问题D:音乐的影响
2021美赛C题思路。2021美赛C题解法。2021美赛思路,2021美赛数学建模思路,欢迎加入秀儿为你弹奏东风破:752899821
自古以来,音乐就已成为人类社会的一部分,已成为文化遗产的重要组成部分。为了理解音乐在人类集体经验中所扮演的角色,我们被要求开发一种量化音乐发展的方法。在创作新音乐时,有许多因素会影响艺术家,包括其天赋的创造力,当前的社会或政治事件,使用新乐器或工具的机会或其他个人经历。我们的目标是了解和衡量先前制作的音乐对新音乐和音乐艺术家的影响。
一些艺术家可以列出十几个或更多他们认为对自己的音乐作品有影响的艺术家。还建议可以通过歌曲特征(例如结构,节奏或歌词)之间的相似程度来衡量影响力。音乐有时会发生革命性的变化,提供新的声音或节奏,例如何时出现新的流派,或者对现有流派(例如古典,流行/摇滚,爵士等)进行重新发明。这可能是由于一系列小变化,艺术家的合作努力,一系列有影响力的艺术家或社会内部的变化所致。
许多歌曲具有相似的声音,许多艺术家为音乐类型的重大转变做出了贡献。有时,这些变化是由于一位艺术家影响了另一位艺术家。有时,这是对外部事件(例如重大世界事件或技术进步)的响应而出现的变化。通过考虑歌曲的网络及其音乐特征,我们可以开始捕捉音乐艺术家之间的相互影响。而且,也许,我们还可以更好地了解音乐随着时间的流逝在整个社会中的发展。
集成集体音乐(ICM)协会确定了您的团队,以开发一种衡量音乐影响力的模型。这个问题要求您检查艺术家和流派的进化和革命趋势。为此,ICM为您的团队提供了一些数据集:
“ influence_data” 1代表艺术家自己报告的音乐影响者和追随者,以及行业专家的意见。这些数据包含过去90年中5,854位艺术家的影响者和关注者。
“ full_music_data”2提供了16个变量项,包括音乐特征(如舞蹈性,速度,响度和调子),以及98,340首歌曲中的每一个的artist_name和artist_id。这些数据用于创建两个摘要数据集,包括:
a. 艺术家“ data_by_artist”的平均值,
b. 表示跨年“ data_by_year”。
1 这些数据来自AllMusic.com
2 这些数据来自Spotify的API
注意:这些文件中提供的数据是较大数据集的子集。这些文件包含您应为该问题使用的唯一数据。
为了执行这个具有挑战性的项目,ICM协会要求您的团队通过以下措施,通过音乐艺术家随时间的影响来探索音乐的发展:
• 使用Impact_data数据集或其中的一部分来创建音乐影响力的(多个)定向网络,将影响者连接到追随者。开发可捕获此网络中“音乐影响力”的参数。通过创建定向影响者网络的子网来探索音乐影响力的子集。描述此子网。您的“音乐影响力”措施在此子网络中体现了什么?
• 使用音乐特征的full_music_data和/或两个摘要数据集(包括艺术家和年份)来制定音乐相似度的度量。使用您的度量,流派的艺术家是否比流派的艺术家更相似?
• 比较流派之间和流派之间的相似性和影响。什么是流派的区别,流派如何随时间变化?有些类型与其他类型有关吗?
• 指示data_influence数据集中报告的相似性数据是否表明所标识的影响者实际上在影响相应的艺术家。 “影响者”实际上会影响追随者创作的音乐吗?是某些音乐特征比其他音乐特征更具“感染力”,或者它们在影响特定艺术家的音乐方面起着相似的作用?
• 从这些数据中确定是否存在可能标志着音乐发展中的革命(重大飞跃)的特征?在您的网络中,哪些艺术家代表着革命者(重大变革的影响者)?
• 分析一种类型音乐随时间变化的影响过程。您的团队能否确定能揭示动态影响者的指标,并解释流派或艺术家随时间的变化?
• 您的作品如何表达有关音乐在时间或环境方面的文化影响的信息?或者,如何在网络中识别社会,政治或技术变化(例如互联网)的影响?
向ICM协会写一份一页纸的文件,说明使用您的方法通过网络理解音乐影响的价值。考虑到这两个问题数据集仅限于某些类型,然后又针对这两个数据集共有的艺术家,您的作品或解决方案将如何随着更多或更丰富的数据而发生变化?建议进一步研究音乐及其对文化的影响。
来自音乐,历史,社会科学,技术和数学领域的跨学科,多元化的ICM协会期待您的最终报告。
您的PDF解决方案(总共不超过25页)应包括:
• 一页的摘要表。
• 目录。
• 您的完整解决方案。
• 对ICM协会的一页文件。
• 参考文献清单。
注意:2021年的新功能!现在,ICM竞赛限制为25页。提交的所有方面均计为25页的限制:摘要表,目录,解决方案主体,图像和表格,一页文档,参考列表和任何附录。
附件
针对此问题,我们提供了以下四个数据文件。提供的数据文件包含您应用于此问题的唯一数据。
从“ full_music_data”,“ data_by_artist”,“ data_by_year”中发现Spotify音频功能:
音乐的特点:
人声类型:
声音:磁道是否是声学的置信度度量(不增强技术或增强电性能)。值1.0表示轨道是声学的高置信度。 (浮动)
工具性:预测曲目是否不包含人声。在这种情况下,“哦”和“啊”的声音被视为乐器。说唱或口语单词轨迹显然是“声音”。器乐性值越接近1.0,则曲目中没有人声内容的可能性越大。高于0.5的值旨在表示乐器音轨,但随着该值接近1.0,置信度更高。 (浮动)
活度:检测曲目中观众的存在。较高的活跃度值表示增加了实时执行轨道的可能性。高于0.8的值很可能会显示该轨道处于活动状态。 (浮动)
言语能力:检测曲目中口语的存在。与录音类似的语音内容(例如脱口秀,有声读物,诗歌)越多,属性值就越接近1.0。大于0.66的值描述的曲目可能完全由口语组成。介于0.33到0.66之间的值描述了可能同时包含音乐和语音的曲目,无论是分段还是分层的(包括说唱音乐)。低于0.33的值最有可能代表音乐和其他非语音类曲目。 (浮动)
明确的:检测曲目中的显式歌词(true(1)=是; false(0)= no,它不是OR未知)。 (布尔值)
描述:
2021D思路求解更新:
特征工程,kaggle上很多实例可以参考
https://www.kaggle.com/insiyeah/musicfeatures