Resumen

Con la búsqueda del arte musical por parte de la gente, un gran número de cantantes comenzó a analizar la tendencia de la música en el futuro y a crear obras musicales. En primer lugar, este estudio presenta la teoría del análisis de la tendencia de la música pop, la tecnología de minería de grandes datos y los algoritmos relacionados. A continuación, se utilizan los algoritmos de movimiento integrado autorregresivo (ARIM), bosque aleatorio y memoria a largo y corto plazo (LSTM) para establecer el modelo de análisis y predicción de imágenes, analizar los datos musicales y predecir la tendencia musical. Los resultados de las pruebas de los tres modelos muestran que, cuando se analizan las canciones del cantante desde tres aspectos: tiempos de recogida, descarga y reproducción, el modelo LSTM puede predecir bien los tiempos de reproducción. Sin embargo, el modelo LSTM también tiene algunos defectos. Por ejemplo, el modelo no puede predecir con precisión algunas canciones con grandes fluctuaciones de datos. Al mismo tiempo, no hay una gran diferencia de datos entre los tiempos de reproducción predichos por el análisis de imágenes del modelo ARIM y los tiempos de reproducción reales, lo que muestra el rango de fluctuación de error admisible. Un análisis exhaustivo muestra que, en comparación con el algoritmo ARIM y el algoritmo de bosque aleatorio, el algoritmo LSTM puede predecir la tendencia musical con mayor precisión. Los resultados de la investigación ayudarán a muchos cantantes a crear canciones de acuerdo con las tendencias musicales actuales y futuras, y también harán que la creación de música tradicional esté más basada en la información y sea más moderna.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:tiempo de reproducción, tendencias musicales, modelo lstm, algoritmo random forest, creación musical tradicional, tecnología de minería de datos, canción, grandes fluctuaciones de datos, tiempo de reproducción real, rango de fluctuaciones de error
• Keywords:playback time, music trends, lstm model, random forest algorithm, traditional music creation, data mining technology, song, large data fluctuations, actual playback time, error fluctuations range