| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.3 研究内容 | 第14页 |
| 1.4 本文结构 | 第14-15页 |
| 第二章 相关方法的理论介绍 | 第15-26页 |
| 2.1 聚类方法 | 第15-16页 |
| 2.1.1 K均值聚类(K-means) | 第15-16页 |
| 2.2 线性回归分析 | 第16-18页 |
| 2.2.1 多元线性回归分析 | 第16-17页 |
| 2.2.2 缩减回归分析 | 第17-18页 |
| 2.3 人工神经网络(Artificial Neural Networks) | 第18-21页 |
| 2.3.1 神经元 | 第18-19页 |
| 2.3.2 神经网络 | 第19-20页 |
| 2.3.3 反馈调节 | 第20-21页 |
| 2.4 卷积神经网络(CNNs) | 第21-26页 |
| 2.4.1 卷积层(Convolution Layers) | 第21-22页 |
| 2.4.2 池化层(Pooling layers) | 第22-23页 |
| 2.4.3 CNNs卷积神经网络结构 | 第23-26页 |
| 第三章 特征选取和模型的构造 | 第26-35页 |
| 3.1 特征选取 | 第26-28页 |
| 3.1.1 视频文本特征提取 | 第26页 |
| 3.1.2 视频时间序列特征提取 | 第26-27页 |
| 3.1.3 上传者影响力特征 | 第27-28页 |
| 3.1.4 谷歌趋势特征(GoogleTrends) | 第28页 |
| 3.2 特征预处理 | 第28-31页 |
| 3.2.1 视频文本特征处理 | 第28-30页 |
| 3.2.2 视频时间序列特征处理 | 第30页 |
| 3.2.3 上传者影响力特征处理 | 第30页 |
| 3.2.4 谷歌趋势处理(GT) | 第30-31页 |
| 3.3 基于CNNs预测模型(DLVP)构建 | 第31-35页 |
| 3.3.1 K-means聚类 | 第32-34页 |
| 3.3.2 多层卷积神经网络(CNNs)调节 | 第34-35页 |
| 第四章 第四章实验和结果分析 | 第35-45页 |
| 4.1 实验评估准则 | 第35-36页 |
| 4.1.1 相对平方误差RSE | 第35页 |
| 4.1.2 平均绝对误差RBE | 第35-36页 |
| 4.1.3 预测准确率RIT | 第36页 |
| 4.2 数据集的获取 | 第36-37页 |
| 4.2.1 YouTube视频信息 | 第36页 |
| 4.2.2 Google趋势数据 | 第36-37页 |
| 4.3 模型训练及结果分析 | 第37-42页 |
| 4.3.1 模型训练 | 第37-39页 |
| 4.3.2 实验结果分析 | 第39-42页 |
| 4.4 DLVP模型与现有预测方法的简单对比 | 第42-45页 |
| 第五章 总结展望 | 第45-47页 |
| 5.1 总结 | 第45页 |
| 5.2 展望 | 第45-47页 |
| 参考文献 | 第47-51页 |
| 致谢 | 第51页 |
