基于LSTM模型的电影票房预测算法

发布时间：2021-10-24 15:40

　　针对目前基于BP神经网络的电影票房预测算法中存在预测精度不高的问题,本文提出一种基于LSTM模型的电影票房算法。首先,分析电影票房的影响因素,对票房影响因子进行定量分析和归一化处理,其次根据影响因素的输入和输出变量确定网络拓扑图及神经元数量,建立神经网络结构后进行改进为深度学习,并增加"记忆"功能,建立LSTM票房预测模型,最后用亿恩电影智库上的电影票房数据分别用LSTM模型和BP神经网络模型进行预测对比。实验结果表明,LSTM模型在对实验中的4712数据预测的平均相对误差比BP神经网络预测低36%左右,在长期预测和短期预测中低BP神经网络约10%左右,预测结果相对比较准确,能够为电影的投资和放映提供有价值的参考,具有实际意义。 

【文章来源】：数据通信. 2019,(05)

【文章页数】：4 页

【文章目录】：
1 引言
2 LSTM模型的电影票房预测方法
    2.1 LSTM模型
    2.2 票房预测模型
3 实验与讨论
4 结论


【参考文献】：
期刊论文
[1]基于深度学习对电影票房的预测[J]. 张慧,王世伟.  湖北第二师范学院学报. 2017(08)
[2]电影票房影响因素分析与展望[J]. 彭岚.  西南民族大学学报(人文社科版). 2016(05)
[3]基于微博情感分析的电影票房预测研究[J]. 史伟,王洪伟,何绍义.  华中师范大学学报(自然科学版). 2015(01)
[4]基于神经网络的电影票房预测建模[J]. 郑坚,周尚波.  计算机应用. 2014(03)
[5]浅谈电影题材对票房的影响[J]. 沈洁,刘秀敏.  首都师范大学学报(自然科学版). 2013(06)
[6]基于回归分析的中国电影票房影响因素研究[J]. 崔凝凝,唐嘉庚.  江苏商论. 2012(08)
[7]试析中国电影的市场现状[J]. 姚军,李东华.  南京理工大学学报(社会科学版). 2006(05)
[8]论大卫·林奇电影的不确定性[J]. 陈慧.  南京理工大学学报(社会科学版). 2005(02)
[9]非线性时间序列分析在股市行情预测中的应用[J]. 冯予,陈萍.  南京理工大学学报. 1998(01)



本文编号：3455535