基于时序预测和主成分分析的电视剧热度研究

1、基于时序预测和主成分分析的电视剧热度研究基于时序预报和主成分分析的电视剧热度讨论 此时拟合优度增长至0.97，两个拟合系数均通过了0.05显著性水平检测。测试集的真实值为 6.202，6.5，6.681，预报值为6.028，6.265，6.472。经过计算，相关系数到达0.994，均方根误差位0.2363。由此通过对比可以看出，ARMA模型与AR模型相比，在保存数据增长趋势的同时，弱化了异样点带来的影响，得到了更好的拟合结果。 4利用主成分分析建立多因素自定义热度模型4.1确定热度值影响指标在当前“多屏播出的时代，分集播放量、收官前后播放量和收视率都有各自的局限性并且无法反映一部剧集精确的热度

2、，因此我们引出自定义的热度计算方法。具体来说，在我们的模型中主要考察以下几个方面的因素变量：1播放量、收視率：传统的评价指标，衡量了观众观看电视剧这一基本行为的数量。这一节中选用集平均播放量、收视率来作为每一部电视剧的收视评价指标。2豆瓣评论数：包括短评数与剧评数，评论越多代表更多观众观看电视剧后进行了对电视剧的进一步反思。3豆瓣评分、评分人数：衡量了观众对电视剧的主观评价，评分人数代表电视剧受关注程度。4开播前、后一个月搜寻指数：衡量了观众对电视剧的关注度，开播前的搜寻指数受到电视剧的宣扬力度、演员名气等影响;开播后搜寻指数受到电视剧内容、热议程度等影响。5微博粉丝数：包括男女主微博粉丝量及

3、电视剧官微粉丝量，我们认为演员的微博粉丝量衡量了演员的受关注程度，而受关注多的演员，即明星出演的电视剧会受到更多的观众关注。6相关视频数：包括官方公布的预告片、新闻公布会视频，但更多的是网友个人公布的花絮剪辑等，相关视频越多，说明电视剧更具社会影响力，也会吸引更多潜在观众。7周边月销售指数：电视剧制造的商业利润，衡量了观众对电视剧及剧中人物的宠爱程度。月销售指数计算方法如下：月销售指数=商品价格×该商品月销量选取各周边商品月销售指数的最高值代表该电视剧的周边月销售指数。4.2利用主成分分析的方法建立模型这里通过Matlab主成分分析函数princomp实现具体步骤，利用主成分分析的方

4、法，按照以下步骤依次进行计算分析：1计算相关系数矩阵。7个变量两两计算相关系数，一共计算33次，形成 7×7 阶的相关系数矩阵Ar=aij|i1，7，j1，7矩阵中的每个变量代表两个因素数据的相关性。例如 aij 就表示第 i 个因素和第 j 个因素的相关性，相关性的计算方法为：rx，y=Covx，yVarx*Vary相关性可以用excel的correlx，y函数计算。在本章节中，使用matlab编程求解。2计算主成分的累计奉献率。经过计算，前4个主成分的累计奉献率到达89375%，分别是38.34%、20.43%、16.43%和1434%，到达同意范围内。所以以4个主成分为反应热度

5、水平的标准。3计算主成分载荷。通过计算结果反应，四个主成分的主要载荷的指标为：C1主成分在播放量和收视率两个特征上具有较大载荷，说明第一个主成分主要反应的是电视剧在多屏上受关注的程度。C2主成分在豆瓣评论人数、微博粉丝数等相关特征上有较大载荷，说明该主成分主要反映的是电视剧在社交网络上的影响力。C3主成分在搜寻指数和豆瓣评分上具有较大载荷，说明该主成分主要反映出剧集口碑和观众的期盼程度。C4主成分在相关视频和周边月销量指数两个特征上具有较大载荷，说明该主成分主要反映了该电视剧的周边影响力。4得到最终结果。最终，该电视剧的整体影响力由四个主成分确定，权重系数由奉献率确定，即Index=0.383

6、4C1+0.2043C2+0.1644C3+01435C4而每一个主成分的表达式为：C1=0.438x1+0.596x2-0.243x3+0.192x4+0.245x5+0.164x6-0.006x7C2=-0.029x1+0.283x2+0.020x3-0.062x4+0.638x5+0.274x6-0.085x7C3=0.132x1+0.156x2-0.043x3+0.492x4+0.145x5+0.464x6+0.506x7C4=0.138x1+0.231x2+0.133x3-0.093x4+0.143x5+0.064x6-0.167x74.3利用多元热度评价模型进行热度排序由此我们可以

7、给出2021年热度值前十名的电视剧榜单，2021年1-7月电视剧的实际网络总播放量与本文得出榜单对比方表1。通过与2021年电视剧网络总播放量排行榜的对比，从整体上看，本次自定义热度值的效果较为理想，更能够表达出一个电视剧的综合影响力。5结论本文利用自回来模型对收视率进行了时间序列预报，并对自回来模型进行了平滑滤波改良，实现了更好的预报性能。本文还对7个影响电视剧热度的因素进行了综合分析，并利用主成分分析的方法降低维度、最终得到了综合考虑各种因素的热度指标。在后续的讨论中，我们将继续从以下几个方面进行完善：1继续完善模型，在把握更多的数学方法和机器学习理论学问以后，可以尝试应用人工神经网络等非线性拟合方法来预报收视率和播放量的增长趋势。2深入探