1.一种求解音乐流量预测的时间序列分解方法，其特征在于，所述求解音乐流量预测的时间序列分解方法包括：

首先对音乐歌曲用户进行模型构建，使用基于加权模糊内核聚类模型进行音乐歌曲用户聚类；

其次，通过基于加权模糊内核聚类模型生成的用户分类数据以及艺人数据进行音乐播放流量预测模型的构建，使用基于多阶可行系数空间分割的算法进行预测；

最后通过实验分析，对音乐播放流量预测模型中的艺人歌曲流量预测的效率和准确率进行验证；

加权模糊内核聚类模型为：

其中C为聚类数量，vi＝(vi1,vi2,…,viL)是第i个聚类中心，uij表示第j个模式属于第i个聚类，ωik表示第i个聚类的第k个特征的权重因子，m>1,β>1, 为用户自定义的梅尔核函数；

所述通过基于加权模糊内核聚类模型生成的用户分类数据以及艺人数据进行音乐播放流量预测模型的构建，使用基于多阶可行系数空间分割的算法进行预测，包括：通过加权模糊内核聚类模型进行用户群聚类分组，并通过多阶可行系数空间模型进行音乐播放流量预测，最终将加权模糊内核聚类模型与多阶可行系数空间模型结合进行音乐播放流量预测；具体包括：

步骤1)、初始化：数据集中包括用户和艺人数据，首要初始化用户数据；

步骤2)、设置初始值：t＝1，vi＝(vi1,vi2,…,viL)；

设置JWFKCA(t‑1)＝ζ，其中，ζ是一个常数；

步骤3)、分别计算获得uij(t)，vi(t)，wik(t)(1≤i≤C，1≤k≤L)；

步骤4)、跳转到步骤2)计算获得JWFKCA(t)；

步骤5)、如果|JWFKCA(t)‑JWFKCA(t‑1)|＜ε，ε是预先定义的一个小的常数；停止；否则，继续t←t+1,进行步骤3)操作；

步骤6)、获得聚类数据集合；

步骤7)、统计不同类别中不同艺人歌曲流量；

步骤8)、通过步骤6)和7)预测的用户聚类之后的数据集以及统计信息作为m维多边形h的输入；

pstart：表示开始数据点；

pnext：表示下一个数据点；

δ：最大错误边界；

步骤9)、使用艺人流量分别对pstart和pnext构造(m‑1)维多边形 和步骤10)、对每一个(m‑1)维的新曲面进行循环，根据相交点信息计算(m‑2)维的面，切除比 更低的部分以及切除比 更低的部分；

步骤11)、最终返回结果。

2.如权利要求1所述的求解音乐流量预测的时间序列分解方法，其特征在于，所述通过基于加权模糊内核聚类模型生成的用户分类数据以及艺人数据进行音乐播放流量预测模型的构建，使用基于多阶可行系数空间分割的算法进行预测，具体还可以为：使用卷积神经网络进行用户群分类，通过使用Adaboost提升算法来进行分类器的选择，进而形成一个基于AdaBoost和卷积神经网络的组合用户分类算法；并通过多阶可行系数空间分割的音乐流量预测模型进行进一步组合，最终建成一个基于AdaBoost和卷积神经网络以及多阶可行系数空间分割的音乐流量预测算法；具体包括：步骤一)、初始化：数据集中包括用户和艺人数据，首要初始化用户数据；

步骤二)、通过输入的用户数据，进行矩阵构建；

步骤三)、使用CNN对训练集进行训练；

步骤四)、使用AdaBoost选择最优分类器；

步骤五)、使用测试集来对分类模型进行分类；

步骤六)、使用预测集对该分类器进行交叉验证；

步骤七)、如果验证结果满意，则进行最终用户分类，否则跳转至步骤二)；

步骤八)、统计不同类别中不同艺人歌曲流量；

步骤九)、通过步骤六)和步骤七)预测的听歌用户聚类之后的数据集以及统计信息作为m维多边形h的输入；

pstart：表示开始数据点；

pnext：表示下一个数据点；

δ：最大错误边界；

步骤十)、使用艺人流量分别对pstart和pnext构造(m‑1)维多边形 和步骤十一)、对每一个(m‑1)维的新曲面进行循环，根据相交点信息计算(m‑2)维的面，切除比 更低的部分以及切除比 更低的部分；

步骤十二)、最终返回结果。

3.如权利要求1所述的求解音乐流量预测的时间序列分解方法，其特征在于，所述对音乐播放流量预测模型中的艺人歌曲流量预测的效率和准确率进行验证中，包括：评估指标分析公式为：

其中Tjk为艺人j在第k天的实际播放量，W为艺人集合，Sijk音乐播放流量预测模型计算获得艺人j在第k天的播放量，δij则为音乐播放流量预测模型对艺人j的播放预测和实际方差的归一化方程；

而艺人j所在的权重由数据集中艺人所有歌曲的流量的平方根获得；公式如下：最终预测的F值：

Fi＝∑j∈w(1‑δij)·φj。

4.一种如权利要求1所述求解音乐流量预测的时间序列分解方法的求解音乐流量预测的时间序列分解系统。