基于聚類與模糊神經(jīng)網(wǎng)絡(luò)相結(jié)合的視頻點(diǎn)擊量預(yù)測(cè)研究.pdf

1、隨著互聯(lián)網(wǎng)產(chǎn)業(yè)的飛速發(fā)展，各種視頻應(yīng)用網(wǎng)站應(yīng)運(yùn)而生，網(wǎng)絡(luò)視頻及網(wǎng)絡(luò)視頻用戶數(shù)量急劇增長(zhǎng)，逐漸替代了傳統(tǒng)的通過電視頻道直播收看視頻的方式。視頻數(shù)據(jù)的海量和存儲(chǔ)規(guī)模的不斷擴(kuò)大，給視頻文件的副本放置和視頻數(shù)據(jù)的副本管理帶來了挑戰(zhàn)，如何利用視頻的點(diǎn)擊趨勢(shì)來預(yù)測(cè)視頻的熱度，將視頻副本調(diào)配到更合適的物理存儲(chǔ)和網(wǎng)絡(luò)訪問資源的服務(wù)節(jié)點(diǎn)上則成為業(yè)界和學(xué)界都面臨的一個(gè)亟待解決的問題。因此，本文選取如何在視頻較短的上線時(shí)間內(nèi)預(yù)測(cè)出其未來訪問趨勢(shì)作為研究?jī)?nèi)容，

2、將視頻點(diǎn)擊量預(yù)測(cè)作為核心研究?jī)?nèi)容。
　　預(yù)測(cè)作為數(shù)據(jù)挖掘技術(shù)中重要的任務(wù)之一，通過操作者積累的研究經(jīng)驗(yàn)，結(jié)合現(xiàn)實(shí)數(shù)據(jù)，建立預(yù)測(cè)模型，對(duì)未來事物發(fā)展做出一些可靠性的推測(cè)，達(dá)到把握全局事先調(diào)整發(fā)展策略的目的。預(yù)測(cè)文本的未來使用次數(shù)作為計(jì)算機(jī)存儲(chǔ)中副本遷移和重建的前提，對(duì)關(guān)于計(jì)算機(jī)存儲(chǔ)方面的研究有較大作用。目前雖然有些學(xué)者針對(duì)文本預(yù)測(cè)進(jìn)行了研究分析，做出了一些貢獻(xiàn)，但由于需要大量歷史先驗(yàn)數(shù)據(jù)、預(yù)測(cè)粒度較大，沒有較好的發(fā)揮預(yù)測(cè)及時(shí)性、實(shí)用

3、型、準(zhǔn)確性的目的?；诖耍疚牡闹饕芯?jī)?nèi)容和創(chuàng)新如下：
　　本文將預(yù)測(cè)問題分為兩個(gè)階段解決，第一，基于指標(biāo)量化模型和K-means算法相結(jié)合的視頻聚類；第二，基于模糊神經(jīng)網(wǎng)絡(luò)的視頻預(yù)測(cè)。前者是盡可能的將具有相同屬性的視頻進(jìn)行聚類，后者則根據(jù)同類視頻的訪問規(guī)律結(jié)合視頻當(dāng)前訪問量對(duì)其未來訪問進(jìn)行預(yù)測(cè)。
　　首先，本文以視頻文件作為研究對(duì)象，針對(duì)視頻信息資源豐富、文件特征復(fù)雜的特點(diǎn)，建立了一種較為全面的指標(biāo)量化體系，將重要的能反

4、映視頻特點(diǎn)的屬性進(jìn)行細(xì)致劃分并根據(jù)建立的量化模型得出量化結(jié)果，形成目標(biāo)量化矩陣，然后通過聚類算法找出與待測(cè)視頻相似的視頻文件。將聚類結(jié)果同其他算法對(duì)比，發(fā)現(xiàn)其更符合用戶的實(shí)際情況。
　　然后，本文將聚類得出的相似視頻文件作為影響視頻點(diǎn)擊量的因素，同待測(cè)視頻一起進(jìn)行后續(xù)預(yù)測(cè)實(shí)驗(yàn)。預(yù)測(cè)時(shí)，通過統(tǒng)計(jì)站點(diǎn)網(wǎng)絡(luò)視頻指數(shù)分析平臺(tái)的相關(guān)播放數(shù)據(jù)，建立時(shí)間序列模型，采用模糊神經(jīng)網(wǎng)絡(luò)算法對(duì)樣本進(jìn)行訓(xùn)練，從而對(duì)測(cè)試數(shù)據(jù)做出預(yù)測(cè)。采用同樣的聚類視頻數(shù)據(jù)