基于机器学习算法的电影票房预测系统

项目整体分成三条线：第一条是数据线，负责把公开票房数据收集、清洗、转换、入库；第二条是分析线，围绕春节档、城市等级、影片类型、票价、退票率、上映天数、场均人次等维度做可视化；第三条是系统线，把随机森林、XGBoost、CatBoost模型接入Flask后台，让用户可以在网页中输入电影特征并获得预测结果。

相比只训练一个模型，这个项目更适合拿来做课程设计或毕业设计展示，因为它不是孤立的算法脚本，而是把“数据分析 + 机器学习 + Web系统 + 后台管理”串起来了。前端能看到图表，后台能维护数据，模型能在线预测，管理员还能对用户和票房数据做增删改查，整体完成度比较高。

2 数据来源与字段设计

数据主要来自CSDN、和鲸数据、Kaggle等公开渠道，最终整理出国内电影票房数据。核心数据集包含79042条记录，字段数量约20个，既有日期、上座率、场均人次、综合票价、综合票房、电影片名、网售占比、大盘退票率、上映天数信息、排座占比、场次、排片占比，也有分账票价、分账票房、累计分账票房、累计综合票房、人次等指标。

这些字段基本覆盖了电影票房预测中最常用的运营变量。比如上座率反映座位利用效率，场均人次反映单场吸引力，排片占比反映影院资源倾斜程度，网售占比体现线上购票渠道影响，退票率则能侧面反映观众预期和口碑波动。把这些维度放在一起，可以更完整地描述一部电影在市场中的表现。

除了建模数据，项目还额外整合了春节档相关数据，包括日度汇总数据、影片级运营数据、城市分级数据。这样做的好处是分析内容不会局限在模型训练，还能展示春节档市场规律，例如不同城市等级的票房差异、国产电影的票房集中度、头部影片对档期大盘的拉动效果。

图2-1 票房数据源与原始数据展示

3 数据清洗与入库处理

原始票房数据最麻烦的地方不是字段少，而是格式不统一。很多百分比字段在数据中是字符串，比如“10.8%”“<0.1%”这类内容，不能直接参与模型训练。项目中先把百分号去掉并转为数值，对于小于0.1%的特殊值，采用近似处理保留其相对含义。

金额字段也需要统一单位。部分累计票房中既有“亿”，也有“万”，如果不转换，数值量级会出现明显错误。这里统一把金额转成万元单位；上映天数信息则通过正则表达式提取数字，把“上映9天”这类文本变成可训练的数值字段；日期字段也从整数形式转换为标准时间格式，方便后续做趋势分析。

清洗过程中发现，网售占比、大盘退票人次等字段缺失比例较高。为了保证模型训练数据完整，最终删除包含缺失值的记录，样本量从79042条压缩到18303条。虽然数量减少了，但换来的是更干净、统一、可建模的数据。预处理后保留14个核心特征，随后写入MySQL数据库，方便系统页面读取、查询和维护。

图3-1 数据预处理代码与处理结果

图3-2 清洗后数据写入MySQL数据库

4 电影票房多维度分析

4.1 春节档市场表现

春节档是电影市场里最典型的高峰场景，所以项目先对2024年春节档做了多角度展示。城市等级票房图中可以看到，四线城市票房表现非常突出，说明电影消费已经不只集中在一线城市，下沉市场同样具备很强的观影活力。对于电影发行来说，这一点很重要，宣传和排片不能只盯着大城市。

影片类型和头部影片表现也很明显。国产影片在春节档占据主导，头部影片如《热辣滚烫》《飞驰人生2》等在票房和观影人次上形成明显领先。这样的数据很适合用来说明档期效应和头部效应：节日、口碑、话题度、线上传播共同放大了强势影片的市场优势。

图4-1 春节档城市等级、影片类型与头部影片表现

4.2 票价、网售与时间走势

网售占比与综合票房占比之间存在较明显的关系，高票房影片往往拥有更高的线上购票比例。对现在的电影市场来说，线上平台已经不是简单售票入口，而是重要的流量分发渠道。越热门的影片，越容易被平台推荐，也越容易形成临时购票转化。

票价与票房之间并不是简单的正相关。高票价不一定带来高票房，中低票价如果能够带来更高人次，同样可能形成不错的票房收入。时间走势中，春节关键节点前后，票房、人次、场次和平均票价同时上扬，说明节日窗口对电影市场有明显拉动作用。

图4-2 网售占比、票价关系与春节档时间走势

4.3 上座率、退票率与上映周期

上座率分布呈现明显右偏，大多数场次集中在较低上座区间，说明大量放映场次并没有被充分利用。对影院来说，这类图可以帮助判断排片是否过于分散，是否需要把资源向更高热度影片集中。

退票率与票房的关系更直观：退票率越高，票房往往越低。退票行为可能来自口碑落差、排片调整、临时计划变化等因素，它不仅影响票房，也会影响平台推荐和影院排片信心。上映天数与票房的关系也很符合电影生命周期规律，影片在首周最容易达到高峰，随后热度快速下降。

图4-3 上座率、退票率与上映周期分析

4.4 关联性与影响趋势

进一步看人次、场均人次、分账票房占比与综合票房之间的关系，可以发现票房并不是由单一变量决定的。人次代表观众规模，但如果票价偏低，票房未必高；场均人次代表单场效率，高场均人次通常对应更强市场热度；分账票房占比和综合票房占比接近线性关系，说明票房收入仍主要依赖正常售票渠道。

相关性排序中，累计分账票房、上映天数、网售占比、大盘退票人次、场次、排片占比等变量都具有较强参考价值。这些变量共同说明，票房预测要同时看市场热度、影院资源、渠道分发和时间周期，不能只拿某一个指标下结论。

图4-4 人次、场均人次、分账占比与影响趋势

5 特征选择与模型训练

建模阶段没有直接把所有字段都丢进模型，而是结合业务逻辑、相关性分析和可视化结果做特征选择。最终重点保留上座率、场均人次、综合票价、网售占比、大盘退票率、上映天数、排座占比、场次、排片占比、分账票价、分账票房、分账票房占比、累计分账票房、人次等字段。

模型部分主要训练三类回归算法：随机森林、XGBoost、CatBoost。随机森林适合处理非线性关系，并且天然支持特征重要性分析；XGBoost对结构化数据表现稳定，适合挖掘复杂特征交互；CatBoost对类别特征友好，调参成本相对较低。三类模型同时训练，可以更直观看到不同算法在票房预测任务中的差异。

图5-1 特征选择与模型训练代码展示

表5-1 三类票房预测模型对比

模型	主要用途	项目中的表现
随机森林	票房回归预测、特征重要性解释	R²约0.885，综合效果最好
XGBoost	结构化数据回归预测	R²约0.873，稳定性较好
CatBoost	梯度提升回归预测	R²约0.873，预测效果接近XGBoost

6 模型结果展示

6.1 随机森林模型

随机森林是这个项目里表现最好的模型，R²分数达到0.885左右，说明模型能够解释约88.5%的票房变化。预测散点图中，大部分点分布在对角线附近，说明预测值与真实值比较接近。对于票房这种受多因素影响的回归任务，这个效果已经比较适合做系统演示。

随机森林的另一个优势是解释性。特征重要性图显示，上映天数和场次对票房预测贡献最大，其中上映天数的重要性最高，场次紧随其后。这也符合行业规律：影片处在生命周期的哪个阶段、影院给了多少场次，基本决定了它还能获得多少票房空间。

图6-1 随机森林模型预测效果与特征重要性

6.2 XGBoost与CatBoost模型

XGBoost模型的预测效果同样不错，R²分数约为0.873。它的特征重要性排序显示，场次和上映天数是最关键的两个变量。相比随机森林，XGBoost在处理结构化数据时训练速度快、泛化能力好，非常适合做模型对照。

CatBoost模型的R²同样约为0.873，结果和XGBoost接近。特征重要性图中，上映天数、场次、分账票房等字段仍然排在前列。这说明不同模型虽然算法原理不同，但对核心影响因素的判断比较一致，模型结论具有一定稳定性。

图6-2 XGBoost模型预测效果与特征重要性

图6-3 CatBoost模型预测效果与特征重要性

7 系统功能实现

模型训练完成后，项目没有停留在Notebook结果，而是用Flask搭建了一个Web系统。系统前端采用LayUI风格组件，后端通过Flask路由处理不同页面请求，数据库使用MySQL存储票房数据和用户信息。用户端可以注册、登录、查看首页、进入机器学习预测页面、浏览可视化图表。

预测页面是系统的核心功能。用户输入上座率、场均人次、综合票价、网售占比、上映天数、场次、排片占比等特征后，系统调用训练好的模型返回票房预测值。这样一来，模型就从实验结果变成了可以交互使用的工具，展示效果比单纯贴几张模型图更完整。

图7-1 用户端登录、首页、预测与可视化页面

系统还加入了个人信息、全屏显示、主题切换等页面功能，让整体体验更像一个完整平台。管理员端支持登录后台、查看数据列表、按条件查询、编辑记录、新增记录、删除记录和用户管理。对于项目展示来说，后台管理模块非常加分，因为它能体现数据库、权限角色、页面交互和业务维护能力。

图7-2 个人中心、全屏、主题切换与管理员登录

图7-3 管理员后台与票房数据管理页面

图7-4 数据新增、删除与用户管理功能

8 项目亮点

从实现路线看，项目先用Pandas完成数据读取、字段转换和缺失值处理，再把清洗后的结果写入MySQL；分析阶段通过Matplotlib等工具生成多类图表；建模阶段使用scikit-learn、XGBoost、CatBoost等库训练回归模型；系统阶段由Flask负责路由和接口，前端页面负责参数录入、图表展示和后台管理。这个流程比较清楚，答辩时可以按照“数据从哪里来、怎么处理、怎么分析、怎么预测、怎么上线”这一条线去讲。

在实际演示时，可以先展示可视化页面，让观众看到春节档和票房影响因素；再打开预测页面输入一组电影运营数据，直接得到预测票房；最后进入管理员后台展示数据查询、新增、编辑和删除。这样的演示顺序比直接讲算法更容易让人理解，也更能体现项目不是停留在论文层面，而是已经做成了可操作的系统。

第一，数据维度比较完整。项目不只用了综合票房，还加入上座率、排片占比、网售占比、退票率、上映天数、场次、人次等变量，能够从影院运营、观众行为和渠道分发三个角度解释票房变化。

第二，可视化内容丰富。春节档城市票房、国产片占比、头部影片、人次排名、票价关系、退票率关系、上映周期、场均人次、特征相关性都做了展示，读者打开页面后能很快看到市场规律。

第三，模型对比清晰。随机森林、XGBoost、CatBoost三类算法同时训练，通过R²和MAE评估效果，再结合特征重要性解释结果，最后得出随机森林表现较优、上映天数和场次最关键的结论，逻辑链条完整。

第四，系统落地完整。前端页面、用户登录、在线预测、可视化展示、主题切换、管理员后台、数据增删改查、用户管理都有对应实现，适合做答辩演示，也适合继续扩展成更完整的数据分析平台。