| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-13页 |
| 1.1 课题研究背景 | 第8-9页 |
| 1.2 票房预测研究现状 | 第9-10页 |
| 1.2.1 国外研究现状 | 第9-10页 |
| 1.2.2 国内研究现状 | 第10页 |
| 1.3 课题研究目的及意义 | 第10-11页 |
| 1.4 本文研究内容及结构 | 第11-13页 |
| 2 相关理论及关键技术 | 第13-28页 |
| 2.1 灵敏度分析 | 第13-15页 |
| 2.1.1 灵敏度发展现状 | 第13-14页 |
| 2.1.2 灵敏度分类 | 第14-15页 |
| 2.2 聚类分析 | 第15-17页 |
| 2.3 神经网络 | 第17-25页 |
| 2.3.1 人工神经网络 | 第17-18页 |
| 2.3.2 BP神经网络 | 第18-20页 |
| 2.3.3 泛函网络 | 第20-24页 |
| 2.3.4 泛函网络与ANN的异同 | 第24-25页 |
| 2.4 评估方法 | 第25-27页 |
| 2.5 本章小结 | 第27-28页 |
| 3 数据预处理 | 第28-39页 |
| 3.1 影响因子分析及归一量化处理 | 第28-33页 |
| 3.1.1 影响因子（定性）分析 | 第28页 |
| 3.1.2 数据清理 | 第28-29页 |
| 3.1.3 权值处理 | 第29-33页 |
| 3.2 电影票房影响因子的Morris法分析 | 第33-38页 |
| 3.2.1 Morris法分析电影票房影响因子的步骤 | 第33-35页 |
| 3.2.2 电影影响因子的选取 | 第35-38页 |
| 3.3 分析结果及总结 | 第38-39页 |
| 4 基于泛函网络的票房预测模型 | 第39-52页 |
| 4.1 改进的聚类算法 | 第39-42页 |
| 4.1.1 聚类中心处理 | 第39-41页 |
| 4.1.2 聚类个数的确定 | 第41-42页 |
| 4.2 票房预测的泛函网络模型 | 第42-46页 |
| 4.2.1 票房预测模型概述 | 第42-44页 |
| 4.2.2 基于泛函网络的票房预测模型学习算法 | 第44-46页 |
| 4.3 实验结果及其分析 | 第46-50页 |
| 4.3.1 实验结果 | 第46-48页 |
| 4.3.2 预测性能对比分析 | 第48-50页 |
| 4.4 本章小结 | 第50-52页 |
| 5 总结与展望 | 第52-54页 |
| 5.1 全文总结 | 第52页 |
| 5.2 展望 | 第52-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 附录 | 第59页 |
| A. 作者在攻读硕士学位期间参与的科研项目： | 第59页 |