當(dāng)前信息時代網(wǎng)絡(luò)的普及與發(fā)展促進(jìn)了網(wǎng)絡(luò)輿情的產(chǎn)生與傳播,隨著網(wǎng)民數(shù)量的不斷增加,網(wǎng)絡(luò)輿情的演化對社會的穩(wěn)定與發(fā)展的影響越來越大.因此需要通過科學(xué)的數(shù)據(jù)分析掌握輿情發(fā)展的自然規(guī)律,對輿情的演化行為做出預(yù)測與判斷,以便更好地進(jìn)行人工干預(yù),以引導(dǎo)或激勵輿情的傳播與發(fā)展.高精度的網(wǎng)絡(luò)輿情預(yù)測模型的構(gòu)建是一個難題,當(dāng)前解決這一問題主流的建模方法有組合模型,混合模型,集成模型與人工智能模型.由于網(wǎng)絡(luò)輿情數(shù)據(jù)具有灰色不確定性,其中夾雜的擾動項對模型預(yù)測精度的影響非常大,本文引入灰色緩沖算子對數(shù)據(jù)進(jìn)行預(yù)處理以提升模型的預(yù)測精度;由于輿情具有瞬發(fā)性和短時間持續(xù)性,因此網(wǎng)絡(luò)輿情數(shù)據(jù)具有小樣本的特點(diǎn),針對此特點(diǎn)本文利用灰色模型來進(jìn)行輿情預(yù)測,但單一模型的預(yù)測能力有限,即使改進(jìn)后預(yù)測精度仍不是很高,而混合模型可以解決這一問題;考慮到人工智能模型中的最小二乘支持向量機(jī)模型同樣適合小樣本預(yù)測且可更好的處理非線性問題,本文利用最小二乘支持向量機(jī)對灰色模型的殘差進(jìn)行修正,最終建立改進(jìn)的灰色最小二乘支持向量機(jī)混合模型.由評價指標(biāo)MAPE與MSE驗(yàn)證了混合模型具有更高的預(yù)測精度.具體工作如下:(1)由于輿情數(shù)據(jù)的變化趨勢...

【文章頁數(shù)】：69 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 選題背景與意義
    1.2 研究現(xiàn)狀
    1.3 本文框架與主要內(nèi)容
2 灰色算子相關(guān)理論
    2.1 沖擊擾動與緩沖算子
    2.2 弱化緩沖算子
    2.3 累加生成算子與累減生成算子
3 經(jīng)典灰色預(yù)測模型
    3.1 均值GM(1,1)模型
        3.1.1 均值GM(1,1)模型相關(guān)原理
        3.1.2 均值GM(1,1)模型建模步驟
    3.2 灰色Verhulst模型
        3.2.1 灰色Verhulst模型原理
        3.2.2 灰色Verhulst模型建模步驟
4 改進(jìn)的灰色預(yù)測模型
    4.1 LGM(1,1)模型
        4.1.1 LGM(1,1)模型原理
        4.1.2 LGM(1,1)模型建模步驟
    4.2 TPGM(1,1)模型及其初始值優(yōu)化
        4.2.1 TPGM(1,1)模型原理及其初始值優(yōu)化
        4.2.2 TPGM(1,1)模型建模步驟
5 改進(jìn)的灰色最小二乘支持向量機(jī)混合模型
    5.1 最小二乘支持向量機(jī)
        5.1.1 最小二乘支持向量分類機(jī)
        5.1.2 最小二乘支持向量回歸機(jī)
    5.2 GAWBO-LGM-LSSVM混合模型
    5.3 GAWBO-TPGM-LSSVM混合模型
6 實(shí)驗(yàn)結(jié)果與對比分析
    6.1 數(shù)據(jù)的選取與預(yù)處理
    6.2 預(yù)測精度評價指標(biāo)
    6.3 單一模型預(yù)測
        6.3.1 均值GM(1,1)模型預(yù)測
        6.3.2 灰色Verhulst模型預(yù)測
        6.3.3 LGM(1,1)模型預(yù)測
        6.3.4 TPGM(1,1)模型預(yù)測
    6.4 混合模型預(yù)測
        6.4.1 GAWBO-LGM-LSSVM模型預(yù)測
        6.4.2 GAWBO-TPGM-LSSVM模型預(yù)測
    6.5 預(yù)測結(jié)果對比與分析
7 總結(jié)與展望
致謝
參考文獻(xiàn)
攻讀學(xué)位期間的研究成果



本文編號：3939927