基于时间序列的音乐流行趋势预测研究

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。

基于LSTM-Att方法的音乐流行趋势预测

利用循环神经网络的分支长短时记忆网络与注意力机制结合的模型进行音乐流行趋势的预测。首先,分析了传统的支持向量机以及循环神经网络等方法在预测时间序列数据上不能捕捉长时间序列信息等不足之处;其次,基于以上分析建立了长短时记忆网络加注意力机制结合的预测模型,针对所要预测的未来两个月歌手歌曲播放量,对数据集进行分析及相关属性选取、归一化等预处理,选取组合相应的歌曲日播放量、连续3天播放均值作为相应时间点的样本构建神经网络训练集;最后,设计实现了基于长短时记忆网络加注意力机制相结合的预测模型实验。实验结果表明,所使用的预测模型较传统的机器学习方法支持向量机以及长短时记忆网络等在均方根误差和平均绝对误差两个指标上取得了较为明显的提升。

基于LSTM-RPA音乐流行趋势预测研究

大数据背景下的音乐历史数据蕴含丰富的时间信息和用户行为信息,通过分析音乐艺人和听众行为数据,可以较为精准地预测音乐播放量走势,进而预测音乐流行趋势。传统的时间序列预测模型可以准确预测短趋势,但在长趋势预测中受历史信息衰减的影响,难以获得较好的效果。针对LSTM在音乐长趋势预测中历史信息衰减的问题,提出改进的LSTM滚动预测模型,该模型在预测阶段将前一次输入与当前预测结果相结合,使得历史信息可以沿预测趋势方向流动,从而缓解模型在长趋势预测中的历史信息衰减。实验采用“2016中国高校计算机大赛——大数据挑战赛:阿里音乐流行趋势预测”的比赛数据集,并使用比赛主办方提供的F值进行评估。实验结果显示:在相同条件下预测艺人未来30天的每日音乐播放量,最优LSTM滚动预测模型与LSTM、BiLSTM、GRU、RNN相比F值提高13.03%、16.74%、11.91%、18.52%,平均误差减少39.02%、48.55%、36.02%、52.88%;与传统的时间序列预测模型差分整合滑动平均自回归模型相比F值提高10.67%,平均误差降低32.64%。