近年来,随着流量预测的精度的提高,流量预测中的音乐歌曲流量预测也变的越来越重要。音乐歌曲作为音乐歌曲流量预测的核心更是得到众多的研究学者的重视和探索,其中主要是针对音乐曲风识别和听众听取歌曲识别两个问题。目前已有很多学者和相关专家提出了一些相对应的解决方案,但是至今为止依然存在很多问题需要解决。针对音乐歌曲播放流量存在的相关问题,本文利用时间序列的可操作性和收敛性,以及联合加权模糊核聚类算法在不同时间段内形成编码的方法,提出了聚类情况下的基于可行系数空间的音乐流量预测算法,包括用户分类策略、歌曲流量预测策略等。该算法设计求解了艺人歌曲流量预测问题,并针对音乐歌曲流量进行了模型构建。首先对音乐歌曲用户进行模型构建,即使用基于加权模糊内核聚类模型以及基于AdaBoost的卷积神经网络分类模型进行音乐歌曲用户分类操作,用来解决因用户喜好不同而造成的前期数据分类难题。其次,通过基于用户分类获得的与艺人数据集进行音乐歌曲流量预测模型的构建,使用基于可行系数空间分割的算法进行预测,使用可行系数空间分割算法很好的解决了因为数据波动幅度过大而导致的预测偏差问题。最后通过实验分析,对算法的性能及效率进行了有效验证。本文主要创新点有:1、有效结合了加权模糊核算法与可行系数空间算法;2、有效结合了 AdaBoost的卷积神经网络算法与可行系数空间算法;3、将基于编码的可行系数空间算法应用到音乐歌曲播放流量预测的求解;4、提高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。