Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Forecasting on-demand video viewership ratingsusing neural networks
KTH, School of Computer Science and Communication (CSC).
2014 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE creditsStudent thesis
Abstract [en]

Forecasting short-term viewership ratings for on-demand video is crucial for the online advertisement market because advertisement sales is done ahead of time, and errors in forecasting means either loss of profit opportunities or having to compensate advertisers for not upholding agreements. These forecasts can be made using an uncomplicated Seasonal Averaging method, which produces forecasts for the coming weeks using averaged hourly values from previous weeks (where the forecast for next Sunday is the average of the actual value from the last three Sundays). In this thesis, an alternative approach using a neural network is implemented and benchmarked against the Seasonal Averaging method, using data from December–February from a major online videosite. The network utilizes a Multilayer Perceptron design with inputs corresponding to the seasonal patterns of the ratings data. It finds that while good forecasting performance can be reached even over very long horizons, weekly averages wins out when comparing standard forecasting error metrics, likely owing to the strong seasonal pattern.

Abstract [sv]

Att förutsäga tittarsiffror för strömmande video är viktigt för reklamindustrin då försäljning av reklam sker innan den visats. Alltför stora fel i dessa förutsägelser leder till att annonsörer måste kompenseras för ej visade reklamsnuttar, alternativt att möjligheter till att sälja mer reklam går förlorade. Dessa förutsägelser kan göras genom att ta genomsnittet av tidigare veckors tittarsiffror och använda detta som förutsägelse för påföljande veckor (där tittarsiffran för söndag nästa vecka är lika med genomsnittet av de senaste tre söndagarna). I det här exjobbet undersöks möjligheten att använda ett neuronnätverk för att göra dessa förutsägelser istället, genom att jämföra resultaten från detta mot den nuvarande metoden på data från December till Februari. Neuronnätetär av typen Multilayer Perceptron och använder en design som är anpassat till de veckovisa mönster som data uppvisar. Undersökningen finner att trots goda förutsägelser från neuronnätverket når det inte samma träffsäkerhet (mätt med standardmått på förutsägelser) som den nu använda metoden, troligtvis på grund av det starka veckovisa mönstret som data uppvisar.

Place, publisher, year, edition, pages
2014.
National Category
Computer Science
Identifiers
URN: urn:nbn:se:kth:diva-156382OAI: oai:DiVA.org:kth-156382DiVA: diva2:766241
Examiners
Available from: 2014-11-27 Created: 2014-11-26 Last updated: 2014-11-27Bibliographically approved

Open Access in DiVA

fulltext(937 kB)306 downloads
File information
File name FULLTEXT01.pdfFile size 937 kBChecksum SHA-512
e5ef77d586cf8f58844a4db65d66305cc832644bd4469960d208580ab45c7680feaf7afa3b85fcd2ba3f70dde96ee576df92af3e36b8f0207a6f8369592d1706
Type fulltextMimetype application/pdf

By organisation
School of Computer Science and Communication (CSC)
Computer Science

Search outside of DiVA

GoogleGoogle Scholar
Total: 306 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 233 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf