Aha, mükemmel bir soru!
Ayrıca saf bir S-şekilli logisitik eğri önerebilirdim, ama bu açıkça zayıf bir uyum. Bildiğim kadarıyla, sürekli artış bir yaklaşımdır çünkü YouTube benzersiz görüşleri sayar (IP adresi başına bir tane), bu nedenle bilgisayarlardan daha fazla görüntüleme olamaz.
x(t)y(t)tXY
x˙(t)=r1(x(t)+y(t))(X−x(t))
y˙(t)=r2(x(t)+y(t))(Y−y(t)),
r1>r2Yy
x˙(t)=r1x(t)(X−x(t))
y˙(t)=r2x(t),
r1>r2Y−y(t)r2
Bu sistem çözer
x(t)=XC1eXr1t1+C1eXr1t
y(t)=r2∫x(t)dt+C2=r2r1log(1+C1eXr1t)+C2,
C1C2x(t)+y(t)
0600,000,000x(t)y(t)
x˙(t)=r1x(t)(X−x(t))
y˙(t)=r2,
ve çözer
x(t)=XC1eXr1t1+C1eXr1t
y(t)=r2t+C2.
x(0)=1t=0C1=1X−1≈1XXC2=y(0)C2=0Xr1r2
X=600,000,000r1=3.667⋅10−10r2=1,000,000
Güncelleme: Youtube’un, IP’yi değil de, büyük bir fark yaratan görüşlerini (gizli şekilde) saydığını anladım. Çizim tahtasına geri dönelim.
Basit tutmak için, izleyicilere video tarafından "bulaştığını" varsayalım. Enfeksiyonu giderene kadar düzenli olarak izlemeye gelirler. En basit modellerden biri, aşağıdaki olan SIR'dir (Duyarlı Enfekte Dayanıklı):
S˙(t)=−αS(t)I(t)
I˙(t)=αS(t)I(t)−βI(t)
R˙(t)=βI(t)
αβx(t)x˙(t)=kI(t)k
Bu modelde, görüntü sayımı enfeksiyonun başlamasından bir süre sonra aniden artmaya başlar; bu, orijinal verilerde olmadığı gibi, belki de videolar viral olmayan (veya meme) bir şekilde yayıldığı için. SIR modelinin parametrelerini tahmin etmede uzman değilim. Sadece farklı değerlerle oynuyorsun, işte (R cinsinden) geldiğim şey.
S0 = 1e7; a = 5e-8; b = 0.01 ; k = 1.2
views = 0; S = S0; I = 1;
# Exrapolate 1 year after the onset.
for (i in 1:365) {
dS = -a*I*S;
dI = a*I*S - b*I;
S = S+dS;
I = I+dI;
views[i+1] = views[i] + k*I
}
par(mfrow=c(2,1))
plot(views[1:95], type='l', lwd=2, ylim=c(0,6e8))
plot(views, type='n', lwd=2)
lines(views[1:95], type='l', lwd=2)
lines(96:365, views[96:365], type='l', lty=2)
Model açıkça kusursuz değil ve birçok ses yolunda tamamlanabilir. Bu çok kaba taslak, Mart 2013'ün bir yerinde milyarlarca kez görüş öngörüyor, bakalım ...