随着移动互联网的发展,手机成为人们获得信息的主要来源,成为广告主日益青睐的广告投放终端。近年来,用户调研和广告费用不断削减的潮流日益兴盛,广告主从暴力投放向数字化投放转变的需求随之增加。为了弥补以Reach或曝光量作为投放优化依据时遇到的时效性、经济性问题,以及传统渠道调研的效率低问题,触媒总数就从Reach中演化而来。这一指标由于具有可预测性、便捷性、经济性,因此广告商可通过预测触媒总数来安排广告投放。为了更好的利用触媒总数安排广告投放,本文通过建立单一模型与组合模型探寻比较适合的方法来进行触媒总数的预测。首先,尝试了ARIMA(2,1,0)(0,1,0)[7]等5个时间序列模型和1个回归模型,其次,从易到难对6个单一模型进行组合预测,最后,对比单一预测和组合预测的均方根误差选取了ARIMA-SVM的预测方法,即通过SVM来拟合ARIMA不能提取的非线性信息的部分,从而达到预测精度的提升。研究过程中发现,ARIMA-SVM组合预测方法与以权重为核心的组合方法最大的不同在于,其既能保证较低的训练误差又能保证较低的测试误差,而以权重为核心的组合方法,测试误差往往会高于某几个预测精度较高的单一模型。此外在以权重为核心的组合预测方法中,权重未归一化的方法分析本例会比权重归一化的方法更具潜力。在选择模型方面,本文基于模型系数显著性、预测趋势和预测精准度考虑。解决商业问题,若接受模型各系数在α=0.1下显著,那么可以直接使用模型ARIMA(2,0,0)(0,1,1)[7]+SVM(6)进行预测,若只接受模型各系数在α=0.05下显著,那么在应用ARIMA(2,1,0)(0,1,0)[7]+SVM(6)模型时需要对预测值进行处理。虽然本文预测出第69天至第75天的手机端触媒总数,但在指导投放时,一方面需要其他渠道的触媒总数,另一方面需要根据客户需求按照均值、最大值或趋势等进行投放。最后本文总结了在将ARIMA-SVM方法应用到触媒总数时,遇到的且以往文献所避开的问题,并写清楚本文的步骤,以及本文所做的其他没有在文中提及的工作和探索。