本文關(guān)鍵詞：基于泛函網(wǎng)絡(luò)的票房預(yù)測研究與應(yīng)用　出處：《重慶大學(xué)》2015年碩士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 電影票房預(yù)測 靈敏度分析 歸一量化 聚類分析 泛函網(wǎng)絡(luò)

【摘要】：隨著電影產(chǎn)業(yè)的興起,電影資金越來越多元化。當(dāng)今電影市場的主流影片主要來自民營企業(yè)的投資制作,而民營企業(yè)投資電影的最終目的必然是盈利。但是電影市場瞬息萬變,電影投資也沒有“黃金定律”,如何提高電影投資發(fā)行的回報率,是我們亟需解決的難題。在電影制作前期,對電影票房收入進行預(yù)測是確保電影發(fā)行投資回報,規(guī)避發(fā)行風(fēng)險的重要手段。如果投資發(fā)行商能在影片制作初期對電影票房收入有較為準(zhǔn)確的預(yù)估,就可在電影制作期間科學(xué)的投入和利用成本,在電影發(fā)行階段合理調(diào)整營銷策略,從而就能在一定程度上降低風(fēng)險,保障電影的收益率。泛函網(wǎng)絡(luò)是近年來興起的一門新興學(xué)科,它源自神經(jīng)網(wǎng)絡(luò),是神經(jīng)網(wǎng)絡(luò)的一種有效拓展與延伸。泛函網(wǎng)絡(luò)方法多樣,且在眾多領(lǐng)域都表現(xiàn)出較好的性能,但是目前國內(nèi)外將泛函網(wǎng)絡(luò)用于電影票房預(yù)測的研究和應(yīng)用都還很少,鑒于此,本文試圖將泛函網(wǎng)絡(luò)用于電影票房預(yù)測。具體工作如下:⑴本文首先分析了我國電影市場的現(xiàn)狀、參考了大量關(guān)于票房預(yù)測的文獻,初步選出電影票房的影響因子,用Jsoup技術(shù)從網(wǎng)站上抓取我們需要的電影數(shù)據(jù)。對收集到的原始數(shù)據(jù)進行清洗和整合,繼而將選中的參數(shù)進行歸一量化處理,形成可用的訓(xùn)練樣本集。⑵對預(yù)處理后的電影票房影響因子進行靈敏度分析,按照Morris法分析得出各參數(shù)靈敏度大小的排序,即各個參數(shù)的不確定性對模型輸出結(jié)果影響大小的排序,最終確定模型的輸入變量。⑶建立基于泛函網(wǎng)絡(luò)的票房預(yù)測模型,首先,針對訓(xùn)練集樣本進行聚類分析,使得模型訓(xùn)練集更加精確有效;其次,確定所建模型的拓?fù)浣Y(jié)構(gòu)和基函數(shù),用高斯消元法求得模型相關(guān)參數(shù);最后,建立電影票房預(yù)測模型,并用測試集對模型預(yù)測性能進行測試評估。⑷本文通過仿真試驗驗證表明:基于泛函網(wǎng)絡(luò)的電影票房預(yù)測模型比已有的BP神經(jīng)網(wǎng)絡(luò)模型在預(yù)測票房數(shù)值時的平均相對誤差更小;通過計算和比較兩種模型的標(biāo)準(zhǔn)誤差(root-mean-square error,RMSE),泛函網(wǎng)絡(luò)模型的整體性能也明顯優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。此外,基于泛函網(wǎng)絡(luò)的票房預(yù)測模型比BP神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)簡單、計算量小。綜上所述,本課題研究能夠為電影投資方和發(fā)行商提供科學(xué)合理的決策支持,具備相應(yīng)的工程應(yīng)用價值。同時,對于泛函網(wǎng)絡(luò)在實際工程應(yīng)用方面的推廣具有一定的參考價值和指導(dǎo)意義。
[Abstract]:With the rise of the film industry, film funds are becoming more and more diversified. Nowadays, the mainstream films in the film market mainly come from the investment and production of private enterprises. However, the film market is changing rapidly, and there is no "golden law" in film investment, so how to improve the return rate of film investment and distribution. In the early stage of film production, the prediction of movie box office income is to ensure the return on investment in film distribution. The important means to avoid the risk of distribution. If the investment distributor can have a more accurate estimate of the box office revenue in the early stage of film production, the scientific input and utilization cost can be achieved during the production period. The rational adjustment of marketing strategy in the stage of film release can reduce the risk to a certain extent and ensure the movie yield. Functional Network is a new subject rising in recent years, which is derived from neural network. It is an effective extension and extension of neural networks. Functional networks have a variety of methods and show good performance in many fields. But at present, the research and application of Functionals Network used in box office prediction are few, in view of this. This paper attempts to use functional network to predict the box office of films. The main work is as follows: 1 this paper first analyzes the current situation of the film market in China, referring to a large number of documents on box office prediction. Select the influence factors of movie box office preliminarily, grab the movie data we need from the website with Jsoup technology, and clean and integrate the raw data collected. Then the selected parameters are normalized and the available training sample set is formed. 2. The sensitivity analysis of the influence factors of the movie box office after preprocessing is carried out. According to the analysis of Morris method, the order of the sensitivity of each parameter is obtained, that is, the order of the influence of the uncertainty of each parameter on the output result of the model. Finally, the input variable .3 of the model is determined to establish the box office prediction model based on functional network. Firstly, clustering analysis is carried out for the training set samples to make the model training set more accurate and effective. Secondly, the topological structure and basis function of the model are determined, and the relevant parameters of the model are obtained by Gao Si elimination method. Finally, the prediction model of movie box office is established. The model prediction performance is tested and evaluated by test set. 4. The simulation results show that:. The average relative error of box office prediction model based on functional network is smaller than that of BP neural network model. By calculating and comparing the standard error between the two models, root-mean-square error (RMSE). In addition, the box office prediction model based on functional network is simpler than the BP neural network model, and the calculation is less. To sum up, the performance of the functional network model is better than that of the BP neural network model. This research can provide scientific and reasonable decision support for the film investors and distributors, and has the corresponding engineering application value. It has certain reference value and guiding significance for the extension of functional network in practical engineering application.
【學(xué)位授予單位】：重慶大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TP183

【相似文獻】

相關(guān)期刊論文 前10條

1 田吉方;黃世霖;;機械結(jié)構(gòu)動特性的靈敏度分析與修正[J];信號處理;1987年02期

2 常斗南;差分放大器的靈敏度分析[J];天津職業(yè)技術(shù)師范學(xué)院學(xué)報;1990年01期

3 楊秀金;靈敏度分析在飼料配方中應(yīng)用的探討[J];鄭州糧食學(xué)院學(xué)報;1992年01期

4 楊敬安;利用光度立體法確定的表面法線誤差靈敏度分析與校正[J];應(yīng)用科學(xué)學(xué)報;1994年03期

5 陳建華,毛軍發(fā),王德東,劉驚濤;時域有耗傳輸線靈敏度分析的一種新方法[J];上海交通大學(xué)學(xué)報;2002年09期

6 魏阜旋，張德文;重根特征靈敏度分析[J];振動與沖擊;1995年04期

7 李盛陽,張曉武,邢立寧;基于靈敏度分析的動態(tài)指標(biāo)選取方法[J];計算機仿真;2005年03期

8 馮永青;;在線靜態(tài)靈敏度分析軟件在南方電網(wǎng)的應(yīng)用[J];電網(wǎng)技術(shù);2011年11期

9 陳酋,顏肖龍,房凱;電子機柜結(jié)構(gòu)動力參數(shù)的靈敏度分析[J];電子機械工程;2003年03期

10 付振憲,鄧正隆;靈敏度分析在慣導(dǎo)平臺誤差參數(shù)辨識中的應(yīng)用[J];系統(tǒng)工程與電子技術(shù);2001年07期

相關(guān)會議論文 前10條

1 周進雄;王學(xué)明;張智謙;張陵;;形狀設(shè)計靈敏度分析的無網(wǎng)格法[A];首屆全國航空航天領(lǐng)域中的力學(xué)問題學(xué)術(shù)研討會論文集（下冊）[C];2004年

2 殷保群;奚宏生;;M／G／1排隊系統(tǒng)的性能靈敏度分析[A];第十九屆中國控制會議論文集（一）[C];2000年

3 徐鐵軍;毛市龍;;靈敏度分析在配礦優(yōu)化應(yīng)用中的研究[A];2004年全國選礦新技術(shù)及其發(fā)展方向?qū)W術(shù)研討與技術(shù)交流會論文集[C];2004年

4 何琴淑;楊玉明;肖世富;;參數(shù)概率靈敏度分析的神經(jīng)網(wǎng)絡(luò)方法及其應(yīng)用[A];中國計算力學(xué)大會'2010（CCCM2010）暨第八屆南方計算力學(xué)學(xué)術(shù)會議（SCCM8）論文集[C];2010年

5 尹曉偉;錢文學(xué);謝里陽;;元件重要度和靈敏度分析的貝葉斯網(wǎng)絡(luò)方法[A];2012年全國機械行業(yè)可靠性技術(shù)學(xué)術(shù)交流會暨第四屆可靠性工程分會第四次全體委員大會論文集[C];2012年

6 白楊;汪鴻振;;用有限元/邊界元法進行聲學(xué)—結(jié)構(gòu)靈敏度分析[A];中國聲學(xué)學(xué)會2002年全國聲學(xué)學(xué)術(shù)會議論文集[C];2002年

7 彭威;周建平;;彈性連桿復(fù)合機構(gòu)的靈敏度分析[A];第八屆全國結(jié)構(gòu)工程學(xué)術(shù)會議論文集（第Ⅰ卷）[C];1999年

8 張偉;崔維成;李躍輝;李剛;;混合變量的耐壓圓柱筒安全靈敏度分析[A];2005年船舶結(jié)構(gòu)力學(xué)學(xué)術(shù)會議論文集[C];2005年

9 任汨;歐濤;殷晨波;王斌;;基于Hyperworks的保險杠靈敏度分析與優(yōu)化[A];全國先進制造技術(shù)高層論壇暨第九屆制造業(yè)自動化與信息化技術(shù)研討會論文集[C];2010年

10 張里;朱建軍;;基于一致性檢驗的模糊互補判斷矩陣的靈敏度分析[A];江蘇省系統(tǒng)工程學(xué)會第十一屆學(xué)術(shù)年會論文集[C];2009年

相關(guān)博士學(xué)位論文 前8條

1 趙世佳;虧損和接近虧損振動系統(tǒng)的若干問題研究[D];吉林大學(xué);2013年

2 陳建文;不確定數(shù)據(jù)庫查詢結(jié)果的靈敏度分析[D];清華大學(xué);2014年

3 張炳榮;大規(guī)模聲學(xué)計算的快速多極基本解法及聲學(xué)靈敏度分析[D];合肥工業(yè)大學(xué);2013年

4 何邕;面向設(shè)計的鐵道車輛動力學(xué)建模與靈敏度分析[D];西南交通大學(xué);2012年

5 李衍杰;擴展Markov決策過程的性能靈敏度分析與優(yōu)化[D];中國科學(xué)技術(shù)大學(xué);2006年

6 陳立濤;結(jié)構(gòu)聲學(xué)靈敏度計算方法研究[D];合肥工業(yè)大學(xué);2013年

7 毛玉明;動載荷反演問題時域分析理論方法和實驗研究[D];大連理工大學(xué);2010年

8 陳飚松;熱傳導(dǎo)與結(jié)構(gòu)耦合系統(tǒng)的靈敏度分析及優(yōu)化設(shè)計[D];大連理工大學(xué);2002年

相關(guān)碩士學(xué)位論文 前10條

1 王照靜;聚氨酯及其碳纖維復(fù)合材料形狀記憶行為有限元模擬及靈敏度分析[D];山東大學(xué);2015年

2 李微;基于剛度匹配下的沙漏簧結(jié)構(gòu)優(yōu)化與疲勞驗證[D];湘潭大學(xué);2015年

3 李金芝;基于泛函網(wǎng)絡(luò)的票房預(yù)測研究與應(yīng)用[D];重慶大學(xué);2015年

4 李效法;基于靈敏度分析的模型修正研究及其實現(xiàn)[D];南京航空航天大學(xué);2007年

5 王勇;含均勻和非均勻傳輸線網(wǎng)絡(luò)的靈敏度分析[D];華北電力大學(xué)（河北）;2006年

6 葛健全;減振支架結(jié)構(gòu)動力響應(yīng)的靈敏度分析[D];國防科學(xué)技術(shù)大學(xué);2004年

7 姜全保;結(jié)構(gòu)優(yōu)化設(shè)計結(jié)果的綜合評估與靈敏度分析技術(shù)[D];西北工業(yè)大學(xué);2002年

8 郭歡;灰關(guān)聯(lián)決策方法的靈敏度分析研究[D];武漢理工大學(xué);2009年

9 孫淦云;聲—結(jié)構(gòu)耦合系統(tǒng)振動分析和靈敏度分析[D];大連理工大學(xué);2003年

10 田紅巖;基于動力響應(yīng)靈敏度分析的鐵路橋墩狀態(tài)評估方法[D];北京交通大學(xué);2014年

，

本文編號：1366724