29、基于时间序列和BP神经网络的在线小游戏热度与反馈数据预测

基于时间序列和BP神经网络的在线小游戏热度与反馈数据预测

1. 引言

随着科学和网络技术的发展，视频游戏的热度居高不下。在线游戏因无需下载、操作难度低等便利性，在庞大的视频游戏市场中占据了一席之地。然而，由于开发简单，每天都会大量产出各种在线游戏，这导致在线游戏普遍存在游戏热度和玩家反馈变化的问题。

如果一款在线小游戏想要长期保持热度并确保稳定的流量收入，就需要准确预测游戏玩家数量的变化和玩家反馈，从而调整游戏策略，提升用户体验，维持游戏的热度和流量。玩家数量的预测是基于过去数据来推断未来数据的典型过程，可使用多种经典方法，如多元线性回归和时间序列预测，其中时间序列预测中的霍尔特线性趋势指数平滑模型非常适合解决具有明显线性趋势的一维数据预测问题。而玩家游戏数据反馈的预测，由于涉及人类思维和行为的复杂性，模仿人类大脑神经网络结构的BP神经网络预测模型则很适合解决这类数据的预测问题。

2. 研究现状分析

• 时间序列预测模型 ：该模型利用数据的过去变化规律来推断未来变化的可能性和趋势，适合解决一维数据的预测问题。在不同领域有诸多应用，如孟志强等人用基于时间序列的混合预测模型预测图书借阅数量；王英等人提出长短期记忆和多元线性回归模型预测中国陕西西安的PM2.5浓度；Cibicong等人构建新的ARIMA - LSTM组合模型预测金融时间序列等。此外，时间序列预测模型还应用于农产品销售和公共卫生领域。不过，在在线小游戏热度变化领域的相关研究较少。
• 神经网络预测模型 ：这是一种类似于大脑突触连接结构的信息处理数学模型，基于人类对自身脑组织组合和思维机制的理解