基于LSTM-Att方法的音乐流行趋势预测

发布时间：2025-07-07 01:59

　　 利用循环神经网络的分支长短时记忆网络与注意力机制结合的模型进行音乐流行趋势的预测。首先,分析了传统的支持向量机以及循环神经网络等方法在预测时间序列数据上不能捕捉长时间序列信息等不足之处;其次,基于以上分析建立了长短时记忆网络加注意力机制结合的预测模型,针对所要预测的未来两个月歌手歌曲播放量,对数据集进行分析及相关属性选取、归一化等预处理,选取组合相应的歌曲日播放量、连续3天播放均值作为相应时间点的样本构建神经网络训练集;最后,设计实现了基于长短时记忆网络加注意力机制相结合的预测模型实验。实验结果表明,所使用的预测模型较传统的机器学习方法支持向量机以及长短时记忆网络等在均方根误差和平均绝对误差两个指标上取得了较为明显的提升。

【文章页数】：6 页

【部分图文】：

图1 所采用的LSTM-Attention模型结构

LSTM-Attention模型就是在LSTM结构后加上注意力层。虽然LSTM与Attention的组合模型早被用于关系分类中并取得了较好的效果[11],但是该组合模型在时序序列数据尤其是公共数据中的预测研究上还处于不断探讨改进的地步。文中利用LSTM与Attention相结合的....

图2 歌手歌曲的平均播放、下载和收藏量

图2所示为任意一名歌手过去六个月内歌曲的平均播放、下载和收藏量。从中可以看出,某位歌手的歌曲播放量、收藏量及下载量三者中,最适合用来预测未来某段时间内某位歌手是否能流行起来的是播放量。图3歌手歌曲预测播放量和真实播放量比对

图3 歌手歌曲预测播放量和真实播放量比对

图2歌手歌曲的平均播放、下载和收藏量针对所有歌手的歌曲播放数据,进行去均值、方差归一以及缩放到[-1,1],同时设置均值滤波的长度为aveFilter=4。利用原始的播放量进行预测,能够得到如图3所示的预测曲线。从图3可以看出,对原始数据进行预测所得的结果中,在某些歌手的预测上....

图4 利用平均播放数据进行预测后歌手歌曲预测播放量和真实播放量比对

图4为利用歌手平均歌曲播放量预测未来60天歌手歌曲播放量的实验结果(为缩放后的结果)。由图4可以看出,使用平均歌曲播放量进行预测的结果要比使用原始歌曲播放量进行预测的效果好,预测结果基本和未来60天歌手的真实歌曲播放量吻合。对比其他预测方法时,利用了RMSE、MAE,其具体的计算....

本文编号：4056304