随着4G、5G网络的快速普及和智能手机的广泛使用,短视频已经成为人们日常生活中不可或缺的娱乐方式之一。据2020年研究报告显示,截至2020年,我国短视频用户规模达到8.18亿,占全体网民的87%、我国人口的58%。随着其用户规模的不断扩大,短视频的影响力和商业价值也在迅速增加。所以短视频广告逐渐受到更多商家的青睐,其市场规模在2020年已经达到1200亿元。短视频的播放量直接决定了商品的曝光人数,进而决定了商品的销售量,为商家带来直接的销售盈利和软性的品牌知名度的增加。所以短视频的播放量对于广告盈利至关重要,如果能对播放量有一定的预测能力,便可以更好地支持业务发展。本文旨在研究对短视频播放量的预测问题。目前的研究中,研究者们往往采用电视剧、网络剧等各类长视频进行播放量的预测,缺少对新兴的短视频播放量的研究。现有的少数针对视频上线后的播放量时序研究,也仅使用了自回归滑动平均模型（ARMA）类模型,忽略了视频维度的其他数据。而本文采用的网络向量自回归模型（NAR）,可以将这部分数据视做节点效应加入到模型预测中。本文主要包含模型原理、数据探索性分析、基于短视频播放量数据的模型实现三部分内容,选用某短视频平台数据进行建模分析。在数据探索性分析阶段,结合描述性统计量和K-S检验证实了播放量在短视频和创作者维度的变量上存在明显差异,应该纳入到预测模型中;通过观察短视频播放量的时序图,发现播放量的变化趋势存在较大差异。针对该时序趋势的多样性,本文采用了K-means聚类算法进行聚类,将播放量的变化趋势归为三类,不同类别播放量趋势明显不同。建模分析阶段,本文定义了短视频播放量的预测模型,将短视频播放量拆分为趋势项和去趋势的播放量两部分。针对趋势项,结合探索性分析阶段的聚类结果,采用关于时间t的二次函数进行拟合;针对去趋势后的播放量,采用NAR模型进行拟合。本文采用基于全部数据和基于窗口期两种预测方式,主要使用以播放量加权的平均绝对百分比误差（w MAPE）作为模型的评估指标,即所有节点的预测误差和与真实值和的比值。在建立NAR模型的同时,本文结合数据探索性分析的结果创新性地定义了创作者网络、播放量类型网络,同时逐步向模型内加入动量效应、网络效应和节点效应。仅用趋势项预测的w MAPE指标平均为0.99,基于NAR模型预测的w MAPE指标平均为0.69,验证了NAR模型在处理该类问题的优势。通过结合节点效应系数的数值和显著性情况,验证了短视频和创作者维度信息对于播放量预测的有效性,并最终给出了高播放量视频的特点。