导读:本文包含了票房预测论文开题报告文献综述及选题提纲参考文献，主要关键词:电影市场,票房收益,预测,国产电影
票房预测论文文献综述
史征,徐明星[1]（2019）在《用于票房收益预测的国产电影信息数据库》一文中研究指出电影票房收益预测问题是全球电影市场研究领域的重要方向,其中,电影信息数据库是支撑该研究的重要基础。针对中国电影市场较欧美国家发展晚,国产电影信息数据库尚属空白的情况,建立了用于票房收益预测的国产信息数据库,为国内电影票房收益预测问题的研究提供了重要的数据支撑。首先,介绍了全球电影票房收益预测问题的研究现状;其次,说明了用于票房收益预测的国产电影信息数据库的建立思路,数据的收集与整理,以及数据库建立的详细过程;最后,基于国外电影数据库票房收益预测的方法,对比了国外电影数据库与该工作建立的电影数据库,结果表明了二者对电影票房收益的预测准确率相似,证明了国产电影信息数据库的有效性。(本文来源于《计算机科学》期刊2019年S2期）
杨朝强,蒋卫丽,邵党国[2]（2019）在《基于LSTM模型的电影票房预测算法》一文中研究指出针对目前基于BP神经网络的电影票房预测算法中存在预测精度不高的问题,本文提出一种基于LSTM模型的电影票房算法。首先,分析电影票房的影响因素,对票房影响因子进行定量分析和归一化处理,其次根据影响因素的输入和输出变量确定网络拓扑图及神经元数量,建立神经网络结构后进行改进为深度学习,并增加"记忆"功能,建立LSTM票房预测模型,最后用亿恩电影智库上的电影票房数据分别用LSTM模型和BP神经网络模型进行预测对比。实验结果表明,LSTM模型在对实验中的4712数据预测的平均相对误差比BP神经网络预测低36%左右,在长期预测和短期预测中低BP神经网络约10%左右,预测结果相对比较准确,能够为电影的投资和放映提供有价值的参考,具有实际意义。(本文来源于《数据通信》期刊2019年05期）
郭静雯[3]（2019）在《影视川军叁部大片全国首映》一文中研究指出本报讯（ 郭静雯）9月30日，《我和我的祖国》《中国机长》《攀登者》叁部影片全国公映。影片均有四川公司参与主创或出品，影视川军集体以光影为新中国成立70周年献礼。电影《我和我的祖国》阵容豪华，影片由陈凯歌、张一白、管虎等7位导演联手打造，黄渤(本文来源于《四川日报》期刊2019-10-01）
田源[4]（2019）在《中国电影票房季节性分析和预测——基于季节趋势模型和季节ARIMA模型》一文中研究指出季节性分析和预测对于中国电影票房极具现实意义。通过2011年～2018年中国电影市场票房数据分析表明,中国电影市场季节显着,而季节趋势模型和季节ARIMA模型能适用于中国电影票房预测和研究,且效果较好。电影的整个制作过程都应该有季节性意识。面对当下年票房总额超过600亿元的中国电影市场,每一部影片都有自己适合的档期。对于类型突破型、票房期望高的影片应选择夏冬季节上映,而对于风格多样化、票房体量小的影片来说建议选择春夏两季上映。(本文来源于《现代商业》期刊2019年21期）
郭苗苗,齐林[5]（2019）在《基于ARIMA模型的电影票房收入预测》一文中研究指出电影行业是我国文化产业的核心,而电影票房收入影响着电影行业以及我国文化产业的持续发展,因此对电影票房的预测就显得尤为重要。文章以2013年3月至2018年12月全国电影票房收入为数据基础,建立了全国电影票房收入的自回归移动平均(ARIMA)模型,并对2019年1月至2019年10月我国电影票房收入进行了预测。(本文来源于《价值工程》期刊2019年20期）
李振兴,韩丽娜,史楠[6]（2019）在《基于决策树算法的电影票房预测研究》一文中研究指出决策树是一种具有树形结构的机器学习算法,能够在短时间内处理数据,并能直观地显示数据特性。具有速度快、直观、精度高等特点。本文在大数据分析的基础上,以2018年国内上映的30部国产电影的信息数据作为训练模型,选取C4.5算法作为工具,构建出基于决策树算法的票房预测模型。经过测试,该模型的准确率为78%,并从中分析出影响票房的关键因素是演员。(本文来源于《智能计算机与应用》期刊2019年04期）
周富荣[7]（2019）在《批片投资票房预测模型的构建研究》一文中研究指出进口买断片,俗称“批片”,是一类特殊的进口电影。目前,国外并没有专门针对其票房进行预测评估的模型研究。而国内的研究,更多集中于研究以美国分账大片为代表的跨文化传播、国内电影票房预测等问题。我国版权采购商在批片采购时,多依靠经验判断,往往因为缺少对市场的足够了解和有效评估手段,造成投资风险过大、极易出现损失等情况。根据目前的研究基础和现状,本文研究的目的主要是:在理论上,进一步丰富电影票房预测模型理论,优化我国电影票房、制作风险评估手段,特别是探索利用成熟的模型工具进行评估的模式。在现实中,向批片采购商提供合适的投资评估工具辅助其进行采购决策,有效地评估批片的票房潜力和采购风险,减少或降低潜在的投资损失和资源浪费,同时也希望能促进国内电影市场及上下游相关行业的健康稳步发展。本文研究的方法主要是文献研究法、案例分析法以及经验总结法。首先对历年批片票房样本进行广泛收集整理。其次,利用SPSS软件,构建得到批片投资票房预测模型。之后,结合数据对预测模型进行检验,并对映中或将映的批片进行票房预测,以此确认影响批片票房的关键因素以及检验模型的预测有效性。从检验结果来看,上映天数、滞后天数以及媒体评分,这叁项是影响批片票房成绩的关键因素。本研究得到的票房预测模型对1亿至5亿票房区间的预测结果较良好。(本文来源于《广西大学》期刊2019-06-01）
刘宁[8]（2019）在《基于网络数据的电影票房预测模型研究》一文中研究指出电影作为人们日常生活中的主要娱乐方式之一,从产品本身来看满足了观众的精神需求,从社会层面看则推动着文化经济的快速前进。2018年中国电影票房整体突破600亿大关。在电影文化的高速发展下,以美国为代表的电影业在经营方式、营销手段上日趋成熟。国产电影在经过引进、消化、再创新之后,也进入就新的发展时期。然而,随着经济文化的不断发展,观众群体对于电影的要求越来越高,这也直接导致电影市场的竞争日趋严重。在市场和观众的共同作用下,电影产业难以避免地存在一些高投资低票房的亏损现象。因此,采用预测的手段,提前在一部影片的设计、制作和运营初期将综合因素进行量化,然后分析其期望的票房表现,从而动态调整电影的运作流程,降低投资风险,引导电影的积极发展,对于电影投资商和社会经济都是十分有益的事情。大数据、预测模型、机器学习等的发展,为票房预测提供了数据和分析理论支持。本文中,首先通过爬虫技术爬取时光网、猫眼专业版和中国票房数据库等专业的电影信息统计网站相应数据,然后选定2015年1月~2018年12月票房收入超过1亿的影片作为研究的基本数据,数据指标为影片部分可获取基本信息,如导演、演员、电影类型等;其次,对数据进行缺失值补充,数据集整合及指标变量化等预处理,其中针对每个数据指标的特征,与导演、演员等实际因素结合进行指标量化,将电影类型、上映档期等分类指标转换为虚拟变量。再次,对部分所选变量指标进行探索性分析,研究其对最终票房收入的直观影响。接下来,基于处理之后的数据集进行模型的建立。第一种为多元回归模型,针对所有变量建立模型,对模型中的不显着变量进行剔除。考虑到本文的数据集为横截面数据,模型可能存在异方差,需要对异方差性进行检验并消除,最终建立较好的回归模型;第二种为随机森林模型,需要运用统计方法确定模型中的棵树及特定节点中二叉树的变量个数这两个参数。参数确定之后就可以建立模型,并对模型中的变量重要性排名,从另一角度观察各个指标对于模型的贡献程度;第叁种为BP神经网络模型,基于前人研究及本文数据集,确定网络模型中输入层、输出层节点个数及隐藏层层数和节点个数,选择模型激活函数,最终建立BP神经网络模型。最后,在建立的模型当中,票房预测可靠性表明,随机森林分析结果的准确率最好,神经网络分析结果次之;根据模型得到的ROC曲线,在预测准确率较好的2个分析结果中,随机森林分析得到的AUC值为0.84,最为接近1,明显优于神经网络的。基于以上两点,随机森林模型为本文的最优预测分析模型。(本文来源于《天津商业大学》期刊2019-05-01）
熊俊[9]（2019）在《基于细粒度情感分析的票房预测研究》一文中研究指出与传统的口碑相比,社交媒体的普及使得在线评论突破时间和地域的限制,传播速率更快,影响面更全,已成为消费者的重要参考依据。因此,如何利用在线评论预测销售业绩是目前销售行业研究的一大重点。前人关于在线评论的研究多采用粗粒度情感分析方法,即采用评论整体的情感倾向作为在线评论情感倾向的度量。但在评论时常会肯定某些方面的同时否定其他方面,由于这些正面和负面评论的影响互相抵消,致使粗粒度分析未能准确地量化评论的情感倾向。为了客观了解顾客的产品感知,更加接近消费者真实的情感表达,需要提取消费者评论的特征或属性并确定消费者对其情感态度,即对在线评论细粒度的剖析可以提供更为准确的信息。基于此,本文以消费者的评论文本为研究基础,以我国电影市场为背景,从细粒度情感分析角度考察在线评论情感倾向与票房收入之间的关系。首先,提出一套结构化的流程方法计算细粒度情感指数,具体而言:(1)爬取豆瓣影评,完成Jieba自定义分词、去停用词以及词性标注等数据清洗操作;(2)分别利用Word2vec技术和SO-PMI方法扩充本文的特征词库和情感词典;(3)采用语义和句法分析相结合的方式抽取含有特征-观点对的主观评论句并引入深度学习模型LSTM实现情感倾向判断;(4)结合特征出现的频率以及特征的情感极性计算特征权重值,采用看涨指数公式构造每日的细粒度情感指数。然后,基于540条面板数据,构建细粒度情感指数与票房收入的固定效应模型。此外,为了考察网络搜索指数可能对在线评论数据源的潜在补充作用,本研究在原模型的基础上引入网络搜索指数变量,通过面板向量自回归模型检验细粒度情感指数、网络搜索与票房收入叁者之间的作用关系。本文的研究结论如下:(1)实证研究结果表明本文构建的系统化提取特征-观点对并计算对应的细粒度情感指数的流程方法是有效的。基于细粒度情感指数的固定效应预测模型不仅能对销量变动做出更多的解释,同时也具有更高的预测精度(R~2=0.70,MAPE=0.352,RMSE=1.321)。(2)本文研究了网络搜索指数与社交媒体网站上公开可用的评论数据之间的相互作用。结果表明网络搜索指数与在线评论中的信息不重迭,网络搜索指数包含在线评论之外的预测信息,对细粒度情感指数的预测能力有潜在补充作用。本文丰富了评论挖掘、网络搜索、票房预测等有关领域的研究,细粒度情感指数构建方法可以为在线评论在其他领域的扩展提供参考。本文建立的票房收入预测模型可以为各影院公司合理制定个性化宣传策略、安排电影放映场次提供依据。(本文来源于《重庆邮电大学》期刊2019-03-25）
富泽萌[10]（2019）在《基于社交网络分析的电影票房预测系统的设计与实现》一文中研究指出进入21世纪以来,神经网络、情感分析等在电影票房预测上的广泛应用,使得电影票房预测的准确性逐年提高。由于电影制作的复杂与不确定性,未来电影票房预测的发展趋势需要吸纳更多数据,采取更贴合的模型跟踪预测。现有的基于产品的神经网络算法(PNN)模型在票房预测取得了不错的效果,但仍然有一些不足。本文针对性地提出了叁种改进的模型架构。在特征工程阶段,PNN模型将所有特征按领域划分,领域间特征通过两两交叉映射到同一向量空间。这忽略了每个领域中特征表达的一致性,本文提出以组为单位的产品神经网络算法(GPNN)模型引入分组进入嵌入层(GSE)的概念,进行特征组划分时,对组内所有特征考虑表达的一致性和差异性。另外在GPNN特征工程基础上,强化对票房预测影响较大的一些交叉连续特征,作为有连续特征的以组为单位的产品神经网络算法(CGPNN)。在特征交叉阶段,GPNN、CGPNN模型均采用外积算子实现特征交叉,将特征映射到高维向量空间内,全面地学习出特征的深层表达,然而在数据不足的情况下模型难以收敛。针对这两种网络结构的特性,本文提出了基于探测的有连续特征的以组为单位的产品神经网络算法(Probe-based CGPNN)模型,用内积算子完成特征交叉,在保证预测效果不明显下降的前提下,合理地降低时空复杂度。基于上述的叁种改进模型,借鉴现有票房预测系统的结构,本文设计与实现了基于社交网络分析的电影票房预测系统,将整个系统划分为网络爬虫子模块、数据存储模块、文本情感分析子模块、特征组合子模块、电影票房预测子模块、数据前端展示模块等六个主要功能模块,并详细阐述了其内部实现细节。(本文来源于《北京邮电大学》期刊2019-03-07）
票房预测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对目前基于BP神经网络的电影票房预测算法中存在预测精度不高的问题,本文提出一种基于LSTM模型的电影票房算法。首先,分析电影票房的影响因素,对票房影响因子进行定量分析和归一化处理,其次根据影响因素的输入和输出变量确定网络拓扑图及神经元数量,建立神经网络结构后进行改进为深度学习,并增加"记忆"功能,建立LSTM票房预测模型,最后用亿恩电影智库上的电影票房数据分别用LSTM模型和BP神经网络模型进行预测对比。实验结果表明,LSTM模型在对实验中的4712数据预测的平均相对误差比BP神经网络预测低36%左右,在长期预测和短期预测中低BP神经网络约10%左右,预测结果相对比较准确,能够为电影的投资和放映提供有价值的参考,具有实际意义。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
票房预测论文参考文献
[1].史征,徐明星.用于票房收益预测的国产电影信息数据库[J].计算机科学.2019
[2].杨朝强,蒋卫丽,邵党国.基于LSTM模型的电影票房预测算法[J].数据通信.2019
[3].郭静雯.影视川军叁部大片全国首映[N].四川日报.2019
[4].田源.中国电影票房季节性分析和预测——基于季节趋势模型和季节ARIMA模型[J].现代商业.2019
[5].郭苗苗,齐林.基于ARIMA模型的电影票房收入预测[J].价值工程.2019
[6].李振兴,韩丽娜,史楠.基于决策树算法的电影票房预测研究[J].智能计算机与应用.2019
[7].周富荣.批片投资票房预测模型的构建研究[D].广西大学.2019
[8].刘宁.基于网络数据的电影票房预测模型研究[D].天津商业大学.2019
[9].熊俊.基于细粒度情感分析的票房预测研究[D].重庆邮电大学.2019
[10].富泽萌.基于社交网络分析的电影票房预测系统的设计与实现[D].北京邮电大学.2019