浅谈网络舆情预测方法
徐红
（四川警察学院，四川 泸州 646000）
摘 要：随着互联网的不断发展以及网民人数的不断增多，网络舆情对社会的影响越来越大，预测网络舆情的发展趋势对维护社会和谐具有重要的意义。分析了基本的网络舆情预测方法，重点探讨了基于人工神经网络的网络舆情预测方法，并给出了相应的设计和实现方法。
关键词：网络舆情；预测方法；ARIMA；灰色预测
1 引言
随着互联网的飞速发展和网民数量的不断增加，网络在中国已经成为一类重要的媒体。由于网络信息发布具有隐匿性等特点，吸引了广大网民不断地通过互联网发表个人的观点和意见，众多网民观点和意见汇聚形成了网络舆情。
近年来，移动互联网的普及使得网民之间能更加方便、快捷地分享自己的思想和进行信息的交互，推动网络舆情产生及快速地扩散，对社会生活产生了更大的影响。如果网络舆情处理不当，就可能诱发民众的过激行为，威胁社会的稳定。因此，必须对网络舆情加以正确应对，以促进社会的和谐发展。
对照组病患吞咽不适例数与观察组相比,P大于0.05,无明显差异;对照组病患的切口黏连例数与观察组相比,P大于0.05,无明显差异;对照组病患的伤口疼痛例数与观察组相比,P大于0.05,无明显差异;但是对照组总并发症发生率比观察组高,P小于0.05,差异具有统计学意义。具体如下表所示。
由于网络舆情关系到社会的稳定发展，引起了众多学者的关注，近些年来已成为研究的热点。网络舆情研究涉及面较广，大致包括网络舆情监测、网络舆情分析、网络舆情预测和网络舆情引导等。网络舆情预测是根据当前网络舆情的发展状况对网络舆情的未来发展趋势进行预测。网络舆情预测对于把握网络舆情的发展趋势、指导网络舆情的引导工作、保障社会的和谐稳定非常重要。因此，网络舆情预测在网络舆情工作中具有重要的地位，而预测方法又是网络舆情预测的核心，它直接关系着预测的准确性和稳定性，非常有必要对网络舆情预测方法进行研究。
本文对基本的网络舆情预测方法进行分析，探讨其优缺点，然后以人工神经网络为例阐述网络舆情预测的具体实施步骤和方法。
2 网络舆情预测方法分析
1.2.1 抗病酶活性测定。2015年在公主岭南崴子进行。7月9日田间喷施公主岭霉素水浸提液。施药前取样并每隔3 d取样1次，连续取样10次，样品于-80 ℃保存备用。苯丙氨酸解氨酶(PAL)活性采用苯丙氨酸紫外吸收法[4]测定；超氧化物歧化酶(SOD)活性采用氮蓝四唑自氧化法[5]测定；β-1，3-葡聚糖酶(GLU)活性采用还原糖测定法[6]测定。分别以春雷霉素和清水作为阳性和阴性对照，设3次重复。
2.1 基于ARIMA模型的预测方法
ARIMA模型是自回归移动平均模型的简称，它常被用于短期的时间序列预测。该方法的基本思想是将时间序列视为随机序列，并建立相应的数学模型ARIMA（p，d，q）来近似这个时间序列。然后利用这个模型再进行预测。
假设时间序列x1，x2，…，xn是平稳随机序列，它对应的ARIMA（p，d，q）必须满足式（1）和式（2）：
如果时间序列不是平稳随机序列时，首先要对它进行差分处理，以转换得到平稳序列，再通过解上述方程建立模型。
xt=φ1xt-1+…+φpxt-p+δ+εt（1）
xt=μ+εt+θ1εt-1+…+θqεt-q（2）
式（1）（2）中：φ和θ为系数；p为回归阶次；δ为常数；ε为白噪声；μ为原时间序列的均值；q为移动平均阶次。
2017年，全市水产品总产量为6.77万吨，其中养殖产量6.16万吨，捕捞产量0.61万吨。养殖品种为鲢、鳙、鲤、鲫、草、青、鳊鲂等大宗鱼类和黄颡鱼、鲈、黄鳝、鳜、泥鳅、鲶、鮰等优质鱼类，产量为6.00万吨，虾、龟鳖、大鲵等特色品种产量0.16万吨。
作为一辆运动跑车，阿斯顿·马丁Vantage还拥有额外的赛道模式。或许让一辆GT跑车提供赛道模式比较奇怪—比如普通版DB11就没有赛道模式，但要说将高性能运动跑车的性能全面发挥，还是赛道模式最为合适。阿斯顿·马丁品牌的首席设计师雷克·赖希曼（Marek Reichmann）最为擅长的就是通过汽车的线条去表达令人感到激荡的情绪，正如他在解读Vantage侧面车身轮廓时所说的：“一条横贯车身的曲线，足以赋予一辆车灵魂。”而通过对这辆跑车所具备的复杂的空气动力学套件的了解，我又开始对它的驾驶表现充满期待。
通常而言，网络舆情的发展趋势在互联网上可以通过某个话题的发帖数、回帖数、点击数等数据随时间的变化态势客观地反映出来，即发帖数、回帖数等相关指标对应的时间序列客观上表征了网络舆情的发展趋势。网络舆情预测方法就是基于时间序列的计算和处理，以实现对未来网络舆情走势的预测。基本的网络舆情预测方法分析如下。
ARIMA预测的主要步骤如下：①利用单位根检验法对时间序列进行检验，如果序列存在单位根则不是平稳随机序列，否则就是平稳随机序列；②如果时间序列不是平稳随机序列，则通过差分处理将其转换为平稳随机序列；③将平稳随机序列建立起ARIMA（p，d，q）模型；④对建好的ARIMA（p，d，q）模型进行检验；⑤利用ARIMA（p，d，q）模型进行时间序列预测。
求解该微分方程即可得到用以预测的模型。灰色预测的优点是简单，不需要大量的数据，在时间序列数据较少时能获得较好地预测效果；它的缺点是当时间序列具有较强的波动性时，其预测效果会受严重影响。
2.2 灰色预测方法
灰色系统是用来解决信息不完备系统的数学方法。灰色预测属于灰色系统的内容之一，它通过灰色微分函数对不确定的系统进行分析和预测。而网络舆情具有较强的不确定性，所以可以将灰色预测运用在网络舆情分析中。灰色预测方法通过处理原始时间序列来获取系统的变化规律，生成规律性强的数据序列，再根据数据序列建立微分方程模型并求解，以此来预测系统未来的状态。
如果能够坚持连续三周不吸烟，这次戒烟可能就会有成功的希望，这几天虽然精神上有烦恼，但老闻觉得胸口、喉咙舒服清畅多了，胃口好，饭量也有所增加。
处理后的时间序列可以通过GM（1，1）模型建立如下所示的微分方程：
为了突出时间序列的规律性，需要对原始时间序列进行运算处理，累加和累减是常用的有效处理方式。
（3）
式（3）中：X为处理后的时间序列；a为发展灰数；u为内生控制灰数。
ARIMA预测方法的优点是模型简单，但是它的缺点也很明显，就是它要求时间序列是稳定的，所以该方法的使用有一定的局限性。
3 基于人工神经网络的网络舆情预测
“自采”的仅计算基本直接费，“他采”的还应计算相关费用、利润及税金。考虑到这两种情况下主承包人的成本支出差异，应同时制定这两种情况下的混凝土工程费率，“自采”的比“他采”的要高些。
网络舆情本质上是一个变化发展的动态系统，表征网络舆情发展趋势的时间序列是非线性的序列。网络舆情预测需要做的工作就是通过已知的时间序列x1，x2，…，xn，推导出今后一段时间的时间序列xn+1，xn+2，…，已知的时间序列和未来的时间序列之间是存在一定非线性关系的。而人工神经网络中的BP神经网络理论上具有无限逼近任何非线性关系的能力，所以可以采用BP神经网络逼近网络舆情的时间序列，进而实现对网络舆情的预测。
基于BP神经网络的网络舆情预测设计和实现方法如下所示。
3.1 网络舆情时间序列预处理
对原始时间序列x1，x2，…，xn进行归一化处理，将所有数据映射到[0，1]区间，可以得到新的时间序列数据x´1，x´2，…，x´n。
山药体内含水量高达85%左右，山药既耐旱又要吸收大量水分。能否有足够的水分保证山药各个生长期的需要，是影响山药正常生长发育的重要因素。
3.2 BP神经网络训练集构建
针对网络舆情预测，这里采用单步预测方式，用时间序列中连续的几个数据预测之后的1个数据。即BP神经网络根据之前的k个时刻的数据预测当前时刻的数据。根据这个条件，建立BP神经网络的训练集如表1所示。
表1 BP神经网络的训练集
序号输入输出 1x´1，x´2，…，x´k-1x´k 2x´2，x´3，…，x´kx´k+1 ……… n－k+1x´n-k+1，x´n-k+2，…，x´n-1x´n
3.3 BP神经网络结构设计
BP神经网络采用输入层、隐含层和输出层的3层结构，输入层为k个节点，输出层为1个节点，分别对应用于预测的k个时刻数据以及1个时刻的预测值。根据Kolmogorov定理设置隐含层节点个数。隐含层和输出层各节点的激活函数均选用Sigmoid函数。
3.4 BP神经网络训练
BP神经网络训练过程如下：①初始化相关参数，设置包括学习率、最大迭代次数、误差范围E等参数，对BP神经网络连接权值矩阵赋随机值，在训练集中选取一组数据作为训练样本；②将训练样本提供给BP神经网络，BP神经网络计算出隐含层、输出层的输出；③计算模型输出的总误差，再通过求导，计算各层的误差，根据计算得到的误差对网络权值进行修正；④如果全部样本都完成了训练则跳转至步骤⑤，否则选取下一组训练样本，跳转至步骤②；⑤如果BP网络全局误差小于E或者训练已达到最大迭代次数，则完成训练。
3.5 BP神经网络预测
向训练好的BP神经网络输入经归一化处理的时间序列，然后将BP神经网络的输出值反归一化则可得到对应的预测值。
4 结论
当前，网络舆情已成为影响社会安定团结的重要因素，对网络舆情发展趋势的预测就显得尤为重要。本文对网络舆情预测方法进行了讨论，分析了基本的网络舆情预测方法，重点介绍了采用BP神经网络进行网络舆情预测的方法，并阐述了具体的设计和实现方法。本文的研究可为相关的网络舆情工作提供一定的借鉴和参考。
参考文献：
［1］刘毅.略论网络舆情的概念、特点、表达与传播［J］.理论界，2007（1）：11-12.
［2］周蔚华.网络舆情概论［M］.北京：中国人民大学出版社，2015.
［3］黄亚驹，陈福集，游丹丹.基于混合算法和BP神经网络的网络舆情预测研究［J］.情报科学，2018，36（2）：24-29.
［4］杜智涛，谢新洲.利用灰色预测与模式识别方法构建网络舆情预测与预警模型［J］.图书情报工作，2013，57（15）：27-33.
［5］兰月新，董希琳，苏国强.公共危机事件网络舆情预测问题研究［J］.情报科学，2014，32（4）：35-38.
中图分类号：G202
文献标识码：A
DOI：10.15913/j.cnki.kjycx.2019.23.024
文章编号：2095－6835（2019）23－0060－02
〔编辑：张思楠〕