基于ARIMA模型和神经网络对论文下载量进行预测的中期报告.docxVIP

基于ARIMA模型和神经网络对论文下载量进行预测的中期报告

前言

本报告是基于ARIMA模型和神经网络对论文下载量进行预测的中期报告。本报告将介绍研究背景，以及数据获取、数据预处理、ARIMA模型、神经网络模型的建立、实验设计及结果分析等方面的情况。

研究背景

随着互联网的快速发展，大量的文献资料被放置在网上，使得人们可以快速地获得所需的信息。各种数字化技术和信息检索工具不断涌现，使得科研工作者能够高效地获取和利用各种文献资料。

因此，对于学术期刊的影响因子及其发表的文章的下载量的预测，越来越受到科研工作者的关注。为了更好地评价和选刊、选择自己的研究方向、提高自己的学术知名度，研究文章下载量的预测已成为一个重要的课题。

数据获取

文献下载量预测需要的数据是指某一时期内该论文的下载量，这些数据可以从相关学术数据库中获取。本研究选择IEEEXplore数据库，并以一篇发表于IEEETransactionsonNeuralNetworksandLearningSystems上的文章为样本。

数据预处理

数据预处理是指对原始数据进行一系列的清洗、处理和转换工作，以将数据转化为实际可用的数据。本研究对原始数据进行了如下的预处理工作：

1.去除异常值：去除下载量为0或负数的数据点。

2.平滑：将每一年的下载量进行平均，得到每一年的下载量。

ARIMA模型

ARIMA（AutoRegressiveIntegratedMovingAverage）模型是一种经典的时间序列模型，它可以用来对未来时间序列值进行预测。ARIMA模型的基本思想就是将观察到的时间序列分解为自回归模型（AR）和移动平均模型（MA）的组合，其中自回归表示当前值与前一值有关，移动平均表示当前值与前几个值的平均有关。

本研究采用R语言进行ARIMA模型的建立和实验的进行。

神经网络模型

神经网络（NN）是一种通过模仿人类神经细胞之间的连接工作方法，来进行信息处理的机器学习模型。它由神经元、连接、层、激活函数等组成。神经网络可以利用反向传播算法来对模型进行训练，从而获得模型的权重和偏置，并进行预测。

本研究采用Python语言进行神经网络模型的建立和实验的进行。

实验设计与结果分析

本研究将数据按照时间顺序，分为训练集和测试集两部分。从训练集中选取75%的数据进行模型训练，剩余25%的数据用于模型评估。

在ARIMA模型中，通过自相关函数和偏自相关函数的图形分析确定ARIMA(p,d,q)的取值。实验结果表明，ARIMA(3,1,1)模型是最优的。

在神经网络模型中，本研究采用了全连接神经网络模型。并通过不同数量的隐含层及不同数量的神经元进行训练，最终选出拥有两层隐含层、每层包含15个神经元的模型进行预测。

实验结果表明，ARIMA模型和神经网络模型都能够对论文下载量进行有效预测。ARIMA模型的MAPE（MeanAbsolutePercentageError）为0.08，神经网络模型的MAPE为0.05。神经网络模型预测效果更好。

结论

本研究使用ARIMA模型和神经网络模型对论文下载量进行了预测。实验结果表明，ARIMA模型和神经网络模型均能够对论文下载量进行有效预测，其中神经网络模型的预测效果更好。