基于改进WOA-Elman模型的舆情热度预测研究

针对公共卫生舆情事件的突发性和破坏性等问题,为了更精准预测舆情发生时的热度走向,本文构建了基于改进鲸鱼算法(WOA)优化Elman神经网络的舆情热度预测模型。首先根据百度指数和360趋势,对2020年1月1日至同年2月19日时段“COVID-19”事件的时间序列指标进行选取;其次利用WOA优化Elman神经网络初始值和阈值的方法进行训练和预测;最后与标准BP神经网络模型、标准Elman神经网络模型进行对比分析。结果表明,改进WOA-Elman的平均绝对百分比误差、均方根误差分别为4.7843和219363.7844,该预测模型的预测结果与原始数据更吻合,预测精度和预测误差上更具优势,在解决突发公共卫生舆情事件热度预测问题上切实有效。

融合微博热点分析和LSTM模型的网络舆情预测方法

当前互联网已成为公众获取信息、表达观点的重要平台,也带来社会舆情事件易发生的风险,通过对网络舆情走势的提前预测,能够准确判断热点事件的发展态势,为政府相关部门应对舆情危机提供参考.针对单一预测模型预测精度不高和社交媒体对舆情走势影响较大的问题,提出了融合微博热点分析和长短期记忆神经网络(LSTM)的舆情预测方法.利用网络爬虫和PyTorch机器学习平台构建了用于舆情时序数据分析的网络舆情预测系统;在此系统内,考虑微博的强时效性,采用网络热点分析技术计算微博热度分值;改进LSTM网络,设计由2个隐含层组成的MH-LSTM预测模型;将MH-LSTM模型用于舆情事件百度指数的定量预测中,通过试验验证了模型的正确性,证实了该预测模型拥有较好的预测效果.

基于社会化媒体的公共政策舆情预测研究

[目的/意义]如今,互联网平台中存在着大量有价值的政务舆论信息,可预测民众对公共政策的态度舆情倾向,给政策模拟领域提供若干参考。[方法/过程]提出将大众对政策的态度变化看作一个随机过程,利用马尔科夫模型对其进行预测仿真。研究以我国延迟退休政策为对象,采用遗传与二次规划组合算法对状态转移矩阵求解,利用动态误差补偿公式修正预测精度,寻找迭代平衡点。[结果/结论]实验表明,文中提出的方法可有效提高预测精度,同时我国公众对延迟退休政策的非异议性比例在可行性标准之下,政府需不断协调政策事前评估的各项工作,以确保其顺利推行。

暴雨灾害短视频引发舆情危机的BN研究

为减少短视频引发的网络舆情危机风险,以“7·20”河南暴雨灾害为例,基于网络短视频,从突发事件的灾情程度、应对行为、视频属性、舆情情感倾向和舆情传播扩散度5个方面,构建短视频网络舆情危机风险的预测指标体系,利用贝叶斯网络(BN)构建预测模型,探讨舆情预测准确度。结果表明:经检验测试,该模型可有效预测网络舆情危机风险等级,公众面对突发事件时的应急响应行为对舆情危机风险等级、情感倾向和传播扩散度均有重要影响;在灾情严重且公众的行为应对较消极的情境下,舆情爆发的主因为公众的情感倾向和舆情的传播扩散度;相较于微博转发量和点赞量,评论量高的微博短视频更容易引发网络舆情危机。

一种自适应网络舆情演化建模方法

针对短期趋势预测方法忽略演化过程统计特性的动态变化性,致使模型选择盲目、预测效果较差的问题,本文提出一种自适应网络舆情演化建模方法(AEMIPO)。首先,动态跟踪网络舆情演化过程的平稳性、周期性和自相似性等统计特性;其次,选取能够描述上述统计特性的ARMA,ARIMA,SARIMA,FARIMA模型构建备选模型库;最后,通过制定模型选择规则,从备选模型库中选择合适的模型对当前时刻的演化过程进行自适应建模,并预测其演化趋势。实验表明,与现有方法相比,AEMIPO具有更高的预测精度与更好的预测稳定性,更适合对网络舆情演化过程进行短期建模及趋势预测。

基于网络评论的网络舆情研究

研究网络新闻评论可以更好地分析网民对新闻关注程度的发展变化,对于网络舆情研究也具有重要意义。本文首先选择任意时间段内网络上的热点事件为样本,绘制其评论增长曲线,进而使用自组织映射神经网络方法将曲线分类,拟合出代表各类发展规律的曲线,最后利用所得结论判断突发新闻的类别归属,预测其评论发展趋势,并验证方法的有效性。

基于灰色-加权马尔科夫模型的微博负面舆情热度预测研究

[目的/意义]结合加权马尔科夫和灰色预测模型,将负面情绪引入舆情热度影响因素中,以构建微博负面舆情热度预测模型,从而达到优化模型并丰富舆情监测体系的目的,研究结果可为相关部门提供事前预警。[方法/过程]以微博社交媒体用户为对象,以“货拉拉事件”“大连522事件”为研究事件,通过对采集到的数据进行处理,构建灰色-加权马尔科夫负面舆情热度预测模型。[结果/结论]结果显示,基于灰色-加权马尔科夫的预测模型精度优于单一的灰色预测与残差修正灰色预测模型,能有效推测出突发事件中舆情热度的发展。

基于EMD的网络舆情演化分析与建模方法

现有研究忽略网络舆情演化过程的多成分特性,导致演化分析与建模效果较差。为此,提出一种基于经验模态分解(EMD)的网络舆情演化分析与建模方法。对演化过程进行EMD分解,形成演化过程的趋势成分、周期成分、突发成分和随机成分,通过对各成分进行分析与建模,实现网络舆情的演化分析与建模。实验结果表明,该方法通过EMD分解得到的各成分物理含义明显,有助于分析网络舆情的演化规律,同时具有较好的趋势预测效果,适合进行演化建模。

基于组合预测方法的网络舆情演变规律研究

针对目前网络舆情形成迅速、对社会影响巨大的情形,通过组合预测方法研究网络舆情的演化趋势并对其发展做出科学的预测,掌握其基本的变化规律,可以提早采取应对措施,对于及时应对网络突发的公共事件和全面掌握社会民情民意具有重大意义。

基于大数据的网络舆情预测分析

近五年以来,中国网民规模和互联网普及率都在稳步增长。随着网络日益发达,相关部门对前期数据进行获取,基于大数据技术对网络舆情预测问题进行分析,通过网络舆情预测混合算法、大数据舆情预测算法、网络舆情生命周期模型的应用,发现潜在的舆情危机,科学迅速地采取适当措施,引导事件的正确发展,很有现实意义。

基于关键词提取的网络舆情监管预测算法研究

为解决传统网络舆情监管预测算法对舆情态势预测准确性较低的不足,提出了基于关键词提取的网络舆情监管预测算法,根据关键词提取的网络舆情监管预测算法运算确定关键流程,依托网络舆情关键词的提取以及权值的计算,实现了网络舆情时间序列的构建,基于网络舆情二元语义拟合以及最终舆情预测结论的显示,完成了提出的算法研究。试验数据表明,关键词提取的网络舆情监管预测算法,较传统网络舆情监管预测算法具有更高的有效性。

融入情感分析的重大突发事件舆情热度组合预测模型

[目的/意义]旨在准确预测重大突发事件网络舆情热度,以助于政府部门及相关决策者准确把握舆论风向,了解事件进展,对社会进行有效、科学的管理。[方法/过程]基于Python爬虫技术,爬取微博中带有“河南暴雨”关键词的原创博文,进一步构造KNN模型、SVR模型以及随机森林模型,利用灰色关联分析对这三种模型分配权重进行组合预测。最后对测试集的网络舆情热度使用组合预测模型进行预测。[结果/结论]数值实验结果显示,融入情感值对网络舆情热度组合预测模型能起到显著预测效果,而且在滞后6天时,引进情感值的舆情热度组合预测模型的效果最佳,其R^(2)为0.8745,其MAPE为0.4991。该模型能够有效预测重大突发事件网络舆情热度。

基于ARIMA和BP神经网络模型的舆情情感预测

针对重大事件网络舆情数量的激增,网络舆情安全监管和预警形势严峻的情况,提出一种基于ARIMA和BP神经网络组合模型的网络舆情情感预测模型,进而对新浪微博上采集的"余姚水灾事件"进行文本情感值计算,并对其情感变化趋势进行综合分析和预测。预测结果表明,也组合预测方法相对于单一预测方法具有更高的精度,进而说明该模型在网络舆情情感预测中的应用是可行的。

基于支持向量机的网络舆情预测

针对网络舆情时间序列具有样本数少、非线性、贫信息等特点,本文采用改进后的混合蛙跳算法——最小二乘支持向量机模型进行网络舆情预测。首先利用反向学习策略构造初始化种群,其次利用自适应移动因子改进蛙群个体更新步长,然后根据适应度方差动态调整蛙群个体的变异概率更新全局最优解。经过改进后的混合蛙跳算法对最小二乘支持向量机的两个重要参数——核函数的宽度参数σ、正则化参数γ进行寻优,应用到网络舆情预测中。

嵌入互联网舆情强度的人民币汇率预测

针对目前人民币汇率预测研究存在的数据源单一导致难以提升预测效果的问题,提出一种嵌入互联网舆情强度的预测技术,通过融合多方面数据源进行对比分析,有效降低了人民币汇率的预测误差。首先,融合互联网外汇新闻数据和历史行情数据,并将多源文本数据转化为可计算的特征向量;其次,通过情感特征向量构建五种特征组合并对其进行对比,给出了嵌入互联网舆情强度的特征组合作为预测模型输入;最后,设计外汇舆情影响汇率预测的滑动时间窗口,建立基于机器学习的汇率预测模型。实验结果表明,嵌入互联网舆情的特征组合相对于不含舆情的特征组合在均方根误差(RMSE)和平均绝对误差(MAE)上分别提升了9.8%和16.2%;此外,长短期记忆网络(LSTM)预测模型比支持向量回归(SVR)、决策回归(DT)和深度神经网络(DNN)预测模型表现更好。

论大数据背景下的网络舆情监测

阐述大数据给网络舆情监测带来的新机遇。分析在大数据背景下,网络舆情监测面临的信息量庞大、数据处理要求高、容易侵犯网民隐私等难题。提出探索网络舆情数据源、做好大数据分析预测、合理运用分析预测结果以及做好网民隐私保护工作等策略。

面向突发事件的网络衍生舆情预警模型与实证研究

[目的/意义]为及时监测出突发事件网络舆情消退期的衍生舆情并预警,构建面向突发事件的网络衍生舆情预警模型。[方法/过程]根据突发事件舆情衍生传播规律,建立一种基于组合预测的预警模型,并构建衍生系数来描述舆情的衍生程度,依据衍生舆情预警等级来归纳可操作的衍生舆情预警步骤。[结果/结论]通过实证分析可知,此模型对突发事件网络舆情消退期的衍生舆情有良好的预警作用,为优化政府应对衍生舆情等后续研究提供理论参考。

基于拐点的网络舆情预测研究

舆情预测是实现网络舆情监控最重要的一个环节,针对舆情演化过程中的拐点会影响舆情预测的情况,在ARIMA和灰色预测的基础上,提出了一种基于拐点的预测方法,建立了分段和镜像处理的数学模型。最后用实例对模型进行对比验证,并总结了模型的优缺点。实验表明,该方法能够减小拐点的影响,提高舆情预测的准确度。

面向突发事件的网络用户画像情感分析——以天津“8·12”事故为例

[目的/意义]作为突发事件舆情演变的重要途径,微博的集群性、突发性、爆炸式传播特性给舆情管控造成了巨大的压力,在舆情发生时及时预测和把握每个用户情感倾向,有助于进行针对性的舆情引导。[方法/过程]提出一种基于微博情感分析和用户画像的突发事件情感预测模型。运用爬虫技术建立用户画像,通过贝叶斯分类器对评论文本进行情感分析,并对情感倾向的影响因素作相关性分析,最后在采用word2vec和one-hot编码处理特征的基础上,采用梯度提升树算法,以粉丝数、关注数、评论时间、性别、年龄、地址、学历等用户画像特征作为自变量,预测公众情感倾向度。最后以天津“8·12”事故为例,建立模型进行分析验证。[结果/结论]结果表明,模型预测结果基本符合实际情况。模型可以为精准到个人的分类舆情引导策略提供辅助,为舆情危机应对决策提供理论支撑。

基于大数据分析的网络舆情监管预测研究

对网络舆情的准确监管和预测是实现大数据网络信息统计和调查的关键技术,在保障网络秩序稳定性方面具有重要意义。针对传统方法采用关联特征匹配方法进行舆情预测,当网络舆情数据分布广度较大、干扰较强时,存在监管预测性能差的问题。本文提出基于大数据语义特征分析提取的网络舆情监管预测算法,构建网络舆情的宽平稳时间序列模型,采用二元语义信息表达方法进行网络舆情的语义信息特征序列拟合,对网络舆情进行主题词表构建和匹配,采用大数据分析方法进行网络舆情的语义特征分析和提取,实现预测算法的改进。仿真实验表明,该方法进行网络舆情预测的准确度较高,收敛性较好,实时性较高,提高了对网络舆情的监管能力。