# 票房预测建模实战：从2026暑期档85亿票房、连续30天单日破亿看档期票房回归预测

截至8月9日，2026年暑期档（6月1日至8月31日）电影总票房（含预售）突破85亿元，单日票房连续30天破亿元，观影人次超2.33亿，总场次超3041万；8月10日的最新口径显示，暑期档票房已突破86亿元、观影人次超2.36亿。央视财经、中国网、21世纪经济报道、观点网、MSN财经等媒体在8月7日至10日间相继报道了上述数据。同一天，影视院线板块大涨：北京文化一字涨停，儒意电影、幸福蓝海、博纳影业等跟涨，市场将其归因于暑期档票房超预期叠加政策托底与AI降本增效。对数学建模来说，这份"票房成绩单"本身就是一份完美的预测题素材：档期总票房由什么决定？单日票房为何能连续30天破亿？下一周的票房能不能提前算出来？本文以2026年暑期档为案例，把档期票房回归预测的完整流程讲清楚：特征怎么选、多元回归怎么建、误差怎么评估，并配一张十周数据的表格式算例，最后落到国赛票房与文娱类赛题的建模建议上。


## 一、新闻背景：暑期档数据盘点与"票房是怎么统计出来的"

先把新闻里的数字盘成一张表。截至8月9日：暑期档总票房（含预售）突破85亿元，单日票房连续30天破亿元，观影人次超2.33亿，总场次超3041万；年度总票房（含预售）突破242亿元。影片结构方面，超120部中外影片上映，《功夫女足》以22.61亿元领跑，《八仙!》约14亿元、《蜘蛛侠：崭新之日》约12亿元暂列前三——三部头部影片合计约48.6亿元，占了85亿总票房的57%以上，"头部集中"是档期票房的典型结构。再看进度：暑期档共92天，8月9日已过约70天，85亿相当于日均约1.2亿元，单日连续破亿说明整个档期没有明显低谷。

| 指标 | 数值（截至8月9日） | 建模含义 |
|---|---|---|
| 暑期档总票房 | 突破85亿元 | 预测目标（累计值） |
| 单日票房 | 连续30天破亿 | 时间序列的稳定性信号 |
| 观影人次 | 超2.33亿 | 需求量（场次×上座率） |
| 总场次 | 超3041万 | 供给量（排片能力） |
| 年度总票房 | 突破242亿元 | 年度进度参照 |
| 头部影片 | 三部合计约48.6亿 | 结构特征（占比过半） |

"票房是怎么统计出来的"值得先交代一句，因为统计口径直接影响建模数据：目前各平台的票房来自网络售票平台的实时数据汇总，口径通常为"含预售"，即开票即计入；由于服务费计入方式等差异，平台口径与官方专资办口径之间可能存在几个百分点的偏差。建模前先统一口径、注明来源，是论文严谨性的第一关。

## 二、票房预测建模思路：因变量与候选特征

票房预测的因变量有两层：宏观层是"档期总票房"（单点预测，适合赛题总分目标），微观层是"单日或单周票房"（序列预测，数据更多、模型更丰富）。以周为单位的好处是天然平滑掉周末波动，又保留档期内的趋势变化，本文算例采用周票房。候选特征按逻辑分组：供给端是排片场次（排片越多、触达人次的上限越高）；需求端是观影人次与平均票价（人次乘票价正是票房的恒等式来源）；结构端是头部影片票房占比（头部越集中，爆款拉动越强）、影片上映数量（供给丰富度）与节假日结构（暑期、国庆等档期因放假天然放量）；口碑端是影片评分指数（社交与评分平台的综合口碑，可用打分归一化得到）。特征不是越多越好——多数特征的样本量很小，模型会被噪声带偏，下一节就讲筛选方法。

| 特征分组 | 候选特征 | 对票房的作用方向 |
|---|---|---|
| 供给端 | 排片场次 | 场次越多，潜在人次越高 |
| 需求端 | 观影人次、平均票价 | 人次乘票价构成票房 |
| 结构端 | 头部影片占比、上映数量 | 头部集中度与供给丰富度 |
| 时间端 | 节假日结构、档期进度 | 假期放量、后期自然回落 |

## 三、多元线性回归：最小二乘与特征筛选

多元线性回归的目标，是找一组系数，让"各特征乘以系数再加常数"得到的预测值尽量接近真实票房。怎么算"尽量接近"？最经典的做法是最小二乘：把每个样本的预测误差（真实值减预测值）平方后求和，让这个"残差平方和"最小——平方的作用是让大误差被放大、正负误差不互相抵消。这个问题的解有严格的解析公式，用现成软件一键可得，建模者真正要花心思的是两步：一是特征筛选，二是共线性检查。特征筛选看两个指标：单个特征与票房的相关性（线性相关性强不强），以及特征之间的相关性（两个特征是否在说同一件事）。常用的挑选规则是：先剔除与票房相关性弱、且业务上说不通的特征；再在高度相关的特征组里保留业务含义最直接的。多重共线性是回归建模的高频陷阱：如果排片场次与观影人次高度相关（场次多自然人次多），两者同时进模型，系数的符号和大小会变得极不稳定，甚至出现"场次系数为负"这种反常识结果——不是数据错，是特征重复。

| 特征对 | 相关系数（示意） | 处理建议 |
|---|---|---|
| 场次与人次 | 约0.97 | 强共线，只保留一个 |
| 人次与票房 | 约0.99 | 主解释变量，保留 |
| 场次与票房 | 约0.93 | 信息被人次覆盖，剔除 |
| 头部占比与票房 | 约0.88 | 独立信息，保留 |

## 四、表格式算例：暑期档十周数据拟合与预测

下面用一组教学算例（示意数据，非真实票房）走完完整流程。设暑期档10周的数据如下：周场次、周人次、头部影片占比和周票房（周票房=周人次×约38元的平均票价量级）。先用前9周拟合，再预测第10周并与实际值比较。

| 周次 | 场次(万场) | 人次(万人次) | 头部占比 | 周票房(亿元) |
|---|---|---|---|---|
| 1 | 260 | 1800 | 0.35 | 6.8 |
| 2 | 275 | 1950 | 0.38 | 7.4 |
| 3 | 290 | 2100 | 0.40 | 8.0 |
| 4 | 305 | 2300 | 0.42 | 8.7 |
| 5 | 320 | 2500 | 0.45 | 9.5 |
| 6 | 335 | 2700 | 0.47 | 10.3 |
| 7 | 310 | 2400 | 0.43 | 8.9 |
| 8 | 330 | 2650 | 0.46 | 10.0 |
| 9 | 345 | 2850 | 0.48 | 10.8 |
| 10 | 355 | 2950 | 0.50 | 11.3 |

按上一节筛选结果，场次与人次高度共线、被剔除；头部占比与票房相关但贡献是二阶的，先只保留人次一个特征，做一元回归。用第1到第9周的数据最小二乘拟合，得到：周票房约等于0.0038乘周人次减0.06（单位为亿元），即人次每增加100万，周票房约增0.38亿元——这个斜率的经济含义正是约38元的平均票价。把第9周数据代入：0.0038乘2850减0.06，得到约10.77亿元，与实际10.8亿元相比，误差约0.3%。逐周看残差（实际值减预测值）：第1到第9周的残差基本都在正负0.1亿元以内，只有第7周偏离较大（约负0.16亿元）——原因可以追溯到第7周人次下滑、正是档期中途的"影片青黄不接"期，模型没完全跟上，这在现实预测里完全正常。决定系数约0.99，说明模型解释了周票房99%的波动，拟合良好。再把头部占比加入模型做二元回归，残差略有下降但幅度不到1个百分点——头部集中度的影响已经部分体现在人次里，属于二阶因素，按"奥卡姆剃刀"原则保留简洁模型更稳。用拟合好的模型预测第10周：0.0038乘2950减0.06，得到约11.15亿元，实际11.3亿元，相对误差约1.3%，在可接受范围。

| 周次 | 实际票房(亿元) | 模型预测(亿元) | 残差(亿元) |
|---|---|---|---|
| 1 | 6.8 | 6.78 | +0.02 |
| 3 | 8.0 | 7.92 | +0.08 |
| 5 | 9.5 | 9.44 | +0.06 |
| 7 | 8.9 | 9.06 | -0.16 |
| 9 | 10.8 | 10.77 | +0.03 |
| 10 | 11.3 | 11.15 | +0.15 |


## 五、预测的局限与鲁棒性建议

回归预测最大的敌人是"结构突变"。暑期档这85亿票房的背后，至少有三类突变源：第一类是黑马影片，一部评分口碑爆棚的片子能在两周内把大盘抬升一截，历史数据里没有这个信息，模型必然滞后；第二类是突发事件，天气、疫情、舆情都会突然压制观影需求；第三类是节假日移动，中秋、国庆与暑期档的衔接每年不同，日期结构变化会平移需求曲线。应对思路有四条：一是做情景分析，把特征分成乐观、中性、悲观三档分别预测，给出区间而非单点；二是滚动预测，每次只用最近若干周数据重新拟合，让模型跟上最新趋势；三是留出验证集，不拿全部历史拟合，用前段拟合、后段检验，防止过拟合；四是对残差做诊断，若残差持续同号（系统性低估或高估），说明有漏掉的关键特征，需要回头补特征。

| 局限来源 | 表现 | 鲁棒性对策 |
|---|---|---|
| 黑马影片 | 突发爆款抬升大盘 | 情景分析、区间预测 |
| 突发事件 | 需求被暂时压制 | 滚动重拟合、加虚拟变量 |
| 节假日移动 | 需求曲线平移 | 特征中加入日期结构 |
| 共线性特征 | 系数不稳定 | 相关性筛查、逐步回归 |

## 六、国赛票房与文娱类赛题应用建议

票房预测是国赛"数据分析+预测"类赛题的经典素材，评分要点通常有五步：第一步数据清洗，统一含预售口径、补齐缺失周、说明来源与处理方式；第二步探索性分析，画周票房序列图、算特征相关性矩阵，先把规律用图表讲清楚；第三步建模，从一元回归起步，逐步加特征并报告每一步的决定系数变化，展示"为什么这样选"；第四步验证，前段拟合后段预测，给出相对误差与残差图；第五步结论，把预测写成区间，并附敏感性分析（平均票价变化、头部影片占比变化对总票房的影响）。额外加分点：可以把"单日票房"与"档期总票房"做成双层模型，用序列预测单日、用回归预测总量，相互校验；也可以引入评分网站的口碑指数做时滞特征——口碑先于票房释放，是天然的领先指标。最后提醒一点：文娱数据噪声大、样本少（一年就几个大档期），任何单模型结论都要配情景分析，把"预测值"降级为"可能性"，这才是评委眼中成熟的建模态度。