乐清网站网络公司,门户网站系统程序,网络推广方法与技巧,在线crm系统排名2021年数维杯国际大学生数学建模
D题 2021年电影市场票房波动模型分析
原题再现#xff1a; 1、电影票房预测建模背景 随着人们文化消费需求的增加#xff0c;电影院和银幕的数量不断增加#xff0c;我国的电影产业不断呈现出繁荣景象。2019年#xff0c;全国电影票房…2021年数维杯国际大学生数学建模
D题 2021年电影市场票房波动模型分析
原题再现 1、电影票房预测建模背景 随着人们文化消费需求的增加电影院和银幕的数量不断增加我国的电影产业不断呈现出繁荣景象。2019年全国电影票房642.66亿元。电影票房不仅直接反映了一部电影为投资公司创造的经济价值也从侧面反映了电影的艺术品质和经营策略。它是衡量一部电影成功与否的重要指标。它自然地反映了电影作品的市场需求和投资吸引力的程度。。如果能够提前预测电影产品在市场上的接受度和盈利能力将对电影产业链各个环节的决策产生巨大影响。因此准确预测电影票房无疑对风险控制和决策具有重要的现实意义。 影响电影票房的因素有很多比如电影本身的质量、放映时间、广告、社会环境、放映电影院的数量甚至放映期间的天气。根据预测阶段的不同票房预测分为前期预测和后期预测即电影发行前后的票房预测。根据预测阶段的不同票房预测分为前期预测和后期预测。对于电影的预预测目前的研究成果包括基于网络文本的电影类型与票房关系研究基于明星效应、演员性别、导演水平等因素研究了不同年级对电影票房的影响基于神经网络算法研究电影上映日期、上映时间、上映季节等因素与票房的关系训练多层感知器MLP神经网络对电影质量、人气等变量进行预发布数据处理并根据预期收益对电影进行分类。电影后期票房预测采用反馈神经网络电影票房预测模型票房预测考虑了导演、演员和时间表等因素研究受众在社交网络、网络信息传播、网络搜索中的口碑传播对电影票房的积极影响。 2、电影在线舆情评分对票房的影响 随着我国互联网技术的不断发展互联网已经成为电影营销的核心宣传媒介。目前豆瓣、猫眼等电影评价平台大多不实行实名制参与者具有多样性和复杂性。另外结合互联网本身的特点电影网络评价行为具有较强的匿名性和隐蔽性。这也使得雇佣“互联网海军”来不恰当地评估电影、购买票房和锁定电影行业的做法变得不常见。首先网络的隐蔽性往往使被害人难以准确识别“网络海军”。其次我国现行法律对“网络水军”对电影进行不当评价的认定和规范还存在不完善之处。基于此如何识别和管理网络海军对电影的收视率已成为我国电影产业发展中亟待解决的问题。 3、突发事件对电影票房的影响 电影是一种公共娱乐突发事件以道德和法律的形式对电影的票房产生了巨大的影响。2020年新冠病毒的突然爆发几乎摧毁了公众聚集的电影市场如何运用模型分析各种突发事件对电影票房的影响显然是非常重要的。 建模中需要解决的主要问题有 1、电影票房早期预测的核心是选择有效的预测特征。影响电影票房的因素是复杂的衡量方法也各不相同。特征包括电影时长、演员、导演、电影类型、电影格式2D、3D、IMAX、电影是否续集、上映日期、制作公司、发行公司等。根据电影分类的特点考虑电影分类的特点、电影类型、导演等分类特点导演评分等分类特征对提供的数据集中的电影进行聚类和分类并验证分类的有效性。 2、常用的票房预测模型包括多元回归、神经网络等一些学者通过研究观众口碑传播、网络信息传播和社会网络中的网络搜索见参考文献对票房进行预测建立了对电影票房有积极影响的电影票房预测模型为电影市场的票房预测提供参考根据提供的数据给出分类模型标题1的结果并预先给出每个类别的估计票房预测和总体票房预测。 3、收集豆瓣、猫眼等平台的电影在线舆情评价数据建立识别网络舆情正负分的算法标准化为[-1,1]建立模型提取话题词、话题分类等重要指标建立模型分析网络舆情与票房的相关性及对票房的影响程度基于问题和现状设计思路和具体方法来识别海军电影评分网络。该方法需要具有逻辑上的自洽性和可行性。 4、为应对新冠病毒的突然爆发国家《电影院开业传染病防治指南》 考虑到疫情对模型的影响分析其对电影票房的现实影响和未来预测各场馆的上座率不应超过30%、50%、75%等。利用所提供的数据模型分析了在疫情稳定后不同出勤率30%、50%、75%对电影票房预测的影响。
整体求解过程概述(摘要) 近年来我国电影产业不断呈现出繁荣的迹象电影票房是衡量一部电影成功与否的重要指标它也反映了电影的市场需求和投资吸引力。然而影响电影票房的因素很多。电影本身的因素电影的分类特征、网络海军对电影的评价以及突发事件都会影响电影的票房。 在问题1中我们只考虑电影本身的因素主要研究电影的持续时间、黄金时段、首日票房、总票房等9个特征。然后采用TOPSIS法对9个特征进行评分和评价并进行k均值聚类分析将其划分为5类验证了分类的有效性。 在第二个问题中我们建立了BP神经网络模型通过官网找到了2018年和2019年41部电影的相关数据并将其作为训练样本加入到神经网络中。在得到训练好的神经网络后我们开始预测电影的最终票房然后进行误差分析发现误差很小。 在第三个问题中首先通过python爬虫对人脸襟翼和猫眼的评论数据进行爬网然后利用网络的正负分识别建立DNN神经网络建立主题词、主题分类等重要指标提取模型使用词频统计方法计算某个词作为特征词的重要性并将前200个特征显示在词云图中。以5000部电影为样本进行线性回归分析得到的相关度不是很高。最后基于logistic回归方法提出了一种可行的网络海军识别算法。 在第四个问题中由于可用数据相对较少我们建立了一个更精确的SVM神经网络预测模型。同时为了使预测结果更加可靠采用《猫眼专业版》最终票房预测数据为26对每部电影的最终票房进行求解并根据实际情况对回归预测结果进行合理解释。
模型假设 1、假设除影响本问题研究电影票房的电影分类特征外其他电影分类特征对电影票房没有影响。 2、假设猫眼专业版预测的最终票房与真实的最终票房一致。 3、假设网络海军没有干预选定的电影评论。 4、假设处于高、中风险区域的电影院已关闭未开放。
问题分析 数据分析 我们通过豆瓣、猫眼等主要平台随机选取了67部电影。根据电影分类的特点实时票房、时长、续集、豆瓣评分、电影格式、一线明星和知名导演数量、黄金时段、首日票房、总票房等分类特征对提取的67部电影数据进行分类。我们将分类结果放入支持材料中。其中我们对一些数据进行了近似处理使计算更加容易。 问题一分析 在问题1中我们根据电影的分类特征实时票房、持续时间、续集、豆瓣评分、电影格式、一线明星和知名导演数量、黄金时段、首日票房、总票房等9个特征[1]采用多目标决策分析法TOPSIS法对26部电影进行评分然后对得分进行k-means聚类分析[2]最后成功地验证了我们分类的有效性。 问题二分析 在第二个问题中我们主要采用了BP神经网络算法[3]。根据历史数据对网络进行训练输入训练集即票房的各种信息得到训练好的神经网络对2021年的电影进行预测。预测结果与实际票房差距仅为3.5%说明我们的模型建立是成功的。 问题三分析 在第三个问题中首先利用python爬虫对人脸襟翼和猫眼的评论数据进行爬网然后利用网络的正负分识别建立DNN神经网络以5000个电影数据为样本进行线性回归分析。经过化学处理后发现票房与预算、票数、人气有较强的正相关关系但与收视率相关性不太强相关系数仅为0.19。 问题四分析 在第四个问题中我们使用更精确的SVM神经网络模型[4]来预测入住率为75%、50%、30%时的票房情况即当限购率为75%时对于高票房如甲级电影的票房影响最大但对于相对低票房的电影票房会增加但当限制率为50%时各类电影的票房都有一定程度的下降当限值率为30%时即当疫情较为严重时影视业的经济形势处于低迷状态票房也出现了严重下滑。最后对结果进行了合理的分析。
模型的建立与求解整体论文缩略图 全部论文及程序请见下方“ 只会建模 QQ名片” 点击QQ名片即可
程序代码
clc
clear
xxlsread(The first question.xlsx,Sheet1,B2:I27);
[n,m]size(x);
zhzeros(1,m);
d1zeros(1,n); %Minimum matrix
d2zeros(1,n); %Maximum matrix
czeros(1,n); %Proximity
%Normalized
for i1:m
for j1:n
zh(i)zh(i)x(j,i)^2;
end
end
for i1:m
for j1:n
x(j,i)x(j,i)/sqrt( zh(i));
end
end
%Calculate the distance
xxmin(x);
ddmax(x);
for i1:n
for j1:m
d1(i)d1(i)(x(i,j)-xx(j))^2;
end
d1(i)sqrt(d1(i));
end
for i1:n
for j1:m
d2(i)d2(i)(x(i,j)-dd(j))^2;
end
d2(i)sqrt(d2(i));
end
%Calculate proximity
for i1:n
c(i)d1(i)/(d2(i)d1(i));
end
c_1c;
%Calculate contour values
numC10;
for i1:numC
kidx kmeans(c_1,i);
silh silhouette(c_1,kidx); %Calculate the contour value
silh_m(i) mean(silh); %Mean contour values were calculated
end
figure
plot(1:numC,silh_m,ko-, linewidth,2)
set(gca,linewidth,2);
xlabel(number of categories);
ylabel(mean contour value);
title( average contour values corresponding to different categories);
%kMean cluster calculation process
[idx,ctr]kmeans(c,5); % Clustering using K-means method
%Extract the sample number of the same category
c1find(idx1); c2find(idx2);
c3find(idx3); c4find(idx4);
c5find(idx5);
figure;
F1 plot(find(idx1), c(idx1),k:*, ... find(idx2), c(idx2),k:o, ... find(idx3), c(idx3),k:p, ... find(idx4), c(idx4),k:d, ... find(idx5), c(idx5),k:);
set(gca,linewidth,2);
set(F1,linewidth,2, MarkerSize,8);
xlabel(serial number,fontsize,12);
ylabel(score,fontsize,12);
title(K-means clustering results);
disp(clustering results);
disp([class 1: ,center,num2str(ctr(1)), ,class sample number, num2str(c1)]);
disp([class 2: ,center,num2str(ctr(2)), ,class sample number, num2str(c2)]);
disp([class 3: ,center,num2str(ctr(3)), ,class sample number, num2str(c3)]);
disp([class 4: ,center,num2str(ctr(4)), ,class sample number, num2str(c4)]);
disp([class 5: ,center,num2str(ctr(5)), ,class sample number, num2str(c5)]);clc
clear
shichangxlsread(First question.xlsx,Sheet2,B2:B42);
xujixlsread(First question.xlsx,Sheet2,C2:C42);
pingfenxlsread(First question.xlsx,Sheet2,D2:D42);
geshixlsread(First question.xlsx,Sheet2,E2:E42);
mingxingshuxlsread(First question.xlsx,Sheet2,F2:F42);
huangjindangxlsread(First question.xlsx,Sheet2,G2:G42);
shouripiaofangxlsread(First question.xlsx,Sheet2,H2:H42);
shouriguanyingrenshuxlsread(First question.xlsx,Sheet2,I2:I42);
piaofangxlsread(First question.xlsx,Sheet2,J2:J42);
p[shichang; xuji; pingfen; geshi; mingxingshu; huangjindang; shouripiaofang;
shouriguanyingrenshu;];
tpiaofang;
[pn, inputStr] mapminmax(p);
[tn, outputStr] mapminmax(t);
net newff(pn, tn, [8 7 1], {purelin, logsig, purelin});
net.trainParam.show 10;
net.trainParam.epochs 5000;
net.trainParam.lr 0.05;
net.trainParam.goal 0.001;
net.divideFcn ;
net train(net, pn, tn);
answer sim(net, pn);
answer1 mapminmax(reverse, answer, outputStr);
t 1:41;
a1 answer1(1,:);
figure(1);
plot(t, a1, ro, t, piaofang, b);
legend(predict box office, actual box office);
xlabel(movie number); ylabel(box office (ten thousand yuan));
title(Box office training value and real value comparison chart);
grid on;
wucha(a1-piaofang)./piaofang;
figure;
plot(wucha,r-^);
xlabel(movie number); ylabel(relative error);
hold on;
newInput [xlsread(First question.xlsx,Sheet1,B2:B27);
xlsread(First question.xlsx,Sheet1,C2:C27);
xlsread(First question.xlsx,Sheet1,D2:D27);
xlsread(First question.xlsx,Sheet1,E2:E27);
xlsread(First question.xlsx,Sheet1,F2:F27);
xlsread(First question.xlsx,Sheet1,G2:G27);
xlsread(First question.xlsx,Sheet1,H2:H27);
xlsread(First question.xlsx,Sheet1,I2:I27);];
%Use the normalization parameters of the original input data (the input data of the
training set) to normalize the new input data
newInput mapminmax(apply, newInput, inputStr);
%Simulation
newOutput sim(net, newInput);
%Denormalization
newOutput mapminmax(reverse,newOutput, outputStr);
disp(Predict the box office for the other five movies: );
abs(newOutput)import urllib.request
from bs4 import BeautifulSoup
import random
import time
import csv
def getRequest(url):
header1 {
Host:movie.douban.com, User-Agent:Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36
(KHTML, like Gecko) Chrome/79.0.3945.130 Safari/537.36 }
header2 {
Host: movie.douban.com, User-Agent: Mozilla/5.0 (Windows NT 6.1; rv:73.0) Gecko/20100101
Firefox/73.0 }
list [header1,header2]
index random.randint(0,len(list)-1)
req urllib.request.Request(urlurl,headerslist[index])
return req
def getData(url,commentAll):
req getRequest(url)
html urllib.request.urlopen(req)
data html.read()
soup BeautifulSoup(data,html.parser)
comments soup.select(#comments)[0]
items comments.select(.comment-item)
for i in items:
info i.select(.comment-info)[0]
author info.find(a).string
star info.select(span)[1][title]
short i.select(.short)[0].string
talk {author:author,star:star,short:short}
commentAll.append(talk)
return commentAll
def writeInto(commentAll):
with open(douban.csv,a,encodingutf-8,newline) as file:
writer csv.writer(file)
for i in commentAll:
info [i[author],i[star],i[short]]
writer.writerow(info)
file.close()
if __name__ __main__:
commentAll []
for i in range(0,3):
url
https://movie.douban.com/subject/25931446/comments?start%dlimit20sortn
ew_scorestatusP%(i*20)
getData(url,commentAll)
time.sleep(10)
writeInto(commentAll)全部论文及程序请见下方“ 只会建模 QQ名片” 点击QQ名片即可
