本文關(guān)鍵詞：預(yù)測算法在廣告效應(yīng)中的應(yīng)用研究，由筆耕文化傳播整理發(fā)布。

【摘要】：在線廣告是互聯(lián)網(wǎng)中最具利潤的商業(yè)模式,展示廣告尤其是擔(dān)保式廣告(Guaranteed Display Advertising-GD)作為在線廣告的一種,在學(xué)術(shù)界和工業(yè)界受到了廣泛的關(guān)注。在擔(dān)保式廣告中,廣告平臺與廣告主達成協(xié)議,如果在規(guī)定的時間內(nèi)達到了一定的投放量和投放效果,廣告主會向廣告平臺支付相應(yīng)的費用；如果未達到預(yù)期效果,則會要求廣告平臺給予相應(yīng)的賠償。訪問量預(yù)測作為展示廣告中至關(guān)重要的一個環(huán)節(jié),其預(yù)測的精確性將直接影響廣告平臺的收益。廣告平臺的訪問量預(yù)測是利用歷史的訪問量數(shù)據(jù)來對未來的訪問量進行分析和預(yù)測,如果訪問量預(yù)測的過多,則會給廣告平臺帶來違約并導(dǎo)致賠償?shù)娘L(fēng)險；如果訪問量預(yù)測的過少,會導(dǎo)致流量的浪費并降低廣告平臺的收益。所以,如何準(zhǔn)確的分析歷史訪問量數(shù)據(jù)并做出精確的預(yù)測,成為了一個亟待解決的問題。 論文針對上述問題,從時間序列數(shù)據(jù)分析的角度對廣告平臺的訪問量預(yù)測算法進行了研究,論文主要包括以下幾方面內(nèi)容。運用ARIMA和Holt-Winters兩種典型時間序列預(yù)測模型對廣告平臺訪問量進行預(yù)測,由于Holt-Winters季節(jié)模型分為乘性和加性兩種,論文對這三種模型的預(yù)測效果進行了對比分析。實驗結(jié)果表明ARIMA模型和乘性Holt-Winters季節(jié)模型在廣告訪問量預(yù)測上的效果要優(yōu)于加性Holt-Winters季節(jié)模型,同時ARIMA模型和乘性Holt-Winters季節(jié)模型有各自的適用場景,ARIMA模型對周期性不明顯的時間序列有更好的表現(xiàn),乘性Holt-Winters季節(jié)模型對周期性明顯的時間序列效果更好。為了提升訪問量預(yù)測的精確度和處理時間序列數(shù)據(jù)中的異常點,本文使用傳統(tǒng)濾波算法對時間序列進行預(yù)處理,傳統(tǒng)濾波算法包括快速傅里葉變換頻域濾波、均值濾波、高斯濾波,實驗結(jié)果表明傳統(tǒng)濾波算法對于廣告訪問量的異常點處理效果不好,本文針對該問題提出了一種基于流量拆分的滑動窗口濾波算法,并與傳統(tǒng)濾波算法進行比較,結(jié)果表明對于廣告訪問量數(shù)據(jù)的平滑策略,本文提出的濾波算法對預(yù)測效果的提升較為明顯。
【關(guān)鍵詞】：訪問量預(yù)測 時間序列 ARIMA模型 Holt-Winters模型 平滑濾波
【學(xué)位授予單位】：北京交通大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：F713.8;TP393.092
【目錄】：

• 致謝5-6
• 摘要6-7
• ABSTRACT7-11
• 1 引言11-16
• 1.1 研究背景及意義11-12
• 1.2 國內(nèi)外研究現(xiàn)狀12-14
• 1.3 本文研究內(nèi)容14-15
• 1.4 論文組織結(jié)構(gòu)15
• 1.5 本章小結(jié)15-16
• 2 網(wǎng)站訪問量預(yù)測算法介紹16-28
• 2.1 在線廣告概述16-18
• 2.1.1 在線廣告的發(fā)展16-17
• 2.1.2 在線廣告的計價方式17
• 2.1.3 在線廣告的形式17-18
• 2.2 預(yù)備知識18-21
• 2.2.1 時間序列定義18-19
• 2.2.2 特征統(tǒng)計量19-20
• 2.2.3 平穩(wěn)性與純隨機性20-21
• 2.3 ARIMA預(yù)測算法21-23
• 2.3.1 AR模型和MA模型21-22
• 2.3.2 ARMA模型和ARIMA模型22-23
• 2.4 Holt-Winters預(yù)測算法23-27
• 2.4.1 一次指數(shù)平滑算法23-24
• 2.4.2 二次指數(shù)平滑算法24-25
• 2.4.3 Holt-Winters模型25-27
• 2.5 本章小結(jié)27-28
• 3 訪問量預(yù)測算法在廣告效應(yīng)中的應(yīng)用研究28-41
• 3.1 數(shù)據(jù)分析和評價指標(biāo)28-32
• 3.1.1 數(shù)據(jù)來源28
• 3.1.2 數(shù)據(jù)特點分析28-31
• 3.1.3 評價指標(biāo)31-32
• 3.2 實驗環(huán)境配置32
• 3.2.1 系統(tǒng)環(huán)境說明32
• 3.2.2 R環(huán)境安裝32
• 3.3 ARIMA與Holt-Winters預(yù)測效果的對比研究32-38
• 3.3.1 預(yù)測模型對比方案設(shè)計32-34
• 3.3.2 預(yù)測模型對比結(jié)果及分析34-38
• 3.4 小時級別訪問量預(yù)測算法的應(yīng)用策略改進38-40
• 3.4.1 小時級別預(yù)測模型的應(yīng)用策略介紹38-39
• 3.4.2 小時級別預(yù)測模型應(yīng)用策略的對比結(jié)果及分析39-40
• 3.5 本章小結(jié)40-41
• 4 濾波算法在廣告效應(yīng)中的應(yīng)用研究41-59
• 4.1 傳統(tǒng)的濾波算法41-47
• 4.1.1 均值濾波41-42
• 4.1.2 高斯濾波42
• 4.1.3 快速傅里葉變換頻域濾波42-44
• 4.1.4 傳統(tǒng)濾波算法的效果研究44-47
• 4.2 基于流量拆分的滑動窗口濾波算法47-50
• 4.2.1 流量拆分策略47-48
• 4.2.2 基于流量拆分的滑動窗口濾波算法介紹48-50
• 4.3 基于流量拆分的滑動窗口濾波算法的效果研究50-58
• 4.3.1 流量拆分策略在傳統(tǒng)濾波算法上的效果研究50-53
• 4.3.2 基于流量拆分的滑動窗口濾波算法效果研究53-58
• 4.4 本章小結(jié)58-59
• 5 結(jié)論與展望59-61
• 5.1 結(jié)論59-60
• 5.2 展望60-61
• 參考文獻61-64
• 學(xué)位論文數(shù)據(jù)集64

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前6條

1 陳澤忠,楊啟智,胡金泉;中國股票市場的波動性研究——EGARCH-M模型的應(yīng)用[J];決策借鑒;2000年05期

2 周傲英;周敏奇;宮學(xué)慶;;計算廣告:以數(shù)據(jù)為核心的Web綜合應(yīng)用[J];計算機學(xué)報;2011年10期

3 何大四;張旭;;改進的季節(jié)性指數(shù)平滑法預(yù)測空調(diào)負荷分析[J];同濟大學(xué)學(xué)報(自然科學(xué)版);2005年12期

4 王吉培;楊遠;肖宏偉;;基于IGARCH投影尋蹤回歸的國際油價走勢擬合模型[J];統(tǒng)計與決策;2009年05期

5 黎鎖平,劉坤會;動態(tài)指數(shù)平滑優(yōu)化模型及其應(yīng)用[J];系統(tǒng)工程學(xué)報;2003年02期

6 田華,曹家和;中國股票市場報酬與波動的GARCH-M模型[J];系統(tǒng)工程理論與實踐;2003年08期

  本文關(guān)鍵詞：預(yù)測算法在廣告效應(yīng)中的應(yīng)用研究，由筆耕文化傳播整理發(fā)布。

，

本文編號：398035