本發(fā)明涉及計(jì)算機(jī)應(yīng)用技術(shù)，特別涉及一種影片票房預(yù)測方法和裝置。

背景技術(shù)：

目前中國的影片市場正處于蓬勃發(fā)展階段，未來中國的影片票房很可能超越美國成為影片第一大國。

對影片票房進(jìn)行合理預(yù)測，可以給影片的投資、運(yùn)營、宣發(fā)等行為帶來參考依據(jù)，具有很重要的實(shí)際意義。

現(xiàn)有的預(yù)測方式通常都是在影片上映期進(jìn)行單日票房預(yù)測，如在每天的早上9點(diǎn)預(yù)測當(dāng)天的票房，而不會(huì)進(jìn)行其它預(yù)測，從而導(dǎo)致預(yù)測結(jié)果的內(nèi)容過于單一，無法為影片的投資、運(yùn)營、宣發(fā)等提供更多的參考依據(jù)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明提供了一種影片票房預(yù)測方法和裝置，能夠豐富預(yù)測結(jié)果的內(nèi)容。

具體技術(shù)方案如下：

一種影片票房預(yù)測方法，包括：

劃分出M個(gè)不同的預(yù)測階段，并針對每個(gè)預(yù)測階段，分別訓(xùn)練得到所述預(yù)測階段對應(yīng)的票房預(yù)測模型，M為大于1的正整數(shù)；

當(dāng)待預(yù)測影片分別處于所述不同的預(yù)測階段時(shí)，根據(jù)所處預(yù)測階段對應(yīng)的票房預(yù)測模型對所述待預(yù)測影片進(jìn)行票房預(yù)測。

一種影片票房預(yù)測裝置，包括：獲取單元和預(yù)測單元；

所述獲取單元，用于劃分出M個(gè)不同的預(yù)測階段，并針對每個(gè)預(yù)測階段，分別訓(xùn)練得到所述預(yù)測階段對應(yīng)的票房預(yù)測模型，發(fā)送給所述預(yù)測單元，M為大于1的正整數(shù)；

所述預(yù)測單元，用于當(dāng)待預(yù)測影片分別處于所述不同的預(yù)測階段時(shí)，根據(jù)所處預(yù)測階段對應(yīng)的票房預(yù)測模型對所述待預(yù)測影片進(jìn)行票房預(yù)測。

基于上述介紹可以看出，采用本發(fā)明所述方案，可設(shè)置不同的預(yù)測階段，并針對不同的預(yù)測階段，分別訓(xùn)練得到對應(yīng)的票房預(yù)測模型，這樣，針對待預(yù)測影片，可分別根據(jù)其所處預(yù)測階段對應(yīng)的票房預(yù)測模型進(jìn)行票房預(yù)測，從而豐富了預(yù)測結(jié)果的內(nèi)容，進(jìn)而為影片的投資、運(yùn)營、宣發(fā)等提供了更多的參考依據(jù)。

【附圖說明】

圖1為本發(fā)明所述影片票房預(yù)測方法實(shí)施例的流程圖。

圖2為本發(fā)明所述不同預(yù)測階段分別對應(yīng)的模型及可利用的信息示意圖。

圖3為本發(fā)明所述基本信息、傳播度信息和發(fā)行信息各自包括的內(nèi)容示意圖。

圖4為本發(fā)明所述第一總票房預(yù)測模型及預(yù)測出待預(yù)測影片的總票房信息的過程示意圖。

圖5為本發(fā)明所述排片預(yù)測模型及預(yù)測出待預(yù)測影片的排片信息的過程示意圖。

圖6為本發(fā)明所述RNN模型的示意圖。

圖7為本發(fā)明所述影片票房預(yù)測裝置實(shí)施例的組成結(jié)構(gòu)示意圖。

【具體實(shí)施方式】

為了使本發(fā)明的技術(shù)方案更加清楚、明白，以下參照附圖并舉實(shí)施例，對本發(fā)明所述方案作進(jìn)一步地詳細(xì)說明。

實(shí)施例一

圖1為本發(fā)明所述影片票房預(yù)測方法實(shí)施例的流程圖，如圖1所示，包括以下具體實(shí)現(xiàn)方式：

在11中，劃分出M個(gè)不同的預(yù)測階段，并針對每個(gè)預(yù)測階段，分別訓(xùn)練得到該預(yù)測階段對應(yīng)的票房預(yù)測模型，M為大于1的正整數(shù)；

在12中，當(dāng)待預(yù)測影片分別處于不同的預(yù)測階段時(shí)，根據(jù)所處預(yù)測階段對應(yīng)的票房預(yù)測模型對待預(yù)測影片進(jìn)行票房預(yù)測。

M的具體取值可根據(jù)實(shí)際需要而定，較佳地，可取值為3，相應(yīng)地，3個(gè)不同的預(yù)測階段可分別為：影片制作期、影片宣發(fā)期和影片上映期。越往前，能夠利用的信息越少，預(yù)測難度越大，但預(yù)測價(jià)值也越大。

影片制作期，通常是指影片上映之前的半年左右，這個(gè)階段作票房預(yù)測，能夠利用的信息通常只有影片的基本信息，但這個(gè)階段進(jìn)行預(yù)測的價(jià)值是很大的，如能夠給影片投資方提供投資依據(jù)等，這個(gè)階段將產(chǎn)生兩個(gè)預(yù)測模型，分別為：影片競爭力預(yù)測模型和第一總票房預(yù)測模型。

影片宣發(fā)期，通常是指影片上映前3個(gè)月～上映前3天，這個(gè)階段，影片已經(jīng)制作完畢，進(jìn)入宣傳階段，這個(gè)階段能夠利用到的信息，除了影片的基本信息之外，還有影片的傳播度等信息，還包括影片制作期預(yù)測出的影片的競爭力信息等，這個(gè)階段將產(chǎn)生兩個(gè)預(yù)測模型，分別為：排片預(yù)測模型和第二總票房預(yù)測模型。

影片上映期，通常是指影片上映前3天～影片下映，這個(gè)階段，將加入更多的可利用信息，如影片的發(fā)行信息等，這個(gè)階段將產(chǎn)生的預(yù)測模型為：單日票房預(yù)測模型，另外還可進(jìn)一步包括：大盤票房預(yù)測模型。

基于上述介紹，圖2為本發(fā)明所述不同預(yù)測階段分別對應(yīng)的模型及可利用的信息示意圖。

可針對圖2所示每個(gè)模型，分別獲取預(yù)定個(gè)數(shù)的已下映影片作為訓(xùn)練樣本，根據(jù)獲取到的訓(xùn)練樣本訓(xùn)練得到每個(gè)模型。

圖3為本發(fā)明所述基本信息、傳播度信息和發(fā)行信息各自包括的內(nèi)容示意圖。

如圖3所示，影片的基本信息可包括影片類型、影片陣容、放映檔期以及影片的IP信息等。

影片的傳播度信息可包括搜索熱度和社交熱度等信息，如搜索熱度可以包括搜索頻次和垂直搜索熱度等信息，社交熱度可包括微博熱度和多少人期待想看等信息。

影片的發(fā)行信息可包括排片信息和預(yù)售票房信息等。

以下分別針對上述各模型進(jìn)行詳細(xì)介紹。

1)影片競爭力預(yù)測模型

影片競爭力預(yù)測模型可以認(rèn)為是影片的一個(gè)分檔預(yù)測模型，如將影片分為1～10檔，檔位越高，表明影片的競爭力越大。

為得到影片競爭力預(yù)測模型，可首先獲取預(yù)定個(gè)數(shù)的已下映影片作為訓(xùn)練樣本，然后根據(jù)獲取到的訓(xùn)練樣本訓(xùn)練得到影片競爭力預(yù)測模型。

比如，分別已知各訓(xùn)練樣本的基本信息和所處的檔位信息等，可將基本信息作為輸入，將所處的檔位信息作為輸出，訓(xùn)練得到影片競爭力預(yù)測模型，具體訓(xùn)練方式為現(xiàn)有技術(shù)。

由于影片競爭力預(yù)測模型采用的是分檔的機(jī)制，也可以認(rèn)為是一個(gè)分類的任務(wù)，因此可采用傳統(tǒng)的多分類支持向量機(jī)(SVM，Support Vector Machine)分類器模型來作為影片競爭力預(yù)測模型。

這樣，針對待預(yù)測影片，可按照影片競爭力預(yù)測模型的輸入要求，輸入待預(yù)測影片的第一信息，得到輸出的待預(yù)測影片所處的檔位信息，第一預(yù)定信息包括：基本信息。

2)第一總票房預(yù)測模型

本發(fā)明所述方案中，選擇局部加權(quán)線性回歸(LWLR，Locally Weighted Linear Regression)模型來作為第一總票房預(yù)測模型，即對待預(yù)測影片進(jìn)行預(yù)測時(shí)，對所有訓(xùn)練樣本，分別計(jì)算其和待預(yù)測影片之間的相似度，根據(jù)相似度進(jìn)行樣本加權(quán)。

為此，在訓(xùn)練第一總票房預(yù)測模型時(shí)，在獲取到訓(xùn)練樣本之后，可分別計(jì)算各訓(xùn)練樣本與待預(yù)測影片之間的相似度，并按照相似度的不同分別賦予各訓(xùn)練樣本不同的權(quán)重，相似度越大，對應(yīng)的權(quán)重越大，之后，根據(jù)各訓(xùn)練樣本并結(jié)合其權(quán)重，訓(xùn)練得到第一總票房預(yù)測模型。

比如，分別已知各訓(xùn)練樣本的基本信息、所處的檔位和總票房信息等，可將總票房作為輸出，其它作為輸入，訓(xùn)練得到第一總票房預(yù)測模型，具體訓(xùn)練方式為現(xiàn)有技術(shù)。

在計(jì)算各訓(xùn)練樣本與待預(yù)測影片之間的相似度時(shí)，現(xiàn)有的作法是通過特征的相似度來計(jì)算，比如具有相同導(dǎo)演、演員之類的影片可以認(rèn)為是相似的影片，但這種方式有個(gè)顯著的缺點(diǎn)，就是沒辦法找到具有相似趨勢的影片，比如粉絲片，都具有相似的趨勢走向。

為此，本發(fā)明所述方案中提出通過另外一種方式來計(jì)算影片之間的相似度，即獲取各用戶對影片的評價(jià)、期待想看、搜索日志等數(shù)據(jù)，通過計(jì)算用戶分布的相似度，來確定兩個(gè)影片之間的相似度，從而可以很好地將具有相同受眾的影片聚合到一起，具體如何計(jì)算為現(xiàn)有技術(shù)。

比如，在豆瓣網(wǎng)上，很多人在觀看了影片A后對其進(jìn)行了評價(jià)，這些人中的大部分人又表達(dá)了想看影片B的意愿，那么則可認(rèn)為影片A和影片B屬于相似影片。

在對待預(yù)測影片進(jìn)行預(yù)測時(shí)，相似度越大的訓(xùn)練樣本的參考借鑒意義越大，比如，待預(yù)測影片為“寒戰(zhàn)2”，那么相比于動(dòng)畫片，香港的警匪片對于“寒戰(zhàn)2”的預(yù)測的參考借鑒意義明顯更大，因此權(quán)重也更大。

在訓(xùn)練得到第一總票房預(yù)測模型之后，可按照第一總票房預(yù)測模型的輸入要求，輸入待預(yù)測影片的第二預(yù)定信息，得到輸出的待預(yù)測影片的總票房信息，第二預(yù)定信息可包括：基本信息以及預(yù)測出的所處的檔位信息。

基于上述介紹，圖4為本發(fā)明所述第一總票房預(yù)測模型及預(yù)測出待預(yù)測影片的總票房信息的過程示意圖。

3)排片預(yù)測模型

由于每個(gè)影片的排片，都會(huì)受當(dāng)天其它影片的影響，因此在作排片預(yù)測時(shí)，不能每個(gè)影片單獨(dú)預(yù)測，而是需要用一個(gè)總體的預(yù)測來預(yù)測當(dāng)天所有影片的排片情況，相應(yīng)地，可采用線性模型和softmax模型的組合來作為排片預(yù)測模型。

比如，針對每個(gè)訓(xùn)練樣本，在已知該訓(xùn)練樣本的基本信息、上映期間每天的排片信息和傳播度信息，以及，同天上映的其它影片的基本信息、當(dāng)天的排片信息和傳播度信息等的情況下，可將該訓(xùn)練樣本以及同天上映的其它影片的排片信息作為輸出，將其它信息作為輸入，訓(xùn)練得到排片預(yù)測模型，具體如何訓(xùn)練為現(xiàn)有技術(shù)。

在得到排片預(yù)測模型之后，針對待預(yù)測影片，可按照排片預(yù)測模型的輸入要求，輸入待預(yù)測影片的第三預(yù)定信息以及同天上映的其它影片的第三預(yù)定信息，得到輸出的待預(yù)測影片在上映期間的任一選定日期的排片信息，同時(shí)，也會(huì)輸出該選定日期同天上映的其它影片的排片信息，第三預(yù)定信息可包括：基本信息和估計(jì)出的該選定日期的傳播度信息。

由于是在影片宣發(fā)期對待預(yù)測影片進(jìn)行排片預(yù)測，而此時(shí)獲取到的關(guān)于待預(yù)測影片的傳播度信息和選定日期的傳播度信息通常是會(huì)不同的，因此，為提高預(yù)測結(jié)果的準(zhǔn)確度，可按照現(xiàn)有技術(shù)，根據(jù)歷史傳播度信息變化情況，估計(jì)出選定日期的傳播度信息。

圖5為本發(fā)明所述排片預(yù)測模型及預(yù)測出待預(yù)測影片的排片信息的過程示意圖，如圖5所示，排片預(yù)測模型為線性模型和softmax模型的組合，線性模型可為因子分解機(jī)(FM，F(xiàn)actorization Machine)模型，起到預(yù)測打分的作用，softmax模型可起到歸一化的作用，兩個(gè)模型的具體實(shí)現(xiàn)均為現(xiàn)有技術(shù)。

4)第二總票房預(yù)測模型

相比于第一總票房預(yù)測模型，在訓(xùn)練第二總票房預(yù)測模型時(shí)，也需要設(shè)置訓(xùn)練樣本的權(quán)重，且計(jì)算訓(xùn)練樣本與待預(yù)測影片之間的相似度的方式也相同，第二總票房預(yù)測模型也可為LWLR模型，不同的是，作為模型的輸入的信息更為豐富，如可包括：基本信息、傳播度信息、排片信息和所處的檔位信息等。

在影片宣發(fā)期，用戶可能會(huì)利用第二總票房預(yù)測模型，對待預(yù)測影片的總票房進(jìn)行多次預(yù)測，而每次預(yù)測時(shí)的傳播度信息等都可能是不同的，因此，需要針對每個(gè)訓(xùn)練樣本，分別獲取其在影片宣發(fā)期的多個(gè)不同時(shí)間(不同日期)的傳播度信息，并可將各訓(xùn)練樣本的基本信息、所處的檔位信息、上映期的平均排片信息、不同時(shí)間的傳播度信息、不同時(shí)間分別與上映時(shí)間之間的時(shí)間差等作為輸入，將總票房作為輸出，訓(xùn)練得到第二總票房預(yù)測模型。

這樣，針對待預(yù)測影片，可按照第二總票房預(yù)測模型的輸入要求，輸入待預(yù)測影片的第四預(yù)定信息，得到輸出的待預(yù)測影片的總票房信息，第四預(yù)定信息可包括：平均排片信息和所處的檔位信息，以及，基本信息、當(dāng)前的傳播度信息和當(dāng)前時(shí)間與上映時(shí)間之間的時(shí)間差信息。

5)單日票房預(yù)測模型

單日票房預(yù)測是一種短時(shí)間的票房預(yù)測，比如可在每天早上9點(diǎn)預(yù)測當(dāng)天的票房。

由于可分別已知各訓(xùn)練樣本的基本信息以及在不同上映日期的傳播度信息、發(fā)行信息和單日票房信息，因此，可將單日票房信息作為輸出，其它信息作為輸入，訓(xùn)練得到單日票房預(yù)測模型，具體訓(xùn)練方式為現(xiàn)有技術(shù)。

影片在某一日期的發(fā)行信息可包括：影片在該日期的排片信息，以及，影片在該日期的預(yù)售票房信息等。

單日票房預(yù)測模型可包括：線性模型、非線性模型或循環(huán)神經(jīng)網(wǎng)絡(luò)模型等。

線性模型和非線性模型均為回歸模型，如可包括邏輯回歸(LR，Logistic Regression)模型、FM模型、梯度提升決策樹(GBDT，Gradient Boosting Decision Tree)模型等，較佳地，可選取FM模型。

循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN，Recurrent neural Network)模型是一種時(shí)序模型，可將每天預(yù)測出的單日票房和隱層輸出，作為下一天的預(yù)測的輸入。

圖6為本發(fā)明所述RNN模型的示意圖，如圖6所示，yi表示每天輸出的單日票房，h_i表示隱層，如何獲取h_i為現(xiàn)有技術(shù)，x_i表示當(dāng)天的特征，如基本信息、當(dāng)天的傳播度信息和發(fā)行信息等，也就是說，除了x_i對當(dāng)天的票房有影響外，前一天的輸出和隱層輸出也會(huì)對當(dāng)天票房有影響。

6)大盤票房預(yù)測模型

可分別預(yù)測出預(yù)測當(dāng)日上映的所有影片的單日票房，將所有影片的單日票房相加，即可得到大盤票房。

需要說明的是，在訓(xùn)練得到上述各模型時(shí)，如果能夠獲取到更多的輸入信息，那么可采用更多的輸入信息來訓(xùn)練得到上述各模型，不限于以上所述。

以上是關(guān)于方法實(shí)施例的介紹，以下通過裝置實(shí)施例，對本發(fā)明所述方案進(jìn)行進(jìn)一步說明。

實(shí)施例二

圖7為本發(fā)明所述影片票房預(yù)測裝置實(shí)施例的組成結(jié)構(gòu)示意圖，如圖7所示，包括：獲取單元71和預(yù)測單元72。

獲取單元71，用于劃分出M個(gè)不同的預(yù)測階段，并針對每個(gè)預(yù)測階段，分別訓(xùn)練得到該預(yù)測階段對應(yīng)的票房預(yù)測模型，發(fā)送給預(yù)測單元72，M為大于1的正整數(shù)。

預(yù)測單元72，用于當(dāng)待預(yù)測影片分別處于不同的預(yù)測階段時(shí)，根據(jù)所處預(yù)測階段對應(yīng)的票房預(yù)測模型對待預(yù)測影片進(jìn)行票房預(yù)測。

M的具體取值可根據(jù)實(shí)際需要而定，較佳地，可取值為3，相應(yīng)地，3個(gè)不同的預(yù)測階段可分別為：影片制作期、影片宣發(fā)期和影片上映期。

影片制作期，通常是指影片上映之前的半年左右，這個(gè)階段作票房預(yù)測，能夠利用的信息通常只有影片的基本信息，但這個(gè)階段進(jìn)行預(yù)測的價(jià)值是很大的，如能夠給影片投資方提供投資依據(jù)等，這個(gè)階段將產(chǎn)生兩個(gè)預(yù)測模型，分別為：影片競爭力預(yù)測模型和第一總票房預(yù)測模型。

影片宣發(fā)期，通常是指影片上映前3個(gè)月～上映前3天，這個(gè)階段，影片已經(jīng)制作完畢，進(jìn)入宣傳階段，這個(gè)階段能夠利用到的信息，除了影片的基本信息之外，還有影片的傳播度等信息，還包括影片制作期預(yù)測出的影片的競爭力信息等，這個(gè)階段將產(chǎn)生兩個(gè)預(yù)測模型，分別為：排片預(yù)測模型和第二總票房預(yù)測模型。

影片上映期，通常是指影片上映前3天～影片下映，這個(gè)階段，將加入更多的可利用信息，如影片的發(fā)行信息等，這個(gè)階段將產(chǎn)生的預(yù)測模型為：單日票房預(yù)測模型，另外還可進(jìn)一步包括：大盤票房預(yù)測模型。

其中，影片的基本信息可包括影片類型、影片陣容、放映檔期以及影片的IP信息等。

影片的傳播度信息可包括搜索熱度和社交熱度等信息，如搜索熱度可以包括搜索頻次和垂直搜索熱度等信息，社交熱度可包括微博熱度和多少人期待想看等信息。

影片的發(fā)行信息可包括排片信息和預(yù)售票房信息等。

獲取單元71可針對每個(gè)模型，分別獲取預(yù)定個(gè)數(shù)的已下映影片作為訓(xùn)練樣本，根據(jù)獲取到的訓(xùn)練樣本訓(xùn)練得到該模型。

如前所述，影片制作期的票房預(yù)測模型可包括：影片競爭力預(yù)測模型和第一總票房預(yù)測模型。

當(dāng)待預(yù)測影片處于影片制作期時(shí)，預(yù)測單元72可按照影片競爭力預(yù)測模型的輸入要求，輸入待預(yù)測影片的第一預(yù)定信息，得到輸出的待預(yù)測影片所處的檔位信息，所處的檔位越高，表明競爭力越大，第一預(yù)定信息可包括：基本信息；并按照第一總票房預(yù)測模型的輸入要求，輸入待預(yù)測影片的第二預(yù)定信息，得到輸出的待預(yù)測影片的總票房信息，第二預(yù)定信息可包括：基本信息以及所處的檔位信息。

影片宣發(fā)期的票房預(yù)測模型可包括：排片預(yù)測模型和第二總票房預(yù)測模型。

當(dāng)待預(yù)測影片處于影片宣發(fā)期時(shí)，預(yù)測單元72可按照排片預(yù)測模型的輸入要求，輸入待預(yù)測影片的第三預(yù)定信息以及同天上映的其它影片的第三預(yù)定信息，得到輸出的待預(yù)測影片在上映期間的任一選定日期的排片信息，第三預(yù)定信息可包括：基本信息和估計(jì)出的選定日期的傳播度信息；并按照第二總票房預(yù)測模型的輸入要求，輸入待預(yù)測影片的第四預(yù)定信息，得到輸出的待預(yù)測影片的總票房信息，第四預(yù)定信息可包括：平均排片信息和所處的檔位信息，以及，基本信息、當(dāng)前的傳播度信息和當(dāng)前時(shí)間與上映時(shí)間之間的時(shí)間差信息。

其中，獲取單元71在訓(xùn)練第一總票房預(yù)測模型和第二總票房預(yù)測模型時(shí)，在獲取到訓(xùn)練樣本之后，可分別計(jì)算各訓(xùn)練樣本與待預(yù)測影片之間的相似度，并按照相似度的不同分別賦予各訓(xùn)練樣本不同的權(quán)重，相似度越大，對應(yīng)的權(quán)重越大，之后，根據(jù)各訓(xùn)練樣本并結(jié)合其權(quán)重，訓(xùn)練得到第一總票房預(yù)測模型和第二總票房預(yù)測模型。

上述影片競爭力預(yù)測模型可為：分類器模型；

排片預(yù)測模型可為：線性模型和softmax模型的組合；

第一總票房預(yù)測模型和第二總票房預(yù)測模型可為：局部加權(quán)線性回歸模型。

影片上映期的票房預(yù)測模型可包括：單日票房預(yù)測模型。

當(dāng)待預(yù)測影片處于影片上映期時(shí)，預(yù)測單元72可將待預(yù)測影片的基本信息、預(yù)測當(dāng)日的傳播度信息和發(fā)行信息作為單日票房預(yù)測模型的輸入，得到輸出的待預(yù)測影片的單日票房。

影片上映期的票房預(yù)測模型還可進(jìn)一步包括：大盤票房預(yù)測模型。

預(yù)測單元72可分別預(yù)測出預(yù)測當(dāng)日上映的所有影片的單日票房，將所有影片的單日票房相加，得到大盤票房。

單日票房預(yù)測模型可為：線性模型、非線性模型、循環(huán)神經(jīng)網(wǎng)絡(luò)模型。

圖7所示裝置實(shí)施例的具體工作流程請參照前述方法實(shí)施例中的相應(yīng)說明，此處不再贅述。

總之，采用本發(fā)明所述方案，可設(shè)置不同的預(yù)測階段，并針對不同的預(yù)測階段，分別訓(xùn)練得到對應(yīng)的票房預(yù)測模型，這樣，針對待預(yù)測影片，可分別根據(jù)其所處預(yù)測階段對應(yīng)的票房預(yù)測模型進(jìn)行票房預(yù)測，從而相比于現(xiàn)有技術(shù)豐富了預(yù)測結(jié)果的內(nèi)容，進(jìn)而為影片的投資、運(yùn)營、宣發(fā)等提供了更多的參考依據(jù)。

另外，現(xiàn)有技術(shù)中在進(jìn)行預(yù)測時(shí)，大多采用線性模型，利用特征的加權(quán)方式，來得到預(yù)測結(jié)果，而本發(fā)明所述方案中，在進(jìn)行不同的預(yù)測時(shí)，可采用不同的模型，如進(jìn)行單日票房預(yù)測時(shí)，可采用線性模型、非線性模型或RNN模型，在進(jìn)行排片預(yù)測時(shí)，還可采用softmax模型，在進(jìn)行總票房預(yù)測時(shí)，可采用LWLR模型等，即針對不同的預(yù)測階段，分別采用與之相適應(yīng)的模型，從而提高了預(yù)測結(jié)果的準(zhǔn)確性。

再有，現(xiàn)有技術(shù)中在進(jìn)行預(yù)測時(shí)，所利用的信息通常只有影片的基本信息和發(fā)行信息，而本發(fā)明所述方案中，所利用的信息非常齊全，從影片的基本信息、發(fā)行信息到搜索熱度、社交熱度等傳播度信息，基于上述眾多的信息來進(jìn)行預(yù)測，從而進(jìn)一步提高了預(yù)測結(jié)果的準(zhǔn)確性。

在本發(fā)明所提供的幾個(gè)實(shí)施例中，應(yīng)該理解到，所揭露的裝置和方法，可以通過其它的方式實(shí)現(xiàn)。例如，以上所描述的裝置實(shí)施例僅僅是示意性的，例如，所述單元的劃分，僅僅為一種邏輯功能劃分，實(shí)際實(shí)現(xiàn)時(shí)可以有另外的劃分方式。

所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個(gè)地方，或者也可以分布到多個(gè)網(wǎng)絡(luò)單元上。可以根據(jù)實(shí)際的需要選擇其中的部分或者全部單元來實(shí)現(xiàn)本實(shí)施例方案的目的。

另外，在本發(fā)明各個(gè)實(shí)施例中的各功能單元可以集成在一個(gè)處理單元中，也可以是各個(gè)單元單獨(dú)物理存在，也可以兩個(gè)或兩個(gè)以上單元集成在一個(gè)單元中。上述集成的單元既可以采用硬件的形式實(shí)現(xiàn)，也可以采用硬件加軟件功能單元的形式實(shí)現(xiàn)。

上述以軟件功能單元的形式實(shí)現(xiàn)的集成的單元，可以存儲(chǔ)在一個(gè)計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中。上述軟件功能單元存儲(chǔ)在一個(gè)存儲(chǔ)介質(zhì)中，包括若干指令用以使得一臺(tái)計(jì)算機(jī)設(shè)備(可以是個(gè)人計(jì)算機(jī)，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)或處理器(processor)執(zhí)行本發(fā)明各個(gè)實(shí)施例所述方法的部分步驟。而前述的存儲(chǔ)介質(zhì)包括：U盤、移動(dòng)硬盤、只讀存儲(chǔ)器(ROM，Read-Only Memory)、隨機(jī)存取存儲(chǔ)器(RAM，Random Access Memory)、磁碟或者光盤等各種可以存儲(chǔ)程序代碼的介質(zhì)。

以上所述僅為本發(fā)明的較佳實(shí)施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所做的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明保護(hù)的范圍之內(nèi)。