基于NAR模型的电视频道收视率预测

肖启伟，杨秀芝

（福州大学 物理与信息工程学院，福建 福州 350002）

基于NAR模型的电视频道收视率预测

肖启伟，杨秀芝

（福州大学 物理与信息工程学院，福建 福州 350002）

电视收视率作为电视行业中的重要指标之一，同时也作为广告投放和节目推送的重要依据，在竞争日益激烈的视听市场上，逐渐发挥其重要作用。基于电视收视率本身的时间序列特点，对动态神经网络算法进行研究，提出了非参数自回归（NAR）模型对电视频道收视率进行预测，取得了较好的效果。

神经网络；时间序列；NAR模型；收视率；预测

电视收视率作为电视行业评价电视节目的标准之一，在广告投放、节目推送等应用中，起到了巨大的引导作用，因此，如何能够较为准确地预测下一时刻的收视率，对于电视台、广告商、企业用户等都有很大的经济效益。

目前研究收视率的预测方法主要有三大类：决策树、贝叶斯算法、神经网络算法等，这些算法对电视收视率进行了科学的预测。但由于主客观等因素，在预测上存在着局限性。文献[1]中，通过对节目影响因素的分析，提出了决策树算法，但在具体的收视率预测上不能给出确切的预测值，同时，数据量变大，决策树又会随之变化；文献[2]中，基于分类规则和贝叶斯网络进行预测，同样无法对具体的数值进行预测；文献[3]中，基于BP神经网络的收视率预测，虽然给出了预测值，但是在网络训练时，采用了5分制对影响节目收视的因素进行评分，因不同的人对不同因素的评分存在主观性，为此该BP神经网络的收视率预测具有主观局限性。

本文提出基于动态神经网络时间序列的收视率预测，利用收视率本身的时间序列特征，动态学习收视率在长期波动中的周期规律性，并通过神经网络对以往的收视率时间序列进行学习，搭建收视率预测模型，对未来的收视率进行预测。此方案克服了上述文献算法存在的主观局限性等不足。

1 动态神经网络时间序列设计原理

1.1 动态神经网络概述

动态神经网络区别于静态神经网络，判断依据为存在反馈以及记忆功能与否。动态神经网络输入输出之间的变量关系并不仅仅是一种静态方式的映射，每一时刻的输出是基于当前时刻以前系统的动态综合结果而得，因此具有反馈和记忆的功能。其特点是系统有若干个稳定的状态，开始于任何状态，最终都可进入其中的某一个稳定状态，并且通过对各个神经元的连接权值的改变可以得到系统的稳定状态。

动态神经网络依据其实现动态的方法不同分为以下两类：一类是回归神经网络，它由静态神经元与网络的输出反馈两部分构成，典型的网络如NAR回归神经网络。另一类是通过神经元反馈形成的神经网络，如PID神经网络等。基于收视率的非线性及其本身的时间序列特征，本文将动态神经网络运用到了收视率的时间序列预测中，提出了NAR动态神经网络对收视率的时间序列数据的建模仿真及其检测。

1.2 时间序列

时间序列是把某种统计指标的数值，根据时间顺序进行排列，得到的一组数字序列。编制和分析时间序列是时间序列预测法的基本方法。时间序列分析是根据时间序列所反映出来的发展过程、方向和趋势，进行曲线拟合以及参数的估计，然后建立相应的数学模型预测下一段时间可能达到的数值。一般应用于以下两种情况：1）决定预测变量因素的信息较少；2）具有用于构成时间序列的足够多的数据量。

时间序列分析是以定量预测方法为基础的。应用的原理是根据事物发展的延续性以及随机性来拟合分析。延续性指的是根据过去的数据，预测未来的发展趋势；随机性是指事物因为偶然因素而产生的不确定性，利用各种统计分析方法对历史数据进行分析处理。

非线性自回归（Nolinear Auto-Regressive，NAR）模型是基于动态神经网络时间序列的预测模型。本文提出的预测模型是利用收视率非线性以及动态性特点，结合神经网络所具有的“记忆”功能，因此基于动态神经网时间序列分析可以很好地映射出收视率预测模型。

2 收视率预测模型的建立

2.1 NAR模型的建立原理

本文设计的收视率预测模型采用基于动态神经网络时间序列原理的NAR模型。一个完整的NAR神经网络主要由输入层、隐藏层与输入延时层、输出层构成，在实际模型应用前要设定好输入与输出层之间的延时数，隐藏学习层的神经元个数。其具体结构示意图如图1所示。

图1 NAR神经网络结构示意图

图1中，左边的y（t）代表输入数据；右边的y（t）代表输出数据；1∶7代表的是输入与输出的延时阶数；W代表连接权；b代表阈值。NAR网络有两种输出模式，一种是Parallel（Close-loop）模式，在该模式下，输出的数据被反馈到输入端，在隐藏层中继续学习；另一种是Series-Parallel（Open-loop）模式，该模式下，将期望输出反馈到输入端。NAR神经网络模型可以表示为

式中：d代表延时层的个数。由式（1）可以看出，下一个 y(t)值的大小取决为前d个y(t)的值。NAR神经网络详细的结构如图2所示。

图2 NAR神经网络详细结构图

2.2 预测模型搭建流程

NAR模型对某电视频道的收视率进行预测中。其预测模型如图3所示。

图3 NAR模型预测流程图

算法开始导入以往的历史数据，对网络训练数据的训练集、验证集、测试集进行设置，并设置好延时层与隐藏层的个数。接着进行NAR网络训练，该网络采用LM（Leven⁃berg-Marquardt）训练算法进行神经网络学习，网络性能选用误差平方和MSE（Mean Squared Error），接着根据误差自相关曲线，误差曲线判定网络的好坏与否，决定选择哪个网络进行预测。最后进行网络的预测输出及其检测。

2.3 相关参数配置

网络训练的数据可分为以下三类：训练集，即用来训练建立预测模型的数据；验证集，即用来验证此网络是否可行；测试集，即用来评估模型预测能力的数据。本文数据设置参数分别为：训练集70%；验证集15%；测试集15%。

本文采用Series-Parallel模式，由于频道的收视率以一周为单位呈现着波动规律，因此延时层设置为7，隐藏层设置为5。

3 NAR模型预测频道收视率的应用分析

3.1 网络可行性分析

本文研究的收视率预测采用MATLAB工具进行预测网络的模型搭建，结合动态神经网络GUI工具箱已有的时间序列工具，根据里面的建模工具搭建收视率预测模型。NAR网络的预测模型效果主要通过误差图、误差自相关图进行可视化分析。

图4误差图中竖直方向较粗的线段表示测试目标与预测输出之间的差值，线段越少表示NAR神经网络预测的效果越好。同时结合图5误差自相关图分析，误差在lag为0的时候最大，其他情况下以不超过置信区间为佳。由图可知，此模型误差均在置信区间内，因此可以推测此NAR神经网络预测模型预测效果较好。

图4 误差图

图5 误差自相关图

3.2 预测输出与检测

为了验证此模型的预测效果，本文通过对2014年江苏卫视1—3月的全天收视率进行NAR神经网络预测模型的建立，同时对其4月份的收视率进行预测，并将预测的收视率与实际进行比较，结果如图6所示。由图6可知，预测模型结果能够较好地逼近实际收视率。

如图7所示，收视率预测与实际差值基本都位于±0.05%之间，个别值除外，预测精度较高。证实了NAR神经网络能够较好预测电视频道未来的收视率。

图6 预测与实际收视率比较图

图7 收视率预测与实际差值

4 结束语

本文采用NAR模型进行收视率预测系统的建立，接着对模型进行训练和测试分析，通过对未来一个月的电视频道收视率进行预测，预测结果与实际的收视率测试效果逼近，精度也高，证明了此预测模型的在预测中的应用是有效的。它可为广电、电视台等工作人员在对电视频道的广告投放和节目推广提供很大的参考价值，更好地提高了电视台的经济效益。

[1]涂娟娟，刘同明.基于决策树的电视节目收视率预测模型[J].微计算机信息，2007，23（9）：227-231．

[2]张晶，白冰，苏勇.基于贝叶斯网络的电视节目收视率预测研究[J]．科学技术与工程，2007，7（19）：5099-5102

[3]邬丽云，曲洲青.基于BP神经网络的收视率预测[J].中国传媒大学学报，2011，18（3）：59-62

[4] YASSIN I，ZABIDI A，SALLEH M，et al．Malaysian tourism in⁃terest forecasting using nonlinear auto-regressive（NAR）model [C]//Proc.IEEE 3rd International Conference on System Engineer⁃ing and Technology.[S.l.]：IEEE Press，2013：32-36.

责任编辑：时 雯

Prediction of Audience Rating Based on Nolinear Auto-regressive（NAR）Model

XIAO Qiwei，YANG Xiuzhi
（College of Physics and Information Engineering，Fuzhou University，Fuzhou 350002，China）

Television rating is one of the important indicators in TV industry，and at the same time as the important basis of advertising and promoting programmes，gradually plays its important role in the increasingly competitive audio-visual market.This article based on the time series of TV audience ratings characteristics，the dynamic neural network algorithm is studied.The researcher applies the Nolinear Auto-Regressive（NAR） model to predict TV audience ratings and acquires better effect.

neuralnetwork；time series；NAR model；audience rating；prediction

TN948

A

10.16280/j.videoe.2015.04.021

2014-05-13

【本文献信息】肖启伟，杨秀芝.基于NAR模型的电视频道收视率预测[J].电视技术，2015，39（4）.