CN109087146A

CN109087146A - 影院票房收入的预测方法及系统

Info

Publication number: CN109087146A
Application number: CN201810926132.5A
Authority: CN
Inventors: 邢超
Original assignee: Shenzhen Fast Buying Technology Co Ltd
Current assignee: Shenzhen Fast Buying Technology Co Ltd
Priority date: 2018-08-15
Filing date: 2018-08-15
Publication date: 2018-12-25

Abstract

本发明揭示了一种影院票房收入的预测方法及系统，属于计算机技术领域。该方法包括：获取影院在选定时间段的影片上映信息，根据所述影片上映信息确定所述影院在所述选定时间段的上映影片信息及排片信息，根据所述上映影片信息及排片信息建立票房预测数据，通过朴素贝叶斯模型、决策树、神经网络模型分别对所述票房预测数据进行迭代运算，预测所述影院在所述选定时间段的票房收入。上述影院票房收入的预测方法及系统能够根据影院的影片上映信息、排片信息即可自动预测影院在所述选定时间段的票房收入，进而使影院根据预测的票房收入适应性调节影院的排片情况，为影院票房收入的最大化提供参考。

Description

影院票房收入的预测方法及系统

技术领域

本发明涉及计算机应用技术领域，特别涉及一种影院票房收入的预测方法及系统。

背景技术

近年来，中国电影产业规模不断壮大，进入快速增长的阶段。产业环境的利好吸引大量资本涌入电影产业，互联网资本全面进入电影投资领域使得行业中的投资领域更加多元，电影渠道的投资更加的丰富。

同时，电影票房作为衡量电影好坏的重要指标，在电影产业中所起的作用也至关重要。电影票房的盈亏直接反应了电影的成败，决定着影片的收益和知名度。而对影院而言，票房收入是影院的主要输入来源，影院票房收入的多少直接影响者影院的日常经营活动。

然而，目前无法对影院在未来一段时间内的票房收入进行预测，导致影院无法通过调整其在特定时间段内的排片情况而使影院的票房收入最大化。

发明内容

为了解决相关技术中无法有效预测影院的票房收入的技术问题，本发明提供了一种影院票房收入的预测方法及系统。

一种影院票房收入的预测方法，包括：

获取影院在选定时间段的影片上映信息；

根据所述影片上映信息确定所述影院在所述选定时间段的上映影片信息及排片信息；

根据所述上映影片信息及排片信息建立票房预测数据；

通过朴素贝叶斯模型、决策树、神经网络模型分别对所述票房预测数据进行迭代运算，预测所述影院在所述选定时间段的票房收入。

一种影院票房收入的预测系统，包括：

影片上映信息获取模块，用于获取影院在选定时间段的影片上映信息；

影片及排片信息确定模块，用于根据所述影片上映信息确定所述影院在所述选定时间段的上映影片信息及排片信息；

票房预测数据建立模块，用于根据所述上映影片信息及排片信息建立票房预测数据；

票房收入预测模块，用于通过朴素贝叶斯模型、决策树、神经网络模型分别对所述票房预测数据进行迭代运算，预测所述影院在所述选定时间段的票房收入。

本发明的实施例提供的技术方案可以包括以下有益效果：

在对影院的票房收入进行预测时，通过获取影院在选定时间段的影片上映信息，根据所述影片上映信息确定所述影院在所述选定时间段的上映影片信息及排片信息，根据所述上映影片信息及排片信息建立票房预测数据，通过朴素贝叶斯模型、决策树、神经网络模型分别对所述票房预测数据进行迭代运算，预测所述影院在所述选定时间段的票房收入，从而能够根据影院的影片上映信息、排片信息即可自动预测影院在所述选定时间段的票房收入，进而使影院根据预测的票房收入适应性调节影院的排片情况，为影院的票房收入最大化提供参考。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并于说明书一起用于解释本发明的原理。

图1是根据一示例性实施例示出的一种影院票房收入的预测方法的流程图。

图2是图1对应实施例的影院票房收入的预测方法中步骤S130的一种具体实现的流程图。

图3是图1对应实施例示出的影院票房收入的预测方法中步骤S140的一种具体实现的流程图。

图4是图1对应实施例示出的影院票房收入的预测方法中步骤S140的另一种具体实现的流程图。

图5是图1对应实施例示出的影院票房收入的预测方法中步骤S140的另一种具体实现的流程图。

图6是根据一示例性实施例示出的一种影院票房收入的预测系统的框图。

图7是图6对应实施例示出的影院票房收入的预测系统中票房预测数据建立模块130的一种框图。

图8是图6对应实施例示出的影院票房收入的预测系统中票房收入预测模块140的一种框图。

图9是图6对应实施例示出的影院票房收入的预测系统中票房收入预测模块140的另一种框图。

图10是图6对应实施例示出的影院票房收入的预测系统中票房收入预测模块140的另一种框图。

图11是图6对应实施例示出的影院票房收入的预测系统中票房收入预测模块140的另一种框图。

具体实施方式

这里将详细地对示例性实施例执行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

图1是根据一示例性实施例示出的一种影院票房收入的预测方法的流程图。该影院票房收入的预测方法用于智能手机、电脑、服务器等计算机设备中。如图1所示，该影院票房收入的预测方法可以包括步骤S110、步骤S120、步骤S130和步骤S140。

步骤S110，获取影院在选定时间段的影片上映信息。

影片上映信息是影院在未来时间内能够上映影院的相关信息。

可以理解的是，在影片上映之前，影院需预先进行上映资格的申请并获批后，才能有资格在该影片的上映日之后进行该影片的上映。

因此，对每一个影院而言，均存在相应的影片上映信息。

当需对影院在某一段时间内的票房收入进行预测时，通过选取选定时间段，进而从影院的影片上映信息中提取在选定时间段内的影片上映信息。

步骤S120，根据所述影片上映信息确定所述影院在所述选定时间段的上映影片信息及排片信息。

在确定影院在选定时间段的影片上映信息后，就可根据影片上映信息确定在该选定时间段内的上映影片，进而获取这些上映影片的影片信息。

通常地，影院会预先进行影片的排片计划，进而根据排片计划进行影片的上映。

因此，通过选定时间段，从排片计划中提取该选定时间段内的排片信息。

步骤S130，根据上映影片信息及排片信息建立票房预测数据。

上映影片信息包括影片类型、主创人员、主创人员的历史票房、投入成本、影片上映前的媒体转发量、影片所属投资、发行公司的平均票房等中的一种或多种。

通过对上映影片信息及排片信息建立票房预测数据，以使根据这些票房预测数据对票房收入进行更准确的预测。

图2是根据一示例性实施例示出的步骤S130的细节描述，如图2所示，步骤S130可以包括步骤S131和步骤S132。

步骤S131，在选定时间段中按照法定节假日、休息日、工作日进行时间分类。

可以理解的是，法定节假日、休息日、工作日，影院的票房收入存在较大的区别。

因而，根据法定节假日、休息日、工作日对选定时间段进行时间分类，进而对不同时间分类的排片信息及所述上映影片信息分别建立票房预测数据，从而更加有针对性地预测影院的票房收入。

步骤S132，按照所述排片信息及所述上映影片信息，建立不同时间分类的票房预测数据。

步骤S140，通过朴素贝叶斯模型、决策树、神经网络模型分别对所述票房预测数据进行迭代运算，预测所述影院在所述选定时间段的票房收入。

朴素贝叶斯模型、决策树、神经网络模型是三种不同的计算模型，通过三种模型分别对票房预测数据进行迭代运算，从而进一步保证对在所述选定时间段的票房收入进行预测的准确性。

图3是根据一示例性实施例示出的步骤S140的细节描述，如图3所示，在通过朴素贝叶斯模型进行票房收入的预测时，步骤S140可以包括步骤S141、步骤S142和步骤S143。

步骤S141，通过朴素贝叶斯模型对所述票房预测数据建立不同的属性模型。

朴素贝叶斯是一种简单但是非常强大的线性分类器。它在垃圾邮件分类，疾病诊断中都取得了很大的成功。它之所以称为朴素，是因为它假设各条件特征之间是相互独立的，但是在现实生活中，这种假设基本上是不成立的。那么即使是在假设不成立的条件下，它依然表现的很好，尤其是在小规模样本的情况下。但是，如果每个条件特征之间有很强的关联性和非线性的分类问题会导致朴素贝叶斯模型有很差的分类效果。

因此，通过朴素贝叶斯模型对所述票房预测数据建立不同的属性模型，即每个属性模型作为一个条件特征，进而计算在每个属性模型下取得各类票房收入的概率。

在通过朴素贝叶斯模型对所述票房预测数据建立不同的属性模型时，可预先收集历史票房相关数据，再根据历史票房相关数据，通过朴素贝叶斯模型对所述票房预测数据建立不同的属性模型。

步骤S142，计算在每个属性模型下取得各类票房收入的概率。

可选的，可通过一下公式进行各属性特征下票房收入的概率。

其中d为属性数目，x_i为x在第i个属性上的取值。朴素贝叶斯模型为统计每个属性特征下取得票房收入的概率，然后将所有概率相乘得到每种票房收入的概率，概率最大的一类为预测的票房。通过该模型可以快速更新迭代出新模型，预测速度也很快。同时能得知对票房影响较大的因素为档期，主要演员、排片数量等因素。

步骤S143，根据所述票房收入及相应的概率计算所述影院在所述选定时间段的票房收入。

图4是根据一示例性实施例示出的步骤S140的细节描述，如图4所示，在通过决策树进行票房收入的预测时，步骤S140可以包括步骤S144和步骤S145。

步骤S144，根据所述票房预测数据构建决策树。

决策树实际上就是寻找最纯净的划分方法，这个最纯净在数学上叫纯度，纯度通俗点理解就是目标变量要分得足够开(y＝1的和y＝0的混到一起就会不纯)。另一种理解是分类误差率的一种衡量。实际决策树算法往往用到的是，纯度的另一面也即不纯度，下面是不纯度的公式。不纯度的选取有多种方法，每种方法也就形成了不同的决策树方法，比如ID3算法使用信息增益作为不纯度；C4.5算法使用信息增益率作为不纯度；CART算法使用基尼系数作为不纯度。

决策树是一种从无次序、无规则的样本数据集中推理出决策树表示形式的分类规则方法。它采用自顶向下的递归方式，在决策树的内部节点进行属性值的比较并根据不同的属性值判断从该节点向下的分支.在决策树的叶节点得到结论。因此从根节点到叶节点的一条路径就对应着一条规则.整棵决策树就对应着一组表达式规则。

可选的，可通过以下公式进行节点的确定：

分类决策树模型是一种描述对实例进行分类的树形结构，决策树由节点和有向边组成。节点有两种类型：内部节点和叶节点。内部节点表示一个特征或属性.叶节点表示一个类。用决策树分类，从根节点开始，对实例的某一特征进行测试，根据测试结果，将实例分配到其子节点；这时，每一个子节点对应着该特征的一个取值。如此递归地对实例进行测试并分配，直到达到叶节点。最后将实例分到叶节点的类中。

决策树学习算法是以实例为基础的归纳学习算法，本质上是从训练数据集中归纳出一组分类规则，与训练数据集不相矛盾的决策树可能有多个，也可能一个也没有。我们需要的是一个与训练数据集矛盾较小的决策树，同时具有很好的泛化能力。

因此，通过收集影院以往的历史票房相关数据，并进行训练建立决策树模型，进而通过决策树模型为票房预测数据构建决策树。

步骤S145，通过在所述决策树中进行迭代运算，预测所述影院在所述选定时间段的票房收入。

图5是根据一示例性实施例示出的步骤S140的细节描述，如图5所示，在通过神经网络进行票房收入的预测时，步骤S140可以包括步骤S147和步骤S148。

步骤S147，对所述票房预测数据进行归一化处理。

由于主创人员、影片类型是离散值，并不能直接当作神经网络模型的输入，而需要另外的相关数据代替，因此通过另外收集豆瓣上的主创人员的评分等级、各影片类型的平均票房等相关数据，以此代替以上离散值。对于神经网络来说，为避免产生梯度过大等问题，通过对票房预测数据进行特征归一化处理。归一化方法采用线性放缩法放缩到[0,1]区间之中，方式如公式：

步骤S148，采用预先构建的神经网络模型对经过归一化处理的所述票房预测数据进行深度学习，得到所述票房预测数据对应的票房收入。

损失函数采用交叉熵形式公式：

由于有两层隐藏层，每层隐藏层的输出使用正切激活函数输出，每层连接均采用fully connected的形式，输出层使用softmax激活函数输出：

输出形式表示为y的概率分布，真实输出采用one-hot编码(即除了该条电影的真实类别是1外，其他类别为0)，使用该输出和真实输出做交叉熵得出损失函数。

在通过朴素贝叶斯模型、决策树、神经网络模型分别计算所述票房预测数据对应的票房收入后，可通过计算这三种模型计算得到的票房收入的平均值，进而将该平均值作为预测得到的影院在所述选定时间段的票房收入；也可以通过对这三种模型计算得到的票房收入进行大小排序，将票房收入排序第二位的票房收入作为预测得到的影院在所述选定时间段的票房收入；还可以通过对这三种模型分别设置权重，进而通过设置的权重控制这三种模型计算得到的票房收入，进而得到最终的票房收入，并作为预测得到的影院在所述选定时间段的票房收入。

利用如上所述的方法，在对影院的票房收入进行预测时，通过获取影院在选定时间段的影片上映信息，根据所述影片上映信息确定所述影院在所述选定时间段的上映影片信息及排片信息，根据所述上映影片信息及排片信息建立票房预测数据，通过朴素贝叶斯模型、决策树、神经网络模型分别对所述票房预测数据进行迭代运算，预测所述影院在所述选定时间段的票房收入，从而能够根据影院的影片上映信息、排片信息即可自动预测影院在所述选定时间段的票房收入，进而使影院根据预测的票房收入适应性调节影院的排片情况，为影院的票房收入最大化提供参考。

下述为本发明系统实施例，可以用于执行本上述影院票房收入的预测方法实施例。对于本发明系统实施例中未披露的细节，请参照本发明影院票房收入的预测方法实施例。

图6是根据一示例性实施例示出的一种影院票房收入的预测系统的框图，该装置包括但不限于：影片上映信息获取模块110、影片及排片信息确定模块120、票房预测数据建立模块130及票房收入预测模块140。

影片上映信息获取模块110，用于获取影院在选定时间段的影片上映信息；

影片及排片信息确定模块120，用于根据所述影片上映信息确定所述影院在所述选定时间段的上映影片信息及排片信息；

票房预测数据建立模块130，用于根据所述上映影片信息及排片信息建立票房预测数据；

票房收入预测模块140，用于通过朴素贝叶斯模型、决策树、神经网络模型分别对所述票房预测数据进行迭代运算，预测所述影院在所述选定时间段的票房收入。

上述系统中各个模块的功能和作用的实现过程具体详见上述影院票房收入的预测方法中对应步骤的实现过程，在此不再赘述。

可选的，如图7所示，图6中所示的票房预测数据建立模块130包括但不限于：时间分类单元131和票房预测数据建立单元132。

时间分类单元131，用于在选定时间段中按照法定节假日、休息日、工作日进行时间分类；

票房预测数据建立单元132，用于按照所述排片信息及所述上映影片信息，建立不同时间分类的票房预测数据。

可选的，如图8所示，图6中所示的票房收入预测模块140包括但不限于：属性模型建立单元141、属性概率计算单元142和票房收入计算单元143。

属性模型建立单元141，用于通过朴素贝叶斯模型对所述票房预测数据建立不同的属性模型；

属性概率计算单元142，用于计算在每个属性模型下取得各类票房收入的概率，计算公式如下：

其中d为属性数目，x_i为x在第i个属性上的取值；

第一票房收入计算单元143，用于根据所述票房收入及相应的概率计算所述影院在所述选定时间段的票房收入。

可选的，如图9所示，图6中所示的票房收入预测模块140包括但不限于：决策树构建单元144和第二票房收入计算单元145。

决策树构建单元144，用于根据所述票房预测数据构建决策树；

第二票房收入计算单元145，用于通过在所述决策树中进行迭代运算，预测所述影院在所述选定时间段的票房收入。

可选的，如图10所示，图6中所示的票房收入预测模块140包括但不限于：归一化处理单元147和第三票房收入计算单元148。

归一化处理单元147，用于对所述票房预测数据进行归一化处理；

第三票房收入计算单元148，用于采用预先构建的神经网络模型对经过归一化处理的所述票房预测数据进行深度学习，得到所述票房预测数据对应的票房收入。

可选的，如图11所示，图6中所示的票房收入预测模块140包括但不限于：票房收入计算单元210、平均票房收入计算单元220和预测票房收入确定单元230。

票房收入计算单元210，用于通过朴素贝叶斯模型、决策树、神经网络模型分别计算所述票房预测数据对应的票房收入；

平均票房收入计算单元220，用于计算所述票房收入的平均值得到平均票房收入；

预测票房收入确定单元230，用于将所述平均票房收入作为所述影院在所述选定时间段的票房收入。

可选的，本发明还提供一种终端，执行如上述示例性实施例任一所示的影院票房收入的预测方法的全部或者部分步骤。终端包括：

处理器；以及

与所述处理器通信连接的存储器；其中，

所述存储器存储有可读性指令，所述可读性指令被所述处理器执行时实现如上述任一示例性实施例所述的方法。

该实施例中的终端中处理器执行操作的具体方式已经在有关该影院票房收入的预测方法的实施例中执行了详细描述，此处将不做详细阐述说明。

在示例性实施例中，还提供了一种存储介质，该存储介质为计算机可读性存储介质，例如可以为包括指令的临时性和非临时性计算机可读性存储介质。该存储介质例如包括指令的存储器，上述指令可由终端的处理器执行以完成上述影院票房收入的预测方法。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围执行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims

1.一种影院票房收入的预测方法，其特征在于，所述方法包括：

获取影院在选定时间段的影片上映信息；

根据所述上映影片信息及排片信息建立票房预测数据；

2.根据权利要求1所述的方法，其特征在于，所述上映影片信息包括影片类型、主创人员、主创人员的历史票房、投入成本、影片上映前的媒体转发量、影片所属投资、发行公司的平均票房等中的一种或多种。

3.根据权利要求1所述的方法，其特征在于，所述根据所述上映影片信息及排片信息建立票房预测数据的步骤包括：

在选定时间段中按照法定节假日、休息日、工作日进行时间分类；

按照所述排片信息及所述上映影片信息，建立不同时间分类的票房预测数据。

4.根据权利要求1所述的方法，其特征在于，所通过朴素贝叶斯模型、决策树、神经网络模型分别对所述票房预测数据进行迭代运算，预测所述影院在所述选定时间段的票房收入的步骤包括：

通过朴素贝叶斯模型对所述票房预测数据建立不同的属性模型；

计算在每个属性模型下取得各类票房收入的概率，计算公式如下：

其中d为属性数目，x_i为x在第i个属性上的取值；

根据所述票房收入及相应的概率计算所述影院在所述选定时间段的票房收入。

5.根据权利要求1所述的方法，其特征在于，所通过朴素贝叶斯模型、决策树、神经网络模型分别对所述票房预测数据进行迭代运算，预测所述影院在所述选定时间段的票房收入的步骤还包括：

根据所述票房预测数据构建决策树；

通过在所述决策树中进行迭代运算，预测所述影院在所述选定时间段的票房收入。

6.根据权利要求1所述的方法，其特征在于，所通过朴素贝叶斯模型、决策树、神经网络模型分别对所述票房预测数据进行迭代运算，预测所述影院在所述选定时间段的票房收入的步骤还包括：

对所述票房预测数据进行归一化处理；

采用预先构建的神经网络模型对经过归一化处理的所述票房预测数据进行深度学习，得到所述票房预测数据对应的票房收入。

7.根据权利要求1所述的方法，其特征在于，所通过朴素贝叶斯模型、决策树、神经网络模型分别对所述票房预测数据进行迭代运算，预测所述影院在所述选定时间段的票房收入的步骤还包括：

通过朴素贝叶斯模型、决策树、神经网络模型分别计算所述票房预测数据对应的票房收入；

计算所述票房收入的平均值得到平均票房收入；

将所述平均票房收入作为所述影院在所述选定时间段的票房收入。

8.一种影院票房收入的预测系统，其特征在于，所述系统包括：

9.根据权利要求8所述的系统，其特征在于，所述票房收入预测模块包括：

模型票房收入计算单元，用于通过朴素贝叶斯模型、决策树、神经网络模型分别计算所述票房预测数据对应的票房收入；

平均票房收入计算单元，用于计算所述票房收入的平均值得到平均票房收入；

票房收入预测单元，用于将所述平均票房收入作为所述影院在所述选定时间段的票房收入。