典型文献
基于LSTM-RPA音乐流行趋势预测研究
文献摘要：
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％.
文献关键词：
长趋势预测;长短期记忆网络(LSTM);音乐流行趋势预测;时间序列
中图分类号：
作者姓名：
李堃;李猛;李艳玲;林民
作者机构：
内蒙古师范大学 计算机科学技术学院,呼和浩特 010022
文献出处：
引用格式：
[1]李堃;李猛;李艳玲;林民-.基于LSTM-RPA音乐流行趋势预测研究)[J].计算机工程与应用,2022(24):134-142
A类：
音乐流行趋势预测
B类：
RPA,预测研究,大数据背景下,音乐历史,历史数据,时间信息,用户行为,乐艺,艺人,听众,行为数据,测音,播放,走势,时间序列预测模型,准确预测,长趋势预测,历史信息,难以获得,滚动预测,预测趋势,解模,中国高校,高校计算机,挑战赛,阿里,主办方,BiLSTM,GRU,RNN,平均误差,滑动平均,自回归模型,长短期记忆网络
AB值：
0.325006
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
