Математическое моделирование и прогнозирование популярности музыки: обзор подходов и методов
DOI:
https://doi.org/10.36683/ee244.4-13Ключевые слова:
музыкальная индустрия, анализ временных рядов, потоковые платформы, регрессионные модели, модели выживания, пуассоновский процесс, система Лотки-Вольтерры, LSTM-RPA, влияние плейлистов, конкуренция жанровАннотация
В статье представлен комплексный обзор современных методов исследования популярности музыкальных произведений, включая статистические, временные и нейросетевые подходы. Рассматриваются регрессионные модели с фиксированными эффектами, модели выживания, нестационарные пуассоновские процессы и системы уравнений Лотки-Вольтерры, а также алгоритмы STL-декомпозиции и нейронные сети (LSTM-RPA). Обсуждаются их преимущества и ограничения в анализе динамики прослушиваний, влияния плейлистов и конкурентного взаимодействия жанров. Основное внимание уделено анализу их преимуществ и недостатков в контексте поставленных задач - прогнозирования долгосрочных изменений в популярности композиций, оценки влияния плейлистов и динамики конкуренции жанров. На основании проведённого анализа автор приходит к выводу, что для прогнозирования наиболее эффективно применение моделей LSTM-RPA благодаря их способности минимизировать накопление ошибок. Авторский вклад заключается в предложении нового подхода: адаптации гибридной методики, объединяющей нейросетевые модели и временные ряды, для учёта контекстуальных факторов, таких как влияние социальных трендов и маркетинговой активности, что позволяет существенно повысить универсальность и точность прогнозов.Скачивания
Библиографические ссылки
Wikström, P. The music industry: music in the cloud : Digital media and society series. The music industry / P. Wikström. – Cambridge ; Malden, MA : Polity, 2009. – 204 p.
IFPI Global Music Report 2024 // IFPI, 2024. – URL: https://ifpi-website-cms.s3.eu-west-2.amazonaws.com/IFPI_GMR_2024_State_of_the_Industry_db92a1c9c1.pdf.
Vaccaro, V. L. The Evolution of Business Models and Marketing Strategies in the Music Industry / V. L. Vaccaro, D. Y. Cohn // International Journal on Media Management. – 2004. – Vol. 6, Issue 1-2. – P. 46-58. – DOI 10.1080/14241277.2004.9669381.
McKenzie, J. Digital piracy / J. McKenzie. // Handbook of Cultural Economics, Third Edition / eds. R. Towse, T. Navarrete Hernández. – Edward Elgar Publishing, 2020. – DOI 10.4337/9781788975803.00031.
Farchy, J. D. Artificial intelligence / J. Farchy, J. Denis // Handbook of Cultural Economics, Third Edition / eds. R. Towse, T. Navarrete Hernández. – Edward Elgar Publishing, 2020. – DOI 10.4337/9781788975803.00010.
Grote, F. Mark Mulligan: Awakening. The Music Industry in the Digital Age. London (MIDiA Research) 2015, 332 Seiten / F. Grote. // Zeitschrift für Kulturmanagement. – 2016. – Vol. 2. – P. 177-182. – DOI 10.14361/zkmm-2016-0214.
Aguiar, L. Platforms, Power, and Promotion: Evidence from Spotify Playlists / L. Aguiar, J. Waldfogel // The Journal of Industrial Economics. – 2021. – Vol. 69, Issue 3. – P. 653-691. – DOI 10.1111/joie.12263.
Hirsch. The Structure of the Popular Music Industry: The Filtering Process by which Records are Preselected for Public Consumption / Hirsch // Institute for Social Research, The University of Michigan. – 1973.
Ordanini, A. Selection models in the music industry: How a prior independent experience may affect chart success / A. Ordanini // Journal of Cultural Economics. – 2006. – Vol. 30. – P. 183-200. – DOI 10.1007/s10824-006-9013-8.
Morris, J. W. Control, curation and musical experience in streaming music services / J. W. Morris, D. Powers // Creative Industries Journal. – 2015. – Vol. 8, Issue 2. – P. 106-122. – DOI10.1080/17510694.2015.1090222.
Analyzing the Spotify Top 200 Through a Point Process Lens / M. Harris, B. Liu, C. Park [et al.] // arXiv. – 2019. – DOI 10.48550/arXiv.1910.01445.
Kaimann, D. “I will survive”: Online streaming and the chart survival of music tracks / D. Kaimann, I. Tanneberg, J. Cox. // Managerial and Decision Economics. – 2021. – Vol. 42, Issue 1. – P. 3- 20. – DOI 10.1002/mde.3226.
An application of the Lotka-Volterra model with time series analysis to forecast spotify streams of two genres / J. R. F. Padilla, E. D. Baniaga, R. C. Addawe, J. P. T. Viernes. // Proceedings of the International Conference on Mathematical Sciences and Technology 2022 (MATHTECH 2022): Navigating the Everchanging Norm with Mathematics and Technology. 13–15 September 2022 Penang, Malaysia, 2024. – P. 070001. – DOI 10.1063/5.0192499.
Music popular trends prediction based on time series / Yu W. [et al.] // Computer Engineering & Science. – 2018. – Vol. 40, Issue 9. – P. 1703-1709. (in Chinese.) – URL: http://joces.nudt.edu.cn/CN/abstract/abstract15746.shtml.
LSTM-RPA: A Simple but Effective Long Sequence Prediction Algorithm for Music Popularity Prediction. LSTM-RPA / K. Li, M. Li, Y. Li, M. Lin // arXiv. – 2021. – DOI: 10.48550/arXiv.2110.15790.
Опубликован
Выпуск
Раздел
Лицензия
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
