随着近些年国家经济的发展,人们的生活水平有很大的提高,在基本物质要求得到了一定的满足的情况下,电影作为一种文化娱乐方式,其在很大程度上满足了人们精神上的需求。同时,社交网络平台的兴起、移动支付的发展也在一定程度上加大了电影的宣传力度以及电影购票的方便程度,因此我国的电影行业近十年也得到了飞速的发展。从2006年到2018年中国电影总票房呈喷井式逐年递增,且2009年至2010年总票房数据增长速度最快,2018年全国电影的总票房更是突破了600亿。电影对文化的传播和经济的发展都有一定的促进作用,本文拟在对每一部电影票房的预测方法进行比较研究,从而得到比较精准的预测模型。本文基于前人研究,分别从电影自身属性、电影前期宣传、电影上映一周的反馈三个方面选取了一共23个变量构建电影票房预测模型。首先利用Python的爬虫技术从艺恩网爬取了2015年至2019年9月国内上映的2008部电影的基本自身属性信息以及票房数据,筛选出票房过一亿的电影（383部）进行分析,对应筛选出来的影片在百度指数平台上取得影片名称在电影上映前一周内百度指数的平均值,随后在猫眼电影专业版获得电影上映一周内的平均上座率和平均排片量,同时从豆瓣网上爬取其上映一周和电影上映之前的评论数据。在寻找到有关电影评论数据后,进行极性标注进而创造新的语料库。基于新语料库,撰写Python程序,利用SnowNLP库训练新的朴素贝叶斯模型,调用该模型计算每部电影每条评论的正向情感倾向度,其均值即为这部电影影评的正向情感倾向度。随后,量化电影类型、明星影响力、导演影响力等影响因素。获得所有的数据后,对其进行归一化预处理,分别训练随机森林、BP神经网络以及LSTM神经网络三个预测模型对电影票房进行预测。与此同时,本文使用了改动后的Blending方法将三种模型进行融合,得到一个新的电影票房预测模型,由此可以得到每种模型的预测结果,进而可以比较四种模型的预测效果,文本也利用了随机森林模型得到每一种变量对电影票房影响程度的大小,得到了如下结论。从变量对票房得影响程度来看,随机森林模型得到的对电影票房贡献率排名前五的影响因素分别为上映一周平均排片场次、上映一周平均上座率、正向情感倾向度、导演影响力、百度指数,可以看出正向情感倾向度对于电影票房的影响力度排名第三,影响力度较大。从模型预测结果来看,本文选取了均方根误差（RMSE）、平均绝对百分比误差（MAPE）、Rsquare（决定系数）作为评价模型预测拟合效果的评定值,从单个模型来看,模型预测效果从优到劣的顺序依次为随机森林、LSTM神经网络模型、BP神经网络模型,但基于融合上述三种方法后得到的新模型的决定系数最大,均方根误差及平均绝对百分比均小于其他三种模型,可见模型融合后的预测准确率较高,并且拟合程度最高。最后依据研究的结果,提出了相应的建议。