1. 研究目的与意义、国内外研究现状（文献综述）
随着国民收入及其生活质量的提高，观看电影已成为大部分人们精神生活中的重要组成部分。电影票房创造了电影产业的直接利润，是衡量一部影片成功与否的重要指标，也直接推动了dvd、电影点播、衍生产品等电影相关市场的开发。本文通过研究，找出影响电影票房的因素，进一步找出它们与电影票房的内在统计关系，并规划电影票房预测模型。本文研究的意义在于：加深了普通观众对电影作为文化产品的生产规律的认识，并为电影制片机构、电影发行方及院线、影院运营商提供相关的价值判断和策略研究，从而减低其市场风险。更深层的意义在于，为电影从产生到推广提供有针对性的改善和提高，从而提升电影产业。
美国电影的票房研究起始于上个世纪80年代，由李特曼（b.r.litman）在1989年以1981到1986年在美国播出的697部电影作为研究样本，通过多元回归分析，初步建立了电影票房的预测模型。李特曼用影片的租金收入作为考量电影票房的因变量，影响电影经济成功的自变量被划分为三大部分：创意、发行/上映时间以及电影营销。创意部分的变量有影片类型、美国电影协会（mpaa）的电影分级、熟悉的故事、出品国、明星、导演、生产成本、影评等，其中影片类型的确定主要参考美国杂志《电视指南》（tvguide）。发行/上映部分的自变量有发行商、发行日期、发行模式、市场力量等，而电影营销部分的自变量有发行公司的营销能力和是否获奖等。李特曼的票房研究模型为后来电影票房预测以及电影经济成功的预测性研究提供了基本思路和方法。美国的r.sharda以及d.delen在2005年的研究中运用了神经网络技术，创建了新的电影票房预测模型。模型最终选取了美国mpaa评级、同行竞争、明星价值、影片类型、特技效果、是否为续集以及银幕数量七个指标作为模型输入变量，利用多层感知神经网络模型，准确预测了北美影片票房。同时，sharda和delen的研究也开创了电影票房预测模型研究的新方向。
（二）我国电影票房的研究
2. 研究的基本内容和问题
几个已投入运营的票房预测模型，都是在互联网技术，大数据的支持下进行数据收集和分析，优点是数据全面权威；缺点是首先大数据工作量大，并且需要很高的技术支持，这就需要资金和专业人员的引入，即使是购买使用预测平台，也是需要资金，并且每个平台都按照自己的评判标准和实验来设置影响因素和参数指标，不一样的平台对于影响因素的影响程度有着不同的看法，比如CHR认为导演的影响力和认同度在票房中的影响是微乎其微的，但是很多别的票房预测分析中导演却占有很大的比重。
所以本文所研究模型的主要目的是为没有专业分析人员和资金不足以支持大数据的小企业，提供一个对观影人员的消费选择倾向进行过分析的，进行过科学拟合分析的数学模型。
3. 研究的方法与方案
一、数据采集和模型的构建
在本文的研究中，并不能借助大数据，只能从网站已有的量化指标来进行变量的数据收集。用大学中学过的回归模型和最小二乘发用来建模和拟合。
根据已有的预测经验和上面的分析，可以选出来几个重要的影响因素，而这些影响因素的权重，我打算采取问卷调查的方法，对观影者选择电影时会考虑的因素进行问卷调查，分析数据获得各因素的权重。
4. 研究创新点
利用已知的数据和放映，对电影票房进行估计和预测是推动电影业发展的一个大趋势，对投资和广告商有非常积极的影响。但电影的票房最重要的不是预测，还用改在于灵感和电影本身的质量，只是分析的影响因素有助于电影在制作过程中有针对性的提高和改善。
这个模型与大数据系统支持和提供的专业预测平台不同，为没有专业分析人员和资金不足以支持大数据的小企业，提供一个对观影人员的消费选择倾向进行过分析的，进行过科学拟合分析的数学模型。
5. 研究计划与进展
前期数据收集
中期建立模型
后期检验与分析
