基于Stacking集成与超参数优化的电影票房预测研究

作     者：韩翔 

作者单位：山西大学 

学位级别：硕士

导师姓名：李顺勇

授予年度：2023年

学科分类：13[艺术学] 1303[艺术学-戏剧与影视学] 08[工学] 081104[工学-模式识别与智能系统] 0811[工学-控制科学与工程] 

主      题：电影票房 指标体系 Stacking 网格搜索 灰狼优化算法 

摘      要：随着国家对文化产业的推动和居民消费水平的上升,电影产业逐渐上升到经济社会发展的战略地位,我国电影市场发展进入一个全新的阶段。然而,电影产业具有投资额度大、高风险、高收益等特点,如何寻找到影响电影票房收益的重要影响因素,并指导电影企业在电影制作、电影营销、电影发行等一系列过程中规避风险,合理预测电影票房,成为电影产业发展过程中亟待解决的问题。电影票房影响因素复杂,难以量化,本文在传统电影票房指标体系的基础上,丰富指标,改变量化方法,选取2011-2022年票房超过1亿的国产电影,共计381部影片作为研究样本,分析了电影类型、电影档期、发行公司等常见指标对电影票房的影响,同时将同竞电影数、首周票房引入指标体系,主要从电影制作、电影营销、电影发行三个方面构造18个指标26个变量的电影票房影响因素指标体系,深入挖掘不同指标对电影票房的影响。传统单一预测模型在复杂的指标体系下预测性能表现不稳定,且各个单一算法的优缺点不同,导致现有模型不能很好的捕捉变量信息,从而造成模型预测精度不高的后果。为解决此问题,本文提出基于Stacking集成学习和超参数优化的电影票房预测模型。以381部影片为研究对象,经过数据预处理后,分别运用灰色关联分析与单因素方差分析方法选择连续型特征与离散型特征,最终保留13个重要特征,作为预测模型的输入。经过特征选择后,分别用XGBoost、BP神经网络、SVR模型、Light GBM、GBRT预测电影票房,结合GS、GWO优化算法选择模型最优的参数组合,融合XGBoost、Light GBM、GBRT构建Stacking同质集成模型,融合XGBoost、BP神经网络、SVR构建Stacking异质集成模型。实验结果显示,GWO优化算法相较于GS优化可以更精确地找到最优参数;同时,Stacking异质集成学习的预测表现优于Stacking同质集成模型,通过异质集成学习,既可以降低单一模型带来的片面性,也可以结合各个模型的优势,成为表现更好的模型。基于GWO优化的Stacking异质集成学习模型的预测效果最好,取得了最小的预测误差,RMSE为0.4263,MAPE为3.1127%,R为0.8380。