一种基于神经网络算法的电影票房预测方法及预测系统与流程

本发明涉及数据处理技术领域，尤其涉及一种基于神经网络算法的电影票房预测方法及预测系统。

背景技术：

近年来，中国电影票房增幅很高。政府的大力支持和市场的活跃形势，表明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。

尽管电影产业发展如此迅速，我们也必须清醒的看到在一个产业崛起背后的投资和经营的风险。

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。

所以对电影票房进行预测有助于确保电影的收益，同时也有助于电影的运营效率。一些投资公司设置了对赌协议，也有助于确保其收益。

因此，建立一套完整并且预测准确的电影票房预测系统成为我国电影产业发展的当务之急。

技术实现要素：

为了解决现有技术中无法科学预测电影票房的问题，本发明提供了一种基于神经网络算法的电影票房预测方法及预测系统。

一种基于神经网络算法的电影票房预测方法，包括：

步骤1，选择M个票房影响因素；查询并计算多个已下线电影的M个票房影响因素的票房影响力指标；

步骤2，根据所述已下线电影的M个票房影响因素的票房影响力指标和所述已下线电影的票房进行相关性分析，得到M个票房影响因素与电影票房的相关系数，从M个票房影响因素中选择N个相关系数较大的票房影响因素作为N个票房主要影响因素，其中，N小于或等于M；

步骤3，确定神经网络的输入层的神经元个数为N，输出层的神经元个数为票房的分段个数为K；根据所述输入层的神经元个数N和所述输出层的神经元个数K确定所述神经网络的隐含层的神经元个数为L；

根据所述多个已下线电影的N个票房主要影响因素的票房影响力指标训练所述神经网络直至预测误差均小于预设门限值，则训练成功；

步骤4，确定待预测电影的N个票房主要影响因素的票房影响力指标，将此N个票房主要影响因素的票房影响力指标作为输入数据输入至训练成功的神经网络，根据神经网络的输出结果确定待预测电影的预测票房。

本发明所述电影票房预测方法的优选技术方案为，所述步骤3中进行神经网络训练的方法包括：

步骤301，设置输入层神经元的个数为N，输出层神经元的个数为K；根据所述多个已下线电影的票房数据确定票房的分段，共分为K段，对所述多个已下线电影进行分类，将票房数据属于同一分段的已下线电影分为一类；确定K个期望输出矢量E，每个期望输出矢量包含K个元素；初始化输入层和隐含层之间的连接权值ω_ij、输入层和输出层之间的连接权值ω_jk、隐含层阈值a、输出层阈值b，学习速率η和神经元激励函数f(x)；

步骤302：输入已下线电影的N个票房主要影响因素X，计算隐含层输出H：

步骤303：根据隐含层输出H_j，连接权值ω_jk和阈值b，计算神经网络的是输出O：

步骤304：根据神经网络的输出O和期望输出E，计算网络预测误差e

e_k＝E_k-O_k，k＝1,2,..,K

步骤305：根据网络预测误差e_k更新网络连接权值ω_ij，ω_jk

ω_jk＝ω_jk+ηH_je_k j＝1,2,...,L；k＝1,2,...,K

步骤306：根据网络预测误差e更新网络节点阈值a,b

b_k＝b_k+e_k；k＝1,2,...,K

步骤307：判断算法迭代是否结束即对所有已下线电影的N个票房主要影响因素x的网络预测误差是否均小于预设门限，如果是，训练成功，如果否，返回步骤302。

本发明所述电影票房预测方法的优选技术方案为，所述票房影响因素包括下述因素中的多个：电影类型、原创与否、IP改编与否、续集与否、上映天数、首周票房、口碑评分、二次售卖、衍生品与否、海外收益与否、获奖情况、第k个导演、第一男主演、第i男主演、第一女主演、第i女主演、制片人、编剧、制作公司、发行公司、发行档期、网络搜索指数、涉交网络搜索指数、同期竞争片数、同类型竞争片数，其中k为大于0的整数，其中i为大于1的整数。

本发明所述电影票房预测方法的优选技术方案为，所述票房影响因素的票房影响力指标的计算方法包括：

所述票房因素为电影类型时，票房影响力指标为电影的上映首周中与此电影属于相同类型的各电影的票房之和除以与此电影属于相同类型的电影的个数所得的商；

所述票房因素为原创与否时，电影为原创时票房影响力指标为1，电影为非原创时票房影响力指标为0；

所述票房因素为产权改编与否时，电影为产权改编时票房影响力指标为1，电影为非产权改编时票房影响力指标为0；

所述票房因素为续集与否时，电影为续集则票房影响力指标为1，电影不是续集则票房影响力指标为0；

所述票房因素为上映天数时，票房影响力指标为电影的上映天数；

所述票房因素为首周票房时，票房影响力指标为电影上映期间的首周的票房值；

所述票房因素为口碑评分时，票房影响力指标为至少两个电影评论网站上对电影的评分的均值；

所述票房因素为二次售卖与否时，电影是经过二次售卖的电影时票房影响力指标为1，电影不是经过二次售卖的电影时票房影响力指标为0；

所述票房因素为衍生品与否时，电影有衍生品时票房影响力指标为1，电影没有衍生品时票房影响力指标为0；

所述票房因素为海外收益与否时，电影有海外收益时票房影响力指标为1，电影没有海外收益时票房影响力指标为0；

所述票房因素为获奖情况时，票房影响力指标为电影获奖的个数；

所述票房因素为第k个导演时，票房影响力指标为此导演曾经导 过的所有电影的首周票房的平均值；

所述票房因素为第一男主演时，票房影响力指标为此第一男主演曾经演过的所有电影的首周票房的平均值；

所述票房因素为第i男主演时，票房影响力指标为此第i男主演曾经演过的每个电影的首周票房与其在此电影中的参演系数的乘积之和与此第i男主演曾经演过的电影的数量的商；其中i为大于1的整数；

所述票房因素为第一女主演时，票房影响力指标为此第一女主演曾经演过的所有电影的首周票房的平均值；

所述票房因素为第i女主演时，票房影响力指标为此第i女主演曾经演过的每个电影的首周票房与其在此电影中的参演系数的乘积之和与此第i女主演曾经演过的电影的数量的商；其中i为大于1的整数；

所述票房因素为制片人时，票房影响力指标为制片人曾经制作的所有电影的首周票房的平均值；

所述票房因素为编剧时，票房影响力指标为编剧曾经编的所有电影的首周票房的平均值；

所述票房因素为制作公司时，票房影响力指标为电影的所有制作公司所制作的电影的总个数与制作公司的总个数的商；

所述票房因素为发行公司时，票房影响力指标为电影的所有发行公司所发行的电影的总个数与发行公司的总个数的商；

所述票房因素为发行档期时，票房影响力指标为电影的发行档期所属的档期类别下所有同档期类别的电影的首周票房与档期类别的天数的商；

所述票房因素为网络搜索指数时，票房影响力指标为电影上映期间第一搜索网络上的搜索周平均值；

所述票房因素为涉交网络搜索指数时，票房影响力指标为电影上 映期间第一涉交网络的搜索单日最大值；

所述票房因素为同期竞争片数，票房影响力指标为电影在同一上映时期的竞争片的个数；

所述票房因素为同类型竞争片数，票房影响力指标为电影在同一上映时期的同类型竞争片的个数。

本发明还涉及一种基于神经网络算法的电影票房预测系统，包括：第一计算模块、相关性分析模块、选择模块、第二计算模块、神经网络控制模块；

所述第一计算模块用于选择M个票房影响因素；查询并计算多个已下线电影的M个票房影响因素的票房影响力指标；

所述相关性分析模块用于根据所述已下线电影的M个票房影响因素的票房影响力指标和所述已下线电影的票房进行相关性分析，得到M个票房影响因素与电影票房的相关系数，

所述选择模块，用于从M个票房影响因素中选择N个相关系数较大的票房影响因素作为N个票房主要影响因素，其中，N小于或等于M；

所述第二计算模块，根据所述多个已下线电影的N个票房主要影响因素的票房影响力指标训练所述神经网络直至预测误差均小于预设门限值，则训练成功；

所述神经网络控制模块，用于确定待预测电影的N个票房主要影响因素的票房影响力指标，将此N个票房主要影响因素的票房影响力指标作为输入数据输入至训练成功的神经网络，根据神经网络的输出结果确定待预测电影的预测票房。

本发明所述电影票房预测系统的优选技术方案为，所述神经网络控制模块，根据下述方法进行神经网络训练的方法包括：

步骤301，设置输入层神经元的个数为N，输出层神经元的个数为K；根据所述多个已下线电影的票房数据确定票房的分段，共分为 K段，对所述多个已下线电影进行分类，将票房数据属于同一分段的已下线电影分为一类；确定K个期望输出矢量E，每个期望输出矢量包含K个元素；初始化输入层和隐含层之间的连接权值ω_ij、输入层和输出层之间的连接权值ω_jk、隐含层阈值a、输出层阈值b，学习速率η和神经元激励函数f(x)；

步骤302：输入已下线电影的N个票房主要影响因素X，计算隐含层输出H：

步骤303：根据隐含层输出H_j,连接权值ω_jk和阈值b，计算神经网络的是输出O：

步骤304：根据神经网络的输出O和期望输出E，计算网络预测误差e

e_k＝E_k-O_k，k＝1,2,..,K

步骤305：根据网络预测误差e_k更新网络连接权值ω_ij，ωjk

ω_jk＝ω_jk+ηH_je_k j＝1,2,...,L；k＝1,2,...,K

步骤306：根据网络预测误差e更新网络节点阈值a,b

b_k＝b_k+e_k；k＝1,2,...,K

步骤307：判断算法迭代是否结束即对所有已下线电影的N个票房主要影响因素x的网络预测误差是否均小于预设门限，如果是，训练成功，如果否，返回步骤302。

本发明所述电影票房预测系统的优选技术方案为，所述票房影响因素包括下述因素中的多个：电影类型、原创与否、IP改编与否、续 集与否、上映天数、首周票房、口碑评分、二次售卖、衍生品与否、海外收益与否、获奖情况、第k个导演、第一男主演、第i男主演、第一女主演、第i女主演、制片人、编剧、制作公司、发行公司、发行档期、网络搜索指数、涉交网络搜索指数、同期竞争片数、同类型竞争片数，其中k为大于0的整数，其中i为大于1的整数。

本发明所述电影票房预测系统的优选技术方案为，所述第一计算模块，还用于根据以下方式计算票房影响因素的票房影响力指标：

所述票房因素为电影类型时，票房影响力指标为电影的上映首周中与此电影属于相同类型的各电影的票房之和除以与此电影属于相同类型的电影的个数所得的商；

所述票房因素为原创与否时，电影为原创时票房影响力指标为1，电影为非原创时票房影响力指标为0；

所述票房因素为产权改编与否时，电影为产权改编时票房影响力指标为1，电影为非产权改编时票房影响力指标为0；

所述票房因素为续集与否时，电影为续集则票房影响力指标为1，电影不是续集则票房影响力指标为0；

所述票房因素为上映天数时，票房影响力指标为电影的上映天数；

所述票房因素为首周票房时，票房影响力指标为电影上映期间的首周的票房值；

所述票房因素为口碑评分时，票房影响力指标为至少两个电影评论网站上对电影的评分的均值；

所述票房因素为二次售卖与否时，电影是经过二次售卖的电影时票房影响力指标为1，电影不是经过二次售卖的电影时票房影响力指标为0；

所述票房因素为衍生品与否时，电影有衍生品时票房影响力指标为1，电影没有衍生品时票房影响力指标为0；

所述票房因素为海外收益与否时，电影有海外收益时票房影响力指标为1，电影没有海外收益时票房影响力指标为0；

所述票房因素为获奖情况时，票房影响力指标为电影获奖的个数；

所述票房因素为第k个导演时，票房影响力指标为此导演曾经导过的所有电影的首周票房的平均值；

所述票房因素为第一男主演时，票房影响力指标为此第一男主演曾经演过的所有电影的首周票房的平均值；

所述票房因素为第i男主演时，票房影响力指标为此第i男主演曾经演过的每个电影的首周票房与其在此电影中的参演系数的乘积之和与此第i男主演曾经演过的电影的数量的商；其中i为大于1的整数；

所述票房因素为第一女主演时，票房影响力指标为此第一女主演曾经演过的所有电影的首周票房的平均值；

所述票房因素为第i女主演时，票房影响力指标为此第i女主演曾经演过的每个电影的首周票房与其在此电影中的参演系数的乘积之和与此第i女主演曾经演过的电影的数量的商；其中i为大于1的整数；

所述票房因素为制片人时，票房影响力指标为制片人曾经制作的所有电影的首周票房的平均值；

所述票房因素为编剧时，票房影响力指标为编剧曾经编的所有电影的首周票房的平均值；

所述票房因素为制作公司时，票房影响力指标为电影的所有制作公司所制作的电影的总个数与制作公司的总个数的商；

所述票房因素为发行公司时，票房影响力指标为电影的所有发行公司所发行的电影的总个数与发行公司的总个数的商；

所述票房因素为发行档期时，票房影响力指标为电影的发行档期 所属的档期类别下所有同档期类别的电影的首周票房与档期类别的天数的商；

所述票房因素为网络搜索指数时，票房影响力指标为电影上映期间第一搜索网络上的搜索周平均值；

所述票房因素为涉交网络搜索指数时，票房影响力指标为电影上映期间第一涉交网络的搜索单日最大值；

所述票房因素为同期竞争片数，票房影响力指标为电影在同一上映时期的竞争片的个数；

所述票房因素为同类型竞争片数，票房影响力指标为电影在同一上映时期的同类型竞争片的个数。

因此，根据本发明提供的基于神经网络算法的电影票房预测方法及系统，可以利用大数据较为准确的预测电影票房，有助于确保电影的投资收益。

附图说明

图1是实施例中基于神经网络算法的电影票房预测方法的流程图；

图2是实施例中基于神经网络算法的电影票房预测系统的结构图；

图3是神经网络拓扑结构图。

具体实施例

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护 的范围。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。

图1是基于神经网络算法的电影票房预测方法的流程图，此方法包括：

步骤1，选择M个票房影响因素；查询并计算多个已下线电影的M个票房影响因素的票房影响力指标；

步骤2，根据已下线下线电影的M个票房影响因素的票房影响力指标和已下线下线电影的票房进行相关性分析，得到M个票房影响因素与电影票房的相关系数，从M个票房影响因素中选择N个相关系数较大的票房影响因素作为N个票房主要影响因素，其中，N小于或等于M；

步骤3，确定神经网络的输入层的神经元个数为N，输出层的神经元个数为票房的分段个数为K；根据输入层的神经元个数N和输出层的神经元个数K确定神经网络的隐含层的神经元个数为L；根据多个已下线下线电影的N个票房主要影响因素的票房影响力指标训练神经网络直至预测误差均小于预设门限值，则训练成功；

步骤4，确定待预测电影的N个票房主要影响因素的票房影响力指标，将此N个票房主要影响因素的票房影响力指标作为输入数据输入至训练成功的神经网络，根据神经网络的输出结果确定待预测电影的预测票房。

其中，步骤3中进行神经网络训练的方法包括：

步骤301，设置输入层神经元的个数为N，输出层神经元的个数为K；根据多个已下线下线电影的票房数据确定票房的分段，共分为K段，对多个已下线下线电影进行分类，将票房数据属于同一分段的已下线下线电影分为一类；确定K个期望输出矢量E，每个期望输出矢量包含K个元素；初始化输入层和隐含层之间的连接权值ω_ij、输入层和输出层之间的连接权值ω_jk、隐含层阈值a、输出层阈值b，学习速率η和神经元激励函数f(x)；

步骤302：输入已下线下线电影的N个票房主要影响因素X，计算隐含层输出H：

步骤303：根据隐含层输出H_j,连接权值ω_jk和阈值b，计算神经网络的是输出O：

步骤304：根据神经网络的输出O和期望输出E，计算网络预测误差e

e_k＝E_k-O_k，k＝1,2,..,K

步骤305：根据网络预测误差e_k更新网络连接权值ω_ij，ω_jk

ω_jk＝ω_jk+ηH_je_k j＝1,2,...,L；k＝1,2,...,K

步骤306：根据网络预测误差e更新网络节点阈值a,b

b_k＝b_k+e_k；k＝1,2,...,K

步骤307：判断算法迭代是否结束即对所有已下线电影的N个票房主要影响因素X的网络预测误差是否均小于预设门限，如果是，训练成功，如果否，返回步骤302。

本方法中，票房影响因素包括下述因素中的多个：电影类型、原创与否、IP改编与否、续集与否、上映天数、首周票房、口碑评分、二次售卖、衍生品与否、海外收益与否、获奖情况、第k个导演、第一男主演、第i男主演、第一女主演、第i女主演、制片人、编剧、制作公司、发行公司、发行档期、网络搜索指数、涉交网络搜索指数、同期竞争片数、同类型竞争片数，其中k为大于0的整数，其中i为大于1的整数。

确定票房影响因素的票房影响力指标的方法具体包括：

票房因素为电影类型时，票房影响力指标为电影的上映首周中与此电影属于相同类型的各电影的票房之和除以与此电影属于相同类型的电影的个数所得的商；具体的，票房因素为第t个电影类型时，票房影响力指标为Y_t

其中t表示电影类型的序号，m1表示第t类型的电影总量，j表示属于第t类型的电影的序号，a_tj表示内容第t类型的第j部电影在上映的首周内产生的票房。

票房因素为原创与否时，电影为原创时票房影响力指标为1，电影为非原创时票房影响力指标为0；

票房因素为产权改编与否时，电影为产权改编时票房影响力指标为1，电影为非产权改编时票房影响力指标为0；

票房因素为续集与否时，电影为续集则票房影响力指标为1，电影不是续集则票房影响力指标为0；

票房因素为上映天数时，票房影响力指标为电影的上映天数；

票房因素为首周票房时，票房影响力指标为电影上映期间的首周的票房值；

票房因素为口碑评分时，票房影响力指标为至少两个电影评论网站上对电影的评分的均值；

票房因素为二次售卖与否时，电影是经过二次售卖的电影时票房影响力指标为1，电影不是经过二次售卖的电影时票房影响力指标为0；

票房因素为衍生品与否时，电影有衍生品时票房影响力指标为1，电影没有衍生品时票房影响力指标为0；

票房因素为海外收益与否时，电影有海外收益时票房影响力指标 为1，电影没有海外收益时票房影响力指标为0；

票房因素为获奖情况时，票房影响力指标为电影获奖的个数；

票房因素为第k个导演时，票房影响力指标为此导演曾经导过的所有电影的首周票房的平均值；其中k为大于0的整数；

具体票房影响力指标为

其中k表示导演的序号，m2表示第k个导演拍摄的电影总量，j表示第k个导演参与拍摄的电影的序号，a_kj表示第k个导演参与拍摄的第j部电影在上映的首周内产生的票房。

票房因素为第一男主演时，票房影响力指标为此第一男主演曾经演过的所有电影的首周票房的平均值；

票房因素为第i男主演时，票房影响力指标为此第i男主演曾经演过的每个电影的首周票房与其在此电影中的参演系数的乘积之和与此第i男主演曾经演过的电影的数量的商；其中i为大于1的整数；

具体票房影响力指标为

其中i表示男主演的序号，m3表示第i男主演拍摄的电影总量，j表示第i男主演参与拍摄的电影的序号，a_ij表示第i男主演参与拍摄的第j部电影在上映的首周内产生的票房，u_ij表示第i男主演在第j部电影中的参演系数，u_ij＝1-(n_ij-1)/5，n_ij表示第i男主演在第j部电影中的主演次序。例如当前电影的第2男主演在当前电影中的参演系数为0.8。

票房因素为第一女主演时，票房影响力指标为此第一女主演曾经演过的所有电影的首周票房的平均值；

票房因素为第i女主演时，票房影响力指标为此第i女主演曾经演过的每个电影的首周票房与其在此电影中的参演系数的乘积之和与此第i女主演曾经演过的电影的数量的商；其中i为大于1的整数。相应票房因素的票房影响力指标的计算方式与第i男主演的计算方式 相同，此处不再赘述。

票房因素为制片人时，票房影响力指标为制片人曾经制作的所有电影的首周票房的平均值；

票房因素为编剧时，票房影响力指标为编剧曾经编的所有电影的首周票房的平均值；

票房因素为制作公司时，票房影响力指标为电影的所有制作公司所制作的电影的总个数与制作公司的总个数的商；

票房因素为发行公司时，票房影响力指标为电影的所有发行公司所发行的电影的总个数与发行公司的总个数的商；

票房因素为发行档期时，票房影响力指标为电影的发行档期所属的档期类别下所有同档期类别的电影的首周票房与档期类别的天数的商；

票房因素为网络搜索指数时，票房影响力指标为电影上映期间第一搜索网络上的搜索周平均值；

票房因素为涉交网络搜索指数时，票房影响力指标为电影上映期间第一涉交网络的搜索单日最大值；

票房因素为同期竞争片数，票房影响力指标为电影在同一上映时期的竞争片的个数；

票房因素为同类型竞争片数，票房影响力指标为电影在同一上映时期的同类型竞争片的个数。

图3为神经网络拓扑结构图，其中，X₁,X₂...X_N是BP神经网络的输入值，Y₁,Y₂...Y_K是BP神经网络的预测值，ω_ij，ω_jk为BP神经网络的权值。

图2是基于神经网络算法的电影票房预测系统的结构图，此系统包括：第一计算模块、相关性分析模块、选择模块、第二计算模块、神经网络控制模块。

第一计算模块用于选择M个票房影响因素；查询并计算多个已 下线电影的M个票房影响因素的票房影响力指标；

相关性分析模块用于根据已下线电影的M个票房影响因素的票房影响力指标和已下线电影的票房进行相关性分析，得到M个票房影响因素与电影票房的相关系数，

选择模块，用于从M个票房影响因素中选择N个相关系数较大的票房影响因素作为N个票房主要影响因素，其中，N小于或等于M；

第二计算模块，根据多个已下线电影的N个票房主要影响因素的票房影响力指标训练神经网络直至预测误差均小于预设门限值，则训练成功；

神经网络控制模块，用于确定待预测电影的N个票房主要影响因素的票房影响力指标，将此N个票房主要影响因素的票房影响力指标作为输入数据输入至训练成功的神经网络，根据神经网络的输出结果确定待预测电影的预测票房。

其中，

神经网络控制模块根据下述方法进行神经网络训练的方法包括：

步骤301，设置输入层神经元的个数为N，输出层神经元的个数为K；根据多个已下线电影的票房数据确定票房的分段，共分为K段，对多个已下线电影进行分类，将票房数据属于同一分段的已下线电影分为一类；确定K个期望输出矢量E，每个期望输出矢量包含K个元素；初始化输入层和隐含层之间的连接权值ω_ij、输入层和输出层之间的连接权值ω_jk、隐含层阈值a、输出层阈值b，学习速率η和神经元激励函数f(x)；

步骤302：输入已下线电影的N个票房主要影响因素X，计算隐含层输出H：

步骤303：根据隐含层输出H_j,连接权值ω_jk和阈值b，计算神经 网络的是输出O：

步骤304：根据神经网络的输出O和期望输出E，计算网络预测误差e

e_k＝E_k-O_k，k＝1,2,..,K

步骤305：根据网络预测误差e_k更新网络连接权值ω_ij，ω_jk

ω_jk＝ω_jk+ηH_je_k j＝1,2,...,l；k＝1,2,...,m

步骤306：根据网络预测误差e更新网络节点阈值a,b

b_k＝b_k+e_k；k＝1,2,...,K

步骤307：判断算法迭代是否结束即对所有已下线电影的N个票房主要影响因素x的网络预测误差是否均小于预设门限，如果是，训练成功，如果否，返回步骤302。

票房影响因素包括下述因素中的多个：电影类型、原创与否、IP改编与否、续集与否、上映天数、首周票房、口碑评分、二次售卖、衍生品与否、海外收益与否、获奖情况、第k个导演、第一男主演、第i男主演、第一女主演、第i女主演、制片人、编剧、制作公司、发行公司、发行档期、网络搜索指数、涉交网络搜索指数、同期竞争片数、同类型竞争片数，其中k为大于0的整数，其中i为大于1的整数。

第一计算模块计算票房影响因素的票房影响力指标的方式与上述方法中描述的相同，此处不再赘述。

本发明可以利用大数据较为准确的预测电影票房。

上面描述的内容可以单独地或者以各种方式组合起来实施，而这 些变型方式都在本发明的保护范围之内。

在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括要素的物品或者设备中还存在另外的相同要素。

以上实施例仅用以说明本发明的技术方案而非限制，仅仅参照较佳实施例对本发明进行了详细说明。本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。