面向在线视频服务的播放量预测算法研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-12页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 国内外研究现状和挑战 | 第9-10页 |
| 1.3 主要研究工作和全文组织结构 | 第10-12页 |
| 第2章 视频预测的相关研究及理论基础 | 第12-22页 |
| 2.1 基于多元回归的预测模型 | 第12-14页 |
| 2.2 基于人工神经网络的预测模型 | 第14-17页 |
| 2.3 基于深度学习的预测模型 | 第17-18页 |
| 2.4 基于时间序列的预测模型 | 第18-22页 |
| 第3章 基于深度信念网络的视频播放量预测模型 | 第22-40页 |
| 3.1 引言 | 第22页 |
| 3.2 预测原理 | 第22-26页 |
| 3.2.1 受限玻尔兹曼机 | 第22-24页 |
| 3.2.2 DBN网络 | 第24-26页 |
| 3.2.3 预测系统的架构 | 第26页 |
| 3.3 DBNS的视频热度播放量模型 | 第26-34页 |
| 3.3.1 数据分析及预处理 | 第26-27页 |
| 3.3.2 输入变量的确立与量化 | 第27-31页 |
| 3.3.3 DBNs网络设计 | 第31-34页 |
| 3.4 实验结果及分析 | 第34-39页 |
| 3.4.1 评价方法 | 第34页 |
| 3.4.2 DBNs预测分析 | 第34-36页 |
| 3.4.3 不同预测方法的分析 | 第36-37页 |
| 3.4.4 特征对预测结果的影响 | 第37-39页 |
| 3.5 本章总结 | 第39-40页 |
| 第4章 基于时间序列的视频播放量预测模型 | 第40-53页 |
| 4.1 引言 | 第40页 |
| 4.2 时间序列分析模型简介 | 第40-43页 |
| 4.2.1 自回归(AR)模型 | 第40-41页 |
| 4.2.2 滑动平均(MA)模型 | 第41页 |
| 4.2.3 自回归移动平均(ARMA)模型 | 第41-42页 |
| 4.2.4 自相关(AFC)与偏相关(PAFC) | 第42-43页 |
| 4.3 基于时间序列的视频播放量预测模型 | 第43-47页 |
| 4.3.1 时序数据分析 | 第43-45页 |
| 4.3.2 模型的识别与建立 | 第45-46页 |
| 4.3.3 预测方案及过程 | 第46-47页 |
| 4.4 实验结果及分析 | 第47-51页 |
| 4.4.1 模型评价准则 | 第47页 |
| 4.4.2 时间序列模型预测分析 | 第47-50页 |
| 4.4.3 不同预测模型的分析 | 第50-51页 |
| 4.5 本章总结 | 第51-53页 |
| 第5章 结论与展望 | 第53-55页 |
| 5.1 论文工作总结 | 第53-54页 |
| 5.2 未来研究展望 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 致谢 | 第59-60页 |
| 作者在攻读硕士学位期间的科研成果 | 第60页 |
