的准确度，因此，在通过广告模型参数组和历史流量数据获得每个模型参数组对应的损失函数值的过程中，需要设置对应的训练数据和验证数据。其中，由于历史流量数据中包含多个历史时间段的历史广告流量，可以按照各个历史时间段，将历史流量数据划分为两组数据，分别为训练数据和验证数据。若未来时间段为一个月，各个历史时间段分别为前一年中每个月的历史广告流量，则验证数据为各个历史时间段中，最近一个月的历史广告流量，靠前十一个月的历史广告流量则为训练数据。将训练数据和各个模型参数组输入广告流量模型中，广告流量模型依次输入每个模型参数组对应的预测值，将每个模型参数组对应的预测值与验证数据进行求商计算，获得的值则为损失函数值。若预测值与验证数据求商后获得值越小，可以确定广告流量模型所求取的预测值接近真实值。

可选的，在通过广告流量模型获得各个参数模型组对应损失函数值的过程中，也可以向广告流量模型输入与未来时间段的时间时长对应的时间参数，以使广告流量模型可根据该时间时长输出该时间时长对应的预测值。

基于上述实施例提供的方法，在每次向广告流量模型输入模型参数组和历史流量数据后，均会获得一个损失函数值。从各个模型参数组对应的损失函数值中确定最小的损失函数值，并将最小的损失函数值对应的模型参数组，确定为对目标广告位进行广告流量预测的目标模型参数组的过程，具体可以包括：

在获得到每个所述损失函数值时，判断当前损失函数值是否为首个损失函数值；

若所述当前损失函数值并非首个损失函数值，则将所述当前损失函数值与上一个已记录的损失函数值进行比较，并记录当前损失函数值和上一个已记录的损失函数值中最小的损失函数值；

判断所述当前损失函数值对应的模型参数组，是否为最后一个输入所述广告流量模型的模型参数组；

若所述当前损失函数值对应的模型参数组，为最后一个输入所述广告流量模型的模型参数组，则将当前记录的最小的损失函数值对应的模型参数组，确定为对所述目标广告位进行广告流量预测的目标模型参数组。

本发明实施例提供的广告流量预测方法中，在每次获得损失函数值时，判断当前获得的损失函数值是否为首个损失函数值，如果不是首个损失函数值，则将当前获得的损失函数值与上一个已记录的损失函数值进行比较，确定两个损失函数值中最小的损失函数值，并将当前最小的损失函数值记录下来。若当前输入广告流量模型的模型参数组为最后一个模型参数组时，则将当前记录的损失函数值对应的模型参数组确定为目标模型参数组。

可选的，若当前损失函数值为首个损失函数值，则将首个损失函数值记录下来，当获得下一个损失函数值时，可将首个损失函数值与下一个损失函数值进行比较，确定两者之间最小的损失函数值。

进一步地，若当前损失函数值对应的模型参数组并非最后一个模型参数组，则再将下一个模型参数组及历史流量数据输入广告流量模型，以通过广告流量模型获得下一个模型参数对应的下一个损失函数值，在获得下一个损失函数值后，将下一个损失函数值则作为当前损失函数值，当前记录的损失函数值则为上一个记录的损失函数值，再执行上述将当前损失函数值与上一个已记录的损失函数值进行比较的过程，此处将不复赘述。

可以理解的是，本发明实施例中，在每次获得一个损失函数值时，都将与上一个已记录的损失函数值进行比较，其中，上一个记录的损失函数值是在上一次进行比较的过程中最小的损失函数值。直至与最后一个损失函数值比较结束，确定各个模型参数组对应的各个损失函数值中最小的损失函数值。

应用本发明实施例提供的方法，通过比较确定最小的损失函数值，以确定目标模型参数组。可以保证应用该模型参数组至广告流量模型中时，对广告流量预测的准确度最高。

上述各个实施例的具体实施过程及其衍生方式，均在本发明的保护范围之内。

与图1所述的方法相对应，本发明实施例还提供了一种广告流量预测装置，用于对图1中方法的具体实现，本发明实施例提供的广告流量预测装置可以应用计算机终端或各种移动设备中，其结构示意图如图4所示，具体包括：

获取单元401，包括当需要预测目标广告位在预先指定的未来时间段内的广告流量时，获取所述目标广告位的历史流量数据，所述历史流量数据中包含多个历史时间段内的历史广告流量，所述历史广告流量为其对应的历史时间段内所述目标广告位所曝光广告的数量；

确定单元402，用于获取预先设置的广告流量模型对应的各个模型参数备选区间，并依据每个模型参数备选区间中包含的各个模型参数，确定应用于所述广告流量模型的各个模型参数组，每个所述模型参数组中分别包含从各个所述模型参数备选区间中获得的模型参数；

应用单元403，用于从各个所述模型参数组中，确定对所述目标广告为进行广告流量预测的目标模型参数组，并将所述模型参数组中的各个模型参数应用至所述广告流量模型中，获得对所述目标广告位进行流量预测的目标广告流量模型；

预测单元404，用于设置所述未来时间段对应的时间参数，并将所述时间参数及所述历史流量数据输入至所述目标广告流量模型中，触发所述目标广告流量模型输出所述目标广告位对应的预测值，并将所述预测值作为所述目标广告位在所述未来时间段内的广告流量。

本发明实施例提供的装置中，为实现对广告流量的预测，获取单元确定需要预测目标广告位在未来时间段内的广告流量后，获取历史流量数据，确定单元确定可以应用于广告流量模型的各个模型参数组，其中各个模型参数组中的各个模型参数分别都是从各个模型参数备选区间中的各个模型参数进行组合获得。确定目标模型参数组后，应用单元将该目标模型参数组应用到广告流量模型中，最后由预测单元将历史流量数据、时间参数输入含有目标模型参数组的广告流量模型，实现对目标广告位的广告流量的预测。

应用本发明提供的装置，可以通过确定目标模型参数组，并将目标模型参数组应用至广告流量模型上，通过广告流量模型和历史流量数据，实现对广告流量的预测。

本发明实施例提供的装置中，所述获取单元401，包括：

接收子单元，用于接收用户发送的所述目标广告位的广告流量预测指令，并获取所述广告流量预测指令中包含的所述目标广告位对应的广告位信息；

第一确定子单元，用于确定所述广告位信息中包含的应用所述目标广告位进行广告投放，并满足预先设定的投放阈值的各个城市，并获取每个所述城市的城市广告信息；

第一获取子单元，用于获取所述城市广告信息中包含的每个所述历史时间段对应的城市广告流量，并基于各个所述城市广告流量获得所述目标广告位的历史流量数据。

本发明实施例提供的装置中，所述确定单元402，包括：

解析子单元，用于获取所述广告流量模型对应的模型参数信息，并解析所述模型参数信息，确定所述广告流量模型所需的各个参数类型；

第二获取子单元，用于依据每个所述参数类型，获取预先存储的每个所述参数类型对应的模型参数备选区间。

本发明实施例提供的装置中，所述应用单元403，包括：

第一输入子单元，用于确定各个所述模型参数组的输入顺序，并依据所述输入顺序将各个所述模型参数组依次输入所述广告流量模型中；

第二输入单元，用于在每次向所述广告流量模型输入所述模型参数组时，向所述广告流量模型输入所述历史流量数据，以通过所述广告流量模型依次获得各个所述模型参数组分别对应的损失函数值；

第二确定子单元，用于从各个所述损失函数值中确定最小的损失函数值，并将所述最小的损失函数值对应的模型参数组，确定为对所述目标广告位进行广告流量预测的目标模型参数组。

本发明实施例提供的装置中，所述第二确定子单元，还用于：

在获得到每个所述损失函数值时，判断当前损失函数值是否为首个损失函数值；

若所述当前损失函数值并非首个损失函数值，则将所述当前损失函数值与上一个已记录的损失函数值进行比较，并记录当前损失函数值和上一个已记录的损失函数值中最小的损失函数值；

判断所述当前损失函数值对应的模型参数组，是否为最后一个输入所述广告流量模型的模型参数组；

若所述当前损失函数值对应的模型参数组，为最后一个输入所述广告流量模型的模型参数组，则将当前记录的最小的损失函数值对应的模型参数组，确定为对所述目标广告位进行广告流量预测的目标模型参数组。

以上本发明实施例公开的广告流量预测装置中的各个单元及子单元的具体工作过程，可参见本发明上述实施例公开的广告流量预测方法中的对应内容，这里不再进行赘述。

本发明实施例还提供了一种存储介质，所述存储介质包括存储的指令，其中，在所述指令运行时控制所述存储介质所在的设备执行上述广告流量预测方法。

本发明实施例还提供了一种电子设备，其结构示意图如图5所示，具体包括存储器501，以及一个或者一个以上的指令502，其中一个或者一个以上指令502存储于存储器501中，且经配置以由一个或者一个以上处理器503执行所述一个或者一个以上指令502进行以下操作：

当需要预测目标广告位在预先指定的未来时间段内的广告流量时，获取所述目标广告位的历史流量数据，所述历史流量数据中包含多个历史时间段内的历史广告流量，所述历史广告流量为其对应的历史时间段内所述目标广告位所曝光广告的数量；

获取预先设置的广告流量模型对应的各个模型参数备选区间，并依据每个模型参数备选区间中包含的各个模型参数，确定应用于所述广告流量模型的各个模型参数组，每个所述模型参数组中分别包含从各个所述模型参数备选区间中获得的模型参数；

从各个所述模型参数组中，确定对所述目标广告为进行广告流量预测的目标模型参数组，并将所述模型参数组中的各个模型参数应用至所述广告流量模型中，获得对所述目标广告位进行流量预测的目标广告流量模型；

设置所述未来时间段对应的时间参数，并将所述时间参数及所述历史流量数据输入至所述目标广告流量模型中，触发所述目标广告流量模型输出所述目标广告位对应的预测值，并将所述预测值作为所述目标广告位在所述未来时间段内的广告流量。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现。

为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。