一种数据流量控制方法及广告数据流量控制方法

技术领域

本发明涉及网络实时流量分发领域，具体涉及一种数据流量控制方法及广告数据流量控制方法。

背景技术

目前广告采购流量大多为人工优化方式，凭借广告投放人员的经验进行处理，由于目前没有统一规范，很多依靠培训进行投放优化，一个广告投放人员需要培养周期比较长，另外由于都是人工处理，投放效果不能保证稳定，同时根据数据操作人员在计算分配广告周期比较慢，效率低下。

并且，广告流量分发为平均分配控制方式，即将所有流量控制按总流量的比重平均分配给消耗方进行采购，由于每个消耗方每个时刻对广告流量的需求不一样，按以往流量分发模式会可能会产生消耗方需要的流量无法买到，发过去的流量对消耗方没有价值对双方造成浪费。

发明内容

为克服现有技术所存在的缺陷，现提供一种数据流量控制方法及广告数据流量控制方法，用于解决目前广告采购流量投放效果不能保证稳定，同时根据数据操作人员在计算分配广告周期比较慢，效率低下的问题和流量控制按总流量的比重平均分配给消耗方进行采购，由于每个消耗方每个时刻对广告流量的需求不一样，按以往流量分发模式会可能会产生消耗方需要的流量无法买到，发过去的流量对消耗方没有价值对双方造成浪费的问题。

为实现上述目的，本发明提供了一种数据流量控制方法，包括如下步骤：

(1)统计位置不同节点的流量消耗数据；

(2)统计所述位置不同节点的关联阈值；

(3)判断位置不同节点的流量消耗数据权重是否与关联阈值权重正相关，若是，设置任务阈值，并以流量消耗数据权重分配任务阈值；

否则，执行步骤(4)；

(4)基于预设算法，重新计算位置不同节点的流量消耗数据权重，返回步骤(3)。

进一步的改进在于，所述预设算法包括遗传算法、模拟退火算法、随机搜索算法或遍历算法。

进一步的改进在于，基于遗传算法，重新计算位置不同节点的流量消耗数据权重的步骤包括：

(1)将不同广告位置的流量消耗数据和关联阈值分别作为一个基因；

(2)将不同广告位置的流量消耗数据和关联阈值的组合作为染色体；

(3)分配染色体的基因,染色体的基因取值范围设置为0-100，对应流量消耗数据权重0％-100％；

(4)根据染色体的基因进行计算评分，评分＝(A广告位置的流量消耗数据*A基因*A广告位置的关联阈值+B广告位置的流量消耗数据*B基因*B广告位置的关联阈值+…)/(A广告位置的流量消耗数据+B广告位置的流量消耗数据+…)，记录最高评分及对应染色体的基因，若是计算次数达到预设值，输出最高评分对应染色体的基因；若计算次数未达到预设值，返回步骤(3)。

进一步的改进在于，所述流量消耗数据包括：给消耗方发送的广告位信息、用户信息和媒体信息。

本发明还提供了一种广告数据流量控制方法，包括如下步骤：

(1)统计位置不同广告位置的流量消耗数据；

(2)统计所述位置不同广告位的点击率；

(3)判断位置不同广告位的流量消耗数据权重是否与点击率权重正相关，若是，设置期望点击率，并以流量消耗数据权重分配期望点击率；

否则，执行步骤(4)；

(4)基于预设算法，重新计算位置不同广告位的流量消耗数据权重，返回步骤(3)。

进一步的改进在于，基于遗传算法，重新计算位置不同广告位的流量消耗数据权重的步骤包括：

(1)将不同广告位置的流量消耗数据和点击率分别作为一个基因；

(2)将不同广告位置的流量消耗数据和点击率的组合作为染色体；

(3)分配染色体的基因,染色体的基因取值范围设置为0-100，对应流量消耗数据权重0％-100％；

(4)根据染色体的基因进行计算评分，评分＝(A广告位置的流量消耗数据*A基因*A广告位置的点击率+B广告位置的流量消耗数据*B基因*B广告位置的点击率+…)/(A广告位置的流量消耗数据+B广告位置的流量消耗数据+…)，记录最高评分及对应染色体的基因，若是计算次数达到预设值，输出最高评分对应染色体的基因；若计算次数未达到预设值，返回步骤(3)。

进一步的改进在于，所述流量消耗数据包括给消耗方发送的广告位信息、用户信息和媒体信息。

本发明还提供了一种广告数据流量控制方法，包括如下步骤：

(1)统计位置不同广告位置的流量消耗数据；

(2)统计所述位置不同广告位的采购率；

(3)判断位置不同广告位的流量消耗数据权重是否与采购率权重正相关，若是，设置查询率，并以流量消耗数据权重分配查询率；

否则，执行步骤(4)；

(4)基于预设算法，重新计算位置不同广告位的流量消耗数据权重，返回步骤(3)。

进一步的改进在于，基于遗传算法，重新计算位置不同广告位的流量消耗数据权重的步骤包括：

(1)将不同广告位置的流量消耗数据和采购率分别作为一个基因；

(2)将不同广告位置的流量消耗数据和采购率的组合作为染色体；

(3)分配染色体的基因,染色体的基因取值范围设置为0-100，对应流量消耗数据权重0％-100％；

(4)根据染色体的基因进行计算评分，评分＝(A广告位置的流量消耗数据*A基因*A广告位置的采购率+B广告位置的流量消耗数据*B基因*B广告位置的采购率+…)/(A广告位置的流量消耗数据+B广告位置的流量消耗数据+…)，记录最高评分及对应染色体的基因，若是计算次数达到预设值，输出最高评分对应染色体的基因；若计算次数未达到预设值，返回步骤(3)。

进一步的改进在于，所述流量消耗数据包括给消耗方发送的广告位信息、用户信息和媒体信息。

本发明一种数据流量控制方法及广告数据流量控制方法，统计位置不同节点的流量消耗数据；统计位置不同节点的关联阈值，判断位置不同节点的流量消耗数据权重是否与关联阈值权重正相关，若是，设置任务阈值，并以流量消耗数据权重分配任务阈值；否则，基于预设算法，重新计算位置不同节点的流量消耗数据权重，设置任务阈值，并以流量消耗数据权重分配任务阈值。

附图说明

图1显示为本发明实施例中公开的一种广告流量分发方法中的染色体二进制序列图；

图2显示为本发明实施例中公开的一种广告流量分发方法中的交叉染色体二进制序列图；

图3显示为本发明实施例中公开的一种广告流量分发方法中的基因突变染色体二进制序列图；

图4显示为本发明实施例中公开的一种广告流量分发方法中的染色体排列编码图；

图5显示为本发明实施例中公开的一种广告流量分发方法的流程图。

具体实施方式

以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效。

请参阅图1至图5。须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。同时，本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。

请参阅图1至图5，本发明提供一种数据流量控制方法，如图1所示，包括以下步骤：

(1)统计位置不同节点的流量消耗数据；

(2)统计位置不同节点的关联阈值；

(3)判断位置不同节点的流量消耗数据权重是否与关联阈值权重正相关，若是，设置任务阈值，并以流量消耗数据权重分配任务阈值；

否则，执行步骤(4)；

(4)基于预设算法，重新计算位置不同节点的流量消耗数据权重，返回步骤(3)。

本实施例提供的一种数据流量控制方法，预设算法包括遗传算法、模拟退火算法、随机搜索算法或遍历算法。

本实施例提供的一种数据流量控制方法，基于遗传算法，重新计算位置不同节点的流量消耗数据权重的步骤包括：

(1)将不同广告位置的流量消耗数据和关联阈值分别作为一个基因；

(2)将不同广告位置的流量消耗数据和关联阈值的组合作为染色体；

(3)分配染色体的基因,染色体的基因取值范围设置为0-100，对应流量消耗数据权重0％-100％；

(4)根据染色体的基因进行计算评分，评分＝(A广告位置的流量消耗数据*A基因*A广告位置的关联阈值+B广告位置的流量消耗数据*B基因*B广告位置的关联阈值+…)/(A广告位置的流量消耗数据+B广告位置的流量消耗数据+…)，记录最高评分及对应染色体的基因，若是计算次数达到预设值，输出最高评分对应染色体的基因；若计算次数未达到预设值，返回步骤(3)。

本实施例提供的一种数据流量控制方法，流量消耗数据包括：给消耗方发送的广告位信息、用户信息和媒体信息。

本发明还提供了一种广告数据流量控制方法，包括如下步骤：

(1)统计位置不同广告位置的流量消耗数据；

(2)统计位置不同广告位的点击率；

(3)判断位置不同广告位的流量消耗数据权重是否与点击率权重正相关，若是，设置期望点击率，并以流量消耗数据权重分配期望点击率；

否则，执行步骤(4)；

(4)基于预设算法，重新计算位置不同广告位的流量消耗数据权重，返回步骤(3)。

本实施例提供的一种广告数据流量控制方法，基于遗传算法，重新计算位置不同广告位的流量消耗数据权重的步骤包括：

(1)将不同广告位置的流量消耗数据和点击率分别作为一个基因；

(2)将不同广告位置的流量消耗数据和点击率的组合作为染色体；

(3)分配染色体的基因,染色体的基因取值范围设置为0-100，对应流量消耗数据权重0％-100％；

(4)根据染色体的基因进行计算评分，评分＝(A广告位置的流量消耗数据*A基因*A广告位置的点击率+B广告位置的流量消耗数据*B基因*B广告位置的点击率+…)/(A广告位置的流量消耗数据+B广告位置的流量消耗数据+…)，记录最高评分及对应染色体的基因，若是计算次数达到预设值，输出最高评分对应染色体的基因；若计算次数未达到预设值，返回步骤(3)。

本实施例提供的一种广告数据流量控制方法，流量消耗数据包括给消耗方发送的广告位信息、用户信息和媒体信息。

本发明还提供了一种广告数据流量控制方法，包括如下步骤：

(1)统计位置不同广告位置的流量消耗数据；

(2)统计位置不同广告位的采购率；

(3)判断位置不同广告位的流量消耗数据权重是否与采购率权重正相关，若是，设置查询率，并以流量消耗数据权重分配查询率；

否则，执行步骤(4)；

(4)基于预设算法，重新计算位置不同广告位的流量消耗数据权重，返回步骤(3)。

本实施例提供的一种广告数据流量控制方法，基于遗传算法，重新计算位置不同广告位的流量消耗数据权重的步骤包括：

(1)将不同广告位置的流量消耗数据和采购率分别作为一个基因；

(2)将不同广告位置的流量消耗数据和采购率的组合作为染色体；

(3)分配染色体的基因,染色体的基因取值范围设置为0-100，对应流量消耗数据权重0％-100％；

(4)根据染色体的基因进行计算评分，评分＝(A广告位置的流量消耗数据*A基因*A广告位置的采购率+B广告位置的流量消耗数据*B基因*B广告位置的采购率+…)/(A广告位置的流量消耗数据+B广告位置的流量消耗数据+…)，记录最高评分及对应染色体的基因，若是计算次数达到预设值，输出最高评分对应染色体的基因；若计算次数未达到预设值，返回步骤(3)，并且可以预设QPS查询率阀值，若不同广告位置的查询率之和大于查询率阀值，评分不作效，返回步骤(3)。

本实施例提供的一种广告数据流量控制方法，流量消耗数据包括给消耗方发送的广告位信息、用户信息和媒体信息。

具体地说，统计位置不同广告位置的流量消耗数据；统计位置不同广告位的点击率；

判断位置不同广告位的流量消耗数据权重是否与点击率权重正相关，若是，设置期望点击率，并以流量消耗数据权重分配期望点击率；否则，基于预设算法，重新计算位置不同广告位的流量消耗数据权重，再设置期望点击率，以流量消耗数据权重分配期望点击率；统计位置不同广告位置的流量消耗数据；统计位置不同广告位的采购率；判断位置不同广告位的流量消耗数据权重是否与采购率权重正相关，若是，设置查询率，并以流量消耗数据权重分配查询率，否则，基于预设算法，重新计算位置不同广告位的流量消耗数据权重，再设置查询率，并以流量消耗数据权重分配查询率。

其中，遗传算法(Genetic Algorithm,GA)是一种进化计算(EvolutionaryComputing)算法，属于人工智能技术的一部分。遗传算法最早是由John Holland和他的学生发明并改进的，源于对达芬奇物种进化理论的模仿。在物种进化过程中，为了适应环境，好的基因得到保留，不好的基因被淘汰，这样经过很多代基因的变化，物种的基因就是当前自然环境下适应度最好的基因。该算法被广泛应用于优化和搜索中，用于寻求最优解(或最优解的近似)，其最主要的步骤包括交叉(crossover)和突变(mutation)。

所有的生物体都由细胞组成，每个细胞中都包含了同样的染色体(chromosome)。染色体由一串DNA组成，我们可以简单地把一个生物个体表示为一条染色体。每条染色体上都包含着基因，而基因又是由多个DNA组成的。每个基因都控制着个体某个性状的表达，例如眼睛的颜色、眼皮的单双等。在物种繁衍的过程中，首先发生交叉，来自于父母的染色体经过分裂和重组，形成后代的染色体。之后，后代有一定概率发生基因突变，即染色体上某个位置处的基因以一定概率发生变化。之后，对每一代都重复进行交叉和突变两个步骤。对于每一个后代，我们可以通过一定的方式测量其适应度。适应度越好的个体，在下一次交叉中被选中的概率越大，它的基因越容易传给下一代。这样，后代的适应度就会越来越好，直到收敛到一个稳定值。

在优化问题中，可行解总是有很多个，我们希望寻找一个最优解，它相对于其他可行解来说具有更好的适应度(即目标函数值更大或更小)。每个可行解就是一个“生物个体”，可以表示为状态空间中的一个点和适应度。每个解都是一个经过编码的序列，已二进制编码为例，每个解都是一个二进制序列。这样每个染色体就是一个二进制序列。遗传算法从从一组可行解开始，称为population，从population中随机选择染色体进行交叉产生下一代。这一做法的基于下一代的适应度会好于上一代。遗传算法的过程如下：

1.初始化，随机生成n个染色体；

2.根据目标函数，计算每个染色体的函数值，即适应度；

3.产生下一代：

随机选择两个染色体，且适应度越好的染色体被选中的概率越大；

按照一定的交叉概率使两个染色体发生交叉，产生两个新后代；如果没有发生交叉，则后代即为这两个染色体本身；

按照一定的突变概率使后代发生基因突变；

把后代放入新的population中；

4.使用新的population，重复步骤2和3，直到达到终止条件。

终止条件可以是达到了最大迭代次数，或者是前后连续几代的最优染色体的适应度差值小于一个阈值。以上算法描述也许还不够直观，我们举例说明。假设解可以用二进制编码表示，则每个染色体都是一个二进制序列。如图1所示，假设序列长度为16，则每个染色体都是一个16位的二进制序列。

首先，我们随机生成一个population，假设population size为20，则有20个长度为16的二进制序列。计算每个染色体的适应度，然后选取两个染色体进行交叉，如图2所示。下图在第6为上将染色体断开再重组，断开的位置是可以随机选择的。当然，断裂位置也可以不止一个。可以根据具体问题选择具体的交叉方式来提升算法性能。

之后，随机选取后代染色体上某个基因发生基因突变，如图3所示，突变的位置是随机选取的。并且，基因突变并不是在每个后代上都会发生，只是有一定的概率。对于二进制编码，基因突变的方式是按位取反。

上述例子是关于二进制编码的，像求解一元函数在某个区间内的最大最小值就可以使用二进制编码。例如，求解函数f(x)＝x+sin(3x)+cos(3x)在区间[0,6]内的最小值。假设我们需要最小值点x保留4位小数，那么求解区间被离散成60000个数。因为2{15}<60000<2{16}，所以，需要16位二进制数来表示这60000个可能的解。其中0x0000表示0，0x0001表示0.0001，以此类推。针对这个例子，文末给出了demo code。

然而，在排序问题中无法使用二进制编码，应该采用排列编码(permutationencoding)。例如图4中有两个染色体。

交叉：随机选取一个交叉点，从该出将两个染色体断开。染色体A的前部分组成后代1的前部分，然后扫描染色体B，如果出现了后代1中不包含的基因，则将其顺序加入后代1中。同理，染色体B的前部分组成了后代2的前部分，扫描染色体A获得后代2的后部分。注意，交叉的方式多种多样，此处只是举出其中一种方式。

(1 5 3 2 6|4 7 9 8)+(8 5 6 7 2|3 1 4 9)＝>(1 5 3 2 6 8 7 4 9)+(8 5 67 2 1 3 4 9)

突变：对于一个染色体，随机选中两个基因互换位置。例如第3个基因和倒数第2个基因互换：

(1 5 3 2 6 8 7 4 9)＝>(1 5 4 2 6 8 7 3 9)

在实际的遗传算法中，往往会保留上一代中的少数几个精英(elite)，即将上一代population中适应度最好的几个染色体加入到后代的population中，同时去除后代population中适应度最差的几个染色体。通过这个策略，如果在某次迭代中产生了最优解，则最优解能够一直保留到迭代结束。

综上所述，本发明的一种广告流量分发方法，解决了目前广告采购流量投放效果不能保证稳定，同时根据数据操作人员在计算分配广告周期比较慢，效率低下的问题和流量控制按总流量的比重平均分配给消耗方进行采购，由于每个消耗方每个时刻对广告流量的需求不一样，按以往流量分发模式会可能会产生消耗方需要的流量无法买到，发过去的流量对消耗方没有价值对双方造成浪费的问题。设计合理，适于生产和推广应用。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。