本课题这一个回归预测类问题，已知前6个月歌曲艺人及其用户记录，预测后两个月每日的艺人播放量值。
建模的流程是： 预处理-->提取特征并筛选-->模型（多个自变量预测一个连续因变量值）-->预测-->评估

首先从数据集中可以看出用户记录表中的用户每日播放，下载和收藏歌曲量是预测未来60天每个艺人播放量的重要依据，可以将其作为重要特征。
其次，在不考虑突变和周期规律的情况下，该时间序列是具有短期自相关性的，即相邻的时间序列值具有连续性。
用户记录表中每条记录gmt_create记录是可以将每日用户的播放行为精确到每小时，将用户行为按小时划分也许会获得在时间上的高分低谷特征规律以辅助预测未来60天的播放量的周期规律 整理数据会发现，在用户前记录表（6个月）中的歌曲总数小于在歌曲艺人表中的歌曲个数，用户记录表有1,0278首歌曲，而歌曲艺人表中有1,0842首歌曲。这是因为有些艺人的某些歌曲太过老旧，用户点播率较低。而歌曲和用户记录数据是随机抽样得到的，因此产生这种情况。

提交结果的最终评分是按照F值计算的，从计算公式来看F是由每个艺人的评分相加得到的，每个艺人的得分是由归一化方差 （sigma）和 （phi）相乘得到的。
其中 是当前艺人的每日实际播放量相加开根号得到的，每个艺人的参数 有且只有一个固定值，它的大小取决于每个艺人的60天播放量总和值，当某个艺人的总播放量较大时， 就大，F也就变大了，  从公式来看参数 是由某艺人提交的每日播放量与实际播放量的差值除以实际播放量，对该值平方后取60天的平均值，开根号得到的。这个参数反应了提交结果S与实际播放量T之间的差距。差越小，预测越精准，（1- ）越大，F就大。而当差过大超过了实际播放量T，此时 >1，（1- ）为负数，此时对该艺人评分为负，综合累加的F值会更小。由此可知，若预测中存在某个艺人结果极端不准的情况，会使评分F下降得更多，因此也要保证所有艺人的平均预测准确性。即尽量保持平稳的值，突发值很容易使结果变差。