本申请涉及计算机信息
技术领域:
,尤其涉及一种互联网信息资源的关联资源目标值的预测方法及装置。
背景技术:
:随着互联网信息技术的发展,出现了各种互联网信息资源。比如,在互联网信息系统中传递的各种具有利用价值的数据。这些信息资源通常不是孤立的,在实际应用过程中可能存在这样的情形:在一份互联网信息资源的基础上可以按照某些规则衍生出其他信息资源,这里称为互联网信息资源的关联资源。虽然作为衍生基础的互联网信息资源可以是固定的、可知的,但是,由于影响资源衍生的因素往往复杂多变,在一定的互联网信息资源的基础上将会衍生出多少与之关联的关联资源,以及这些关联资源在各个期望时点上的具体分布情况又如何,类似的问题则存在较大的不确定性。然而,“资源”的优势在利用,为了对关联资源进行有效利用以便发挥关联资源作为“资源”的优势,通常需要通过某些方法预测在某个期望时点上互联网信息资源的关联资源目标值的情况。在现有技术中,存在一种预测关联资源目标值的方法,该方法预先在互联网信息资源与其关联的关联资源之间建立固定的预设理想关系,然后依据该固定的预设理想关系在互联网信息资源的基础上预测期望时点上的关联资源目标值。然而,由于互联网信息资源与关联资源之间的固定理想关系往往受到各种因素的影响,可能发生变化,使得固定的理想关系不能反映实际情况,从而导致通过上述方法预测的关联资源目标值的准确性不高。此外,互联网信息资源与其关联的关联资源之间建立的固定理想关系通常体现为一个 较大的时间维度,比如,根据固定理想关系确定互联网信息资源A在1月衍生的关联资源是A1、2月衍生的关联资源是A2,以此类推。在这种情况下,只能以月为时间维度来预测关联资源,而不能在更小的时间维度上(比如,天)对关联资源目标值进行预测。技术实现要素:鉴于现有技术存在的问题,本申请实施例提供了一种互联网信息资源的关联资源目标值的预测方法及装置,以提高预测的关联资源目标值的准确性。本申请实施例提供的互联网信息资源关联资源目标值的预测方法包括:获取待预测关联资源目标值的当前互联网信息资源;根据所述当前互联网信息资源的特征信息确定与该特征信息匹配的预设特征表,所述预设特征表包含互联网信息资源的存续期与关联系数之间的对应关系,所述关联系数为互联网信息资源与其关联资源之间的关联系数,所述特征信息能反映互联网信息资源在预设变量影响下关联资源的变化;确定预测关联资源目标值的预测时点,查询所述预设特征表获取所述当前互联网信息资源在所述预测时点的存续期及该存续期对应的关联系数;根据所述当前互联网信息资源的大小及在所述预测时点的存续期对应的关联系数预测关联资源在预测时点的目标值。本申请实施例提供的互联网信息资源的关联资源目标值的预测装置包括:第一资源获取单元、特征表确定单元、关联系数确定单元以及目标值预测单元,其中:所述第一资源获取单元,用于获取待预测关联资源目标值的当前互联网信息资源;所述特征表确定单元,用于根据所述当前互联网信息资源的特征信息确定与该特征信息匹配的预设特征表,所述预设特征表包含互联网信息资源的存续期与关联系数之间的对应关系,所述关联系数为互联网信息资源与其关联资源之间的关联系数,所述特征信息能反映互联网信息资源在预设变量的影响下关联资源的变化;所述关联系数确定单元,用于确定预测关联资源目标值的预测时点,查询所述预设特征表获取所述当前互联网信息资源在所述预测时点的存续期及该存续期对应的关联系数;所述目标值预测单元,用于根据所述当前互联网信息资源的大小及在所述预测时点的存续期对应的关联系数预测关联资源在预测时点的目标值。在本申请实施例中,通过当前互联网信息资源所具有的特征信息找到与其匹配的预设特征表,再从该表格中获取存续期与关联系数之间的对应关系,从而利用预测时点所在的存续期对应的关联系数对当前互联网信息资源在某个预测时点上的关联资源进行预测。与现有技术相比,该预测方法由于考虑了预设变量对互联网信息资源的关联资源的影响,从而使得估算出来的关联资源目标值更准确、更符合实际。此外,本申请实施例还可以以更小粒度的粒度预测关联资源目标值。附图说明图1为互联网信息资源及其关联资源的示意图;图2为互联网信息资源的关联资源目标值的预测方法实施例的流程图;图3为预设特征表的一种结构示意图;图4为历史互联网信息资源池中资源的归类过程示意图;图5为建立预设特征表的一种方法的流程图;图6为关联系数与存续期的关系曲线示意图;图7为互联网信息资源的关联资源目标值的预测装置实施例结构示意图。具体实施方式为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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他实施例,都属于本申请保护的范围。为便于对本申请的各种技术方案的理解,下面先对本申请实施例涉及到的几个术语进行简要说明。首先,在本申请实施例中将会涉及“互联网信息资源”的概念。互联网信息资源是在互联网环境中体现出来的资源,具体可以表现为网络存储资源、云计算资源等,这些资源在形态上可以是能发挥资源优势的数据。互联网信息资源的两个重要属性是“周期性”和“存续性”,周期性说明互联网信息资源具有“生命周期”,存续性说明互联网信息资源具有“存续期”,通常认为,自互联网信息资源产生时起到互联网信息资源消耗殆尽(不再挥作用)时止,为互联网信息资源的完整生命周期。在互联网信息资源的完整生命周期上,自互联网信息资源的产生时点开始,随时间轴观察,到某个期望时点(或观察时点)为止,可以认为互联网信息资源已存续了“期望时点-产生时点”这样长的时间,该时间在本申请中称为存续期。举例而言,假设一份互联网信息资源自产生到截止的生命周期为1年,那么在第1个月的观察时点上,则可以认为该互联网信息资源的存续期为1个月(30天),在第2个月的时点上,该份互联网信息资源的存续期为2个月(60天),...以此类推。其次,本申请实施例中还会涉及与互联网信息资源紧密相关的“关联资源”的概念,前已述及,关联资源是互联网信息资源按照某种衍生规则产生的衍生资源,依赖于互联网信息资源而存在。就关联资源对互联网信息资源的依赖性而言,可以具体表现在两个方面:一是如果互联网信息资源保持不变,但是互联网信息资源到关联资源的衍生规则发生变化,那么关联资源将随之变化;二是如果保持互联网信息资源到关联资源的衍生规则不变,而互联网信息资源的大小发生变化,那么关联资源也将随之变化。就衍生关联资源的“衍生规则”而言,在实际应用中,可以根据对关联资源的需求确定使互联网信息资源按照何种方式来衍生。比如,以某个固定系数α作为互联网信息资源与关联资源之间的衍生纽带,那么,如果一份大小为“A”的互联网信息资源分阶段性衍生关联资源,那么在每个阶段内衍生的关联资源的大小则为(A·α)。就关联资源的表现形式而言,其可以体现为一个总的资源(经过一次衍生过程即得到全部的关联资源),从而可以一次性获得且被一次性 利用,也可以体现为在不同时点上分散的多个关联资源(经过多次衍生过程产生多个关联资源,如前述的分阶段产生关联资源),在获得当期的关联资源时,只能对当期的关联资源进行利用,而下一期关联资源只有等到下一期到来后衍生出其相应关联资源才能对其进行有效利用。对于后一种情形,可以参见图1所示,在该图中,互联网信息资源A的生命周期为T,在观察时点1(互联网信息资源的存续期1)衍生出关联资源1,在观察时点2(互联网信息资源的存续期2)上衍生出关联资源2,...以此类推。另外,本申请还涉及到“预设变量”的概念。如前所述,在由互联网信息资源到关联资源进行衍生过程中,可能受到各种因素的影响,从而导致相同的互联网信息资源在其他条件相同的情况下衍生出来的关联资源大小不同。这种对互联网信息资源衍生关联资源的过程产生影响的各种因素称为“变量”。在实际应用过程中,变量的数量较多,不同的变量对衍生过程产生的影响程度也不相同,有些影响大一些,应当在预测关联资源目标值过程中重点考虑,有些影响小的变量,则可以忽略或者减少对其关注度。在由互联网信息资源到其关联资源的衍生过程中,可能存在一个变量对衍生过程产生影响的情形,也可能存在多个变量共同作用于互联网信息资源,从而产生出多变量影响下的综合性的关联资源。在阐述上述基本概念的基础之上,下面结合附图以具体实施例对本申请进一步的解释说明,各个实施例并不构成对本申请技术方案的限定。参见图2,该图示出了本申请的互联网信息资源的关联资源目标值的预测方法的一个实施例的流程。在本实施例中,预测关联资源目标值即是在预测互联网信息资源在某个预测时点上(包括当前时间以及当前时间之后的某个时间)将会衍生出多少的关联资源。该流程包括:步骤S21:获取待预测关联资源目标值的当前互联网信息资源;在实际应用过程中,需要按照本申请实施例的方式预测关联资源目标值的互联网信息资源可能较多,这些互联网信息资源可以构成一个信息资源池,本申请实施例在一次处理流程中,可以从该信息资源池中读取一份互联网信息资源作为当前的互联网信息资源,以其为处理对象进行后续处理。在该当 前互联网信息资源处理完毕后,再读取信息资源池中其他需要进行关联资源预测的互联网信息资源进行处理。这里需要说明的是,本申请实施例虽然以当前互联网信息资源作为处理对象,并不表明本申请只能以一份一份互联网信息资源这种“串行”的方式进行处理,在相关处理设备的运算处理能力具备条件的情况下,完全可以以“并行”方式同时进行多个互联网信息资源的处理。步骤S22:根据所述当前互联网信息资源的特征信息确定与该特征信息匹配的预设特征表,所述预设特征表包含互联网信息资源的存续期与关联系数之间的对应关系,所述关联系数为互联网信息资源与互联网信息资源的关联资源之间的关联系数,所述特征信息能反映互联网信息资源在预设变量的影响下互联网信息资源的关联资源的变化;本步骤在获取当前互联网信息资源后,根据该互联网信息资源的特征信息确定出与该特征信息对应的预设特征表。互联网信息资源的特征信息是互联网信息资源在各个方面属性的体现,这些特征信息的总和刻画了互联网信息资源,反映了互联网信息资源在预设变量的影响下互联网信息资源的关联资源的变化。比如,假设预设变量为互联网信息资源的类型X类型,取值范围为(A类型、B类型),一份互联网信息资源的特征信息为a,另一份互联网信息资源的特征信息为b,那么,在预设变量X类型对当前互联网信息资源的影响下(比如,区分、分类、归类下),具有特征信息a的互联网信息资源与A类型符合,将归类到A类型下,具有特征信息b的互联网信息资源与B类型符合,将归类到B类型下,从而即便两份互联网信息资源的大小相同,那么在A类型下的互联网信息资源的关联资源与在B类型下对应的关联资源通常也不相同,也就是说,特征信息反映了互联网信息资源在预设变量的影响下互联网信息资源的关联资源的变化。在预设特征表中可以包含至少如下两部分内容(参见图3所示):一是互联网信息资源的存续期,即自互联网信息资源产生时点起到当前时点的时长,比如,以天为单位,那么存续期可以是1天、2天、3天...直至该互联网信息资源的生命周期为止;二是互联网信息资源与其关联资源之间的关联 系数,这里的关联系数是在考虑了预设变量的影响下产生的关联系数,即在没有预设变量的影响下,互联网信息资源与关联资源之间存在某个关联系数,但在预设变量的影响下,相同的互联网信息资源将产生新的关联资源,从而在互联网信息资源与关联资源之间产生新的关联系数。也就是说,这里实际上可以存在多个量之间的多对对应关系,比如,一种是预设变量与特征信息之间的一定程度的对应,通过预设变量可以对具有相应特征信息的互联网信息资源进行分类;另一种是特征信息与预设特征表之间的对应,比如,如上例所示,具有特征信息a的互联网信息资源具有预设特征表Sa,具有特征信息b的互联网信息资源具有预设特征表Sb;再一种是预设特征表内互联网信息资源的存续期与关联系数之间的对应。需要说明的是,这里的预设变量可以是一个变量(如前述的互联网信息资源的类型X类型),也可能是多个变量组成的一个变量体系,该变量体系可以形成多维的变量向量。比如,互联网信息资源的类型X类型,互联网信息资源的风险评级X风险等,这种情况下预设变量表现为一个二维的变量向量(X类型,X风险)。步骤S23:确定预测关联资源目标值的预测时点,查询所述预设特征表获取所述当前互联网信息资源在所述预测时点的存续期及该存续期对应的关联系数;如前所述,要预测关联资源的目标值,需要为预测操作指定一个时点,即指出将要预测互联网信息资源在哪个时点上衍生的关联资源的目标值,在确定该预测时点后,看该预测时点在预设特征表中的哪个存续期上,然后获取该存续期对应的关联系数,以便进行后续操作。在实际应用中,可以同时指定多个预测时点,只要可以分别获取每个预测时点的存续期对应的关联系数即可。步骤S24:根据所述当前互联网信息资源的大小及在所述预测时点的存续期对应的关联系数预测关联资源在预测时点的目标值;在获取关联系数后,由于关联系数反映互联网信息资源与关联资源之间的关联关系,那么基于当前互联网信息资源的大小与所述关联系数便可预测出预测时点上关联资源的目标值。具体地,可以通过如下公式确定:预测时点关联资源目标值=当前互联网信息资源的大小×在预测时点的存续期对应的关联系数。在某些情况下,关联系数如果为累计关联系数,那么还可以通过查询所述预设特征表获取所述当前互联网信息资源在当前时点的存续期对应的累计关联系数,则对可以通过如下公式确定互联网信息资源的关联资源目标值:CCAi=AMT×(Sim-Sin)其中,CCAi为当前互联网信息资源的关联资源在第i个预测时点的目标值,所述AMT为所述当前互联网信息资源的大小,所述Sim为第i个预测时点的存续期对应的累计关联系数,所述Sin为当前时点的存续期对应的累计关联系数。在本实施例中,通过当前互联网信息资源所具有的特征信息找到与其匹配的预设特征表,进而从该表中获取存续期与关联系数之间的对应关系,这样便可以利用预测时点所在的存续期对应的关联系数,对当前互联网信息资源在某个预测时点上的关联资源进行预测。与现有技术相比,在该预测方法中,由于考虑了预设变量对互联网信息资源的关联资源的影响,从而使得估算出来的关联资源目标值更准确、更符合实际。上述实施例的步骤S22中提及需要通过互联网信息资源的特征信息确定与之对应的“预设特征表”,在实际应用过程中,这里的预设特征表可以具有多种建立方法,比如,根据经验来建立该特征信息,这种方式快捷、方便,但可能导致确定出来特征表出现一些偏差。为避免过多人为因素的参入,这里给出一种示例性方法,该方法以历史互联网资源为依据,通过样本统计分析的方式来建立预设特征表,本领域技术人员可以在此基础上得到其他方法,这些方法均在本申请的保护范围之内。该示例性方法先获取多份生命周期已结束的历史互联网信息资源,形成历史互联网信息资源池,这里记为样本空间(M1,M2,...,Mk,...,Mn),然后,以影响历史互联网信息资源的预设变量为基准,根据互联网信息资源的特征信息对其进行归类,这里对预设变量空间记为(X1、X2...XP)。希望通过 归类形成与特征信息对应的历史互联网信息资源集合。比如,假设以变量X1(该变量的取值范围为X1a、X1b)为基准(这里,主要指以变量X1作为归来标准),来考察样本空间内的各个历史互联网信息资源,那么,具有X1a特征信息的历史互联网信息将被归类到S1集合,具有X1b特征信息的历史互联网信息将被归类到S2集合,经过这样归类,假设结果为S1(Mi,M2,,...,Mj),即包含了(j-1)个历史互联网信息资源,S2(Mj+1,Mj+2,...,Mn),即包含了(n-j-1)个历史互联网信息资源。通过考虑变量X1后,将样本空间中的历史互联网信息资源归类成了两个集合,在此基础上,还可以分别对S1、S2以变量X2(该变量的取值范围为X2a、X2b)为基准进行归类,从而可以得到具有特征信息X1a、X2a的历史互联网信息资源集合S11和具有特征信息X1b、X2b的历史互联网信息资源集合S12,以及具有特征信息的X1b、X2a的S21和具有特征信息X1a、X2b的S22。同理,可以继续进行下去,直至考虑到全部的预设变量。图4示出了在多变量影响下对历史互联网信息资源池进行归类的过程。这里假设确定的预设的目标变量为:互联网信息资源的类型变量X1,互联网信息资源的关联资源衍生方式变量X2以及关联资源的风险评级变量X3。对历史互联网信息资源池中每份历史互联网信息资源,可以直接根据X1,也可以根据X1以及X2,还可以根据X1以及X3,还可以根据X1,X2以及X3确定当前这份历史互联网信息资源所归类的集合。在该图中,对全部的历史互联网信息资源按照上述三个变量最终归类到了7个集合,如图中所示的S1-S7。通过上述归类形成了历史互联网信息资源集合,然后可以从该集合中随机选取一份历史互联网信息资源,然后获取该历史互联网信息资源在其生命周期中每个预设时段对应的关联资源,比如,假设每个预设时段为“月”,那么可以获得第1月对应的关联资源,第2月对应的关联资源,第3月对应的关联资源,以此类推,直至生命周期结束。获得关联资源后,即可在每个第一预设时段上,计算历史互联网信息资源与其关联资源之间的关联系数。关联系数可以有多种计算方法,不同计算方式反映了关联系数的不同表现形式。比如,如果关联系数反映当前的第一预设时段的情况,那么可以直接用关联资源的大小除以该历史互联网信息资源的大小,将得到的比值作为关联 系数;如果关联系数反映当前的第一预设时段之前累计的情况,那么可以用当前第一预设时段之前的所有关联资源的累计之和除以该历史互联网信息资源的大小,再将得到的比值作为关联系数(这种情况下的关联系数为累计关联系数)。在从历史互联网信息资源集合中获得多份互联网信息资源的情况下,还可以对多每份历史互联网信息资源计算出来的关联系数进行平均,将平均值作为最终的关联系数。由于每个关联系数是以每个相应的第一预设时段对应的关联资源为基准进行计算的,那么便建立了每个第一预设时段与关联系数之间的对应关系。在前述概念介绍中,提及互联网信息资源的存续期,每个存续期是由一个或多个第一预设时段组成的,从而通过上述方式实际上也就建立了“存续期”与“关联系数”之间的对应关系,进而建立了预设特征表。比如,在该预设特征表中存续期1个月对应关联系数1;存续期2个月对应关联系数2,...,以此类推。在上述这种建立预设特征表的过程中,确定了由第一预设时段组成的存续期与关联系数之间的关系,在某些情况下,可能需要确定小于第一预设时段(第二预设时段)的时长对应的关联系数。比如,如果第一预设时段为1个月,由于只存在1个月对应的关联系数,那么便无法得到更细粒度的时长(比如,1天)对应的关联系数。为从更细粒度的角度对关联系数进行描绘,从而也便于在预测关联资源目标值上更精确,本申请实施例可以考虑在第一预设时段对应的关联系数基础上进行更细粒度的模拟。比如,通过1个月对应的关联系数,模拟出每天对应的关联系数。这种模拟可以多种具体方法,比如,可以采用蒙特卡洛模拟法。在模拟出每个第二预设时段对应的关联资源后,上述建立预设特征表过程中的确定关联系数的步骤则可以表现为:在每个第二预设时段上,根据历史互联网信息资源的大小及在该每个第二预设时段对应的关联资源的大小,确定与该每个第二预设时段对应的互联网信息资源与其关联资源之间的关联系数。同样地,上述建立预设特征表过程中的建立存续期与关联系数之间的对应关系的步骤则可以表现为:建立由一个或多个第二预设时段组成的存续 期与所述第二预设时段对应的关联系数之间的对应关系。在上述建立预设特征表的过程中,还涉及到通过预设变量来考察历史互联网信息资源,且认为预设变量可以为多个,每个预设变量都可以进行类似的考察从而对历史互联网信息资源按照其特征信息对其进行归类。但是,在实际应用过程中,不同的预设变量对互联网信息资源的关联资源的影响可能不同,如果将每个变量都作为一种归类依据,可能没有多大的必要。为此,需要选择那些对互联网信息资源影响最大的预设变量作为重点考虑对象,其他的则可以忽略。下面给出一种从多个预设变量中选择对互联网信息资源影响较大的预设变量的方法:在前述描述中,提到可以通过蒙特卡洛法模拟每个第二预设时段的关联系数,在这个实施例的基础上,可以将某些历史互联网信息资源按照某个预设变量的标准进行“二分”,形成两个集合,然后对两个集合中的历史互联网信息资源的关联系数按照第一预设时段进行曲线绘制,这样将得到两条曲线,然后对两条曲线的差(即求取两天曲线的之间的面积)求和,哪个和值大,则说明该预设变量对互联网信息资源的影响比较大,可以在建立预设特征表过程中进行重点考虑。具体地,参照图5所示,可以按照如下步骤进行:步骤S51:从以所述预设变量为基准对历史互联网信息资源进行归类形成的第一和第二历史互联网信息资源集合中获取各个历史互联网信息资源在生命周期内的每个第一预设时段对应的关联资源;步骤S52:在每个预设时段上,分别根据第一、第二历史互联网信息资源集合中各个历史互联网信息资源的大小及在该每个第一预设时段各自对应的关联资源大小,确定第一历史互联网信息资源集合中各个历史互联网信息资源与其关联资源之间的第一关联系数,以及第二历史互联网信息资源集合中各个历史互联网信息资源与其关联资源之间的第二关联系数;步骤S53:在生命周期内每个第一预设时段上,分别对多个第一关联系数、第二关联系数求平均得到第一关联系数平均值、第二关联系数平均值;这里为了直观起见,对求取的第一关联系数平均值和第二关联系数平均 值可以作为绘制成如图6所示的曲线图,该图的横轴为时间轴,即每个由第一预设时段构成的存续期,该存续期可以以月为维度,也可以以天为维度,如果以天为维度,在前述获取关联资源过程中可能需要每个月对应的关联资源基础上进行模拟,得到每天的关联资源,进而利用该每天对应的关联资源进行关联系数的计算;该图的纵轴为关联系数的值,与第一关联系数平均值对应的可以为第一曲线,与第二关联系数平均值对应的可以为第二曲线。步骤S54:计算第一关联系数平均值与第二关联系数平均值之差,并对所述差值在一个生命周期内进行求和运算;该步骤相当于对图6所示的两条曲线(第一曲线、第二曲线)图中间所夹区域的面积进行求取。步骤S55:选取求和结果满足预设要求的预设变量作为建立预设特征表中使用的预设变量。为了更为清楚地说明本申请的技术方案,下面以一个更为具体的实施例进行说明。在该实施例中,假设历史互联网信息资源池如下表(表1:历史互联网信息资源池内资源列表)所示:表1:历史互联网信息资源池内资源列表步骤A:获取上述三份生命周期已结束的历史互联网信息资源。在表1中的三份互联网信息资源可以形成一个历史互联网信息资源池,在其他实施例中,该历史互联网信息资源池可以有三份以上的信息资源,也可以仅仅只有1份信息资源。上述三份互联网信息资源通过标识X、标识Y等唯一标识,每份信息资源具有自身的特征信息,比如,对于标识X的互联网 信息资源,其特征信息可以包括资源类型为“类型A”、衍生方式为“不固定衍生”、风险评级为“低”等,其中,衍生方式中的“固定衍生”表示在每个第一预设时段内(比如,一个月)互联网信息资源衍生关联资源的方式相同,“非固定衍生”表示在不同第一预设时段内衍生关联资源的方式可能不同,互联网信息资源大小和关联资源大小中的“U”表示资源的单位,对于不同的互联网信息资源可能不同,这里为方便起见,统一用“U”表示。步骤B:以预设变量为基准,根据历史互联网信息资源的特征信息对历史互联网信息资源进行归类,形成与特征信息对应的历史互联网信息资源集合;对于本例而言,如果预设变量为资源类型,那么可以将标识X归为一个历史互联网信息资源集合S1,而标识Y、标识Z归类为另一个历史互联网信息资源集合S2。当然,还可以以衍生方式为预设变量,那么标识X、标识Y的历史互联网信息资源具有相同的特征信息(均为不固定衍生)从而归类为一个集合S1',而标识Z的历史互联网信息资源则为另一个集合S2'。步骤C:对所述每个历史互联网信息资源集合,从中选择至少一份历史互联网信息资源,获取生命周期内在每天对应的关联资源;如果预设变量为资源类型,在S2集合中存在两份历史互联网信息资源,可以从中选择一份历史信息资源作为处理对象,比如选择标识Z的互联网信息资源,该资源在一个生命周期365天中累计关联资源大小为5U,那么可以通过各种预设的算法(比如,前述的蒙特卡洛模拟算法)得到每天的关联资源。步骤SD:根据历史互联网信息资源的大小及每天对应的关联资源的大小,确定每天的互联网信息资源与其关联资源之间的关联系数;比如,标识Z的历史互联网信息资源大小为D,假设获取到了第1天的关联资源为D1,第2天为D2,以此类推,那么可以采用如下两种方式计算关联系数:一种是直接将当天的关联资源与历史互联网信息资源相除,比如,计算第1天的关联系数,可以是D1/D,第2天的关联系数,可以是D2/D;另一种方式是将自互联网信息资源产生时间到当前计算关联系数的时间之间(存续期)的关联资源累加,然后用累加值除以互联网信息资源的大小,比如, 要计算第2天的关联系数λ2,则可以这样处理:λ2=(D1+D2)/D,同样的道理,对于第3天的关联系数λ3=(D1+D2+D3)/D。步骤E:建立由至少一个第一预设时段组成的存续期与关联系数之间的对应关系以形成与特征信息对应的预设特征表。如下表(表2:存续期与关联系数对应关系特征表)所示:表2:存续期与关联系数对应关系特征表存续期关联系数10.00%20.76%31.00%……141.14%151.14%……6316.31%6416.38%……36392.07%36492.92%36597.96%上述内容详细描述了本申请的互联网信息资源的关联资源目标值的预测方法实施例,相应地,本申请还提供了一种互联网信息资源的关联资源目标值的预测装置的实施例。如图7所示,该装置包括:第一资源获取单元U71、特征表确定单元U72、关联系数确定单元U73以及目标值预测单元U74,其中:第一资源获取单元U71,用于获取待预测关联资源目标值的当前互联网信息资源;特征表确定单元U72,用于根据所述当前互联网信息资源的特征信息确定与该特征信息匹配的预设特征表,所述预设特征表包含互联网信息资源的存续期与关联系数之间的对应关系,所述关联系数为互联网信息资源与其关联 资源之间的关联系数,所述特征信息能反映互联网信息资源在预设变量的影响下关联资源的变化;关联系数确定单元U73,用于确定预测关联资源目标值的预测时点,查询所述预设特征表获取所述当前互联网信息资源在所述预测时点的存续期及该存续期对应的关联系数;目标值预测单元U74,用于根据所述当前互联网信息资源的大小及在所述预测时点的存续期对应的关联系数预测关联资源在预测时点的目标值。上述装置实施例的工作过程是:第一资源获取单元U71获取待预测关联资源目标值的当前互联网信息资源,然后由特征表确定单元U72根据当前互联网信息资源的特征信息确定与该特征信息匹配的预设特征表,再由关联系数确定单元U73确定预测关联资源目标值的预测时点,查询所述预设特征表获取所述当前互联网信息资源在所述预测时点的存续期及该存续期对应的关联系数,最后目标值预测单元U74根据所述当前互联网信息资源的大小及在所述预测时点的存续期对应的关联系数预测关联资源在预测时点的目标值。在装置实施例同样能够取得上述方法实施例的技术效果。为避免重复,这里不再赘言。在上述装置实施例中提及了预设特征表,该预设特征表可以置于装置实例内部,也可以设置在装置实施例之外,而仅通过关联系数确定单元从其他位置确定关联系数即可。在将预设特征配置在装置内时,可以在装置内设置特征表建立单元U75,进一步地,特征表建立单元U75可以包括:第一获取子单元U751、归类子单元U752、第二获取子单元U753、确定子单元U754和建立子单元U755,其中:第一获取子单元U751,用于获取至少两份生命周期已结束的历史互联网信息资源;归类子单元U752,用于以预设变量为基准,根据历史互联网信息资源的特征信息对历史互联网信息资源进行归类,形成与特征信息对应的历史互联网信息资源集合;第二获取子单元U753,用于获取所述历史互联网信息资源集合内至少一 份历史互联网信息资源在生命周期内每个第一预设时段对应的关联资源;确定子单元U754,用于在每个第一预设时段上,根据历史互联网信息资源的大小及在该每个第一预设时段对应的关联资源的大小,确定与该每个第一预设时段对应的关联系数;建立子单元U755,用于建立由至少一个第一预设时段组成的存续期与所述关联系数之间的对应关系以形成与特征信息对应的预设特征表。在上述装置实施例中涉及到预设变量,在实际应用过程中,影响互联网信息资源的关联资源的预设变量可能为多个,在这多个变量中某些变量对关联资源的变化影响较大,有些影响较小,为此,应当重点考虑那些对互联网信息资源的关联资源影响较大的预设变量。基于这样的目的,上述装置实施例还可以包括:第二资源获取单元、关联系数计算单元、差值求和单元和变量选取单元,其中:所述第二资源获取单元,用于从以所述预设变量为基准对历史互联网信息资源进行归类形成的第一和第二历史互联网信息资源集合中获取各个历史互联网信息资源在生命周期内的每个第一预设时段对应的关联资源;所述关联系数计算单元,用于在每个预设时段上,分别根据第一、第二历史互联网信息资源集合中各个历史互联网信息资源的大小及在该每个第一预设时段各自对应的关联资源大小,计算第一历史互联网信息资源集合中各个历史互联网信息资源与其关联资源之间的第一关联系数,以及第二历史互联网信息资源集合中各个历史互联网信息资源与其关联资源之间的第二关联系数;所述差值求和单元,用于在生命周期内每个第一预设时段上,分别对多个第一关联系数、第二关联系数求平均得到第一关联系数平均值、第二关联系数平均值,计算第一关联系数平均值与第二关联系数平均值之差,并对所述差值进行求和运算;所述变量选取单元,用于选取求和结果满足预设要求的预设变量作为建立预设特征表中使用的预设变量。此外,在实际应用过程中,还可以基于各种不同的需要对上述装置实施 例进行优化。比如,在一些情况下,对预设特征表中构成存续期的第一预设时段的时间跨度有要求,通常希望第一预设时段越短越好。为此,在上述装置实施例中,特征表建立单元还可以包括如下的单元,以便在比第一预设时段更细小的维度(这里称为第二预设时段)上建立特征表,即特征表建立单元还可以包括:模拟子单元,用于在第二获取子单元获取所述历史互联网信息资源集合内至少一份历史互联网信息资源在生命周期内每个第一预设时段对应的关联资源之后,根据在生命周期内每个第一预设时段对应的关联资源模拟计算在各个第二预设时段对应的关联资源,所述第一预设时段由至少两个第二预设时段组成;则:所述确定子单元,具体用于在每个第二预设时段上,根据历史互联网信息资源的大小及在该每个第二预设时段对应的关联资源的大小,确定与该每个第二预设时段对应的互联网信息资源与其关联资源之间的关联系数;所述建立子单元,具体用于建立由一个或多个第二预设时段组成的存续期与所述第二预设时段对应的关联系数之间的对应关系。上述装置实施例中的目标值预测单元可以有多种实现方式,比如,在一些情况下,目标值预测单元具体用于按照如下公式确定关联资源目标值:预测时点关联资源目标值=当前互联网信息资源的大小×在预测时点的存续期对应的关联系数。在另一些实施例中,如果关联系数为累计关联系数,那么,关联系数确定单元还用于查询所述预设特征表获取所述当前互联网信息资源在当前时点的存续期对应的累计关联系数,这种情况下,目标预测单元则具体用于根据所述当前互联网信息资源的大小及所述预测时点的存储期对应的累计关联系数与当前时点的存续期对应的累计关联系数之差预测关联资源在预测时点的目标值。对于上述本申请的内容,专业人员应该还可以意识到,结合本文中所公开的实施例描述的各示例的对象及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现。为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤,这些功能究竟以硬 件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。此外,专业人员应该还可以进一步意识到本申请的技术方案可以应用于各种业务场景,这些场景包括而不限于信息技术中资源的预测、金融资本现金流预测、银行账务往来中的相关项目的测算等,比如,在一些实施例中,上述技术方案可以应用于资产证券化现金流的计算,这种情况下,互联网信息资源体现为某份资产,关联资源为该份资产的累计现金流等。结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或
技术领域:
内所公知的任意其它形式的存储介质中。以上所述的具体实施方式,对本申请的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本申请的具体实施方式而已,并不用于限定本申请的保护范围,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。当前第1页1 2 3