[发明专利]一种求解音乐流量预测的时间序列分解方法及系统

说明书

本发明属于音乐预测模型技术领域，公开了一种求解音乐流量预测的时间序列分解方法及系统，对音乐歌曲用户进行模型构建，使用基于加权模糊内核聚类模型进行音乐歌曲用户聚类操作；通过基于用户聚类获得的与艺人数据集进行音乐歌曲流量预测模型的构建，使用基于可行系数空间分割的算法进行预测；对音乐播放流量预测模型中的艺人歌曲流量预测的效率和准确率进行验证。本发明帮助播放器生产商合理安排播放器后台以及适宜的网络带宽，从而能有效降低宕机的发生概率，同时通过对音乐用户的整体分类，和对音乐歌曲的分类预测的方法的研究提高了播放器生产商对音乐流量的发展趋势的分析；预测所产生的结果，为企业减少了损失。

技术领域

本发明属于音乐预测模型技术领域，尤其涉及一种求解音乐流量预测的时间序列分解方法及系统。

背景技术

近年来，随着流量预测的精度的提高，流量预测中的音乐歌曲流量预测也变的越来越多重要。音乐歌曲作为音乐歌曲流量预测的核心基础更是得到众多的研究学者的重视和探索，其中主要是针对音乐曲风识别和听众听取歌曲识别两个问题。目前已有很多学者和相关专家提出了一些相对应的解决方案，但是至今为止依然存在很多问题需要解决。

2016年，中国现有在统计的数字媒体音乐的市场规模高达600亿元。此中PC端音乐歌曲领域的规模为80亿元，同比增加13.4％；手机等移动端音乐歌曲市场领域为100亿元，同比增进40％；电信系统的所有业务中的音乐部分增值为450亿元，同比稍有增长减缓迹象。网络在线试听歌曲用户使用人次高达5.01亿，同比上期增长10％。随着国内音乐大环境的不断提升，整体技术水平的持续改进，音乐的个性化服务不断涌现，至使手机移动数字音乐歌曲播放市场呈现井喷式的高速增长，音乐歌曲的数字市场的影响力也在不断扩大。

伴随着音乐歌曲的增加，在推动新媒体等娱乐经济的发展的同时，也加大了音乐选择的难度，对用户的困扰更加严重。目前，国内以酷狗音乐、QQ音乐、网易云音乐等主流音乐播放器选择音乐播放难度与音乐歌曲播放流量预测最为困难。这些播放器均承载着全球大量用户的同时在线压力。音乐歌曲播放量的不断提升，无疑对各播放器的负载能力提出了巨大的挑战^[3]，同时音乐歌曲播放流量预测的准确性缺失导致的服务器的超负荷运转，成为各大播放器供应商的杀手锏。由此带来的客户丢失等情况，不但给音乐创作人造成不便，同时也大大降低了各音乐播放器厂商的收益。因此，为确保音乐制作人及时的可靠的被大众收听，有必要加强各歌曲的流量预测准确度，提高音乐流量预测的水平。

近年来，随着经济的发展和社会的进步，世界各国中音乐创作迅速增长，形形色色的音乐创作人为本发明提供丰富多彩的音乐创作的同时给个大音乐平台带来了推荐、流量预测等一系列的问题，这使得各大音乐平台无法精确定位音乐输出流量，而如何在大量的信息世界中预测下一阶段的流量称为一个越来越重要的课题。在当今信息量剧增的时期，要处理迅猛增长的海量信息，仅靠人工已经变得不太现实。

传统意义上的基于时间序列的音乐播放量预测方法是可行的，但是对于更加准确的预测确实有着不少的欠缺。加权模糊聚类算法能过准确的根据用户喜好进行基于音乐歌曲收听类型的分类，而可行系数空间算法则可以动态的获取最优时间间隔，同时对流量误差进行纠正，最终预测出每个艺人的音乐流量。音乐流量的预测不仅仅可以为各音乐播放器厂商提供流量预期，同时也为音乐歌曲播放流量的高层决策者展现出有效的的音乐播放流量基础数据，为音乐歌曲播放流量的健康管理提供了基础。

综上所述，现有技术存在的问题是：

现有预测中，求解艺人歌曲流量预测准确性中，因为数据波动幅度过大而导致的预测偏差大；因为用户喜好不同而造成的前期数据分类预测艰难。

发明内容

针对现有技术存在的问题，本发明提供了一种求解音乐流量预测的时间序列分解方法及系统。

本发明是这样实现的，

一种求解音乐流量预测的时间序列分解方法，所述求解音乐流量预测的时间序列分解方法包括：