[发明专利]一种基于机器学习的收入预测方法及装置

说明书

一种基于机器学习的收入预测方法，包括:获取自游戏开服之日起每日的运行数据、特征数据和游戏推广数据；使用机器学习模型对获取的所述运行数据和所述推广数据进行训练，生成第一预测模型；计算每日的模型数值与真实数值的偏差，并采用所述机器学习模型对所述偏差进行训练，生成偏差预测模型；将所述第一预测模型与所述偏差预测模型相加，得到第二预测模型，并使用所述第二预测模型预测未来的收入。本发明通过全面考虑影响用户的各个类型的因素，并对预测模型进行二次迭代，提升了模型预测的准确性。

技术领域

本发明涉及游戏收入预测技术领域，尤其涉及一种基于机器学习的收入预测方法及装置。

背景技术

在游戏发行过程中，通过前几日的游戏数据预测未来一段时间，尤其是未来30天的总收入情况具有重要的意义，可以供发行商决定是否追加宣传推广、修改游戏内容或者停止继续投放该游戏。在目前的游戏发行收入预测中，主要根据对收入进行指数拟合，用以预测未来30天的状况，但是准确度并不理想。更多的技术方案集中在评估单个用户的未来价值。

某发明涉及一种用户生命价值周期检测方法、装置、计算机设备和存储介质。获取用户账号对应的行为数据；将该行为数据输入训练好的分类模型，得到用户账号对应的用户类型；分类模型是基于第一用户类型的历史行为数据和第二用户类型的历史行为数据训练得到；若用户类型为第一用户类型，根据预设属性值和预设时段内属于第一用户类型的用户数量，确定用户账号对应的用户的生命价值周期LTV；若该用户类型为第二用户类型，将用户账号对应的行为数据输入到训练好的预测模型，得到第二类用户的LTV，预测模型是基于属于第二用户类型的历史行为数据训练得到。利用用户的历史行为数据确定用户类型，再针对不同用户类型分别确定用户LTV，减小了用户LTV检测的误差。

发明内容

本发明所要解决的技术问题在于，提供一种基于机器学习的收入预测方法及装置，通过考虑游戏运行数据和推广数据，用机器学习的方法得到其收入模型，并对偏差进行预测，最终得到预测模型，其具体方案如下：

第一方面，本发明提供了一种基于机器学习的收入预测方法，其特征在于：包括：

获取自游戏开服之日起每日的运行数据；其中，所述运行数据包括用户总数、单日新用户数、单日收入数据；

获取游戏的特征数据；其中，所述特征数据包括游戏类型、操作系统；

获取游戏推广数据；其中，所述推广数据包括推广天数、推广费用、推广国家和地区；

使用机器学习模型对获取的所述运行数据和所述推广数据进行训练，生成第一预测模型；

计算每日的模型数值与真实数值的偏差，并采用所述机器学习模型对所述偏差进行训练，生成偏差预测模型；

将所述第一预测模型与所述偏差预测模型相加，得到第二预测模型，并使用所述第二预测模型预测未来的收入。

可选地，所述的一种基于机器学习的收入预测方法，其特征在于，还包括：

记录所述第二预测模型及所述游戏类型，并生成按所述游戏类型分类的所述第二预测模型数据库；

根据所述数据库信息计算出所述游戏类型对应的各个参数的平均系数；

根据所述第二预测模型中各参数的系数与其所在行业的所述平均系数对比，为用户提供优化建议。

在上述技术方案中，建立按游戏类型分类的数据库，为后续的数据分析提供了数据支持。根据行业类别计算行业的平均系数，使得数据更加精细。通过将当前模型中的系数与行业内的平均系数相对比，可以过滤掉不同类型的影响，给出的建议更加准确。

可选地，所述使用机器学习模型对获取的所述运行数据和所述推广数据进行训练，是指：

使用指数模型对所述运行数据和所述推广数据进行训练，得到其指数预测模型；其中，所述指数模型为。