基于数据分解的网络舆情热度预测_孙立平.pdf
《基于数据分解的网络舆情热度预测_孙立平.pdf》由会员分享,可在线阅读,更多相关《基于数据分解的网络舆情热度预测_孙立平.pdf(3页珍藏版)》请在咨信网上搜索。
1、2023.6电脑编程技巧与维护1概述对网络舆情热度进行预测研究,可以有效干预并实时控制信息传播的过程,对引导社会良好的秩序有着重要意义。游丹丹等人1采用粒子群算法和BP神经网络算法构建网络舆情预测模型进行时间序列预测;项权等人2将长短期记忆网络(LSTM)模块嵌入所建立的系统动力学模型,用于突发事件的舆情预测中;周耀明等人3提出对网络舆情时间序列进行EMD分解,通过对各分量的分析实现网络舆情的预测;鲍昕等人4利用注意力机制为输入序列数据分配权重系数,推测重大突发事件的发展变化。基于以上研究,在此预测模型基于数据分解的研究思路,通过EEMD算法将网络舆情热度序列分解为一系列IMF分量,并对各IM
2、F分量进行拟合预测,最后将各分量的预测结果求和得到最终的预测结果。2理论基础2.1集合经验模态分解模型EEMD是在EMD基础上提出的。EMD方法是将原始复杂信号自适应地分解为若干个IMF分量,每个分量代表了原始信号中不同尺度的趋势或波动。EEMD方法在原始序列中逐次加入频率服从均匀分布的白噪声。具体分解过程如下。(1)将标准正态分布的白噪声序列加入原始序列中,以产生一个新的时间序列,如公式(1)所示。其中,ni(t)为第i次加入x(t)中的白噪声序列;xi(t)为第i次经白噪声处理后得到的时间序列;N为迭代次数。xi(t)=x(t)+ni(t),1iN(1)(2)将xi(t)进行EMD分解。首
3、先,求出序列的所有局部极大值、极小值,使用3次样条插值函数分别拟合上下极值点,得出上下包络线fmax(t)和fmin(t),并计算其均值得到平均曲线序列mi(t);然后,用序列xi(t)减去序列mi(t)得到新的序列hi(t),判断hi(t)是否满足IMF分量条件,若满足,则为第一个分量IMF1;若不满足,则将hi(t)代替xi(t)作为下一轮的原始数据,重复上述过程n次,直到满足IMF的条件时停止,如公式(2)所示:,(0.2 SD 0.3)(2)其中,T为时间序列长度;SD停止阈值。用原始序列xi(t)减去IMF1,获取剩余项r1(t),将其看作新的待分解序列,重复迭代分解过程,直到完成所
4、有IMF分量的提取。最后,剩余项rn(t)作为序列的趋势项,原始序列如公式(3)所示:(3)(3)重复上述步骤N次,每次加入强度相同序列不等的正态分布白噪声序列,进行EMD分解得到N组不同的IMF分量。将上述过程得到的IMF进行集合平均运算,作为EEMD分解的最终结果。2.2长短期记忆与卷积长短期记忆LSTM模型在循环神经网络(RNN)的基础上添加了记忆细胞和门结构,解决了传统神经网络在反向传播中存在的梯度爆炸或梯度消失的问题。LSTM网络更新的过程可用公式(4)公式(9)的递归公式表示。其中,xt为当前t时刻输入的序列信息;ft为遗忘门;it为输入门;ot为输出门;St为记忆单元;ht为隐藏
5、层输出;bi、bf、bc和bo均为偏置向量。(4)(5)(6)(7)(8)(9)作者简介:孙立平(1998),女,硕士,研究方向为网络舆情、数据分析等。基于数据分解的网络舆情热度预测孙立平(东北大学理学院,沈阳110819)摘要:针对传统时序数据预测算法难以提取潜在特征的问题,基于数据分解的研究思路,提出了一种以编码解码器为框架融合注意力机制和 ConvLSTM 神经网络的预测模型。利用 EEMD 算法将原始序列分解为本征模态函数,分别对分量进行建模和预测,实现网络舆情时间序列的预测。实验结果表明,提出的模型具有较好的预测性能。关键词:网络舆情;热度预测;集合经验模态分解;注意力机制96DOI
6、:10.16184/prg.2023.06.0322023.6电脑编程技巧与维护输入由当前t时刻的输入和上一时刻隐藏层的输出组合而成。在遗忘门部分,权重Wf决定旧的记忆单元中哪些信息被遗忘,通过计算ft与上一时刻细胞状态的哈达玛积完成信息过滤。输入门计算更新信息得到新的细胞状态。输出门利用激活函数,决定哪些信息作为隐藏状态被输出。ConvLSTM在结构上与LSTM相似,不同之处在于ConvLSTM在LSTM的基础上引入了卷积操作,在各门的信息输入部分由点积运算替换为卷积运算,权重以卷积核和循环核的形式呈现。2.3注意力机制注意力机制通过赋予输入数据中关键特征更大的权重,使神经网络可以快速过滤出
7、更有价值的信息,如公式(10)公式(14)所示。首先将隐藏层的输出作为注意力层的输入,基于当前隐藏层状态可求得各特征序列在t时刻对应的注意力权重并进行标准化处理,为每个隐藏状态匹配不同的权重系数。输出值yi的条件概率由前一时刻的输出、当前时刻的隐层状态,以及上下文向量ci共同决定,其中,g和f为非线性函数;ci可以定义为隐藏状态的加权和。(10)(11)(12)(13)(14)2.4EEMD-ConvLSTM-Att-Encoder-Decoder 模型EEMD-ConvLSTM-Att-Encoder-Decoder模型结构如图1所示。模型以编码解码器为框架,在EEMD方法的基础上对分解后的
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 数据 分解 网络 舆情 热度 预测 孙立平
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。