CN107979768A - 电视节目热度的预测方法和装置 - Google Patents
电视节目热度的预测方法和装置 Download PDFInfo
- Publication number
- CN107979768A CN107979768A CN201610912939.4A CN201610912939A CN107979768A CN 107979768 A CN107979768 A CN 107979768A CN 201610912939 A CN201610912939 A CN 201610912939A CN 107979768 A CN107979768 A CN 107979768A
- Authority
- CN
- China
- Prior art keywords
- programme
- time series
- series data
- temperature
- predicted value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
- H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
- H04N21/25866—Management of end-user data
- H04N21/25891—Management of end-user data being end-user preferences
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/47—End-user applications
- H04N21/472—End-user interface for requesting content, additional data or services; End-user interface for interacting with content, e.g. for content reservation or setting reminders, for requesting event notification, for manipulating displayed content
- H04N21/4722—End-user interface for requesting content, additional data or services; End-user interface for interacting with content, e.g. for content reservation or setting reminders, for requesting event notification, for manipulating displayed content for requesting additional data associated with the content
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/47—End-user applications
- H04N21/475—End-user interface for inputting end-user data, e.g. personal identification number [PIN], preference data
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/47—End-user applications
- H04N21/482—End-user interface for program selection
Abstract
本发明提供了一种电视节目热度的预测方法和装置,该方法包括:采集预测前一时间段内的电视节目热度的原始时间序列数据;将原始时间序列数据进行一阶累加处理,以获得处理后的时间序列数据;其中,处理后的时间序列数据呈指数上升趋势;根据处理后的时间序列数据和灰色预测模型求解电视节目热度的预测值;输出电视节目热度预测值。由于依赖的历史数据只有电视节目热点的原始时间序列数据,所以计算量较小,并且灰色预测模型适用于数据量少,部分信息未知的不确定系统的研究,因此该方法不需要大量的历史时间序列数据,能够获得较好的预测结果。
Description
技术领域
本发明实施例涉及电视技术领域,尤其涉及一种电视节目热度的预测方法和装置。
背景技术
随着电视技术的不断发展,电视节目能够以电视频道直播节目、点播节目等方式为人们呈现节目内容。在进行电视频道直播节目过程中,从广告的投放中获得收益,所以不同电视频道直播节目的收视热度直接影响了广告投放量及广告收益的大小。而不同点播节目的热度也会为影响到节目的编排。所以电视节目热度成为衡量一个频道整体质量或节目质量的重要指标,因此对电视节目热度的预测是至关重要的。
现有的对电视节目热度的预测方法主要有基于动态神经网络时间序列模型的预测方法和基于多元线性回归模型的预测方法。基于动态神经网络时间序列模型的预测方法,该模型由输入层、隐藏层、输入延时层与输出层构成,在应用前要设定好输入层与输出层之间的延时数,隐藏层的神经元个数。基于多元线性回归模型的预测方法是利用数理统计中的回归分析,来确定两种或多种变量之间相互依赖的定量关系的统计分析方法。
基于动态神经网络时间序列模型的预测方法,神经网络过于繁琐,依赖的参数过多,导致计算量较大。而基于多元线性回归模型的预测方法由于缺乏收视用户行为的详细信息,并且其预测精度依赖于模型特征提取的好坏程度,该方法无法分析各个影响因素动态的关联程度,使其预测精度并不高。
发明内容
本发明实施例提供一种电视节目热度的预测方法和装置,该方法解决了现有技术中的预测方法依赖参数过多,计算量较大,预测精度不高的技术问题。
本发明实施例提供一种电视节目热度的预测方法,包括:
采集预测前一时间段内的电视节目热度的原始时间序列数据;
将所述原始时间序列数据进行一阶累加处理,以获得处理后的时间序列数据;其中,所述处理后的时间序列数据呈指数上升趋势;
根据处理后的时间序列数据和灰色预测模型求解电视节目热度的预测值;
输出所述电视节目热度预测值。
本发明实施例提供一种电视节目热度的预测装置,包括:
采集模块,用于采集预测前一时间段内的电视节目热度的原始时间序列数据;
处理模块,用于将所述原始时间序列数据进行一阶累加处理,以获得处理后的时间序列数据;其中,所述处理后的时间序列数据呈指数上升趋势;
求解模块,用于根据处理后的时间序列数据和灰色预测模型求解电视节目热度的预测值;
输出模块,用于输出所述电视节目热度预测值。
本发明实施例提供一种电视节目热度的预测方法和装置,通过采集预测前一时间段内的电视节目热度的原始时间序列数据;将原始时间序列数据进行一阶累加处理,以获得处理后的时间序列数据;其中,处理后的时间序列数据呈指数上升趋势;根据处理后的时间序列数据和灰色预测模型求解电视节目热度的预测值;输出电视节目热度预测值。由于依赖的历史数据只有电视节目热点的原始时间序列数据,所以计算量较小,并且灰色预测模型适用于数据量少,部分信息未知的不确定系统的研究,因此该方法不需要大量的历史时间序列数据,能够获得较好的预测结果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明电视节目热度的预测方法实施例一的流程图;
图2为本发明电视节目热度的预测方法实施例二的流程图;
图3为本发明实施例二中的原始时间序列数据及处理后的时间序列数据形成的曲线图;
图4为本发明实施例二中的预测值与实际值的对比结果图;
图5为本发明电视节目热度的预测装置实施例一的结构示意图;
图6为本发明电视节目热度的预测装置实施例二的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
为了清楚起见,首先说明本发明使用的特定词或短语的定义。
电视节目:为电视频道直播节目或者点播节目。
电视节目热度包括:电视频道直播节目热度和点播节目热度。
电视频道直播节目热度:某一电视频道在某一时间段内的收视率或收视次数。某一电视频道在某一时间段内的收视率指某一个频道的某一时间段的收视次数除以所有频道该时间段内的收视次数。
点播节目热度:用户在某一时间段内点播某一节目的点播率或点播次数。某一节目在某一时间段内的点播率是指某一节目的某一时间段的点播次数除以所有节目在该时间段内的点播次数。
灰色预测模型:利用GM模型预测单时间序列问题,称为灰色预测模型。其中,GM模型(Grey Dynamic Model,全称:灰色模型)是通过线性常微分方程拟合时间序列问题,将模糊的复杂系统转化为发展变化的动态模型。灰色预测模型可利用少量的原始信息进行预测,不仅预测精度高,而且适用于短期、中期和长期的时间序列问题。GM模型可以写作GM(m,n),其中m代表该灰色模型的阶次,n代表模型包含未知变量的个数。单序列一阶线性动态模型,即GM(1,1)模型是灰色模型中最常用的一种模型,该模型不仅计算简单方便,而且往往具有较高的预测精度,本发明中采用的灰色预测模型是基于GM(1,1)模型的灰色预测模型。
图1为本发明电视节目热度的预测方法实施例一的流程图,如图1所示,本实施例的执行主体为电视节目热度的预测装置,该电视节目热度的预测装置可以为计算机或服务器等。则本实施例提供的电视节目热度的预测方法包括以下几个步骤。
步骤101,采集预测前一时间段内的电视节目热度的原始时间序列数据。
本实施例中,电视节目热度的原始时间序列数据可以为电视频道直播节目热度或点播节目热度的原始时间序列数据。如可以为电视频道直播节目的收视次数或收视率组成的原始时间序列数据、点播节目的点播次数或点播率组成的原始时间序列数据。
其中,预测前一时间段为预测前预设时间内的与预测时间段相同时间段,如预测的电视节目热度为周日的上午9:00-11:00的北京卫视的收视次数,则采集预测前一时间段内的电视节目热度的原始时间序列数据可以为周一至周六的上午9:00-11:00的北京卫视的收视次数组成的原始时间序列数据。其中,每天的上午9:00-11:00的北京卫视的收视次数为原始时间序列的一个数据。
本实施例中,若同时对多个电视节目热度进行预测,则同时采集预测前一时间段内的多个电视节目热度的原始时间序列数据。
本实施例中,需要说明的是:采集的预测前一时间段内的电视节目热度的原始时间序列数据是通过广电运营商后台服务器从收视终端回传的用户行为数据中采集的。并对采集的预测前一时间段内的电视节目热度的原始时间序列数据进行存储。
其中,原始时间序列数据可表示为式(1)所示:
在式(1)中,表示电视节目热度的原始时间序列的第i个数据。其中
步骤102,将原始时间序列数据进行一阶累加处理,以获得处理后的时间序列数据;其中,处理后的时间序列数据呈指数上升趋势。
具体地,本实施例中,由于原始时间序列数据具有一定的随机性,不能直接应用到灰色预测模型中,所以需要对原始时间序列数据进行一阶累加处理。进行一阶累加处理后的数据为处理后的时间序列数据。
其中,处理后的时间序列数据表示为式(2)所示:
在式(2)中,表示电视节目热度的处理后的时间序列的第k个数据。其中,
本实施例中,由于对原始时间序列数据进行一阶累加处理,所以处理后的时间序列数据呈指数上升趋势。
步骤103,根据处理后的时间序列数据和灰色预测模型求解电视节目热度的预测值。
具体地,由于处理后的时间序列数据呈指数上升趋势,适用于灰色预测模型,所以将处理后的时间序列数据输入到灰色预测模型中,求解出电视节目热度的预测值。
其中,灰色预测模型是基于GM(1,1)模型的灰色预测模型。GM(1,1)模型为单序列一阶线性动态灰色模型。
步骤104,输出电视节目热度预测值。
具体地,本是实施例中,可以以显示屏输出电视节目热度预测值,以使负责人员根据该预测值进行广告的投放量的设定或电视节目的编排。
本实施例提供的电视节目热度的预测方法,通过采集预测前一时间段内的电视节目热度的原始时间序列数据;将原始时间序列数据进行一阶累加处理,以获得处理后的时间序列数据;其中,处理后的时间序列数据呈指数上升趋势;根据处理后的时间序列数据和灰色预测模型求解电视节目热度的预测值;输出电视节目热度预测值。由于依赖的历史数据只有电视节目热点的原始时间序列数据,所以计算量较小,并且灰色预测模型适用于数据量少,部分信息未知的不确定系统的研究,因此该方法不需要大量的历史时间序列数据,能够获得较好的预测结果。
图2为本发明电视节目热度的预测方法实施例二的流程图,如图2所示,本实施例提供的电视节目热度的预测方法,是在本发明电视节目热度的预测方法实施例一的基础上,对步骤103的进一步细化,则本实施例提供的电视节目热度的预测方法包括以下步骤。
步骤201,采集预测前一时间段内的电视节目热度的原始时间序列数据。
进一步地,电视节目热度为电视频道直播节目热度或点播节目热度。
电视频道直播节目热度为电视频道直播节目的收视次数,点播节目热度为点播节目的点播次数。
其中,采集的预测前一时间段内的电视节目热度的原始时间序列数据可以表示为式(1)所示。
步骤202,将原始时间序列数据进行一阶累加处理,以获得处理后的时间序列数据;其中处理后的时间序列数据呈指数上升趋势。
其中,处理后的时间序列数据表示为式(2)所示。
步骤203,建立关于处理后的时间序列数据的一阶线性微分的白化方程。
进一步地,本实施例中,建立关于处理后的时间序列数据的一阶线性微分的白化方程可表示为式(3)所示:
其中,a为发展系数,u为灰作用量。
步骤204,采用最小二乘方法求解白化方程,以获得电视节目热度预测值。
进一步地,步骤204中,采用最小二乘方法求解白化方程,以获得电视节目热度预测值具体包括:
步骤204a,采用最小二乘方法求解白化方程,以获得处理后的电视节目热度预测值。
具体地,本实施例中,求解后的处理后的电视节目热度预测值可表示为式(4)所示:
其中,为处理后的电视节目热度预测值。a为发展系数,u为灰作用量。
具体地,通过最小二乘的方法求解白化方程具体可以为:
通过将式(5)、式(6)和式(7)代入(4)式求得
其中,式(5)、式(6)和式(7)可表示为如下所示:
步骤204b,根据处理后的电视节目预测值,计算原始电视节目热度预测值。
具体地,本实施例中,由于为将原始预测值进行一阶累加后获得的预测值,通过还原可以得到的预测值,通过式(8)计算原始电视节目热度预测值
步骤205,输出电视节目热度预测值。
本实施例中,步骤205的实现方式与本发明电视节目热度的预测方法实施例一中的步骤104的实现方式相同,在此不再一一赘述。
为了说明本发明提供的电视节目热度的预测方法的技术效果,本实施例中,采用某地卫星频道的真实历史的时间序列数据。包含十个卫视频道在2015年9月24日至2015年9月28日连续五天的电视频道直播节目的收视次数。每个电视频道直播节目的收视次数是组成一个时间序列数据。通过本实施例提供的电视节目热度的预测方法,预测28日结果,表1是多个电视频道直播节目收视次数的原始时间序列数据表。
表1:多个电视频道直播节目收视次数的原始时间序列数据表
其中,图3为实施例二中的原始时间序列数据及处理后的时间序列数据形成的曲线图,如图3所示,原始时间序列数据呈现单调上升的趋势,经过一阶累加后的时间序列数据呈指数上升趋势,符合灰色预测模型的使用条件。
其中,图4为本发明实施例二中的预测值与实际值的对比结果图,如图4所示,灰色预测模型利用少量的电视频道直播节目收视次数的时间序列数据,进行预测所得到预测值整体上能够较好的拟合实际值。
为了说明本实施例提供的电视节目热度的预测方法的效果,引入绝对误差、相对误差和平均相对误差的计算方法。
其中,绝对误差、相对误差和平均相对误差分别表示为式(9)、(10)、(11)所示。
其中i∈1,2,…,n,代表第i个电视频道,n为频道总数。是通过本实施例计算得到的原始预测值,为实际值。通过(9),(10)式计算各个频道预测结果的绝对误差及相对误差,计算结果见表2。从表2可以看出,卫视7的预测结果的相对误差最小,为10.8%,卫视9的预测相对误差最大,为18.5%,预测结果的平均误差为15%,最大相对误差不超过20%。所以使用本实施例的预测方法预测电视节目热度,满足预测精度的要求,有较好的预测结果。
表2:不同频道9月28日电视频道直播节目的收视次数的预测值与实际值的对比表
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
图5为本发明电视节目热度的预测装置实施例一的结构示意图,如图5所示,本实施例提供的电视节目热度的预测装置包括:采集模块501、处理模块502、求解模块503和输出模块504。
其中,采集模块501,用于采集预测前一时间段内的电视节目热度的原始时间序列数据。处理模块502,用于将原始时间序列数据进行一阶累加处理,以获得处理后的时间序列数据;其中,处理后的时间序列数据呈指数上升趋势。求解模块503,用于根据处理后的时间序列数据和灰色预测模型求解电视节目热度的预测值。输出模块504,用于输出电视节目热度预测值。
本实施例提供的电视节目热度的预测装置可以执行图1所示方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
图6为本发明电视节目热度的预测装置实施例二的结构示意图,如图6所示,本实施例提供的电视节目热度的预测装置在本发明电视节目热度的预测装置实施例一的基础上,进一步地,电视节目热度为电视频道直播节目热度或点播节目热度。
进一步地,求解模块503,具体包括:建立子模块503a和求解子模块503b。
其中,建立子模块503a,用于建立关于处理后的时间序列数据的一阶线性微分的白化方程。求解子模块503b,用于采用最小二乘方法求解白化方程,以获得电视节目热度预测值。
进一步地,求解子模块503b,具体用于:采用最小二乘方法求解白化方程,以获得处理后的电视节目热度预测值;根据处理后的电视节目预测值,计算原始电视节目热度预测值。
本实施例提供的电视节目热度的预测装置可以执行图2所示方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (8)
1.一种电视节目热度的预测方法,其特征在于,包括:
采集预测前一时间段内的电视节目热度的原始时间序列数据;
将所述原始时间序列数据进行一阶累加处理,以获得处理后的时间序列数据;其中,所述处理后的时间序列数据呈指数上升趋势;
根据处理后的时间序列数据和灰色预测模型求解电视节目热度的预测值;
输出所述电视节目热度预测值。
2.根据权利要求1所述的方法,其特征在于,所述根据处理后的时间序列数据和灰色预测模型求解电视节目热度的预测值,具体包括:
建立关于所述处理后的时间序列数据的一阶线性微分的白化方程;
采用最小二乘方法求解所述白化方程,以获得电视节目热度预测值。
3.根据权利要求2所述的方法,其特征在于,所述采用最小二乘方法求解所述白化方程,以获得电视节目热度预测值,具体包括:
采用最小二乘方法求解所述白化方程,以获得处理后的电视节目热度预测值;
根据处理后的电视节目预测值,计算原始电视节目热度预测值。
4.根据权利要求1-3中任一项所述的方法,其特征在于,所述电视节目热度为电视频道直播节目热度或点播节目热度。
5.一种电视节目热度的预测装置,其特征在于,包括:
采集模块,用于采集预测前一时间段内的电视节目热度的原始时间序列数据;
处理模块,用于将所述原始时间序列数据进行一阶累加处理,以获得处理后的时间序列数据;其中,所述处理后的时间序列数据呈指数上升趋势;
求解模块,用于根据处理后的时间序列数据和灰色预测模型求解电视节目热度的预测值;
输出模块,用于输出所述电视节目热度预测值。
6.根据权利要求5所述的装置,其特征在于,所述求解模块,具体包括:
建立子模块,用于建立关于所述处理后的时间序列数据的一阶线性微分的白化方程;
求解子模块,用于采用最小二乘方法求解所述白化方程,以获得电视节目热度预测值。
7.根据权利要求6所述的装置,其特征在于,所述求解子模块,具体用于:
采用最小二乘方法求解所述白化方程,以获得处理后的电视节目热度预测值;根据处理后的电视节目预测值,计算原始电视节目热度预测值。
8.根据权利要求5-7中任一项所述的装置,其特征在于,所述电视节目热度为电视频道直播节目热度或点播节目热度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610912939.4A CN107979768A (zh) | 2016-10-19 | 2016-10-19 | 电视节目热度的预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610912939.4A CN107979768A (zh) | 2016-10-19 | 2016-10-19 | 电视节目热度的预测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107979768A true CN107979768A (zh) | 2018-05-01 |
Family
ID=62003628
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610912939.4A Pending CN107979768A (zh) | 2016-10-19 | 2016-10-19 | 电视节目热度的预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107979768A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109361932A (zh) * | 2018-11-23 | 2019-02-19 | 武汉斗鱼网络科技有限公司 | 直播热度预测的方法,装置,设备及介质 |
CN110569910A (zh) * | 2019-09-10 | 2019-12-13 | 广州虎牙科技有限公司 | 直播周期的处理方法、装置、设备及存储介质 |
CN113010779A (zh) * | 2021-03-10 | 2021-06-22 | 腾讯科技(深圳)有限公司 | 媒体信息的热度计算方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1390057A (zh) * | 2002-07-10 | 2003-01-08 | 李卡 | 预测电视收视率的系统 |
US20040049788A1 (en) * | 2002-09-10 | 2004-03-11 | Canon Kabushiki Kaisha | Receiving apparatus, receiving method, and method of predicting audience rating |
US20110106915A1 (en) * | 2009-11-05 | 2011-05-05 | Electronics And Telecommunications Research Institute | Channel server, channel prediction server, terminal, and method for fast channel switching using plurality of multicasts interoperating with program rating prediction |
-
2016
- 2016-10-19 CN CN201610912939.4A patent/CN107979768A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1390057A (zh) * | 2002-07-10 | 2003-01-08 | 李卡 | 预测电视收视率的系统 |
US20040049788A1 (en) * | 2002-09-10 | 2004-03-11 | Canon Kabushiki Kaisha | Receiving apparatus, receiving method, and method of predicting audience rating |
US20110106915A1 (en) * | 2009-11-05 | 2011-05-05 | Electronics And Telecommunications Research Institute | Channel server, channel prediction server, terminal, and method for fast channel switching using plurality of multicasts interoperating with program rating prediction |
Non-Patent Citations (2)
Title |
---|
ZHENGYILEI: "Audience Rating Prediction of New TV Programs Based on GM (1.1) Envelopment Model", 《PROCEEDINGS OF 2009 IEEE INTERNATIONAL CONFERENCE ON GREY SYSTEMS AND INTELLIGENT SERVICES》 * |
数学建模算法与应用: "《数学建模算法与应用》", 30 April 2015 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109361932A (zh) * | 2018-11-23 | 2019-02-19 | 武汉斗鱼网络科技有限公司 | 直播热度预测的方法,装置,设备及介质 |
CN109361932B (zh) * | 2018-11-23 | 2021-01-01 | 武汉斗鱼网络科技有限公司 | 直播热度预测的方法、装置、设备及介质 |
CN110569910A (zh) * | 2019-09-10 | 2019-12-13 | 广州虎牙科技有限公司 | 直播周期的处理方法、装置、设备及存储介质 |
CN113010779A (zh) * | 2021-03-10 | 2021-06-22 | 腾讯科技(深圳)有限公司 | 媒体信息的热度计算方法、装置、电子设备及存储介质 |
CN113010779B (zh) * | 2021-03-10 | 2023-07-25 | 腾讯科技(深圳)有限公司 | 媒体信息的热度计算方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110149540B (zh) | 多媒体资源的推荐处理方法、装置、终端及可读介质 | |
Urban et al. | Prelaunch forecasting of new automobiles | |
US20140108094A1 (en) | System, method, and computer program product for forecasting product sales | |
CN105897616B (zh) | 一种资源分配的方法及服务器 | |
CN111091196B (zh) | 客流数据确定方法、装置、计算机设备和存储介质 | |
CN104205158A (zh) | 测量在线观众的系统、方法和产品 | |
US20160239765A1 (en) | Personalized ranking for search results of a travel-related database query | |
CA2838119A1 (en) | System and method for selecting predictors for a student risk model | |
CN107979768A (zh) | 电视节目热度的预测方法和装置 | |
CN110458668A (zh) | 确定产品推荐算法的方法及装置 | |
Ristow et al. | Models for forecasting water demand using time series analysis: a case study in Southern Brazil | |
CN111950603A (zh) | 一种路段交通事故率的预测方法、装置及计算机存储介质 | |
CN109636184B (zh) | 一种品牌的账号资产的评估方法及系统 | |
JP2010225103A (ja) | 投資収支リスク分析方法、プログラム、及び、投資収支リスク分析装置 | |
CN110889737A (zh) | 合租室友的推荐方法、装置、服务器及存储介质 | |
CN110222905A (zh) | 一种预测人流量的方法及装置 | |
CN110910241B (zh) | 现金流评估方法、装置、服务器设备及存储介质 | |
García-Díaz et al. | Competitive models for the spanish short-term electricity demand forecasting | |
CN111145535B (zh) | 一种复杂场景下的行程时间可靠性分布预测方法 | |
CN116776006A (zh) | 用于企业融资的客户画像构建方法及系统 | |
CN108804439A (zh) | 多媒体资源的推荐方法及装置 | |
Militino et al. | Detecting change-points in the time series of surfaces occupied by pre-defined NDVI categories in continental Spain from 1981 to 2015 | |
Ignatiadis et al. | Forecasting residential monthly electricity consumption using smart meter data | |
Pan et al. | Calibration of dynamic volume-delay functions: A rolling horizon-based parsimonious modeling perspective | |
KR101831316B1 (ko) | 앙상블 인공지능 알고리즘을 사용한 상수도 유량 예측 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180501 |