(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210909386.2 (22)申请日 2022.07.29 (71)申请人 重庆电子 工程职业学院 地址 401331 重庆市沙坪坝区大 学城东路 76号 (72)发明人 李金芝　路立勋　张靖　胡兵　 王聃黎　 (74)专利代理 机构 重庆强大凯创专利代理事务 所(普通合伙) 50217 专利代理师 赵玉乾 (51)Int.Cl. G06Q 30/02(2012.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于K-LSTM模型的电影票房预测系统 及方法 (57)摘要 本发明涉及电影票房预测技术领域， 具体涉 及一种基于K ‑LSTM模型的 电影票房预测系统及 方法， 其中系统包括： 数据获取模块， 所述数据获 取模块用于获取历史票房数据； 聚类处理模块， 所述聚类处理模块用于基于 K‑means聚类算法对 历史票房数据进行聚类处理， 得到聚类票房数 据； 中央处理模块， 所述中央处理模块用于基于 LSTM神经网络算法根据聚类票房数据预测票房， 得到票房预测结果； 结果输出模块， 所述结果输 出模块用于输出票房预测结果。 本发 明能够避免 历史票房数据特征选取不充分、 陷入局部极小 化， 防止其长间隔跨度数据有效信息消失， 从而 能够提高票房预测的准确率， 解决了传统电影票 房预测特征选取不充分、 易陷入局部极小化的技 术问题。 权利要求书1页 说明书5页 附图1页 CN 115239391 A 2022.10.25 CN 115239391 A 1.一种基于K ‑LSTM模型的电影票房预测系统， 其特 征在于， 包括： 数据获取模块， 所述数据获取模块用于获取历史票房数据； 聚类处理模块， 所述聚类处理模块用于基于K ‑means聚类算法对历史票房数据进行聚 类处理， 得到聚类票房数据； 中央处理模块， 所述中央处理模块用于基于LSTM神经网络算法根据聚类票房数据 预测 票房， 得到票房预测结果； 结果输出模块， 所述结果输出模块用于 输出票房预测结果。 2.如权利 要求1所述的基于K ‑LSTM模型的电影票房预测系统， 其特征在于， 所述中央处 理模块还用于将聚类票房数据分为训练集与测试集， 所述中央处理模块还用于根据训练集 建立LSTM神经网络预测模型， 得到满足预设条件的LSTM神经网络预测模型， 所述中央处理 模块还用于根据测试集与满足预设条件的LSTM神经网络预测模型预测票房， 得到票房预测 结果。 3.如权利 要求2所述的基于K ‑LSTM模型的电影票房预测系统， 其特征在于， 所述预设条 件为梯度误差或迭代次数满足要求。 4.如权利 要求1所述的基于K ‑LSTM模型的电影票房预测系统， 其特征在于， 所述中央处 理模块根据训练集建立 LSTM神经网络预测模型之前， 还用于初始化 LSTM神经网络参数。 5.如权利 要求4所述的基于K ‑LSTM模型的电影票房预测系统， 其特征在于， 所述中央处 理模块根据训练集建立LSTM神经网络预测模型时， 若迭代结果不满足预设条件， 所述中央 处理模块还用于 重新初始化 LSTM神经网络参数。 6.如权利 要求5所述的基于K ‑LSTM模型的电影票房预测系统， 其特征在于， 所述聚类处 理模块基于K ‑means聚类算法对历史票房数据进行聚类处理之前， 还用于对历史票房数据 进行归一 化处理。 7.一种基于K ‑LSTM模型的电影票房预测方法， 其特 征在于， 包括： S1、 数据获取模块获取历史票房数据； S2、 聚类处理模块基于K ‑means聚类算法对历史票房数据进行 聚类处理， 得到聚类票房 数据； S3、 中央处理模块基于LSTM神经网络算法根据 聚类票房数据预测票房， 得到票房预测 结果； S4、 结果输出模块输出票房预测结果。 8.如权利要求7所述的基于K ‑LSTM模型的电影票房预测方法， 其特征在于， S3中， 中央 处理模块将聚类票房数据分为训练集与测试集， 中央处理模块根据训练集建立LSTM神经网 络预测模型， 得到满足预设条件的LSTM神经网络预测模型， 中央处理模块根据测试集与满 足预设条件的LSTM神经网络预测模型 预测票房， 得到票房预测结果。 9.如权利要求8所述的基于K ‑LSTM模型的电影票房预测方法， 其特征在于， S3中， 中央 处理模块根据训练集建立LSTM神经网络预测模型之前， 初始化LSTM神经网络参数； 中央处 理模块根据训练集建立LSTM神经网络预测模型时， 若迭代结果不满足预设条件， 中央处理 模块重新初始化 LSTM神经网络参数。权　利　要　求　书 1/1 页 2 CN 115239391 A 2一种基于K ‑LSTM模型的电影票房预测系统及方 法 技术领域 [0001]本发明涉及电影票房预测技术领域， 具体涉及一种基于K ‑LSTM模型的电影票房预 测系统及方法。 背景技术 [0002]电影票房预测是确保电影发行投资回报， 以及控制发行风险的重要手段。 传统的 电影票房预测算法对特征选取不够充分， 通常只选取电影类型、 上映时间、 导演、 主要演员 等电影基本特征， 忽略了影片的排片场次、 排片占比、 上座率等特征； 同时， 线性回归、 决策 树等的传统机器学习 方法不能很好的处理文本类特征， 使得预测不够精确， 而简单的BP神 经网络在模型离散化中使用二进制对电影票房的各个影响因子做量化， 不能完整的表示出 不同影响因子之间的差异性， 容 易陷入局部极小化问题。 发明内容 [0003]本发明提供一种基于K ‑LSTM模型的电影票房预测系统及方法， 解决了传统电影票 房预测特 征选取不充分、 易陷入局部极小化的技 术问题。 [0004]本发明提供的基础方案为： 一种基于K ‑LSTM模型的电影票房预测系统， 包括： [0005]数据获取模块， 所述数据获取模块用于获取历史票房数据； [0006]聚类处理模块， 所述聚类处理模块用于基于K ‑means聚类算法对历史票房数据进 行聚类处 理， 得到聚类票房数据； [0007]中央处理模块， 所述中央处理模块用于基于LSTM神经 网络算法根据聚类票房数据 预测票房， 得到票房预测结果； [0008]结果输出模块， 所述结果输出模块用于 输出票房预测结果。 [0009]本发明的工作原理及优点在 于： K‑means聚类算法是迭代求解的聚类分析算法， 预 将数据分为A组， 随机选取A个对 象作为初始的聚类中心， 计算每个对象与各个聚类中心之 间的距离， 把每个对 象分配给距离它最近的聚类中心， 聚类中心以及分配给它们的对 象就 代表一个聚类， 每分配一个对 象聚类中心就会被重新计算， 这个过程将不断重复直到满足 终止条件， 通过采用K ‑means聚类算法对历史票房数据进 行聚类得到聚类票房数据， 可以实 现对历史票房数据特征进行细化； 与此同时， LSTM算法是含有LSTM区块的神经网络， LSTM区 块可以记忆 不定时间长度的数值， 通过采用LSTM算法能够处理历史票房数据的随机波动性 和时间长跨度性， 有效地防止出现梯度爆炸或梯度消失； 通过这样的方式， 相较于传统电影 票房预测来说， 能够避免历史票房数据特征选取不充分、 陷入局部 极小化， 防止其长间隔跨 度数据有效信息消失， 从而能够提高票房预测的准确率。 [0010]本发明能够避免历史票房数据特征选取不充分、 陷入局部极小化， 防止其长间隔 跨度数据有效信息消失， 从而能够提高票房预测的准确 率， 解决了传统电影票房预测特征 选取不充分、 易陷入局部极小化的技 术问题。 [0011]进一步， 所述中央处理模块还用于将聚类票房数据分为训练集与测试集， 所述中说　明　书 1/5 页 3 CN 115239391 A 3