基于LSTM神经网络的月活预测方法、存储介质和计算机设备.pdf

《基于LSTM神经网络的月活预测方法、存储介质和计算机设备.pdf》由会员分享，可在线阅读，更多相关《基于LSTM神经网络的月活预测方法、存储介质和计算机设备.pdf（14页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010894199.2 (22)申请日 2020.08.31 (71)申请人 北京基调网络股份有限公司 地址 100027 北京市朝阳区霞光里5号301 室 (72)发明人 李慧斌 (74)专利代理机构 北京汇泽知识产权代理有限 公司 11228 代理人 牟昌兵 (51)Int.Cl. G06Q 30/02(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于LSTM神经网络的月活预测方法、 存储介 质和计算机。

2、设备 (57)摘要 本申请涉及一种基于LSTM神经网络的月活 预测方法、 存储介质和计算机设备， 其中该方法 包括： 接收从第i天到第t天中各天的累计活跃设 备数， 得到第一序列； 对第一序列做差分运算得 到第二序列， 其中第二序列为从第i+1天到第t天 的每日新增活跃设备数； 使用LSTM神经网络， 根 据第二序列确定第t+1天至月末的每日新增活跃 设备数； 根据第t+1天至月末的每日新增活跃设 备数和从第i天到第t天中各天的累计活跃设备 数， 确定月活跃设备数。 通过本申请， 实现了对当 月月活跃设备数进行预测， 并可不依赖于自身历 史月活跃设备数， 亦不受人为的基于先验主义的 影响。 权。

3、利要求书2页 说明书7页 附图4页 CN 112116381 A 2020.12.22 CN 112116381 A 1.一种基于长短期记忆LSTM神经网络的月活预测方法， 其特征在于， 包括： 接收从第i天到第t天中各天的累计活跃设备数， 得到第一序列； 对所述第一序列做差分运算得到第二序列， 其中所述第二序列为从第i+1天到第t天的 每日新增活跃设备数； 使用LSTM神经网络， 根据所述第二序列确定第t+1天至月末的每日新增活跃设备数； 根据所述第t+1天至月末的每日新增活跃设备数和从第i天到第t天中各天的累计活跃 设备数， 确定月活跃设备数。 2.根据权利要求1所述的基于LSTM神经网络。

4、的月活预测方法， 其特征在于， 使用LSTM神经网络， 根据所述第二序列确定第t+1天至月末的每日新增活跃设备数之 前， 还包括： 使用所述第二序列中的最大值对所述第二序列做归一化处理得到第三序列； 以 及 使用LSTM神经网络， 根据所述第二序列确定第t+1天至月末的每日新增活跃设备数， 包 括： 使用LSTM神经网络， 根据所述第三序列确定第四序列， 其中， 所述第四序列与第t+1天 至月末的每日新增活跃设备数对应； 以及 使用所述第二序列中的最大值对所述第四序列做反归一化处理得到第t+1天至月末的 每日新增活跃设备数。 3.根据权利要求1所述的基于LSTM神经网络的月活预测方法， 其特征。

5、在于， 根据所述第 t+1天至月末的每日新增活跃设备数和从第i天到第t天中各天的累计活跃设备数， 确定月 活跃设备数， 包括： 确定第t天的累计活跃设备数及第t+1天至月末的每日新增活跃设备数之和， 以确定结 果作为月活跃设备数。 4.根据权利要求2所述的基于LSTM神经网络的月活预测方法， 其特征在于， 使用LSTM神 经网络， 根据所述第三序列确定第四序列， 包括： 使用LSTM神经网络， 以所述第三序列作为输入得到所述第三序列的输出， 将所述输出 加入所述第三序列作为新的第三序列， 循环直到得到月末对应的输出， 得到所述第四序列， 其中， 所述第四序列与第t+1天至月末的每日新增活跃设备。

6、数对应。 5.根据权利要求1所述的基于LSTM神经网络的月活预测方法， 其特征在于， 使用LSTM神 经网络， 根据所述第二序列确定第t+1天至月末的每日新增活跃设备数， 包括： 使用LSTM神经网络， 以所述第二序列作为输入确定第t+1天的每日新增活跃设备数， 将 第t+1天的每日新增活跃设备数加入所述第二序列得到新的第二序列， 循环直到得到月末 的每日新增活跃设备数。 6.根据权利要求1或2所述的基于LSTM神经网络的月活预测方法， 其特征在于， 以历史 月的第1天到第n-1天的每日新增活跃设备数为输入， 并以所述历史月的第2天到第n天的每 日新增活跃设备数为期望， 训练所述LSTM神经网。

7、络。 7.根据权利要求2或4所述的基于LSTM神经网络的月活预测方法， 其特征在于， 以历史 月的第1天到第n-1天的每日新增活跃设备数的归一化序列为输入， 并以所述历史月的第2 天到第n天的每日新增活跃设备数的归一化序列为期望， 训练所述LSTM神经网络。 8.根据权利要求1所述的基于LSTM神经网络的月活预测方法， 其特征在于， 以受试者工 权利要求书 1/2 页 2 CN 112116381 A 2 作特征曲线下与坐标轴围成的面积AUC或均方误差MSE作为模型训练指标训练所述LSTM神 经网络。 9.一种计算机设备， 其特征在于， 所述计算机设备包括： 存储器、 处理器及存储在所述存储器。

8、上并可在所述处理器上运行的计算机程序； 所述计算机程序被所述处理器执行时实现如权利要求1至8中任一项所述的基于长短 期记忆LSTM神经网络的月活预测方法的步骤。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质上存储有基于长 短期记忆LSTM神经网络的月活预测程序， 所述基于LSTM神经网络的月活预测程序被处理器 执行时实现如权利要求1至8中任一项所述的基于LSTM神经网络的月活预测方法的步骤。 权利要求书 2/2 页 3 CN 112116381 A 3 基于LSTM神经网络的月活预测方法、 存储介质和计算机设备 技术领域 0001 本申请涉及数据分析技术领域， 尤其涉及。

9、一种基于长短期记忆(Long Short-Term Memory， 简称为LSTM)神经网络的月活预测方法、 存储介质和计算机设备。 背景技术 0002 相关技术中， 基于历史月活预测月活跃设备数(简称为月活)。 例如， 针对某一个应 用的历史月活进行建模， 所用模型有ARIMA、 多项式拟合、 指数平均等， 根据历史月活来预测 下一个月的月活。 该方法依赖于自身的历史数据无法实现快速预测。 0003 相关技术中， 还基于日活和同类应用日活与月活之比的预测月活。 例如， 统计某电 商App的日活d， 而同类电商的App日活d， 同时已知同类电商App的月活m， 则估算该电商 App的月活md*。

10、(m/d)， 为了进一步增加精度， d可以取最近n天的平均值， d、 m可以取多 个同类App的统计数据。 上述方法虽然解决了快速估算的问题， 然而， 有时我们基于先验主 义的策略通过人工的方法分类并不总是那么的合理， 例如， 虽然同样为电商， 有些App的用 户重复登录次数很高， 有些则很低。 发明内容 0004 为了解决上述技术问题或者至少部分地解决上述技术问题， 本申请提供了一种基 于LSTM神经网络的月活预测方法、 存储介质和计算机设备。 0005 第一方面， 本申请提供了一种基于LSTM神经网络的月活预测方法， 包括： 接收从第 i天到第t天中各天的累计活跃设备数， 得到第一序列； 。

11、对第一序列做差分运算得到第二序 列， 其中第二序列为从第i+1天到第t天的每日新增活跃设备数； 使用LSTM神经网络， 根据第 二序列确定第t+1天至月末的每日新增活跃设备数； 根据第t+1天至月末的每日新增活跃设 备数和从第i天到第t天中各天的累计活跃设备数， 确定月活跃设备数。 0006 在某些实施例中， 使用LSTM神经网络， 根据上述第二序列确定第t+1天至月末的每 日新增活跃设备数之前， 还包括： 使用上述第二序列中的最大值对第二序列做归一化处理 得到第三序列； 以及， 使用LSTM神经网络， 根据第二序列确定第t+1天至月末的每日新增活 跃设备数， 包括： 使用LSTM神经网络， 。

12、根据上述第三序列确定第四序列， 其中， 第四序列与第 t+1天至月末的每日新增活跃设备数对应； 以及使用第二序列中的最大值对上述第四序列 做反归一化处理得到第t+1天至月末的每日新增活跃设备数。 0007 在某些实施例中， 根据第t+1天至月末的每日新增活跃设备数和从第i天到第t天 中各天的累计活跃设备数， 确定月活跃设备数， 包括： 确定第t天的累计活跃设备数及第t+1 天至月末的每日新增活跃设备数之和， 以确定结果作为月活跃设备数。 0008 在某些实施例中， 使用LSTM神经网络， 根据上述第三序列确定上述第四序列， 包 括： 使用LSTM神经网络， 以上述第三序列作为输入得到第三序列的。

13、输出， 将输出加入上述第 三序列作为新的第三序列， 循环直到得到月末对应的输出， 得到上述第四序列， 其中， 第四 序列与第t+1天至月末的每日新增活跃设备数对应。 说明书 1/7 页 4 CN 112116381 A 4 0009 在某些实施例中， 使用LSTM神经网络， 根据上述第二序列确定第t+1天至月末的每 日新增活跃设备数， 包括： 使用LSTM神经网络， 以上述第二序列作为输入确定第t+1天的每 日新增活跃设备数， 将第t+1天的每日新增活跃设备数加入第二序列得到新的第二序列， 循 环直到得到月末的每日新增活跃设备数。 0010 在某些实施例中， 以历史月的第1天到第n-1天的每日。

14、新增活跃设备数为输入， 并 以历史月的第2天到第n天的每日新增活跃设备数为期望， 训练LSTM神经网络。 0011 在某些实施例中， 以历史月的第1天到第n-1天的每日新增活跃设备数的归一化序 列为输入， 并以历史月的第2天到第n天的每日新增活跃设备数的归一化序列为期望， 训练 LSTM神经网络。 0012 在某些实施例中， 以AUC(Area Under Curve， 被定义为受试者工作特征曲线(ROC 曲线)下与坐标轴围成的面积)或均方误差(MSE)作为模型训练指标训练LSTM神经网络。 0013 第二方面， 本申请提供了一种计算机设备， 包括： 存储器、 处理器及存储在存储器 上并可在处。

15、理器上运行的计算机程序； 计算机程序被处理器执行时实现的基于LSTM神经网 络的月活预测方法的步骤。 0014 第三方面， 本申请提供了一种计算机可读存储介质， 计算机可读存储介质上存储 有基于LSTM神经网络的月活预测程序， 基于LSTM神经网络的月活预测程序被处理器执行时 实现基于LSTM神经网络的月活预测方法的步骤。 0015 本申请实施例提供的上述技术方案与现有技术相比具有如下优点： 本申请实施例 提供的该方法， 实现了对当月月活跃设备数进行预测， 并可不依赖于自身历史月活跃设备 数， 亦不受人为的基于先验主义的影响。 附图说明 0016 此处的附图被并入说明书中并构成本说明书的一部分。

16、， 示出了符合本发明的实施 例， 并与说明书一起用于解释本发明的原理。 0017 为了更清楚地说明本发明实施例或现有技术中的技术方案， 下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍， 显而易见地， 对于本领域普通技术人员而 言， 在不付出创造性劳动性的前提下， 还可以根据这些附图获得其他的附图。 0018 图1为本申请提供的基于LSTM神经网络的月活预测方法一种实施方式的流程图； 0019 图2为本申请提供的基于LSTM神经网络的月活预测方法另一种实施方式的流程 图； 0020 图3为本申请实施例提供的系统一种实施方式的结构示意图； 0021 图4为本申请实施例提供的预测装置3。

17、40一种实施方式的结构框图； 以及 0022 图5为本申请实施例提供的计算机设备一种实施方式的硬件结构示意图。 具体实施方式 0023 应当理解， 此处所描述的具体实施例仅仅用以解释本发明， 并不用于限定本发明。 0024 在后续的描述中， 使用用于表示元件的诸如 “模块” 、“部件” 或 “单元” 的后缀仅为 了有利于本发明的说明， 其本身没有特定的意义。 因此，“模块” 、“部件” 或 “单元” 可以混合 地使用。 说明书 2/7 页 5 CN 112116381 A 5 0025 图1为本申请提供的基于LSTM神经网络的月活预测方法一种实施方式的流程图， 如图1所示， 该方法包括步骤S1。

18、02至步骤S108。 0026 步骤S102， 接收从第i天到第t天中各天的累计活跃设备数， 得到第一序列。 0027 在本文中， 各天的累计活跃设备数为各天统计的活跃设备数， 月末的累计活跃设 备数为当月的月活跃设备数。 第一序列如表1所示。 0028 表1第一序列(各天的累计活跃设备数)示意表 0029 日期12n 累计活跃设备数x1x2xn 0030 其中， n为当月的天数。 第i天到第t天为xi， ， xt， 集合中包含t-i+1个元素。 0031 步骤S104， 对第一序列做差分运算得到第二序列， 其中第二序列为从第i+1天到第 t天的每日新增活跃设备数。 0032 在本文中， 基于。

19、第一序列确定第二序列， 第二序列为从第i+1天到第t天的每日新 增活跃设备数。 第二序列如表2所示。 0033 表2第二序列(每日新增活跃设备数)示意表 0034 日期23n 差分(diff)x2-x1x3-x2xn-xn-1 0035 其中， n为当月的天数。 从第i+1天到第t天的每日新增活跃设备数为xi+1-xi， 。 。 。 ， xtxt-1， 集合中包含t-i个元素。 0036 步骤S106， 使用LSTM神经网络， 根据第二序列确定第t+1天至月末的每日新增活跃 设备数。 0037 步骤S108， 根据第t+1天至月末的每日新增活跃设备数和从第i天到第t天中各天 的累计活跃设备数，。

20、 确定月活跃设备数。 0038 在本申请实施例中， 已知第i天到第t天中各天的累计活跃设备数， 并预测得出第t +1天至月末的每日新增活跃设备数， 步骤S108可根据已知的累计活跃设备数和预测出的此 后的每日新增活跃设备数确定得出月活跃设备数。 0039 在步骤S106中， 使用LSTM预测出第t+1天至月末的每日新增活跃设备数， 在步骤 S102中接收到从第i天到第t天中各天的累计活跃设备数， 可确定得出月活跃设备数。 在某 些实施例中， 上述步骤S108中， 确定第t天的累计活跃设备数及第t+1天至月末的每日新增 活跃设备数之和， 以确定结果作为月活跃设备数， 但本申请并不限于此。 004。

21、0 在某些实施例中， 用LSTM神经网络进行多步预测， 上述步骤S106中， 使用LSTM神经 网络， 以上述第二序列作为输入确定第t+1天的每日新增活跃设备数， 将第t+1天的每日新 增活跃设备数加入第二序列得到新的第二序列， 循环直到得到月末的每日新增活跃设备 数。 0041 在实际应用中， 几天的累计活跃设备数是易于获得的， 例如， APP上线运营几天即 可采集到这几天的累计活跃设备数。 由此， 可以在APP仅运营几天的情况下， 快速预测APP的 月活。 0042 图2为本申请提供的基于LSTM神经网络的月活预测方法另一种实施方式的流程 图， 在该实施方式中， 对数据做归一化处理， 以降。

22、低误差， 提高预测准确度， 如图2所示， 该方 月活预测包括步骤S202至步骤S212。 说明书 3/7 页 6 CN 112116381 A 6 0043 步骤S202， 接收从第i天到第t天中各天的累计活跃设备数， 得到第一序列。 0044 在本文中， 各天的累计活跃设备数为各天统计的活跃设备数， 月末的累计活跃设 备数为当月的月活跃设备数。 第一序列可参见表1所示。 0045 步骤S204， 对第一序列做差分运算得到第二序列， 其中第二序列为从第i+1天到第 t天的每日新增活跃设备数。 0046 在步骤S204中， 第二序列参见表2所示。 0047 步骤S206， 使用上述第二序列中的最。

23、大值对第二序列做归一化处理得到第三序 列。 第三序列如表3所示。 0048 表3第三序列示意表 0049 日期23n 归一化(x2-x1)/maxdiff(x3-x2)/maxdiff(xn-xn-1)/maxdiff 0050 其中， maxdiff为第二序列中的最大值。 从第i+1天到第t天对应的第三序列为 (xi+1-xi)/maxdiff， ， (xtxt-1)/maxdiff， 集合中包含t-i个元素。 0051 步骤S208， 使用LSTM神经网络， 根据上述第三序列确定第四序列， 其中， 第四序列 与第t+1天至月末的每日新增活跃设备数对应。 0052 步骤S210， 使用第二序。

24、列中的最大值(参见表3所示maxdiff)对上述第四序列做反 归一化处理得到第t+1天至月末的每日新增活跃设备数。 0053 在本文中， 第四序列中的元素被表示为scalei， 上述步骤S208中确定得出的第四 序列为scalet+1， ， scalen。 0054 步骤S212， 根据第t+1天至月末的每日新增活跃设备数和从第i天到第t天中各天 的累计活跃设备数， 确定月活跃设备数。 0055 在某些实施例中， 使用LSTM神经网络进行多步预测， 上述步骤S208中， 使用LSTM神 经网络， 以上述第三序列作为输入得到第三序列的输出， 将输出加入上述第三序列作为新 的第三序列， 循环直到得。

25、到月末对应的输出， 得到上述第四序列， 其中， 第四序列与第t+1天 至月末的每日新增活跃设备数对应。 0056 在某些实施例中， 上述步骤S212中， 确定第t天的累计活跃设备数及第t+1天至月 末的每日新增活跃设备数之和， 以确定结果作为月活跃设备数， 但本申请实施例并不限于 此， 本领域技术人员可以对第t天的累计活跃设备数及第t+1天至月末的每日新增活跃设备 数做一定处理(例如加权平均等)， 凡是基于已知累计活跃设备数和预测出的此后每日新增 活跃设备数的方法都是可行的。 0057 图3为本申请实施例提供的系统一种实施方式的结构示意图， 如图3所示， 该系统 包括： 用户设备310、 服务。

26、器320、 数据库330、 预测装置340以及应用装置350。 其中， 服务320 与用户设备310通信连接， 用于采集活跃设备数， 例如， 通过使用应用程序(APP)的用户设备 310的设备标识(ID)来统计活跃设备数。 数据库330设置为存储服务器320采集的活跃设备 数。 预测装置340， 设置为基于采集的活跃设备数预测月活跃设备数。 应用装置350， 设置为 应用预测装置340预测出的月活跃设备数， 例如计算采样率以降低存储和贷款成本， 动态扩 容、 生成使用报告、 进行使用限制等， 但不限于此。 0058 应当理解， 图3仅作为一个示例性说明， 在本申请中， 可以采用本申请的申请日之。

27、 前或之后的任何方式收集活跃设备数据， 本申请实施例对此不做限定。 说明书 4/7 页 7 CN 112116381 A 7 0059 图4为本申请实施例提供的预测装置340一种实施方式的结构框图， 如图4所示， 该 预测装置340包括： 接收模块341， 设置为接收从第i天到第t天中各天的累计活跃设备数， 得 到第一序列； 第一确定模块342， 与接收模块341相连， 设置为对第一序列做差分运算得到第 二序列， 其中第二序列为从第i+1天到第t天的每日新增活跃设备数； 第二确定模块343， 与 第一确定模块342相连， 设置为使用LSTM神经网络， 根据第二序列确定第t+1天至月末的每 日新。

28、增活跃设备数； 第三确定模块344， 根据第t+1天至月末的每日新增活跃设备数和从第i 天到第t天中各天的累计活跃设备数， 确定月活跃设备数。 0060 在某些实施例中， 参考图4所示， 预测装置340还包括第四确定模块345， 设置为使 用第二序列中的最大值对第二序列做归一化处理得到第三序列。 其中， 第三确定模块344， 设置为使用LSTM神经网络， 根据上述第三序列确定第四序列， 其中， 第四序列与第t+1天至 月末的每日新增活跃设备数对应。 预测装置340还包括第五确定模块346， 设置为使用第二 序列中的最大值对上述第四序列做反归一化处理得到第t+1天至月末的每日新增活跃设备 数。 。

29、0061 在本申请实施例中， 已知第i天到第t天中各天的累计活跃设备数， 并预测得出第t +1天至月末的每日新增活跃设备数， 第三确定模块344用于根据已知的累计活跃设备数和 预测出的此后的每日新增活跃设备数确定得出月活跃设备数。 0062 LSTM神经网络训练 0063 LSTM神经网络的训练过程可参见相关技术。 本申请实施例中对LSTM神经网络的输 入数据做示例性说明。 0064 本申请实施例中， 改变了相关技术中以月活数据预测月活数据的预测方法。 在某 些实施例中， 以历史月的第1天到第n-1天的每日新增活跃设备数为输入， 并以历史月的第2 天到第n天的每日新增活跃设备数为期望， 训练L。

30、STM神经网络。 由此， 使得LSTM申请网络预 测出的每日新增活跃设备数与实际上的每日新增活跃设备数接近。 0065 在某些实施例中， 以历史月的第1天到第n-1天的每日新增活跃设备数的归一化序 列为输入， 并以历史月的第2天到第n天的每日新增活跃设备数的归一化序列为期望， 训练 LSTM神经网络， 以使得LSTM根据已知各天的每日新增活跃设备数预测出未知的数据。 0066 在某些实施例中， 以AUC(Area Under Curve， 被定义为ROC曲线下与坐标轴围成的 面积)或均方误差(MSE)作为模型训练指标训练LSTM神经网络。 使用AUC或MSE作为模型训练 指标的训练过程参见本申。

31、请的申请日之前的已知技术， 本申请实施例对此不做赘述， 并且 本申请实施对此不做限定。 0067 在某些实施例中， 使用多个APP(但不限于此)多个月份(但不限于此)各天的累计 活跃设备数作为LSTM神经网络的训练数据集， 训练得到LSTM神经网络能够用于预测该多个 APP或者其他一个或多个其他APP的月活跃设备数。 作为示例性说明， 按月份为单位， 对训练 数据集中的累计活跃设备数做预处理， 对当月各天的累计活跃设备数做差分处理， 得到当 月每日新增活跃设备数。 使用当月的最大每日新增活跃设备数， 对当月每日新增活跃设备 数做归一化处理， 得到当月的归一化序列。 由此得到多个APP多个月份的。

32、归一化序列。 以多 个APP多个月份的归一化序列作为数据输入， 训练LSTM神经网络。 0068 在某些实施例中， LSTM神经网络的神经元数量为20， 最大步长为32。 0069 应当理解， 本文中仅对LSTM神经网络的训练做了示例性说明， 在本申请实施例中， 说明书 5/7 页 8 CN 112116381 A 8 以各天的累计活跃设备数得到每日新增活跃设备数， 以每月的每日新增活跃设备数构成的 序列， 作为LSTM神经网络的数据输入， 都是可行的。 0070 本实施例还提供一种计算机设备， 如可以执行程序的智能手机、 平板电脑、 笔记本 电脑、 台式计算机、 机架式服务器、 刀片式服务器。

33、、 塔式服务器或机柜式服务器(包括独立的 服务器， 或者多个服务器所组成的服务器集群)等。 本实施例的计算机设备20至少包括但不 限于： 可通过系统总线相互通信连接的存储器21、 处理器22， 如图5所示。 需要指出的是， 图5 仅示出了具有组件21-22的计算机设备20， 但是应理解的是， 并不要求实施所有示出的组 件， 可以替代的实施更多或者更少的组件。 0071 本实施例中， 存储器21(即可读存储介质)包括闪存、 硬盘、 多媒体卡、 卡型存储器 (例如， SD或DX存储器等)、 随机访问存储器(RAM)、 静态随机访问存储器(SRAM)、 只读存储器 (ROM)、 电可擦除可编程只读存。

34、储器(EEPROM)、 可编程只读存储器(PROM)、 磁性存储器、 磁 盘、 光盘等。 在一些实施例中， 存储器21可以是计算机设备20的内部存储单元， 例如该计算 机设备20的硬盘或内存。 在另一些实施例中， 存储器21也可以是计算机设备20的外部存储 设备， 例如该计算机设备20上配备的插接式硬盘， 智能存储卡(Smart Media Card,SMC)， 安 全数字(Secure Digital,SD)卡， 闪存卡(Flash Card)等。 当然， 存储器21还可以既包括计 算机设备20的内部存储单元也包括其外部存储设备。 本实施例中， 存储器21通常用于存储 安装于计算机设备20的。

35、操作系统和各类应用软件， 例如基于LSTM神经网络的月活预测方法 的程序代码等。 此外， 存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。 0072 处理器22在一些实施例中可以是中央处理器(Central Processing Unit， CPU)、 控制器、 微控制器、 微处理器、 或其他数据处理芯片。 该处理器22通常用于控制计算机设备 20的总体操作。 本实施例中， 处理器22用于运行存储器21中存储的程序代码或者处理数据， 例如基于LSTM神经网络的月活预测方法的程序代码， 以实现基于LSTM神经网络的月活预测 方法。 0073 本实施例还提供一种计算机可读存储介质， 。

36、如闪存、 硬盘、 多媒体卡、 卡型存储器 (例如， SD或DX存储器等)、 随机访问存储器(RAM)、 静态随机访问存储器(SRAM)、 只读存储器 (ROM)、 电可擦除可编程只读存储器(EEPROM)、 可编程只读存储器(PROM)、 磁性存储器、 磁 盘、 光盘、 服务器、 App应用商城等等， 其上存储有计算机程序， 程序被处理器执行时实现相 应功能。 本实施例的计算机可读存储介质用于存储基于LSTM神经网络的月活预测程序， 被 处理器执行时实现实基于LSTM神经网络的月活预测方法的步骤。 0074 需要说明的是， 在本文中， 术语 “包括” 、“包含” 或者其任何其他变体意在涵盖非排。

37、 他性的包含， 从而使得包括一系列要素的过程、 方法、 物品或者装置不仅包括那些要素， 而 且还包括没有明确列出的其他要素， 或者是还包括为这种过程、 方法、 物品或者装置所固有 的要素。 在没有更多限制的情况下， 由语句 “包括一个” 限定的要素， 并不排除在包括该 要素的过程、 方法、 物品或者装置中还存在另外的相同要素。 0075 上述本发明实施例序号仅仅为了描述， 不代表实施例的优劣。 0076 通过以上的实施方式的描述， 本领域的技术人员可以清楚地了解到上述实施例方 法可借助软件加必需的通用硬件平台的方式来实现， 当然也可以通过硬件， 但很多情况下 前者是更佳的实施方式。 基于这样的。

38、理解， 本发明的技术方案本质上或者说对现有技术做 出贡献的部分可以以软件产品的形式体现出来， 该计算机软件产品存储在一个存储介质 说明书 6/7 页 9 CN 112116381 A 9 (如ROM/RAM、 磁碟、 光盘)中， 包括若干指令用以使得一台终端(可以是手机， 计算机， 服务 器， 空调器， 或者网络设备等)执行本发明各个实施例所述的方法。 0077 上面结合附图对本发明的实施例进行了描述， 但是本发明并不局限于上述的具体 实施方式， 上述的具体实施方式仅仅是示意性的， 而不是限制性的， 本领域的普通技术人员 在本发明的启示下， 在不脱离本发明宗旨和权利要求所保护的范围情况下， 还可做出很多 形式， 这些均属于本发明的保护之内。 说明书 7/7 页 10 CN 112116381 A 10 图1 说明书附图 1/4 页 11 CN 112116381 A 11 图2 说明书附图 2/4 页 12 CN 112116381 A 12 图3 图4 说明书附图 3/4 页 13 CN 112116381 A 13 图5 说明书附图 4/4 页 14 CN 112116381 A 14 。