一种基于云计算的广告位预测系统的制作方法

1.本发明涉及云计算和数字广告领域，尤其涉及一种基于云计算的广告位预测系统。


背景技术：

2.云计算是分布式计算的一种，通过网络“云”将巨大的数据计算处理程序分解成无数个小程序，然后通过多部服务器组成的系统进行处理和分析这些小程序得到结果并返回给用户。云计算早期就是简单的分布式计算，解决任务分发，并进行计算结果的合并。因而，云计算又称为网格计算。通过云计算可以在很短的时间内完成对数以万计的数据的处理，从而达到强大的网络服务。
3.现有的广告投放系统通常根据实时的广告位价格进行分析，不能结合历史广告位的价格数据对未来一段时间的广告位的价格进行预测。因此，在制定相应广告投放计划时，如不考虑广告位在未来一段时间的价格可能会浪费不必要的资金。


技术实现要素：

4.有鉴于此，本发明提供了一种基于云计算的广告位预测系统，其包括：
5.广告主客户端和广告投放管理平台，其中，广告主客户端和广告投放管理平台之间具有通信连接；所述广告投放管理平台包括数据接收模块、数据分析模块、价格预测模块和数据库，其中，各模块间具有通信连接；
6.数据接收模块接收广告主客户端发送的广告管理请求，并根据目标标识符从数据库获取目标广告位的历史价格数据，然后对历史价格数据进行数据处理以得到历史价格序列；所述广告管理请求包括：目标标识符、目标价格阈值、目标预测周期和价格扰动因子；
7.数据分析模块根据历史价格序列获取第一价格扰动矩阵，并构造第一价格扰动矩阵的相关系数矩阵，然后对所述相关系数矩阵进行特征分解以得到所述相关系数矩阵的所有特征值和每个特征值对应的特征向量；
8.数据分析模块对所述相关系数矩阵进行特征分解包括：数据分析模块将所述相关系数矩阵作为第一相关矩阵，并将第一相关矩阵进行矩阵相似变换以得到第二相关矩阵，然后将第二相关矩阵中非主对角线元素中绝对值最大的元素作为第二相关矩阵的核心元素；
9.数据分析模块获取第二相关矩阵中核心元素所在行中值最大的元素将其作为第二相关矩阵的第一元素，并获取第二相关矩阵中核心元素所在列中值最大的元素将其作为第二相关矩阵的第二元素；
10.数据分析模块根据第二相关矩阵的核心元素、第一元素和第二元素得到旋转角度，并根据旋转角度对第二相关矩阵进行旋转，然后根据旋转后的第二相关矩阵得到第一价格扰动矩阵的相关系数矩阵的所有特征值和每个特征值对应的特征向量；
11.数据分析模块根据所述相关系数矩阵的所有特征值和每个特征值对应的特征向
量得到第一价格扰动矩阵与历史价格序列的回归模型；
12.价格预测模块根据所述回归模型建立广告价格预测函数，并根据广告价格预测函数预测目标预测周期内目标广告位的广告位价格以得到目标广告位的预测价格分布数据，并将其发送到广告主客户端。
13.根据一个优选实施方式，所述价格扰动因子为影响目标广告位的广告位价格的因素，其包括时间、热度、收视率和流量；所述目标标识符为目标广告位的广告位标识符，广告位标识符用于对广告位进行唯一标识；所述目标预测周期为广告位价格的预测周期；所述目标价格阈值为广告主能接受的最高的广告位价格。
14.根据一个优选实施方式，广告主客户端为广告主使用的具有计算功能、存储功能和通信功能的设备，其包括：智能手机、台式电脑、笔记本电脑、智能手表和智能穿戴设备；所述广告主为推销商品、提供服务或推广概念而发布广告信息的市场主体。
15.根据一个优选实施方式，数据接收模块对历史价格数据进行数据处理得到历史价格序列包括：
16.数据接收模块提取历史价格数据中各个历史时间段的广告位价格；
17.数据接收模块将各个历史时间段的广告位价格按照时间进行升序排列以得到初始历史价格序列。
18.根据一个优选实施方式，数据接收模块对历史价格数据进行数据处理得到历史价格序列包括：
19.数据接收模块对初始历史价格序列进行第一次参数分离以得到第一分离分量和第一分离残量；
20.数据接收模块对第一分离残量进行第二次参数分离以得到第二分离分量和第二分离残量；
21.数据接收模块对第二分离残量进行第三次参数分离以得到第三分离分量和第三分离残量；对上述步骤执行迭代操作，直到分离残量不能继续分离；
22.数据接收模块将每一次参数分离得到的分离分量和最后一次参数分离得到的分离残量进行线性求和以得到历史价格序列。
23.根据一个优选实施方式，数据接收模块将每一次参数分离的分离分量和最后一次参数分离的分离残量进行线性求和得到历史价格序列包括：
[0024][0025]
其中，ad
price
(n)为历史价格序列，c为分离分量的个数，l为分离分量的索引，h
l
(n)为第l个分离分量，g(n)为分离残量。
[0026]
根据一个优选实施方式，数据分析模块构造第一价格扰动矩阵的相关系数矩阵包括：
[0027]
数据分析模块获取目标广告位的所有价格扰动因子，并对历史价格序列进行数据分析以获取每个价格扰动因子与每个历史时间段的广告位价格的相关系数；
[0028]
数据分析模块将每个价格扰动因子的所有相关系数按照数值进行升序排列以得到每个价格扰动因子的价格扰动向量，并根据所有价格扰动因子的价格扰动向量生成第一价格扰动矩阵。
[0029]
根据一个优选实施方式，数据分析模块根据相关系数矩阵的所有特征值和每个特征值对应的特征向量得到第一价格扰动矩阵与历史价格序列的回归模型包括：
[0030]
数据分析模块根据相关系数矩阵的所有特征值对所有的特征向量进行数据验证以得到若干个目标特征向量，并根据所有的目标特征向量生成目标特征矩阵，然后根据目标特征矩阵生成第二价格扰动矩阵；
[0031]
数据分析模块根据第二价格扰动矩阵建立第二价格扰动矩阵与历史价格序列的回归模型，并对第二价格扰动矩阵与历史价格序列的回归模型进行变换以得到第一价格扰动矩阵与历史价格序列的回归模型。
[0032]
根据一个优选实施方式，数据分析模块根据相关系数矩阵的所有特征值对所有的特征向量进行数据验证得到若干个目标特征向量包括：
[0033]
数据分析模块将相关系数矩阵的所有特征值按照数值进行降序排序；
[0034]
数据分析模块计算所有特征值的和以得到特征和，并将每个特征值与特征和的比值作为每个特征值的特征占比率，然后将特征验证值设置为零；
[0035]
数据分析模块按照特征值的排列顺序遍历所有的特征值，并将正在遍历的特征值作为目标特征值；将特征验证值加上目标特征值的特征占比率以对特征验证值进行更新，并将更新后的特征验证值与特征验证阈值进行比较；
[0036]
在更新后的特征验证值小于或等于特征验证阈值时，数据分析模块将目标特征值对应的特征向量作为目标特征向量，并按照特征值的排列顺序遍历下一个特征值；
[0037]
在更新后的特征验证值大于特征验证阈值时，数据分析模块停止遍历特征值。
[0038]
根据一个优选实施方式，价格预测模块根据目标广告位的预测价格分布数据获取目标广告位在目标预测周期内各时间段的广告位价格，并分别将各时间段的广告位价格与目标价格阈值进行比较；
[0039]
价格预测模块将所有小于或等于目标价格阈值的广告位价格进行时间标注，并将所有小于或等于目标价格阈值的广告位价格按价格进行升序排序以得到广告位价格分析表，然后将其发送到广告主客户端。
[0040]
根据一个优选实施方式，价格预测模块根据第一价格扰动矩阵与历史价格序列的回归模型建立广告价格预测函数包括：
[0041][0042]
p(r(τ)|ad
price
(n))为广告价格预测函数，r(τ)为第一价格扰动矩阵与历史价格序列的回归模型，ad
price
(n)为历史价格序列，τ为价格精度。
[0043]
本发明具有以下有益效果：本发明通过目标广告位的历史价格数据预测目标广告位在未来一段时间的价格，广告主根据预测的目标广告位在未来一段时间的价格制定相应的广告投放计划，提高广告投放的性价比，以较少的资金获得较好的广告效果，优化广告投放策略。
附图说明
[0044]
图1为一示例性实施例提供的基于云计算的广告位预测系统的结构框图。
具体实施方式
[0045]
为使本发明的实施例、技术方案和优点更加明显，下面将结合附图对本发明的技术方案进行清楚、完整的描述，显然，所述的实施例是本发明的一部分实施例，而不是全部实施例。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。
[0046]
在线广告投放能够最大化用户对广告的兴趣、最大化媒体收益和最大化广告主roi(投资回报率)。在线广告投放中的广告形态多样，常见的包括以搜索引擎为基础的搜索广告(sponsored search)和以网页内容为基础的上下文广告(contextual ads)或者内容匹配广告(content match ads)。广告主对广告流量的购买可以通过签订合约来规定媒体对广告展示次数的合约投放(gd，guaranteed delivery)，或者仅受预算限制，不固定投放流量的非合约投放(ngd,non
‑
guaranteed delivery)。根据不同的广告投放平台和广告形态，广告投放的计价方式有基于广告曝光次数的cpm(cost
‑
per
‑
mile，每千次曝光)、基于点击次数的cpc(cost
‑
per
‑
click)、基于用户行动的cpa(cost
‑
per
‑
action)等计价法，其中cpc/cpa是基于广告投放效果的计价方式，另外也有结合cpm和基于效果的混合收费方式。
[0047]
本发明通过对目标广告位的历史投放价格进行分析和处理，以此预测出目标广告位在未来一段时间的广告位价格，广告主根据预测的广告位价格制定相应的广告投放计划。广告主可以在广告位价格相对较低的时间段投放广告，能够在极大程度上降低广告投放成本和投放费用，实现优化广告主广告投放策略的功能。
[0048]
参见图1，在一个实施例中，基于云计算的广告位预测系统可以包括：广告主客户端和广告投放管理平台，其中，广告主客户端和广告投放管理平台之间具有通信连接；所述广告投放管理平台包括数据接收模块、数据分析模块、价格预测模块和数据库，其中，各模块间具有通信连接；
[0049]
数据接收模块接收广告主客户端发送的广告管理请求，并根据目标标识符从数据库获取目标广告位的历史价格数据，然后对历史价格数据进行数据处理以得到历史价格序列；所述广告管理请求包括：目标标识符、目标价格阈值、目标预测周期和价格扰动因子。
[0050]
数据分析模块根据历史价格序列获取第一价格扰动矩阵，并构造第一价格扰动矩阵的相关系数矩阵，然后对所述相关系数矩阵进行特征分解以得到所述相关系数矩阵的所有特征值和每个特征值对应的特征向量；
[0051]
数据分析模块对所述相关系数矩阵进行特征分解包括：数据分析模块将所述相关系数矩阵作为第一相关矩阵，并将第一相关矩阵进行矩阵相似变换以得到第二相关矩阵，然后将第二相关矩阵中非主对角线元素中绝对值最大的元素作为第二相关矩阵的核心元素；
[0052]
数据分析模块获取第二相关矩阵中核心元素所在行中值最大的元素将其作为第二相关矩阵的第一元素，并获取第二相关矩阵中核心元素所在列中值最大的元素将其作为第二相关矩阵的第二元素；
[0053]
数据分析模块根据第二相关矩阵的核心元素、第一元素和第二元素得到旋转角度，并根据旋转角度对第二相关矩阵进行旋转，然后根据旋转后的第二相关矩阵得到第一价格扰动矩阵的相关系数矩阵的所有特征值和每个特征值对应的特征向量；
[0054]
数据分析模块根据所述相关系数矩阵的所有特征值和每个特征值对应的特征向
量得到第一价格扰动矩阵与历史价格序列的回归模型；
[0055]
价格预测模块根据所述回归模型建立广告价格预测函数，并根据广告价格预测函数预测目标预测周期内目标广告位的广告位价格以得到目标广告位的预测价格分布数据，并将其发送到广告主客户端。
[0056]
为了便于理解，下面对本发明的工作方法和原理进行具体说明。
[0057]
具体的，在一个实施例中，基于云计算的广告位预测系统执行的工作流程具体包括以下步骤：
[0058]
s1、广告投放管理平台的数据接收模块接收广告主客户端发送的广告管理请求，并根据目标标识符从数据库获取目标广告位的历史价格数据，然后对历史价格数据进行数据处理以得到历史价格序列。
[0059]
广告管理请求包括目标标识符、目标价格阈值、目标预测周期和价格扰动因子。价格扰动因子为影响目标广告位的广告位价格的因素，其包括时间、热度、收视率和流量；目标标识符为目标广告位的广告位标识符，广告位标识符用于对广告位进行唯一标识；目标预测周期为广告位价格的预测周期；目标价格阈值为广告主能接受的最高的广告位价格；广告主为推销商品、提供服务或推广概念而发布广告信息的市场主体；广告位价格为各个广告主进行广告投放时需要支付的广告费用。
[0060]
当广告主需要进行广告投放时，会向广告投放管理平台发送广告管理请求，并在广告管理请求中携带用于指示目标广告位的目标标识符，用于指示自身能接受的目标广告位的最高价格的目标价格阈值和用于指示预测周期的目标预测周期。
[0061]
广告投放管理平台根据目标标识符确定广告主要分析的目标广告位，根据目标预测时间确定广告主要预测的未来时间段。
[0062]
广告投放管理平台响应于广告主客户端发送的广告管理请求，根据广告主的广告投放需求，为其预测未来一段时间内相应广告位的价格变化以得到广告位价格分析表，广告主根据广告位价格分析表来制定广告投放计划。
[0063]
在实际情况中，不同时间段的广告位价格会发生变化，广告位价格的波动幅度大小受到时间、热度、收视率和流量的影响。因此，本发明在预测广告位价格时考虑了价格扰动因子对广告位价格的影响，有利于提高广告投放管理平台对广告位价格的预测的准确性。
[0064]
广告主客户端为广告主使用的具有计算功能、存储功能和通信功能的设备，其包括：智能手机、台式电脑、笔记本电脑、智能手表和智能穿戴设备。
[0065]
广告主在进行广告投放时，如果对广告投放成本不加以分析并制定相应的广告投放策略，在广告投入带来的收益不佳时，高额的广告费用将成为企业的负担。例如，广告主在制定相应广告投放策略时未考虑广告投放价格对广告投放利润的影响，在广告位投放价格最高点进行广告投放，在广告投放带来的收入不理想时，广告主还需承担高额的广告费用。
[0066]
为了避免广告主在制定相应广告投放策略时缺乏对广告位价格的分析，广告主可以发送相应的广告管理请求至广告投放管理平台进行广告位价格的预测和分析以使的广告主能够对相应广告投放策略进行进一步的优化。
[0067]
目标广告位的历史价格数据包括目标广告位历史各个时间段的历史价格。目标广
告位的历史价格数据为不同广告主在该目标广告位上历史投放广告时支出的广告费用。
[0068]
根据目标标识符从数据库获取目标广告位的历史价格数据时，不必获取该目标广告位的所有历史价格，即距离当前时间点越久的历史价格，其参考的价值越小，距离当前时间点越近的历史价格，越具有参考价值。因此，历史价格数据包含目标广告位在最近一个连续时间段的历史价格。
[0069]
历史价格序列为在各个历史时间段时目标广告位的广告位价格的有序排列，历史价格序列包括目标广告位在各个历史时间段的广告位价格；广告投放管理平台通过对广告价格序列进行分析和预测以得出目标广告位在未来一段时间的广告投放价格。
[0070]
在一个实施例中，数据接收模块对历史价格数据进行数据处理得到历史价格序列包括：
[0071]
数据接收模块提取历史价格数据中各个历史时间段的广告位价格；
[0072]
数据接收模块将各个历史时间段的广告位价格按照时间顺序进行升序排列以得到初始历史价格序列。
[0073]
在一个实施例中，数据接收模块对历史价格数据进行数据处理得到历史价格序列包括：
[0074]
数据接收模块对初始历史价格序列进行第一次参数分离以得到第一分离分量和第一分离残量；
[0075]
数据接收模块对第一分离残量进行第二次参数分离以得到第二分离分量和第二分离残量；
[0076]
数据接收模块对第二分离残量进行第三次参数分离以得到第三分离分量和第三分离残量；对上述步骤执行迭代操作，直到分离残量不能继续分离；
[0077]
数据接收模块将每一次参数分离得到的分离分量和最后一次参数分离得到的分离残量进行线性求和以得到历史价格序列。
[0078]
在一个实施例中，数据接收模块将每一次参数分离的分离分量和最后一次参数分离的分离残量进行线性求和得到历史价格序列包括：
[0079][0080]
其中，ad
price
(n)为历史价格序列，c为分离分量的个数，l为分离分量的索引，h
l
(n)为第l个分离分量，g(n)为分离残量。
[0081]
本发明在对目标广告位的广告位价格预测的过程中考虑价格扰动因子对广告位价格的影响，使得到的广告价格预测函数更加准确，以提高广告位价格预测结果的准确度。
[0082]
s2、数据分析模块获取目标广告位的所有价格扰动因子，并对历史价格序列进行数据分析以获取每个价格扰动因子与每个历史时间段的广告位价格的相关系数；数据分析模块将每个价格扰动因子的所有相关系数按照相关系数的数值进行升序排列以得到每个价格扰动因子的价格扰动向量，并根据所有价格扰动因子的价格扰动向量生成第一价格扰动矩阵。
[0083]
相关系数为价格扰动因子与广告位价格的相关程度。
[0084]
s3、数据分析模块构造第一价格扰动矩阵的相关系数矩阵，并对第一价格扰动矩阵的相关系数矩阵进行特征分解以得到所述相关系数矩阵的所有特征值和每个特征值对
应的特征向量。
[0085]
在一个实施例中，数据分析模块对第一价格扰动矩阵的相关系数矩阵进行特征分解得到第一价格扰动矩阵的相关系数矩阵的所有特征值和每个特征值对应的特征向量包括：
[0086]
数据分析模块将第一价格扰动矩阵的相关系数矩阵作为第一相关矩阵，并将所述第一相关矩阵进行矩阵相似变换以得到第二相关矩阵；
[0087]
数据分析模块将第二相关矩阵中非主对角线元素中绝对值最大的元素作为第二相关矩阵的核心元素；
[0088]
数据分析模块获取第二相关矩阵中核心元素所在行中值最大的元素，并将其作为第二相关矩阵的第一元素；
[0089]
数据分析模块获取第二相关矩阵中核心元素所在列中值最大的元素，并将其作为第二相关矩阵的第二元素；
[0090]
数据分析模块根据第二相关矩阵的核心元素、第一元素和第二元素得到旋转角度，并根据所述旋转角度对第二相关矩阵进行旋转，然后根据旋转后的第二相关矩阵得到相关系数矩阵的所有特征值和每个特征值对应的特征向量。
[0091]
s4、数据分析模块根据所述相关系数矩阵的所有特征值对所有的特征向量进行数据验证以得到若干个目标特征向量，并根据所有的目标特征向量生成目标特征矩阵，然后根据目标特征矩阵生成第二价格扰动矩阵。
[0092]
在一个实施例中，数据分析模块根据相关系数矩阵的所有特征值对所有的特征向量进行数据验证得到若干个目标特征向量包括：
[0093]
数据分析模块将相关系数矩阵的所有特征值按照特征值的数值进行降序排序；
[0094]
数据分析模块计算所有特征值的和以得到特征和，并将每个特征值与特征和的比值作为每个特征值的特征占比率，然后将特征验证值设置为零；
[0095]
数据分析模块按照特征值的排列顺序遍历所有的特征值，并将正在遍历的特征值作为目标特征值，将特征验证值加上目标特征值的特征占比率以对特征验证值进行更新，并将更新后的特征验证值与特征验证阈值进行比较；
[0096]
在更新后的特征验证值小于或等于特征验证阈值时，数据分析模块将目标特征值对应的特征向量作为目标特征向量，并按照特征值的排列顺序遍历下一个特征值；
[0097]
在更新后的特征验证值大于特征验证阈值时，数据分析模块停止遍历特征值。
[0098]
s5、数据分析模块根据第二价格扰动矩阵建立第二价格扰动矩阵与历史价格序列的回归模型，并对第二价格扰动矩阵与历史价格序列的回归模型进行变换以得到第一价格扰动矩阵与历史价格序列的回归模型。
[0099]
s6、价格预测模块根据第一价格扰动矩阵与历史价格序列的回归模型建立广告价格预测函数，并根据广告价格预测函数预测目标预测周期内目标广告位的广告位价格以得到目标广告位的预测价格分布数据并将其发送到广告主客户端。
[0100]
在一个实施例中，价格预测模块根据第一价格扰动矩阵与历史价格序列的回归模型建立广告价格预测函数包括：
[0101]
[0102]
p(r(τ)|ad
price
(n))为广告价格预测函数，r(τ)为第一价格扰动矩阵与历史价格序列的回归模型，ad
price
(n)为历史价格序列，τ为价格精度。
[0103]
在一个实施例中，价格预测模块根据目标广告位的预测价格分布数据生成广告位价格分析表；
[0104]
价格预测模块将广告位价格分析表发送到广告主客户端；
[0105]
广告主根据广告位价格分析表制定广告投放计划。
[0106]
具体地，价格预测模块根据目标广告位的预测价格分布数据生成广告位价格分析表包括：
[0107]
价格预测模块根据目标广告位的预测价格分布数据获取目标广告位在目标预测周期内各时间段的广告位价格；
[0108]
价格预测模块分别将各时间段的广告位价格与目标价格阈值进行比较；
[0109]
价格预测模块将所有小于或等于目标价格阈值的广告位价格进行时间标注，并将所有小于或等于目标价格阈值的广告位价格按价格进行升序排序以得到广告位价格分析表。
[0110]
目标预测周期由广告主根据自身广告投放需求预先设置的预测周期。目标预测周期可以是未来的一个连续时间段或某一个具体时间段，即广告主可将目标预测周期所包含的预测周期设置为一个或多个。
[0111]
预测价格分布数据包括目标预测周期内各个时间段对应的目标广告位的广告位价格，且预测广告位价格按照时间先后顺序排列。
[0112]
本发明通过目标广告位的历史价格数据预测目标广告位在未来一段时间的价格，广告主根据预测的目标广告位在未来一段时间的价格制定相应的广告投放计划，提高广告投放的性价比，以较少的资金获得较好的广告效果，优化广告投放策略。
[0113]
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。