一种页面访问结果预测方法、装置及介质

技术领域

本发明涉及趋势预测领域，尤其涉及一种页面访问结果预测方法、装置及介质。

背景技术

在银行、商场、爱心救助组织等机构的运营过程中，相关从业人员会通过各种的活动来获取新客户或提高老客户的用户粘性。其中，活动的客户流量是评价其开展有效性的一个重要指标，因此运用大数据技术对客户流量进行预测，从而指导活动的开展是必不可少的。

活动的客户流量可以体现在相关活动的页面访问结果上，目前通常采用的对页面访问结果进行预测的算法包括自回归积分滑动平均模型(Autoregressive IntegratedMoving Average Model，ARIMA)、深度神经网络(Deep Neural Networks，DNN)等。这些预测算法存在各种不足之处，例如ARIMA模型在使用中要求时间序列数据具备稳定性，对数据质量要求较高；DNN模型虽然可以较好地进行预测，但是模型的灵活度不够，不仅需要大量的数据进行训练避免预测过程中产生过拟合，而且需要使用者具备较强的专业知识来进行假设和应用。

发明内容

本发明提供一种页面访问结果预测方法、装置及介质，用于实现提升预测页面访问结果的准确性。

第一方面，本发明实施例提供一种页面访问结果预测方法，包括：

获取第一时间序列中每个历史时刻对应的页面访问结果；其中，所述第一时间序列包括多个历史时刻，所述页面访问结果包括页面访问次数和/或页面访问人数；

将所述第一时间序列中每个历史时刻对应的页面访问结果输入第一时间序列模型得到第二时间序列中每个未来时刻对应的第一页面访问预测结果，将所述第一时间序列中每个历史时刻对应的页面访问结果输入第二时间序列模型得到第二时间序列中每个未来时刻对应的第二页面访问预测结果，所述第二时间序列包括多个未来时刻；

根据所述第二时间序列中每个未来时刻对应的第一页面访问预测结果和第二页面访问预测结果确定所述第二时间序列中每个未来时刻对应的最终页面访问预测结果。

上述技术方案中，通过第一时间序列模型得到第一页面访问预测结果，第二时间序列模型得到第二页面访问预测结果，并将二者结合起来得到最终页面访问预测结果，实现了页面访问结果的预测，且第一时间序列模型与第二时间序列模型的结合使得页面访问结果的预测精度更高。

可选地，获取所述第一时间序列中每个历史时刻对应的页面访问结果，包括：

获取多个历史记录，每个历史记录包括记录创建时间和页面编号；

根据所述多个历史记录中每个历史记录包括的记录创建时间，针对每个页面编号统计第一历史时刻与第二历史时刻之间包括该页面编号的历史记录的数量，作为所述第二历史时刻对应的页面访问结果，所述第二历史时刻对应的页面访问结果包括每个页面编号对应页面的页面访问次数；

其中，所述第一历史时刻与所述第二历史时刻为所述第一时间序列中任意两个相邻的历史时刻，所述第二历史时刻晚于所述第一历史时刻。

可选地，获取所述第一时间序列中每个历史时刻对应的页面访问结果，包括：

获取多个历史记录，每个历史记录包括客户编号、记录创建时间、页面编号；

根据所述多个历史记录中每个历史记录包括的记录创建时间和客户编号，针对每个页面编号统计第一历史时刻与第二历史时刻之间包括该页面编号的历史记录中不同客户编号的数量，作为所述第二历史时刻对应的页面访问结果，所述第二历史时刻对应的页面访问结果包括每个页面编号对应页面的页面访问人数；

其中，所述第一历史时刻与所述第二历史时刻为所述第一时间序列中任意两个相邻的历史时刻，所述第二历史时刻晚于所述第一历史时刻。

可选地，在将所述第一时间序列中每个历史时刻对应的页面访问结果输入所述第一时间序列模型之前，还包括：

对所述第一时间序列中每个历史时刻对应的页面访问结果执行数据缺失值处理、数据异常值处理以及数据标准化处理中的至少一项。

可选地，所述第一时间序列包括的多个历史时刻以日为单位；

所述数据缺失值处理包括：

当所述页面访问结果在第K日缺失，且第K-M日为非节假日时，采取所述第K-M日对应的页面访问结果作为所述第K日对应的页面访问结果，其中，所述多个历史时刻包括所述第K日和所述第K-M日；

当所述页面访问结果在第K日缺失，且第K-M日为节假日时，根据第K-N日对应的页面访问结果与第K+N日对应的页面访问结果确定所述第K日对应的页面访问结果，其中，所述多个历史时刻包括所述第K日、所述第K-N日和所述第K+N日；

其中，K、M、N、K-M以及K-N均是正整数，且M不等于N。

可选地，根据所述第二时间序列中每个未来时刻对应的第一页面访问预测结果和第二页面访问预测结果确定所述第二时间序列中每个未来时刻对应的最终页面访问预测结果，还包括：

采用算法赋予所述第一页面访问预测结果第一权重，赋予所述第二页面访问预测结果第二权重，所述第一权重与所述第二权重之和为1；

将所述第一权重与所述第一页面访问预测结果的乘积与所述第二权重与所述第二页面访问预测结果的乘积相加，得到所述最终页面访问预测结果。

可选地，所述第一时间序列模型得到所述第二时间序列中每个未来时刻对应的第一页面访问预测结果时，将法定节假日和特殊事件日考虑在内。

通过将法定节假日与特殊事件日考虑在内，解决了页面访问结果预测受不同类型日期影响难以预测的问题。

可选地，所述第一时间序列模型为Prophet模型，所述第二时间序列模型为循环神经网络模型。

通过采用Prophet模型与循环神经网络模型，使得该页面访问结果预测方法较好的灵活性以及广泛的适用性。

第二方面，本发明实施例提供一种页面访问结果预测装置，包括：

收发单元，用于获取第一时间序列中每个历史时刻对应的页面访问结果；其中，所述第一时间序列包括多个历史时刻，所述页面访问结果包括页面访问次数和/或页面访问人数；

处理单元，用于将所述第一时间序列中每个历史时刻对应的页面访问结果输入第一时间序列模型得到第二时间序列中每个未来时刻对应的第一页面访问预测结果，将所述第一时间序列中每个历史时刻对应的页面访问结果输入第二时间序列模型得到第二时间序列中每个未来时刻对应的第二页面访问预测结果，所述第二时间序列包括多个未来时刻；

所述处理单元，用于根据所述第二时间序列中每个未来时刻对应的第一页面访问预测结果和第二页面访问预测结果确定所述第二时间序列中每个未来时刻对应的最终页面访问预测结果。

可选地，所述收发单元，用于在获取所述第一时间序列中每个历史时刻对应的页面访问结果时，获取多个历史记录，每个历史记录包括记录创建时间和页面编号；

所述处理单元，用于根据所述多个历史记录中每个历史记录包括的记录创建时间，针对每个页面编号统计第一历史时刻与第二历史时刻之间包括该页面编号的历史记录的数量，作为所述第二历史时刻对应的页面访问结果，所述第二历史时刻对应的页面访问结果包括每个页面编号对应页面的页面访问次数；

其中，所述第一历史时刻与所述第二历史时刻为所述第一时间序列中任意两个相邻的历史时刻，所述第二历史时刻晚于所述第一历史时刻。

可选地，所述收发单元，用于在获取所述第一时间序列中每个历史时刻对应的页面访问结果时，获取多个历史记录，每个历史记录包括客户编号、记录创建时间、页面编号；

所述处理单元，用于根据所述多个历史记录中每个历史记录包括的记录创建时间和客户编号，针对每个页面编号统计第一历史时刻与第二历史时刻之间包括该页面编号的历史记录中不同客户编号的数量，作为所述第二历史时刻对应的页面访问结果，所述第二历史时刻对应的页面访问结果包括每个页面编号对应页面的页面访问人数；

其中，所述第一历史时刻与所述第二历史时刻为所述第一时间序列中任意两个相邻的历史时刻，所述第二历史时刻晚于所述第一历史时刻。

可选地，所述处理单元，用于在将所述第一时间序列中每个历史时刻对应的页面访问结果输入所述第一时间序列模型之前，对所述第一时间序列中每个历史时刻对应的页面访问结果执行数据缺失值处理、数据异常值处理以及数据标准化处理中的至少一项。

可选地，所述第一时间序列包括的多个历史时刻以日为单位；所述处理单元，用于对所述数据缺失值处理时，当所述页面访问结果在第K日缺失，且第K-M日为非节假日时，采取所述第K-M日对应的页面访问结果作为所述第K日对应的页面访问结果，其中，所述多个历史时刻包括所述第K日和所述第K-M日；当所述页面访问结果在第K日缺失，且第K-M日为节假日时，根据第K-N日对应的页面访问结果与第K+N日对应的页面访问结果确定所述第K日对应的页面访问结果，其中，所述多个历史时刻包括所述第K日、所述第K-N日和所述第K+N日；

其中，K、M、N、K-M以及K-N均是正整数，且M不等于N。

可选地，所述处理单元，用于在根据所述第二时间序列中每个未来时刻对应的第一页面访问预测结果和第二页面访问预测结果确定所述第二时间序列中每个未来时刻对应的最终页面访问预测结果时，采用算法赋予所述第一页面访问预测结果第一权重，赋予所述第二页面访问预测结果第二权重，所述第一权重与所述第二权重之和为1；

所述处理单元，用于将所述第一权重与所述第一页面访问预测结果的乘积与所述第二权重与所述第二页面访问预测结果的乘积相加，得到所述最终页面访问预测结果。

可选地，所述处理单元，用于在所述第一时间序列模型得到所述第二时间序列中每个未来时刻对应的第一页面访问预测结果时，将法定节假日和特殊事件日考虑在内。

可选地，所述第一时间序列模型为Prophet模型，所述第二时间序列模型为循环神经网络模型。

第三方面，本申请还提供一种装置。该装置可以执行上述方法设计。该装置可以是能够执行上述方法对应的功能的芯片或电路，或者是包括该芯片或电路的设备。

在一种可能的实现方式中，该装置包括：存储器，用于存储计算机可执行程序代码；以及处理器，处理器与存储器耦合。其中存储器所存储的程序代码包括指令，当处理器执行所述指令时，使该装置或者安装有该装置的设备执行上述任意一种可能的设计中的方法。

其中，该装置还可以包括通信接口，该通信接口可以是收发器，或者，如果该装置为芯片或电路，则通信接口可以是该芯片的输入/输出接口，例如输入/输出管脚等。

在一种可能的设计中，该装置包括相应的功能单元，分别用于实现以上方法中的步骤。功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。硬件或软件包括一个或多个与上述功能相对应的单元。

第四方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序在装置上运行时，执行上述任意一种可能的设计中的方法。

第五方面，本申请提供了一种计算机程序产品，所述计算机程序产品包括：计算机程序代码，当所述计算机程序代码在计算机上运行时，使得计算机执行第一方面中任一项所述的方法。

另外，第三方面至第五方面中任一种实现方式所带来的技术效果可参见第一方面中不同实现方式所带来的技术效果，此处不再赘述。

附图说明

图1为本发明实施例提供的一种页面访问结果预测方法的流程图；

图2为本发明实施例提供的一种通信装置200；

图3为本发明实施例提供的一种通信装置300。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部份实施例，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它实施例，都属于本发明保护的范围。

本发明实施例描述的应用场景是为了更加清楚的说明本发明实施例的技术方案，并不构成对于本发明实施例提供的技术方案的限定，本领域普通技术人员可知，随着新应用场景的出现，本发明实施例提供的技术方案对于类似的技术问题，同样适用。其中，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。

对本申请中的技术概念进行解释：

1、Prophet模型

Prophet模型本质上是通过数据集进行曲线拟合来得到预测值，按照分解时间序列趋势的方法，由趋势项、假日项和周期项三个部分组成，该模型的公式为：

y(t)＝g(t)+s(t)+h(t)+ε(t)

其中，t为时间变量；y(t)为时间序列随着t变化而产生的观测值；g(t)为趋势项函数，是随t变化的趋势函数；s(t)为周期项函数，是对周、月、年等周期性变化趋势的补充要素；h(t)为假日项函数，是对法定节假日或特殊事件日的补充函数；ε(t)是公式中假设存在的噪声因素函数，服从正态分布。

当前，对页面访问结果进行预测成为各行各业开展活动的重要指导，然而现有常规的页面访问结果预测算法存在着对数据要求高，模型灵活性差等各种不足。

基于此，本申请提供一种页面访问结果预测方法，通过将两个时间序列模型相结合，将法定节假日和特殊事件日考虑在内进行预测，解决了页面访问结果预测受不同类型日期影响难以预测的问题，具有较高的精度、较好的灵活性和广泛的适用性。

如图1所示，页面访问结果预测方法的流程具体如下：

步骤100：获取第一时间序列中每个历史时刻对应的页面访问结果。

具体地，第一时间序列为已举办过的活动对应的时间序列，它包括多个历史时刻，可以是活动的整个周期，或活动的某几天，或活动的某几个小时等，本申请不做限定。

具体地，页面访问结果为时间序列数据，它包括了页面访问次数(Page View，PV)以及页面访问人数(Unique Visitor，UV)。

示例性地，页面访问结果是基于多个历史纪录构成的，每个历史记录可以包括记录创建时间和页面编号。根据每个历史记录包括的记录创建时间，针对每个页面编号统计位于第一历史时刻与第二历史时刻之间的该页面编号的历史记录的数量，进而得到该页面编号对应的PV。每个历史记录中还可以包括客户编号、记录创建时间和页面编号。根据每个历史记录包括的记录创建时间和客户编号，针对每个页面编号统计位于第一历史时刻与第二历史时刻之间的该页面编号的历史记录中不同客户编号的数量，进而得到该页面编号对应的UV。其中，第二历史时刻晚于第一历史时刻，第一历史时刻与第二历史时刻可以是第一时间序列中任意两个相邻的历史时刻，本申请不做限定。具体地，每个页面编号对应的PV和/或每个页面编号对应的UV共同构成了第二历史时刻对应的页面访问结果。

示例性地，第一历史时刻为9点，第二历史时刻为12点，页面编号为1。其中，9点与12点为预设的相邻历史时刻。进而可以统计记录创建时间位于9点与12点之间且页面编号为1的历史记录的数量，从而得到页面编号1对应的PV；统计记录创建时间位于9点与12点之间且页面编号为1的历史记录中不同客户编号的数量，从而得到页面编号1对应的UV。页面编号1对应的PV和/或页面编号1对应的UV共同构成了12点对应的页面访问结果。

示例性地，客户编号、记录创建时间和页面编号等信息可以采取页面埋点的方式来获取。

步骤120：将第一时间序列中每个历史时刻对应的页面访问结果输入第一时间序列模型得到第二时间序列中每个未来时刻对应的第一页面访问预测结果，将第一时间序列中每个历史时刻对应的页面访问结果输入第二时间序列模型得到第二时间序列中每个未来时刻对应的第二页面访问预测结果。

具体地，第二时间序列为未来时刻的活动对应的时间序列(即未来时刻的页面访问结果对应的时间序列)，它包括多个未来时刻，可以是活动的整个周期，或活动的某几天，或活动的某几个小时等，本申请不做限定。

具体地，第二时间序列所对应的未来时刻的活动需要与第一时间序列所对应的已举办过的活动为相同或类似或相关的活动。

示例性地，在第一时间序列中每个历史时刻对应的页面访问结果输入到第一时间序列模型之前，还需要对第一时间序列中每个历史时刻对应的页面访问结果进行数据预处理，即对PV数据和UV数据进行数据预处理。具体地，数据预处理包括三个部分：(1)数据缺失值处理；(2)数据异常值处理；(3)数据标准化处理。预处理之后的数据是格式为CSV的文件。

(1)数据缺失值处理

获取到的PV数据和UV数据中的历史时刻可以以日为单位，即同一日的多个历史时刻及其对应的PV数据和UV数据整合在一起。当PV数据或UV数据在第K日存在缺失时，可以采用第K-M日的数据作为第K日的数据，此时第K-M日为非节假日。若第K-M日为节假日，且PV数据或UV数据的第K日数据存在缺失时，则将第K-N日与第K+N数据之和的平均值作为第K日的数据。其中，第K日、第K-M日、第K-N日、第K+N日均是历史时刻中的某一日，K、M、N、K-M以及K-N均是正整数，且M不等于N。具体地，PV数据或UV数据在第K日缺失的数据可以是第K日的全部数据，也可以是第K日中部分历史时刻对应的数据。

示例性地，当活动为银行的营销活动时，基于活动的特性，M可以取7，N可以取2。设定营销活动的第10日中历史时刻为12点的PV数据存在缺失，当营销活动的第3日(即10-7)为非节假日时，采用营销活动的第3日中历史时刻为12点的PV数据进行填补。当营销活动的第3日为节假日时，则采用营销活动的第8日(即10-2)与第12日(即10+2)中历史时刻为12点的PV数据之和的平均值来进行填补。

(2)数据异常值处理

当异常值出现在法定节假日或者特殊事件日时，对于有明显规律性的异常值，有可能是正确的真实数据，将其作为特殊点进行标记；当异常值出现在非法定节日及非特殊事件日时，对异常值进行剔除，并将其视为缺失值进行处理。

(3)数据标准化处理

将经过缺失值处理和异常值处理后的PV数据集和UV数据集分别进行标准化处理，具体地，处理方法为常用的Z-SCORE标准化方法，通过将两组或多组数据集转化为无单位的Z-SCORE分值，使得数据标准统一化，提高了数据的可靠性。标准化处理公式如下所示：

其中，u为数据集的平均值，v为数据集的标准差。

在对第一时间序列中每个历史时刻对应的页面访问结果预处理完毕后，可以将第一时间序列中每个历史时刻对应的页面访问结果分别输入到第一时间序列模型以及第二时间序列模型中。具体地，第一时间序列模型可以是Prophet模型，第二时间序列模型可以是循环神经网络(Recurrent Neural Network，RNN)模型。其中，Prophet模型是一个基于时间序列数据的预测模型，它具有极大的灵活性，对于异常值，缺失值和因周期性时间序列而出现剧烈波动的数据具有鲁棒性，能广泛适用于在不同应用场景下的各类活动；RNN模型相比于传统的神经网络模型，除了接受每一步的输入数据外，它还会把上一次训练结果输入到下一次的隐藏层中一起训练，因此对于有关联的数据RNN模型能够有更好的关联性来支撑预测的真实性。

具体地，Prophet模型中各函数的公式如下：

(1)趋势项函数g(t)

页面访问结果会因为管理、成本、承载量等各方面因素的影响不会无限制增长，而是在非线性增长后达到一个峰值。具体地，趋势项函数g(t)的公式为：

其中，C(t)为理想最大值，k为增长率，b为补偿系数。

(2)周期项函数s(t)

周期项函数s(t)的主要作用是拟合页面访问结果的周期变化，其中周期变化主要是通过正弦函数与余弦函数来表示的，具体地，可以采用周期为2π的周期项函数s(t)的傅里叶级数进行展开，周期项函数s(t)的公式为：

其中，a

(3)假日项函数h(t)

由于页面访问结果会受到法定节假日，以及发薪日期、养老金发放日等特殊事件日的影响，假日项函数h(t)可以有效修正法定节假日和/或特殊事件日对页面访问结果产生的影响。具体地，假日项函数h(t)的公式为：

其中

其中，K～Normal(0，v^2)，D

示例性地，将预处理完毕的页面访问结果分为两列，其中一列为时间戳，另一列为时间戳所对应的PV数据或UV数据，此时数据仍然保存为CSV格式的文件。其中，时间戳可以由第一时间序列中的全部历史时刻构成，也可以由第一时间序列中的部分历史时刻构成。

示例性地，在使用Prophet模型进行PV数据预测之前，需要对Prophet模型进行训练。具体地，可以先将各个历史时刻的PV数据对应的CSV格式文件划分为一定比例的训练集与测试集，并输入至Prophet模型，基于现有技术调整Prophet模型中的参数使得Prophet模型预测结果满足模型训练要求，此时完成预测PV数据的Prophet模型的训练。其中训练集与测试集的比例可以是6:4、7:3、8:2等，本申请不做限定。进而可以基于需要预测的未来时刻的活动，将已举办过的相同或类似或相关活动的相应历史时刻的PV数据的CSV格式文件输入至Prophet模型，从而得到未来时刻的活动的PV数据。同样地，在使用Prophet模型进行UV数据预测之前，也需要基于UV数据的特性对Prophet模型进行训练，进而基于需要预测的未来时刻的活动，将已举办过的相同或类似或相关活动的相应历史时刻的UV数据的CSV格式文件输入至Prophet模型，从而得到未来时刻的活动的UV数据。

未来时刻的活动的PV数据以及未来时刻的活动的UV数据共同组成了Prophet模型对应的未来时刻的活动的页面访问预测结果，即第一页面访问预测结果。

示例性地，与Prophet模型相同，在使用RNN模型进行PV数据与UV数据预测之前，需要分别对RNN模型进行训练。在完成对预测PV数据的RNN模型的训练后，基于需要预测的未来时刻的活动，将已举办过的相同或类似或相关活动的相应历史时刻的PV数据的CSV格式文件输入至RNN模型，得到未来时刻的活动的PV数据。同样地，在完成对预测UV数据的RNN模型的训练后，基于需要预测的未来时刻的活动，将已举办过的相同或类似或相关活动的相应历史时刻的UV数据对应的CSV格式文件输入至RNN模型，从而得到未来时刻的活动的UV数据。

未来时刻的活动的PV数据以及未来时刻的活动的UV数据共同组成了RNN模型对应的未来时刻的活动的页面访问预测结果，即第二页面访问预测结果。

具体地，Prophet模型与RNN模型是对未来同一时刻的同一活动进行预测。

步骤130：根据第二时间序列中每个未来时刻对应的第一页面访问预测结果和第二页面访问预测结果确定第二时间序列中每个未来时刻对应的最终页面访问预测结果。

具体地，最终页面访问预测结果是将Prophet模型对应的未来时刻的活动的页面访问预测结果和RNN模型对应的未来时刻的活动的页面访问预测结果结合得到的。

示例性地，给Prophet模型对应的未来时刻的活动的页面访问预测结果赋予第一权重，给RNN模型对应的未来时刻的活动的页面访问预测结果赋予第二权重，第一权重与第二权重之和为1。具体地，可以采取最小二乘法来赋予权重。

示例性地，Prophet模型对应的未来时刻的活动的页面访问预测结果为y1(t)，RNN模型对应的未来时刻的活动的页面访问预测结果为y2(t)，第一权重为x1，第二权重为x2，x1+x2＝1。从而得到最终页面访问预测结果对应的计算公式为：

y(t)＝x1*y1(t)+x2*y2(t)

其中，y(t)为最终页面访问预测结果。

通过评价指标均方根误差和平均绝对误差对模型的预测结果进行预测精度评估，可以得出相对于Prophet模型和RNN模型进行单独预测的精度，Prophet-RNN组合预测模型的组合预测结果精度更高。

示例性地，对于步骤130得到的最终页面访问预测结果可以通过可视化工具进行展示，具体地，可以使用python中的matplotlib和pyecharts将模型预测结果绘制成图展示给相关活动的工作人员。

本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。

本发明实施例中对单元的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，另外，在本发明各个实施例中的各功能单元可以集成在一个处理器中，也可以是单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

本发明实施例还提供一种通信装置200，参见图2所示，包括：处理模块210和收发模块220。

收发模块220可以包括接收单元和发送单元。处理模块210用于对通信装置200的动作进行控制管理。收发模块220用于支持通信装置200与其他装置的通信。可选地，通信装置200还可以包括存储单元，所述存储单元用于存储通信装置200的程序代码和数据。

可选地，所述通信装置200中各个模块可以是通过软件来实现。

可选地，处理模块210可以是处理器或控制器，例如可以是通用中央处理器(central processing unit，CPU)，通用处理器，数字信号处理(digital signalprocessing，DSP)，专用集成电路(application specific integrated circuits，ASIC)，现场可编程门阵列(field programmable gate array，FPGA)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请实施例公开内容所描述的各种示例性的逻辑方框，模块和电路。所述处理器也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。收发模块220可以是通信接口、收发器或收发电路等，其中，该通信接口是统称，在具体实现中，该通信接口可以包括多个接口，存储单元可以是存储器。

处理模块210调用收发模块220执行：

收发模块220，用于获取第一时间序列中每个历史时刻对应的页面访问结果；其中，所述第一时间序列包括多个历史时刻，所述页面访问结果包括页面访问次数和/或页面访问人数；

处理模块210，用于将所述第一时间序列中每个历史时刻对应的页面访问结果输入第一时间序列模型得到第二时间序列中每个未来时刻对应的第一页面访问预测结果，将所述第一时间序列中每个历史时刻对应的页面访问结果输入第二时间序列模型得到第二时间序列中每个未来时刻对应的第二页面访问预测结果，所述第二时间序列包括多个未来时刻；

所述处理模块210，用于根据所述第二时间序列中每个未来时刻对应的第一页面访问预测结果和第二页面访问预测结果确定所述第二时间序列中每个未来时刻对应的最终页面访问预测结果。

本发明实施例还提供另一种通信装置300，参见图3所示，包括：

通信接口301，存储器302以及处理器303；

其中，所述通信装置300通过所述通信接口301与其它设备进行通信，比如收发消息；存储器302，用于存储程序指令；处理器303，用于调用所述存储器302中存储的程序指令，按照获得的程序执行的方法。

处理器303调用通信接口301和存储器302存储的程序指令执行：

获取第一时间序列中每个历史时刻对应的页面访问结果；其中，所述第一时间序列包括多个历史时刻，所述页面访问结果包括页面访问次数和/或页面访问人数；

将所述第一时间序列中每个历史时刻对应的页面访问结果输入第一时间序列模型得到第二时间序列中每个未来时刻对应的第一页面访问预测结果，将所述第一时间序列中每个历史时刻对应的页面访问结果输入第二时间序列模型得到第二时间序列中每个未来时刻对应的第二页面访问预测结果，所述第二时间序列包括多个未来时刻；

根据所述第二时间序列中每个未来时刻对应的第一页面访问预测结果和第二页面访问预测结果确定所述第二时间序列中每个未来时刻对应的最终页面访问预测结果。

本发明实施例中不限定上述通信接口301、存储器302以及处理器303之间的具体连接介质，比如总线，总线可以分为地址总线、数据总线、控制总线等。

在本发明实施例中，处理器可以是通用处理器、数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。

在本发明实施例中，存储器可以是非易失性存储器，比如硬盘(hard disk drive，HDD)或固态硬盘(solid-state drive，SSD)等，还可以是易失性存储器(volatilememory)，例如随机存取存储器(random-access memory，RAM)。存储器还可以是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。本发明实施例中的存储器还可以是电路或者其它任意能够实现存储功能的装置，用于存储程序指令和/或数据。

本发明实施例还提供一种计算机可读存储介质，包括程序代码，当程序代码在计算机上运行时，程序代码用于使计算机执行上述本发明实施例上述提供的方法的步骤。

本发明实施例还提供了一种计算机程序产品，该计算机程序产品包括：计算机程序代码，当该计算机程序代码在计算机上运行时，使得计算机执行上述本发明实施例上述提供的方法的步骤。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。