پیش بینی فروش فیلم های سینمایی در ایران با استفاده از شبکه های عصبی و مقایسه آن با روش های آماری
نویسندگان
چکیده مقاله:
پیش بینی فروش فیلم قبل از شروع اکران عمومی آن به دلیل عدم قطعیت عکس العملمخاطبین، چالشی بزرگ و مساله ای جذاب و وسوسه انگیز و در عین حال، پیچیده و دشوار است.موفقیت یک فیلم سینمایی، در گرو فروش مناسب و پوشش هزینه های ساخت و سود دهی،دانسته می شود. تا آنجا که به کار بردن عبارت صنعت سینما که در درون خود نگرش و پیش فرضهای عوامل موفقیت یک فعالیت صنعتی را نهفته دارد، به جای هنر سینما، عمومیت دارد. همچنین،بازگشت سرمایه ی صرف شده برای ساخت فیلم سینمایی، تنها وقتی که تماشاگر سینما به تماشایآن فیلم بنشیند، ممکن خواهد بود. می توان با شناخت عوامل تاثیر گذار در فروش فیلم، متغیر هاییتعریف کرد و با شناخت و آموزش آن ها به شبکه ی عصبی، با ارائه ی مدلی، میزان فروش فیلم راپیش بینی نمود. در این صورت، ابزار کمکی بسیار قدرتمندی در اختیار تولید کنندگان فیلم، بهمنظور تضمین وجود حاشیه ی امنی برای سرمایه گزاری انجام شده، قرار می گیرد. در این مقاله،انتخاب متغیر های ورودی، بر مبنای ویژگی ها و مقتضیات صنعت فیلم سازی در کشور ایران و بااستفاده از روش های آماری و عقاید صاحبان نظر در این حیطه، صورت گرفته است. پس از تبدیلمساله ی این مطالعه، از مساله ی پیشبینی، به یک مساله طبقهبندی شده، با استفاده از شبکه ی عصبی MLP با چند متغیر ورودی و یک متغیر خروجی، مدل پیش بینی، ساخته شده است. همین مساله با بهره گیری از روش آماری رگرسیون چند متغیره نیز حل شده است. در انتها، روش Fold-Cross-Validation ده گانه، برای اندازه گیری میزان کارایی مدل پیش بینی به کار رفته است. این کارایی، با بررسی موفقیت مدل، در پیش بینی فروش فیلم، در رده بندی صحیح خود، و در یک ردهبندی بالا و پایین رده بندی صحیح خود، سنجیده شده است. مقایسه نتایج نشان می دهد که شبکههای عصبی، عملکرد بهتری نسبت به روش های آماری برای حل این مساله پیش بینی داشته اند.
منابع مشابه
مقایسه پیش بینی هزینه ها با استفاده از روش های آماری و شبکه عصبی مطالعه موردی: شهرداری اصفهان
پیش بینی هزینه کل آب در شهرداری اصفهان کمک موثری میباشد برای بهینه سازی مصرف آب در 14 منطقهشهرداری اصفهان. هزینه کل آب تابعی از پارامترهای مختلف و متنوع می باشد. به همین دلیل پیش بینی هزینه بهصورت تحلیلی بسیار مشکل و یا ناممکن می باشد. در این شرایط استفاده از سیستم های هوشمند می تواند بهعنوان یک گزینه راهگشا مطرح گردد. در این تحقیق با استفاده از شبک ه های عصبی پرسپترون چند لایه و باالگوریتم آمو...
متن کاملمدل سازی و پیش بینی رشد اقتصادی در ایران با استفاده از شبکه های عصبی مصنوعی
شبکه های عصبی مصنوعی، یک ابزار قدرتمند برای تجزیه و تحلیل داده ها و مدل سازی روابط غیر خطی به حساب می آید که استفاده از آن طی سال های گذشته در اقتصاد کلان گسترش یافته است. در این مطالعه، کارایی یک مدل شبکه عصبی با یک مدل خطی رگرسیون برای پیش بینی نرخ رشد اقتصادی در ایران مقایسه می شود. برای این منظور ابتدا، یک مدل رگرسیون رشد برای دوره 1315-1373 برآورد شده و سپس با همان مجموعه رگرسورها (متغیرها...
متن کاملاستفاده از رهیافت های شبکه عصبی و مدل های خودرگرسیونی در پیش بینی رشد اقتصادی ایران
یکی از مسائل مهم در اقتصاد پیش بینی رشد اقتصادی می باشد که با توجه به اینکه، پیش بینی صحیح رشد اقتصادی، آثار مهمی در سیاست گذاری و برنامه ریزی های اقتصادی دولت دارد و می تواند علاوه بر ایجاد زمینه‌ی توسعه روش های جدید پیش بینی، سیاست گذاران را در تصمیم گیری آتی یاری رساند، لذا هدف این مقاله پیش بینی رشد اقتصادی ایران با استفاده از سه مدل شبکه عصبی، میانگین متحرک خودرگرسیون تجمعی، خودرگرسیون وار...
متن کاملپیش بینی تورم ایران با استفاده از مدل های ساختاری ، سری های زمانی و شبکه های عصبی
امروزه ، پیش بینی متغیر های کلان اقتصادی از اهمیت ویژه ای برای سیاستگذاران و سایر واحد های اقتصادی برخوردار است. در نتیجه ، دردهه های اخیر ، مدل های پیش بینی گوناگونی توسعه یافته و به رقابت با یکدیگر پرداخته اند. اخیراً به موازات مدل های متداول قبلی مانند مدل های ساختاری و سری زمانی ، مدل های دیگری تحت عنوان شبکه های عصبی مصنوعی در زمینه پیش بینی متغیر های مالی و پولی بکار گرفته شده اند. این م...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
عنوان ژورنال
دوره 5 شماره شماره 4(پیاپی 11)
صفحات 25- 49
تاریخ انتشار 2010-12-22
با دنبال کردن یک ژورنال هنگامی که شماره جدید این ژورنال منتشر می شود به شما از طریق ایمیل اطلاع داده می شود.
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023