基于XGBoost的电影票房影响因素分析及预测研究

在我国电影产业中,电影票房是整个产业收益的主要来源,对票房进行准确预测对优化电影投融资,助力电影经营主体决策优化,促进整个电影产业的健康发展起着重要作用。本文主要构建了一种基于XGBoost算法筛选指标以及加入粒子群优化算法的BP神经网络的票房预测模型。首先,构建一个更全面的电影票房影响因素体系,加入微博因素和电影首日影评作为票房影响因素指标,同时结合电影特征和市场因素构建电影票房影响因素体系;其次,对各指标因素预处理量化后,为简化后期运算和提高模型的精度,构建基于XGBoost的影响力测量模型,并以此为依据进行筛选;最后,将筛选后的指标体系划分两部分即训练集和测试集,并在此基础上分别构建了BP神经网终模型、RBF模型以及PSO-BP模型,并引入评价指标和对案例电影预测精度进行分析,结果表明本文构建的PSO-BP模型具有更高的预测精度。本研究所构建的模型在电影上映期间预测最终票房具有一定的参考意义,可为有关部门提供决策参考。

基于Bayesian-Stacking模型的电影票房预测

本文构建了一种基于XGBoost的特征选取方法以及Bayesian-Stacking集成算法的票房预测模型。首先,构建XGBoost的影响力测量模型进行变量筛选,能够简化后期模型的输入和提高模型特征变量的可解释性;其次,分别构建了BP神经网络、XGBoost、Logistic Regression、LightGBM、GBDT以及Stacking模型,再利用贝叶斯优化算法实现上述模型超参数全局寻优后,对电影票房进行预测;最后,引入评价指标进行分析。结果表明:1)将贝叶斯优化算法与模型相结合,获得了相对于原模型更高的预测精度;2)Bayesian-Stacking模型的电影票房预测精度均优于其他模型。Bayesian-Stacking模型在电影上映期间预测最终票房具有较高的参考价值,可为有关部门提供决策参考。