| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 研究背景和目的意义 | 第9-11页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究目的及意义 | 第10-11页 |
| 1.2 国内外相关研究综述 | 第11-15页 |
| 1.2.1 国外相关研究综述 | 第11-13页 |
| 1.2.2 国内相关研究综述 | 第13-15页 |
| 1.3 研究内容与方法 | 第15-19页 |
| 1.3.1 研究内容 | 第15-16页 |
| 1.3.2 研究方法与技术路线 | 第16-19页 |
| 第2章 电影票房预测的理论基础及关键技术 | 第19-27页 |
| 2.1 电影票房预测的基本流程 | 第19-20页 |
| 2.2 电影票房预测的概念模型 | 第20-21页 |
| 2.3 预测模型及数据处理方法 | 第21-26页 |
| 2.3.1 预测常用模型比较分析 | 第21-23页 |
| 2.3.2 数据约简方法比较分析 | 第23-24页 |
| 2.3.3 聚类分析常用算法比较分析 | 第24-26页 |
| 2.4 网络数据获取技术 | 第26-27页 |
| 第3章 基于网络数据的电影票房预测指标体系 | 第27-38页 |
| 3.1 电影票房影响因素分析 | 第27-28页 |
| 3.2 电影票房预测网络数据源分析 | 第28-30页 |
| 3.2.1 新浪微博数据源分析 | 第28-29页 |
| 3.2.2 百度搜索引擎数据源分析 | 第29页 |
| 3.2.3 豆瓣电影网站数据源分析 | 第29-30页 |
| 3.3 电影票房预测指标体系及指标量化 | 第30-38页 |
| 3.3.1 指标体系及指标设计的基本原则 | 第30-31页 |
| 3.3.2 指标体系建立及各指标量化 | 第31-38页 |
| 第4章 基于粗糙集和K-means聚类的BP神经网络预测模型 | 第38-48页 |
| 4.1 RST-K-means-BP预测模型 | 第38-40页 |
| 4.2 数据预处理 | 第40-41页 |
| 4.3 基于粗糙集的样本属性约简 | 第41-43页 |
| 4.3.1 粗糙集约简基本概念 | 第41-42页 |
| 4.3.2 基于属性重要性的约简算法 | 第42-43页 |
| 4.4 基于K-means聚类的样本数据分类 | 第43-45页 |
| 4.5 BP神经网络票房预测方法 | 第45-48页 |
| 第5章 实证分析 | 第48-69页 |
| 5.1 实验数据获取 | 第48-55页 |
| 5.2 数据处理 | 第55-59页 |
| 5.2.1 数据预处理 | 第55-56页 |
| 5.2.2 基于粗糙集的样本属性约简 | 第56-58页 |
| 5.2.3 基于K-means聚类的样本数据分类处理 | 第58-59页 |
| 5.3 MATLAB神经网络建模 | 第59-63页 |
| 5.3.1 BP神经网络参数的设定 | 第59-60页 |
| 5.3.2 模型的训练结果 | 第60-63页 |
| 5.4 预测模型对比分析 | 第63-67页 |
| 5.4.1 与BPNN预测模型对比分析 | 第63-65页 |
| 5.4.2 与其它预测模型对比分析 | 第65-67页 |
| 5.5 案例预测及结果应用 | 第67-69页 |
| 第6章 总结与展望 | 第69-71页 |
| 6.1 全文总结 | 第69-70页 |
| 6.2 全文展望 | 第70-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-75页 |
| 攻读硕士学位期间发表论文 | 第75-76页 |
| 附录A | 第76-85页 |
| 附录B | 第85-86页 |