基于时间序列的音乐流行趋势预测研究
发布时间：2021-10-17 02:38
在大数据环境下,对音乐及听众的历史数据进行分析,可以实现对音乐流行趋势较为准确的预测。在STL、Holt-Winters分解模型的基础上,提出TSMP算法。该算法从长期趋势和周期两方面进行分析,对长期趋势编码和分类并基于类别最优值选择法对音乐流行趋势进行预测。基于TSMP算法,进而提出E-TSMP算法,该算法基于子序列模式匹配法及对近期发布新专辑的附加处理,实现更精准的预测。在清华大学和阿里云天池大数据竞赛平台承办的"2016中国高校计算机大赛——大数据挑战赛之阿里音乐流行趋势预测"比赛中,参赛团队凭借提出的E-TSMP算法对2016年9月10月艺人的播放量实现了较好的预测,并在此次比赛中夺得亚军。
【文章来源】：计算机工程与科学. 2018,40(09)北大核心CSCD
【文章页数】：7 页
【部分图文】：
图１编码方法Ｆｉｇｕｒｅ１Ｃｏｄｉｎｇｍｅｔｈｏｄ
收录时间、初始播放量、歌曲语言、歌曲类别等内容。只有在提供的众多信息中提取出有效信息，才能更好地对数据进行分析，实现对每个艺人音乐播放量更为精准的预测。因此，把信息处理成每个艺人对应的日播放量序列、周播放量均值序列、月播放量均值序列及日变化率序列，对数据进行的预处理为ＴＳＭＰ算法的实现奠定了基矗在对每个艺人日播放量曲线进行拟合和预测的过程中，曲线趋势发展成为了至关重要的问题，而重要的外部事件是影响曲线趋势发展的一大关键因素，比如：预测期间艺人发布新专辑、开演唱会、参加选秀节目等。在排除外部事件干扰的前提下，计算每个艺人播放量的月平均值、周平均值、日平均值并进行编码处理，这些编码处理的均值可以作为每个艺人播放量趋势的预测。定义基本趋势和增量趋势作为编码规则，例如月度编码：若当月播放量均值高于前一月均值，则基本趋势对应的编码值为１，否则为０；若当月播放量均值高于前一月均值，则以当月均值除以上月均值的商值取整作为增量趋势编码值，否则增量趋势编码值为上月均值除以当月均值的商值取整。具体编码过程如图１所示。Ｆｉｇｕｒｅ１Ｃｏｄｉｎｇｍｅｔｈｏｄ图１编码方法根据月编码、周编码、日编码中的基本趋势和增量趋势两部分，基于ｋ－ｍｅａｎｓ聚类算法［１２，１３］，最终将阿里提供的数据集划分成２４个基本类别。通过对不同类别进行大量测试与分析，最终采用类别最优值选择法对不同类别的艺人进行日播放量预测。类别最优值选择法的思想是：选取时间序列的某个特征值作为其预测值［１４］，例如百分位数、后３天均值、后７日均值等，构成的如图２所示的候选方法预
Ｆｉｇｕｒｅ３Ｃｌａｓｓｉｆｉｃａｔｉｏｎｒｕｌｅｓ图３分类规则ＴＳＭＰ算法，实现了对９～１０月艺人总播放量的预测，伪代码如下所示：算法２音乐流行趋势预测算法ＴＳＭＰ（Ｕ，Ａ，Ｓ）输入：Ｕ：３～８月用户行为数据集合；Ａ：艺人基本信息集合；Ｓ：候选预测方法集合。输出：Ｐ：９～１０月所有艺人总播放量预测值。ＢｅｇｉｎＰ←０；／／设初始预测值为０（Ｄ，Ｗ，Ｍ）←ＰｒｅＵ（，Ａ）；／＊把数据集Ｕ，Ａ预处理为日、周、月播放量均值序列集Ｄ，Ｗ，Ｍ＊／（ＤＴ，ＷＴ，ＭＴ）←ＣｏｄＤ（，Ｗ，Ｍ）；／＊对数据集Ｄ，Ｗ，Ｍ进行日、周、月编码形成编码序列集ＤＴ，ＷＴ，ＭＴ＊／Ｃｋ←Ｓｏｒｔ（ＤＴ，ＷＴ，ＭＴ）；／＊采用ｋ－ｍｅａｎｓ算法对ＤＴ，ＷＴ，ＭＴ进行划分构成类别Ｃｋ，及与类别对应的日播放量序列集ＤＣｋ＊／Ｆｏｒｃｋ∈Ｃｋｄｏ／／遍历分类集合Ｃｋ←Ｃｋ＼｛ｃｋ｝；Ｐｃｋ←０；／＊设类别ｃｋ中所有艺人９～１０月总播放量初始值为０＊／ｍ←ＣＯＶＳＡＳ（，Ｄｃ）ｋ；／＊根据类ｃｋ内所有艺人日播放量序列Ｄｃｋ中３～８月的日播放量，由ＣＯＶＳＡ获得类别ｃｋ最优预测方法ｍ＊／Ｐｃｋ←ｍＤ（ｃ）ｋ；／＊预测类别ｃｋ中所有艺人９～１０月总播放量Ｐｃｋ＊／Ｐ←Ｐ＋Ｐｃｋ；ｅｎｄＲｅｔｕｒｎＰ；／＊输出９～１０月所有艺人总播放量预测值＊／Ｅｎｄ
【参考文献】：
期刊论文
[1]ARIMA模型差分阶的估计方法的比较[J]. 李贵斌. 应用概率统计. 1994(04)
硕士论文
[1]时间序列建模与模型选择的应用研究[D]. 吴喜.合肥工业大学 2006
本文编号：3440952
【文章来源】：计算机工程与科学. 2018,40(09)北大核心CSCD
【文章页数】：7 页
【部分图文】：
图１编码方法Ｆｉｇｕｒｅ１Ｃｏｄｉｎｇｍｅｔｈｏｄ
收录时间、初始播放量、歌曲语言、歌曲类别等内容。只有在提供的众多信息中提取出有效信息，才能更好地对数据进行分析，实现对每个艺人音乐播放量更为精准的预测。因此，把信息处理成每个艺人对应的日播放量序列、周播放量均值序列、月播放量均值序列及日变化率序列，对数据进行的预处理为ＴＳＭＰ算法的实现奠定了基矗在对每个艺人日播放量曲线进行拟合和预测的过程中，曲线趋势发展成为了至关重要的问题，而重要的外部事件是影响曲线趋势发展的一大关键因素，比如：预测期间艺人发布新专辑、开演唱会、参加选秀节目等。在排除外部事件干扰的前提下，计算每个艺人播放量的月平均值、周平均值、日平均值并进行编码处理，这些编码处理的均值可以作为每个艺人播放量趋势的预测。定义基本趋势和增量趋势作为编码规则，例如月度编码：若当月播放量均值高于前一月均值，则基本趋势对应的编码值为１，否则为０；若当月播放量均值高于前一月均值，则以当月均值除以上月均值的商值取整作为增量趋势编码值，否则增量趋势编码值为上月均值除以当月均值的商值取整。具体编码过程如图１所示。Ｆｉｇｕｒｅ１Ｃｏｄｉｎｇｍｅｔｈｏｄ图１编码方法根据月编码、周编码、日编码中的基本趋势和增量趋势两部分，基于ｋ－ｍｅａｎｓ聚类算法［１２，１３］，最终将阿里提供的数据集划分成２４个基本类别。通过对不同类别进行大量测试与分析，最终采用类别最优值选择法对不同类别的艺人进行日播放量预测。类别最优值选择法的思想是：选取时间序列的某个特征值作为其预测值［１４］，例如百分位数、后３天均值、后７日均值等，构成的如图２所示的候选方法预
Ｆｉｇｕｒｅ３Ｃｌａｓｓｉｆｉｃａｔｉｏｎｒｕｌｅｓ图３分类规则ＴＳＭＰ算法，实现了对９～１０月艺人总播放量的预测，伪代码如下所示：算法２音乐流行趋势预测算法ＴＳＭＰ（Ｕ，Ａ，Ｓ）输入：Ｕ：３～８月用户行为数据集合；Ａ：艺人基本信息集合；Ｓ：候选预测方法集合。输出：Ｐ：９～１０月所有艺人总播放量预测值。ＢｅｇｉｎＰ←０；／／设初始预测值为０（Ｄ，Ｗ，Ｍ）←ＰｒｅＵ（，Ａ）；／＊把数据集Ｕ，Ａ预处理为日、周、月播放量均值序列集Ｄ，Ｗ，Ｍ＊／（ＤＴ，ＷＴ，ＭＴ）←ＣｏｄＤ（，Ｗ，Ｍ）；／＊对数据集Ｄ，Ｗ，Ｍ进行日、周、月编码形成编码序列集ＤＴ，ＷＴ，ＭＴ＊／Ｃｋ←Ｓｏｒｔ（ＤＴ，ＷＴ，ＭＴ）；／＊采用ｋ－ｍｅａｎｓ算法对ＤＴ，ＷＴ，ＭＴ进行划分构成类别Ｃｋ，及与类别对应的日播放量序列集ＤＣｋ＊／Ｆｏｒｃｋ∈Ｃｋｄｏ／／遍历分类集合Ｃｋ←Ｃｋ＼｛ｃｋ｝；Ｐｃｋ←０；／＊设类别ｃｋ中所有艺人９～１０月总播放量初始值为０＊／ｍ←ＣＯＶＳＡＳ（，Ｄｃ）ｋ；／＊根据类ｃｋ内所有艺人日播放量序列Ｄｃｋ中３～８月的日播放量，由ＣＯＶＳＡ获得类别ｃｋ最优预测方法ｍ＊／Ｐｃｋ←ｍＤ（ｃ）ｋ；／＊预测类别ｃｋ中所有艺人９～１０月总播放量Ｐｃｋ＊／Ｐ←Ｐ＋Ｐｃｋ；ｅｎｄＲｅｔｕｒｎＰ；／＊输出９～１０月所有艺人总播放量预测值＊／Ｅｎｄ
【参考文献】：
期刊论文
[1]ARIMA模型差分阶的估计方法的比较[J]. 李贵斌. 应用概率统计. 1994(04)
硕士论文
[1]时间序列建模与模型选择的应用研究[D]. 吴喜.合肥工业大学 2006
本文编号：3440952
本文链接：https://www.wllwen.com/wenyilunwen/qiyueyz/3440952.html
