Litman 用电影租金替代票房收入作为因变量，使用线性回归方法建立基础模型，得到了电影史上第一个相对完整的票房预测模型。
王峥等运用Logit模型研究电影票房预测并对不同的电影票房影响因素进行回归分析，结果表明明星和导演均对电影票房的提升产生正面影响
Sochay等在电影票房预测分析过程中探查到，市场竞争强度和银幕数对电影租金和放映周期两个因变量表现出显著相关，
Linman从创意，上映以及营销能力三个维度选取了14个电影票房影响因素，
2006年，Sharda 等，第一次提出采相较于传统的线性回归分析法，通过神经网络法得到的模型的准确率更高，用人工神经网络法建立票房预测模型，但仍然不尽人意
郭振宇等使用随机森林预测电影首映周票房收入的范围，实验表明该方法优于其他统计方法;
Chang等和Karniouchina等的电影票房预测模型研究都发现明星热度可以提高首映周的票房收入
应用算法方面
研究因素方面
黄文清、郭萱等人的研究结果均表明非线性的随机森林算法模型比传统的多元线性回归预测模型更优
曹美娟在比较了五种分类预测模型后，发现预测票房效果最好的是决策树模型
Snyder 等在研究影视作品的影响力是，发现正面评论对电视剧以及电影的宣传和收视率有着非常大的影响。
甘雨涵、杨威等人在进行模型研究时，尝试采用支持向量机回归器预测电影票房，但准确率并不理想
郑坚等在前人基础上提出基于多层反馈神经网络建立票房预测模型，这种BRP模型在提高了分类正确率的同时，给出了票房预测的波动范围。
Peng等在电影票房预测过程中基于新浪微博中明星的粉丝数量衡量明星的影响力，实验结果表明明星效应对票房收入的总体影响是正向且显著的
国内外现状
