近年来,中国电影行业快速发展,中国电影市场也开始成为世界范围内仅次于美国市场的第二大电影市场。但中国电影市场高速发展同时也伴随着市场趋于饱和,行业增长变缓等问题。另一方面,电影行业动辄上亿的投资和充满不确定性的市场环境给电影制作带来了巨大的风险,任何一部电影的成败都可能给公司带来巨大的收益或损失,因此,在本研究中,我们藉由建构一部电影在制作初期的票房收入预测系统来进行研究,这是非常必要且有价值的。作为第一步,本文主要针对中国电影市场展开研究。人工智能越来越多地被用于改善各种公司和行业的运营,在电影行业主要应用于帮助电影制作,投资方进行投资决策和影院的运营管理等方面,准确的电影票房预测对电影行业中运营管理的投资分配环节着非常积极的影响,能够帮助管理层克服资源分配的挑战。回顾过往电影票房预测相关的文献,电影票房预测问题主要聚焦于因素选择和模型选择两个方面。在因素选择方面,电影预测的时间节点,对于预测结果的应用十分重要,电影票房预测按时间可以分为电影制作前预测、映前预测和映后预测三个阶段,制作前预测的对于运营管理决策的价值是最大的。因而我们以电影早期预测为目标,提出的特征均基于电影本身的性质的数据集而不包含任何社交平台口碑或影片映后数据,在对这些因素进行特征处理时,根据不同特征因素的特点和性质选择了相应的处理方法,并且充分考虑了静态特征和动态特征。在模型构建上,过往关于电影票房预测的研究主要集中于四类模型,分别是传统的统计学习模型,概率模型,时间序列模型和机器学习模型,普遍存在模型预测效果不佳等问题。基此,本文尝试构建Stacking融合模型获得更好的预测效果,通过对模型效果和特征贡献度的分析,结合Xgboost、随机森林、Light GBM、KNN算法与Stacking模型融合理论,建立了用于电影票房预测的Stacking模型,旨在电影制作的早期阶段预测国产影片票房水平,为影视企业投资、运营提供参考信息。实证结果表明,该模型预测精度良好,模型的准确率（1-Away）达86.46%,Bingo准确率为69.16%,优于所有由单一机器学习模型构建的票房预测系统,在使用到的特征因素中,明星影响力涉及的特征最多,预测力最强,因为明星不仅在电影口碑与宣传上对有重要影响,而且诸多潜在因素有很强的相关性。其它因素包括上映时间、上映地区、影片类型预测力相当,而续集因素受限于续集影片的数目,预测力较弱。