流量数据的监控方法、装置及服务器与流程

本发明涉及互联网技术领域，尤其涉及一种流量数据的监控方法、装置及服务器。

背景技术：

互联网流量的监测与控制，对于移动广告系统有十分重要的作用。其可以帮助媒体控制和监测流量数据，并及时得到反馈。目前，主要采用阈值监控法，针对不同的媒体，从不同的维度，使用不同的阈值，以时间作为前进监测轴，来对流量数据进行监控。当某一维度的数值超出其对应的阈值时，可进行邮件报警或直接关停。对媒体进行评级，能够为优质的广告分配优质的媒体，从而达到利益最大化。但是，上述监控方法，需要业务人员主观的判断，对专业要求高，且进行相应的调整困难，不够智能。

技术实现要素：

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的一个目的在于提出一种流量数据的监控方法，通过采用深度学习模型对流量数据进行监控，提高了流量数据的准确度，降低了流量数据监控的复杂度，降低运营成本，更加智能化。

本发明的第二个目的在于提出一种数据流量的监控装置。

本发明的第三个目的在于提出一种服务器。

本发明的第四个目的在于提出一种存储介质。

本发明的第五个目的在于提出一种应用程序。

为了实现上述目的，本发明第一方面实施例提出了一种数据流量的监控方法，包括：获取当前日志数据；

对所述当前日志数据进行预处理，生成待预测流量数据；

将所述待预测流量数据输入至预先训练的深度学习模型；

通过所述预先训练的深度学习模型输出所述待预测流量数据对应的预测结果；

根据所述预测结果对流量数据进行监控。

可选的，对所述当前日志数据进行预处理，生成待预测流量数据，包括：

对所述当前日志数据进行分类；

根据分类对相应的当前日志数据进行清洗与抽取；

对所述当前日志数据进行规则化处理，并生成待预测流量数据。

可选的，根据分类对相应的当前日志数据进行清洗与抽取，包括：

按照预设过滤规则过滤所述当前日志数据中的噪声数据。

可选的，所述预先训练的深度学习模型包括广度模型和深度模型，所述广度模型和所述深度模型通过逻辑损失函数连接。

可选的，根据所述预测结果对流量数据进行监控，包括：

当所述预测结果超出预设阈值时，生成预警信息；

接收业务人员对所述预警信息的反馈信息，并对所述预警信息和所述反馈信息进行统计；

根据统计信息对所述流量数据进行评级。

可选的，数据流量的监控方法还包括：训练所述深度学习模型。

可选的，训练所述深度学习模型，包括：

获取历史日志数据；

对所述历史日志数据进行预处理，生成历史流量数据；

根据所述历史流量数据训练所述深度学习模型。

本发明实施例的数据流量的监控方法，通过采用深度学习模型对流量数据进行监控，提高了流量数据的准确度，降低了流量数据监控的复杂度，降低运营成本，更加智能化。

本发明第二方面实施例提出了一种数据流量的监控装置，包括：

获取模块，用于获取当前日志数据；预处理模块，用于对所述当前日志数据进行预处理，生成待预测流量数据；

输入模块，用于将所述待预测流量数据输入至预先训练的深度学习模型；

输出模块，用于通过所述预先训练的深度学习模型输出所述待预测流量数据对应的预测结果；

监控模块，用于根据所述预测结果对流量数据进行监控。

可选的，所述预处理模块，用于：对所述当前日志数据进行分类；根据分类对相应的当前日志数据进行清洗与抽取；

对所述当前日志数据进行规则化处理，并生成待预测流量数据。

可选的，所述预处理模块，用于：按照预设过滤规则过滤所述当前日志数据中的噪声数据。

可选的，所述预先训练的深度学习模型包括广度模型和深度模型，所述广度模型和所述深度模型通过逻辑损失函数连接。

可选的，所述监控模块，用于：当所述预测结果超出预设阈值时，生成预警信息；

接收业务人员对所述预警信息的反馈信息，并对所述预警信息和所述反馈信息进行统计；根据统计信息对所述流量数据进行评级。

可选的，所述装置还包括：训练模块，用于训练所述深度学习模型。

可选的，所述训练模块，用于：获取历史日志数据；对所述历史日志数据进行预处理，生成历史流量数据；根据所述历史流量数据训练所述深度学习模型。

本发明实施例的数据流量的监控装置，通过采用深度学习模型对流量数据进行监控，提高了流量数据的准确度，降低了流量数据监控的复杂度，降低运营成本，更加智能化。

本发明第三方面实施例提出了一种服务器，包括：处理器、存储器、通信接口和总线；所述处理器、所述存储器和所述通信接口通过所述总线连接并完成相互间的通信；所述存储器存储可执行程序代码；所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于执行第一方面实施例所述的流量数据的监控方法。

本发明第四方面实施例提出了一种存储介质，其中，所述存储介质用于存储应用程序，所述应用程序用于在运行时执行第一方面实施例所述的流量数据的监控方法。

本发明第五方面实施例提出了一种应用程序，其中，所述应用程序用于在运行时执行第一方面实施例所述的流量数据的监控方法。

附图说明

图1是根据本发明一个实施例的流量数据的监控方法的流程图；

图2是根据本发明另一个实施例的流量数据的监控方法的流程图；

图3是根据本发明一个实施例的流量数据的监控装置的结构示意图；

图4是根据本发明另一个实施例的流量数据的监控装置的结构示意图；

图5是根据本发明一个实施例的服务器的结构示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

下面参考附图描述本发明实施例的流量数据的监控方法、装置及服务器。

图1是根据本发明一个实施例的流量数据的监控方法的流程图。

如图1所示，流量数据的监控方法可包括：

s101，获取当前日志数据。

在本发明的一个实施例中，在对流量数据进行监控时，可获取当前日志数据。当前日志数据可包括广告展现量、广告点击量、广告点击率、广告转化率及广告收入。当前日志数据可以将分钟、小时、天、月等来作为量级单位，例如可以取最近10分钟的日志，作为当前日志数据。

s102，对当前日志数据进行预处理，生成待预测流量数据。

在获取当前日志数据之后，可对当前日志数据进行预处理，生成待预测流量数据。

在本发明的一个实施例中，首先可对当前日志数据进行分类，然后根据分类对相应的当前日志数据进行清洗与抽取，再对当前日志数据进行规则化处理，并生成待预测流量数据。例如：当前日志数据可分为展现点击数据、安装数据、计费数据。其中，展现点击数据可以是广告展现量、广告点击量；安装数据可以是广告转化率；计费数据可以是广告收入。分别针对不同的分类，对上述数据进行清洗和抽取，从而生成待预测流量数据。其中，可以按照预设过滤规则过滤当前日志数据中的噪声数据。当然，当前日志数据中还可包括其他类型，如用于描述展现广告终端的类型，是手机、或是平板电脑、或是电脑，此类数据对实际的流量监控不产生影响，故可以进行清洗。另外，根据不同的需求可设置不同的过滤规则，例如：有的需求只关注广告点击量高的数据，则可过滤掉广告点击量低于100次的数据；有的需求关注广告转化率和广告收入，则可过滤掉广告展现量、广告点击量等数据。

s103，将待预测流量数据输入至预先训练的深度学习模型。

其中，预先训练的深度学习模型可包括广度模型和深度模型，广度模型和深度模型通过一个逻辑损失函数连接。

广度模型是一个通用的线性模型：y＝w^tx+b。其中，y是预测值，x＝{x1,x2,…,,xn}是n个特征组成的向量，w＝{w1,w2,…,wn}是模型参数，b是偏差值。

深度模型是一个前馈神经网路，嵌入的向量随机初始化。在低纬嵌入向量中使用隐藏的层，在每个隐藏层有如下的计算函数：a^(l+1)＝f(w^(l)a^(l)+b^(l))，其中l是层数，f是激发函数，w^(l)是l层的偏移和模型权重的激发值。

广度模型和深度模型通过一个逻辑损失函数来连接。可使用ftrl(followtheregularizedleader)算法作为广度模型的优化，利用adagrad算法作为深度模型的优化。最终，生成深度学习模型p(y＝1|x)＝σ(w^twide[x，φ(x)]+w^tdeepa^(lf)+b)，其中，y是二值分类标签，σ是s函数，φ是原来特征的中间转化，b是偏移值，w^twide是广度向量模型权重向量，w^tdeep是深度模型权重向量。

在本发明的一个实施例中，可将待预测流量数据输入至预先训练的深度学习模型。

s104，通过预先训练的深度学习模型输出待预测流量数据对应的预测结果。

在将待预测流量数据输入至深度学习模型之后，可利用该深度学习模型进行预测，从而输出待预测流量数据对应的预测结果。例如：通过最近1小时的广告点击量，预测出下一时间段如未来1小时内的广告点击量。再例如：最近10分钟的广告收入为10万元，则可预测出未来半小时的广告收入等。

s105，根据预测结果对流量数据进行监控。

在输出预测结果之后，可根据预测结果对流量数据进行监控。

在本发明的一个实施例中，在当预测结果超出预设阈值时，可生成预警信息，以提醒业务人员流量数据出现异常。业务人员可针对异常信息，进行相应的调整等反馈操作。在接收业务人员对预警信息的反馈信息之后，可对预警信息和反馈信息进行统计，然后根据统计信息对流量数据进行评级。举例来说，假设预测未来一天的广告展现量，如果预测结果相比于前一天的流量数据的增加量超出了20％，则可认为该结果是异常的，可生成预警信息，提醒业务人员及时进行处理。例如降低该广告的展现量，使其趋于正常。随后，可根据生成的预警信息的次数等，来评价流量数据，再基于评级实现优质广告与优质流量的匹配，实现流量精确控制，且利益最大化。

本发明实施例的流量数据的监控方法，通过采用深度学习模型对流量数据进行监控，提高了流量数据的准确度，降低了流量数据监控的复杂度，降低运营成本，更加智能化。

图2是根据本发明另一个实施例的流量数据的监控方法的流程图。

如图2所示，流量数据的监控方法可包括：

s201，训练深度学习模型。

在本发明的一个实施例中，可获取历史日志数据，对历史日志数据进行预处理，生成历史流量数据，然后可根据历史流量数据训练深度学习模型。例如：历史日志数据中可包括历史的广告展现量、历史的广告点击量、历史的广告点击率、历史的广告转化率及历史的广告收入，如去年一年每日的历史数据。根据上述历史数据，可对其进行清洗、抽取等预处理，生成历史流量数据。利用历史流量数据的特征，转化为训练向量，进而训练深度学习模型。

s202，获取当前日志数据。

在本发明的一个实施例中，在对流量数据进行监控时，可获取当前日志数据。当前日志数据可包括广告展现量、广告点击量、广告点击率、广告转化率及广告收入。当前日志数据可以将分钟、小时、天、月等来作为量级单位，例如可以取最近10分钟的日志，作为当前日志数据。

s203，对当前日志数据进行预处理，生成待预测流量数据。

在获取当前日志数据之后，可对当前日志数据进行预处理，生成待预测流量数据。

在本发明的一个实施例中，首先可对当前日志数据进行分类，然后根据分类对相应的当前日志数据进行清洗与抽取，再对当前日志数据进行规则化处理，并生成待预测流量数据。例如：当前日志数据可分为展现点击数据、安装数据、计费数据。其中，展现点击数据可以是广告展现量、广告点击量；安装数据可以是广告转化率；计费数据可以是广告收入。分别针对不同的分类，对上述数据进行清洗和抽取，从而生成待预测流量数据。其中，可以按照预设过滤规则过滤当前日志数据中的噪声数据。当然，当前日志数据中还可包括其他类型，如用于描述展现广告终端的类型，是手机、或是平板电脑、或是电脑，此类数据对实际的流量监控不产生影响，故可以进行清洗。另外，根据不同的需求可设置不同的过滤规则，例如：有的需求只关注广告点击量高的数据，则可过滤掉广告点击量低于100次的数据；有的需求关注广告转化率和广告收入，则可过滤掉广告展现量、广告点击量等数据。

s204，将待预测流量数据输入至预先训练的深度学习模型。

其中，预先训练的深度学习模型可包括广度模型和深度模型，广度模型和深度模型通过一个逻辑损失函数连接。

广度模型是一个通用的线性模型：y＝w^tx+b。其中，y是预测值，x＝{x1,x2,…,,xn}是n个特征组成的向量，w＝{w1,w2,…,wn}是模型参数，b是偏差值。

深度模型是一个前馈神经网路，嵌入的向量随机初始化。在低纬嵌入向量中使用隐藏的层，在每个隐藏层有如下的计算函数：a^(l+1)＝f(w^(l)a^(l)+b^(l))，其中l是层数，f是激发函数，w^(l)是l层的偏移和模型权重的激发值。

广度模型和深度模型通过一个逻辑损失函数来连接。可使用ftrl(followtheregularizedleader)算法作为广度模型的优化，利用adagrad算法作为深度模型的优化。最终，生成深度学习模型p(y＝1|x)＝σ(w^twide[x，φ(x)]+w^tdeepa^(lf)+b)，其中，y是二值分类标签，σ是s函数，φ是原来特征的中间转化，b是偏移值，w^twide是广度向量模型权重向量，w^tdeep是深度模型权重向量。

在本发明的一个实施例中，可将待预测流量数据输入至预先训练的深度学习模型。

s205，通过预先训练的深度学习模型输出待预测流量数据对应的预测结果。

在将待预测流量数据输入至深度学习模型之后，可利用该深度学习模型进行预测，从而输出待预测流量数据对应的预测结果。例如：通过最近1小时的广告点击量，预测出下一时间段如未来1小时内的广告点击量。再例如：最近10分钟的广告收入为10万元，则可预测出未来半小时的广告收入等。

s206，根据预测结果对流量数据进行监控。

在输出预测结果之后，可根据预测结果对流量数据进行监控。

在本发明的一个实施例中，在当预测结果超出预设阈值时，可生成预警信息，以提醒业务人员流量数据出现异常。业务人员可针对异常信息，进行相应的调整等反馈操作。在接收业务人员对预警信息的反馈信息之后，可对预警信息和反馈信息进行统计，然后根据统计信息对流量数据进行评级。举例来说，假设预测未来一天的广告展现量，如果预测结果相比于前一天的流量数据的增加量超出了20％，则可认为该结果是异常的，可生成预警信息，提醒业务人员及时进行处理。例如降低该广告的展现量，使其趋于正常。随后，可根据生成的预警信息的次数等，来评价流量数据，再基于评级实现优质广告与优质流量的匹配，实现流量精确控制，且利益最大化。

本发明实施例的流量数据的监控方法，通过大量的历史日志数据训练深度学习模型，再采用训练好的深度学习模型对流量数据进行监控，进一步提高了流量数据的准确度，降低了流量数据监控的复杂度，降低运营成本，更加智能化。

为实现上述目的，本发明还提出一种流量数据的监控装置。

图3是根据本发明一个实施例的流量数据的监控装置的结构示意图。

如图3所示，该流量数据的监控装置可包括：获取模块110、预处理模块120、输入模块130、输出模块140和监控模块150。

获取模块110用于获取当前日志数据。

在本发明的一个实施例中，在对流量数据进行监控时，获取模块110可获取当前日志数据。当前日志数据可包括广告展现量、广告点击量、广告点击率、广告转化率及广告收入。当前日志数据可以将分钟、小时、天、月等来作为量级单位，例如可以取最近10分钟的日志，作为当前日志数据。

预处理模块120用于对当前日志数据进行预处理，生成待预测流量数据。

可选的，预处理模块120用于：对当前日志数据进行分类；根据分类对相应的当前日志数据进行清洗与抽取；对当前日志数据进行规则化处理，并生成待预测流量数据。

可选的，预处理模块120还用于：按照预设过滤规则过滤当前日志数据中的噪声数据。

在本发明的一个实施例中，首先可对当前日志数据进行分类，然后根据分类对相应的当前日志数据进行清洗与抽取，再对当前日志数据进行规则化处理，并生成待预测流量数据。例如：当前日志数据可分为展现点击数据、安装数据、计费数据。其中，展现点击数据可以是广告展现量、广告点击量；安装数据可以是广告转化率；计费数据可以是广告收入。分别针对不同的分类，对上述数据进行清洗和抽取，从而生成待预测流量数据。其中，可以按照预设过滤规则过滤当前日志数据中的噪声数据。当然，当前日志数据中还可包括其他类型，如用于描述展现广告终端的类型，是手机、或是平板电脑、或是电脑，此类数据对实际的流量监控不产生影响，故可以进行清洗。另外，根据不同的需求可设置不同的过滤规则，例如：有的需求只关注广告点击量高的数据，则可过滤掉广告点击量低于100次的数据；有的需求关注广告转化率和广告收入，则可过滤掉广告展现量、广告点击量等数据。

输入模块130用于将待预测流量数据输入至预先训练的深度学习模型。

其中，预先训练的深度学习模型可包括广度模型和深度模型，广度模型和深度模型通过一个逻辑损失函数连接。

广度模型是一个通用的线性模型：y＝w^tx+b。其中，y是预测值，x＝{x1,x2,…,,xn}是n个特征组成的向量，w＝{w1,w2,…,wn}是模型参数，b是偏差值。

深度模型是一个前馈神经网路，嵌入的向量随机初始化。在低纬嵌入向量中使用隐藏的层，在每个隐藏层有如下的计算函数：a^(l+1)＝f(w^(l)a^(l)+b^(l))，其中l是层数，f是激发函数，w^(l)是l层的偏移和模型权重的激发值。

广度模型和深度模型通过一个逻辑损失函数来连接。可使用ftrl(followtheregularizedleader)算法作为广度模型的优化，利用adagrad算法作为深度模型的优化。最终，生成深度学习模型p(y＝1|x)＝σ(w^twide[x，φ(x)]+w^tdeepa^(lf)+b)，其中，y是二值分类标签，σ是s函数，φ是原来特征的中间转化，b是偏移值，w^twide是广度向量模型权重向量，w^tdeep是深度模型权重向量。

输出模块140用于通过预先训练的深度学习模型输出待预测流量数据对应的预测结果。

在将待预测流量数据输入至深度学习模型之后，可利用该深度学习模型进行预测，从而输出待预测流量数据对应的预测结果。例如：通过最近1小时的广告点击量，预测出下一时间段如未来1小时内的广告点击量。再例如：最近10分钟的广告收入为10万元，则可预测出未来半小时的广告收入等。

监控模块150用于根据预测结果对流量数据进行监控。

可选的，监控模块150用于：当预测结果超出预设阈值时，生成预警信息；接收业务人员对预警信息的反馈信息，并对预警信息和反馈信息进行统计；根据统计信息对流量数据进行评级。举例来说，假设预测未来一天的广告展现量，如果预测结果相比于前一天的流量数据的增加量超出了20％，则可认为该结果是异常的，可生成预警信息，提醒业务人员及时进行处理。例如降低该广告的展现量，使其趋于正常。随后，可根据生成的预警信息的次数等，来评价流量数据，再基于评级实现优质广告与优质流量的匹配，实现流量精确控制，且利益最大化。

应当理解的是，关于上述实施例中的流量数据的监控装置，其中各个模块执行操作的具体方式已经在有关流量数据的监控方法的实施例中进行了详细描述，此处将不做详细阐述说明。

本发明实施例的流量数据的监控装置，通过采用深度学习模型对流量数据进行监控，提高了流量数据的准确度，降低了流量数据监控的复杂度，降低运营成本，更加智能化。

此外，如图4所示，本发明实施例的流量数据的监控装置还可包括训练模块160。

训练模块160用于训练深度学习模型。

可选的，训练模块160用于获取历史日志数据；对历史日志数据进行预处理，生成历史流量数据；根据历史流量数据训练深度学习模型。

在本发明的一个实施例中，可获取历史日志数据，对历史日志数据进行预处理，生成历史流量数据，然后可根据历史流量数据训练深度学习模型。例如：历史日志数据中可包括历史的广告展现量、历史的广告点击量、历史的广告点击率、历史的广告转化率及历史的广告收入，如去年一年每日的历史数据。根据上述历史数据，可对其进行清洗、抽取等预处理，生成历史流量数据。利用历史流量数据的特征，转化为训练向量，进而训练深度学习模型。

本发明实施例的流量数据的监控装置，通过大量的历史日志数据训练深度学习模型，再采用训练好的深度学习模型对流量数据进行监控，进一步提高了流量数据的准确度，降低了流量数据监控的复杂度，降低运营成本，更加智能化。

为了实现上述实施例，本发明还提出一种服务器。

图5是根据本发明一个实施例的服务器的结构示意图。

如图5所示，该服务器包括处理器51、存储器52、通信接口53和总线54，其中：处理器51、存储器52和通信接口53通过总线54连接并完成相互间的通信；存储器52存储可执行程序代码；处理器51通过读取存储器52中存储的可执行程序代码来运行与可执行程序代码对应的程序，以用于执行以下步骤：

s101’，获取当前日志数据。

在本发明的一个实施例中，在对流量数据进行监控时，可获取当前日志数据。当前日志数据可包括广告展现量、广告点击量、广告点击率、广告转化率及广告收入。当前日志数据可以将分钟、小时、天、月等来作为量级单位，例如可以取最近10分钟的日志，作为当前日志数据。

s102’，对当前日志数据进行预处理，生成待预测流量数据。

在获取当前日志数据之后，可对当前日志数据进行预处理，生成待预测流量数据。

在本发明的一个实施例中，首先可对当前日志数据进行分类，然后根据分类对相应的当前日志数据进行清洗与抽取，再对当前日志数据进行规则化处理，并生成待预测流量数据。例如：当前日志数据可分为展现点击数据、安装数据、计费数据。其中，展现点击数据可以是广告展现量、广告点击量；安装数据可以是广告转化率；计费数据可以是广告收入。分别针对不同的分类，对上述数据进行清洗和抽取，从而生成待预测流量数据。其中，可以按照预设过滤规则过滤当前日志数据中的噪声数据。当然，当前日志数据中还可包括其他类型，如用于描述展现广告终端的类型，是手机、或是平板电脑、或是电脑，此类数据对实际的流量监控不产生影响，故可以进行清洗。另外，根据不同的需求可设置不同的过滤规则，例如：有的需求只关注广告点击量高的数据，则可过滤掉广告点击量低于100次的数据；有的需求关注广告转化率和广告收入，则可过滤掉广告展现量、广告点击量等数据。

s103’，将待预测流量数据输入至预先训练的深度学习模型。

其中，预先训练的深度学习模型可包括广度模型和深度模型，广度模型和深度模型通过一个逻辑损失函数连接。

广度模型是一个通用的线性模型：y＝w^tx+b。其中，y是预测值，x＝{x1,x2,…,,xn}是n个特征组成的向量，w＝{w1,w2,…,wn}是模型参数，b是偏差值。

深度模型是一个前馈神经网路，嵌入的向量随机初始化。在低纬嵌入向量中使用隐藏的层，在每个隐藏层有如下的计算函数：a^(l+1)＝f(w^(l)a^(l)+b^(l))，其中l是层数，f是激发函数，w^(l)是l层的偏移和模型权重的激发值。

广度模型和深度模型通过一个逻辑损失函数来连接。可使用ftrl(followtheregularizedleader)算法作为广度模型的优化，利用adagrad算法作为深度模型的优化。最终，生成深度学习模型p(y＝1|x)＝σ(w^twide[x，φ(x)]+w^tdeepa^(lf)+b)，其中，y是二值分类标签，σ是s函数，φ是原来特征的中间转化，b是偏移值，w^twide是广度向量模型权重向量，w^tdeep是深度模型权重向量。

在本发明的一个实施例中，可将待预测流量数据输入至预先训练的深度学习模型。

s104’，通过预先训练的深度学习模型输出待预测流量数据对应的预测结果。

在将待预测流量数据输入至深度学习模型之后，可利用该深度学习模型进行预测，从而输出待预测流量数据对应的预测结果。例如：通过最近1小时的广告点击量，预测出下一时间段如未来1小时内的广告点击量。再例如：最近10分钟的广告收入为10万元，则可预测出未来半小时的广告收入等。

s105’，根据预测结果对流量数据进行监控。

在输出预测结果之后，可根据预测结果对流量数据进行监控。

在本发明的一个实施例中，在当预测结果超出预设阈值时，可生成预警信息，以提醒业务人员流量数据出现异常。业务人员可针对异常信息，进行相应的调整等反馈操作。在接收业务人员对预警信息的反馈信息之后，可对预警信息和反馈信息进行统计，然后根据统计信息对流量数据进行评级。举例来说，假设预测未来一天的广告展现量，如果预测结果相比于前一天的流量数据的增加量超出了20％，则可认为该结果是异常的，可生成预警信息，提醒业务人员及时进行处理。例如降低该广告的展现量，使其趋于正常。随后，可根据生成的预警信息的次数等，来评价流量数据，再基于评级实现优质广告与优质流量的匹配，实现流量精确控制，且利益最大化。

本发明实施例的服务器，通过采用深度学习模型对流量数据进行监控，提高了流量数据的准确度，降低了流量数据监控的复杂度，降低运营成本，更加智能化。

为实现上述目的，本发明还提出一种存储介质，其中，所述存储介质用于存储应用程序，所述应用程序用于在运行时执行第一方面实施例所述的流量数据的监控方法。

为实现上述目的，本发明还提出一种应用程序，其中，所述应用程序用于在运行时执行第一方面实施例所述的流量数据的监控方法。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。