电影行业是我国宣传思想文化的重要阵地之一,对于丰富人们的精神世界和文化生活具有重要作用,能够促进我国现代化建设。目前,随着国内疫情防控常态化,我国电影产业也在不断复苏和发展,电影市场在扩大的同时,电影作为高收益的文化产品其投资必然伴随着一定的高风险。电影票房是衡量一部影片成功与否的重要指标,准确的票房预测可以给制片商和发行商提供合理建议,从而及时调整策略,有效减少风险投资带来的损失,使得投资收益最大化。随着科学技术的发展,机器学习算法种类众多,选择一个合适的模型对于电影票房预测至关重要。基于目前还并没有一个公认最有效的模型和准确的变量,本文在前人研究基础上,结合我国电影市场实际情况,以2012-2021年在国内上映的2434部电影作为研究对象,从电影自身特征和营销发行两个角度构建了九种因素影响下20个指标体系,利用多个集成学习方法包括随机森林、GBDT、XGBoost以及LightGBM算法建立了电影票房预测模型,并对模型的参数进行了优化。实证结果表明,优化后的XGBoost模型相对比其它三种模型在电影票房预测上具有更高的准确率,并且通过综合分析得出评论人数和电影类型对电影票房影响重大。此外,本文为进一步提高单一模型的稳定性和准确率,尝试利用Stacking算法对预测效果更优的单一模型进行分层融合,构建了基于XGBoost-Stacking集成学习算法模型并用于电影票房的预测研究。实验表明,融合后的集成模型比单一的XGBoost模型具有更优的性能。