基于SAPSO_RBF神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)輿情預(yù)測(cè)研究

陳福集,黃亞駒

(福州大學(xué) 經(jīng)濟(jì)與管理學(xué)院，福建 福州 350108)

基于SAPSO_RBF神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)輿情預(yù)測(cè)研究

陳福集,黃亞駒

(福州大學(xué) 經(jīng)濟(jì)與管理學(xué)院，福建 福州 350108)

網(wǎng)絡(luò)輿情的發(fā)展具有復(fù)雜、時(shí)變的特征，構(gòu)建時(shí)間序列分析模型對(duì)網(wǎng)絡(luò)輿情預(yù)測(cè)具有現(xiàn)實(shí)意義，為了提高徑向基神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)準(zhǔn)確率，利用模擬退火算法優(yōu)化后的粒子群算法實(shí)現(xiàn)對(duì)RBF神經(jīng)網(wǎng)絡(luò)的優(yōu)化，構(gòu)建SAPSO_RBF神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)輿情預(yù)測(cè)模型，并以“魏則西”事件為例進(jìn)行實(shí)驗(yàn)仿真和分析，結(jié)果表明該模型在預(yù)測(cè)性能上具有較好的優(yōu)越性和穩(wěn)定性。

網(wǎng)絡(luò)輿情；RBF神經(jīng)網(wǎng)絡(luò)；粒子群算法；模擬退火算法

根據(jù)中國(guó)互聯(lián)網(wǎng)中心(CNNIC)發(fā)布的第38次《中國(guó)互聯(lián)網(wǎng)發(fā)展?fàn)顟B(tài)統(tǒng)計(jì)報(bào)告》[1]顯示，截至2016年6月，互聯(lián)網(wǎng)普及率為51.7%，互聯(lián)網(wǎng)正在改變著人們的生活習(xí)慣，對(duì)我國(guó)的政治、經(jīng)濟(jì)、文化、社會(huì)等領(lǐng)域的發(fā)展產(chǎn)生了深刻影響，已成為民情、民意的表達(dá)和傳播平臺(tái)。在互聯(lián)網(wǎng)時(shí)代，網(wǎng)絡(luò)時(shí)刻都在產(chǎn)生大量的輿情信息，網(wǎng)絡(luò)輿情傳播具有人數(shù)眾多、信息量大、意見(jiàn)眾多、內(nèi)容公眾化、傳播開(kāi)放化和控制難度大等特點(diǎn)[2]，網(wǎng)絡(luò)影響力的提升使得網(wǎng)絡(luò)輿情對(duì)社會(huì)的穩(wěn)定和發(fā)展產(chǎn)生至關(guān)重要的影響。因此，對(duì)網(wǎng)絡(luò)輿情發(fā)展趨勢(shì)的研究和預(yù)測(cè)有利于政府相關(guān)部門(mén)及時(shí)發(fā)現(xiàn)潛在的輿情危機(jī)，并采取措施進(jìn)行合理引導(dǎo)，這對(duì)維護(hù)社會(huì)穩(wěn)定具有非常重要的意義。

網(wǎng)絡(luò)輿情指的是由于各類(lèi)事件推動(dòng)刺激而產(chǎn)生的借助互聯(lián)網(wǎng)平臺(tái)傳播的網(wǎng)民對(duì)于該社會(huì)現(xiàn)象所持有的不同意見(jiàn)、態(tài)度、情緒和行為傾向的綜合[3]?，F(xiàn)有的網(wǎng)絡(luò)輿情預(yù)測(cè)研究主要是從定量方面考量，在時(shí)間序列分析的基礎(chǔ)上，采用數(shù)學(xué)模型進(jìn)行擬合，主要步驟是：網(wǎng)絡(luò)輿情數(shù)據(jù)采集、熱點(diǎn)話題的發(fā)現(xiàn)、熱點(diǎn)話題的時(shí)間序列數(shù)據(jù)收集、數(shù)據(jù)清理及變換、預(yù)測(cè)模型的建立、網(wǎng)絡(luò)輿情預(yù)測(cè)及結(jié)果評(píng)定。蘇創(chuàng)等[4]考慮網(wǎng)絡(luò)輿情傳播過(guò)程中存在的不確定因素，提出了基于不確定微分方程的網(wǎng)絡(luò)輿情傳播模型。杜智濤等[5]構(gòu)建了判研指標(biāo)體系，運(yùn)用灰色預(yù)測(cè)方法建立網(wǎng)絡(luò)輿情預(yù)測(cè)模型。吳鵬等[6]基于Agent建模技術(shù)，對(duì)突發(fā)事件中網(wǎng)絡(luò)輿情演變過(guò)程中網(wǎng)民群體行為進(jìn)行建模與仿真，揭示了突發(fā)事件網(wǎng)絡(luò)輿情演變的規(guī)律。王新猛[7]通過(guò)劃分狀態(tài)空間、構(gòu)建狀態(tài)轉(zhuǎn)移矩陣、開(kāi)展輿情熱度趨勢(shì)預(yù)測(cè)等步驟建立了基于馬爾科夫鏈的政府負(fù)面網(wǎng)絡(luò)輿情熱度趨勢(shì)預(yù)測(cè)模型。李彤等[8]提出基于模型集成的微博情感分析與預(yù)測(cè)模型，對(duì)突發(fā)事件微博輿情進(jìn)行了情感分類(lèi)與趨勢(shì)預(yù)測(cè)。魏德志等[9]在證明網(wǎng)絡(luò)輿情發(fā)展趨勢(shì)具有混沌特征的基礎(chǔ)上，提出了EMPSO_RBF神經(jīng)網(wǎng)絡(luò)的方法，并對(duì)網(wǎng)絡(luò)輿情進(jìn)行預(yù)測(cè)。黃敏等[10]針對(duì)網(wǎng)絡(luò)輿情時(shí)變和混沌特性，建立了一種基于支持向量機(jī)的網(wǎng)絡(luò)輿情混沌預(yù)測(cè)模型。

已有的研究主要是對(duì)長(zhǎng)期話題性質(zhì)的網(wǎng)絡(luò)輿情進(jìn)行預(yù)測(cè)，其對(duì)數(shù)據(jù)量的要求較為嚴(yán)格，然而突發(fā)事件具有一定的隨機(jī)性，短時(shí)間內(nèi)能收集到的數(shù)據(jù)量較小，且由于事件性質(zhì)的不同，影響程度往往具有較大的差異。因此，利用神經(jīng)網(wǎng)絡(luò)具有良好魯棒性的特點(diǎn)，以及RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單、逼近能力良好、學(xué)習(xí)速度快的特點(diǎn)[11]，進(jìn)行網(wǎng)絡(luò)輿情的熱度預(yù)測(cè)研究。對(duì)于較為復(fù)雜的非線性系統(tǒng)的擬合，RBF神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)置需要進(jìn)行全局動(dòng)態(tài)尋優(yōu)，單獨(dú)利用RBF神經(jīng)網(wǎng)絡(luò)構(gòu)建預(yù)測(cè)模型，在數(shù)據(jù)量較小的情況下，結(jié)果往往精度較差。粒子群優(yōu)化算法(particle swarm optimization,PSO)是基于群體智能的思想，是一種基于全局搜索策略的進(jìn)化算法，收斂速度快，但是粒子群的隨機(jī)初始化會(huì)對(duì)算法的尋優(yōu)結(jié)果產(chǎn)生很大的影響，有可能陷入局部最優(yōu)，且精度不高，故利用模擬退火算法概率突跳的性質(zhì)來(lái)優(yōu)化粒子群算法，解決粒子群容易陷入局部最優(yōu)的問(wèn)題，并利用優(yōu)化后的SA_PSO算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)，建立SAPSO_RBF神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)輿情預(yù)測(cè)模型。

1 利用模擬退火算法優(yōu)化粒子群算法

1.1 粒子群優(yōu)化算法

粒子群優(yōu)化算法[12]是由KENNEDY等在1995年提出的基于群體智能(swarm intelligence)的優(yōu)化算法，源于對(duì)鳥(niǎo)群行為的模擬。在算法的每次迭代中，粒子跟蹤自身遍歷過(guò)的最優(yōu)位置和整個(gè)粒子群遍歷過(guò)的全局最優(yōu)解進(jìn)行迭代尋優(yōu)，直到得到最優(yōu)解。

假定在D維空間，存在N個(gè)粒子，Xi=(xi1,xi2,…，xid)為粒子i的當(dāng)前位置；Vi=(vi1,vi2,…，vid)為粒子i當(dāng)前的速度；pbesti=(pi1,pi2,…，pid)為粒子i經(jīng)過(guò)的適應(yīng)度值最優(yōu)的位置，稱為個(gè)體最優(yōu)；gbest=(g1,g2,…,gd)為N個(gè)粒子所經(jīng)歷過(guò)的適應(yīng)度值最優(yōu)的位置，稱為全局最優(yōu)。PSO算法的迭代方程可以描述為:

c2r2(gbesttj-xtij)

(1)

式中：i=1,2,…,N;j=1,2,…,d;t=1,2,…,tmax，tmax為最大迭代次數(shù)；r1,r2為[0,1]之間的隨機(jī)數(shù)；ω為慣性權(quán)重；c1,c2為學(xué)習(xí)因子。

參數(shù)ω、c1和c2的設(shè)置會(huì)影響PSO的收斂，ω和c2較大時(shí)，PSO具有全局收斂的特性，但運(yùn)算量很大；ω較小而c2較大時(shí)，算法容易收斂，但容易陷入局部最優(yōu)，因此設(shè)置ω和c1隨著迭代次數(shù)的增加而減小，c2隨著迭代次數(shù)的增加而增加，這樣可以保證算法在初期具有較強(qiáng)的全局搜索能力，而在末期更傾向于局部搜索。

式中：ct1,ct2為第t次迭代的學(xué)習(xí)因子；ωt為第t次迭代的慣性權(quán)重。

粒子群優(yōu)化算法在解空間搜索時(shí)，粒子的初始化對(duì)尋優(yōu)的結(jié)果會(huì)產(chǎn)生很大的影響，有時(shí)會(huì)出現(xiàn)粒子在最優(yōu)解附近“震蕩”的現(xiàn)象，是一種過(guò)早陷入局部最優(yōu)的“早熟”現(xiàn)象，調(diào)整學(xué)習(xí)因子和慣性因子也無(wú)法完全避免，而且這個(gè)最優(yōu)解可能就是局部最優(yōu)[13]。

1.2 SA_PSO算法

解決較復(fù)雜的搜索尋優(yōu)問(wèn)題，粒子群算法由于自身的局限性容易陷入局部最優(yōu)，增加粒子群規(guī)?？梢栽谝欢ǔ潭壬细纳啤霸缡臁爆F(xiàn)象，但并不能從根本上解決問(wèn)題，且增大的計(jì)算量會(huì)降低算法效率。模擬退火(simulated annealing,SA)算法的思想最早是由METROPOLIS等提出的，Metropolis準(zhǔn)則以一定的概率接受劣解，這樣就使算法跳離局部最優(yōu)的陷阱[14]。其基本思想是對(duì)當(dāng)前解S1隨機(jī)擾動(dòng)產(chǎn)生一個(gè)新解S2，計(jì)算增量Δf=f(S2)-f(S1)，若Δf<0，則接受S2作為新的當(dāng)前解，S1=S2；否則計(jì)算S2被接受的概率exp(-Δf/T)，即隨機(jī)產(chǎn)生(0,1)區(qū)間上均勻分布的隨機(jī)數(shù)r，若exp(-Δf/T)>r，則接受S2作為新的當(dāng)前解，S1=S2，否則保留當(dāng)前解S1。

利用SA算法對(duì)PSO算法進(jìn)行改進(jìn)，當(dāng)PSO算法收斂到一個(gè)局部最優(yōu)解時(shí)，可以利用SA的概率突跳，跳出局部最優(yōu)，根據(jù)Metropolis準(zhǔn)則，假定粒子i當(dāng)前的位置Xi=(xi1,xi2,…，xid)作為個(gè)體最好位置pbesti=(pi1,pi2,…，pid)，則pbesti采用式(2)進(jìn)行更新：

pbesti(t+1)=

(2)

2 SAPSO_RBF預(yù)測(cè)模型的構(gòu)建

2.1 標(biāo)準(zhǔn)RBF神經(jīng)網(wǎng)絡(luò)

BROOMHEAD等[15]將徑向基函數(shù)(radial-based function,RBF)應(yīng)用于神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)，并將低維空間的非線性問(wèn)題轉(zhuǎn)化為高維空間的線性問(wèn)題。徑向基神經(jīng)網(wǎng)絡(luò)是單隱層的前向網(wǎng)絡(luò)，包括輸入層、隱層和輸出層，如圖1所示。

圖1 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

設(shè)輸入向量Zi=[zi1，zi2，…,zin]T，i=1,2,…,m,徑向基向量H=[h1,h2,…,hm]T，實(shí)際輸出為Y=[y1,y2,…，yk]T，神經(jīng)網(wǎng)絡(luò)的隱層輸出是輸入向量與徑向基函數(shù)中心的距離，徑向基函數(shù)選擇高斯函數(shù)，則隱層的輸出為：

(3)

式中：tj為期望輸出；yj為實(shí)際輸出。

2.2 利用SA_PSO算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)

圖2 算法流程圖

RBF神經(jīng)網(wǎng)絡(luò)參數(shù)的設(shè)置對(duì)其整體性能起到很強(qiáng)的制約作用，而作為參數(shù)的網(wǎng)絡(luò)隱層的中心向量Bi和標(biāo)準(zhǔn)化常數(shù)σi的求解是一個(gè)困難的問(wèn)題，因此，利用SA_PSO算法用于神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)，對(duì)RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，算法流程圖如圖2所示，具體步驟如下：①隨機(jī)初始化種群中各個(gè)粒子的初始位置和速度，假定RBF神經(jīng)網(wǎng)絡(luò)模型具有InNum個(gè)輸入層，HiddenNum個(gè)隱層，OutNum個(gè)輸出層，則粒子的維度d=(InNum+2)×HiddenNum+OutNum；②模擬退火算法初始化，對(duì)于任何一個(gè)粒子，給定初始溫度T1；③根據(jù)式(3)的均方誤差計(jì)算每個(gè)粒子的適應(yīng)度值，確定粒子的個(gè)體最優(yōu)位置和粒子群的全局最優(yōu)位置；④根據(jù)式(2)對(duì)粒子的個(gè)體最優(yōu)位置進(jìn)行更新，根據(jù)式(1)對(duì)全局最優(yōu)位置進(jìn)行更新；⑤利用SA_PSO算法進(jìn)行迭代，得到一個(gè)全局最優(yōu)解gbest；⑥以gbest為初始解，根據(jù)模擬退火算法的思想，利用rand函數(shù)給予最優(yōu)位置一個(gè)擾動(dòng)，并且設(shè)定閾值將擾動(dòng)設(shè)置在一定范圍之內(nèi)，產(chǎn)生一個(gè)新的解greplace，如果greplace的適應(yīng)度值優(yōu)于gbest，則轉(zhuǎn)向步驟⑦，否則轉(zhuǎn)向步驟⑧；⑦利用輪盤(pán)賭的思想，將greplace隨機(jī)替代種群中的一個(gè)粒子，令其當(dāng)前位置和最優(yōu)位置均為greplace，返回步驟⑤；⑧SA_PSO算法結(jié)束，將gbest作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練的參數(shù)設(shè)置；⑨將通過(guò)SA_PSO算法優(yōu)化后的RBF神經(jīng)網(wǎng)絡(luò)用于網(wǎng)絡(luò)輿情的預(yù)測(cè)。

3 預(yù)測(cè)實(shí)驗(yàn)

3.1 樣本數(shù)據(jù)處理

通過(guò)互聯(lián)網(wǎng)獲取2016年5月份“魏則西”事件的網(wǎng)絡(luò)輿情數(shù)據(jù)，以百度指數(shù)為例，取2016年5月2日至5月31日的時(shí)間序列數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)，用于模型的訓(xùn)練和預(yù)測(cè)，該事件時(shí)間序列趨勢(shì)如圖3所示。根據(jù)多次實(shí)驗(yàn)，可以利用前5天的時(shí)間序列數(shù)據(jù)來(lái)預(yù)測(cè)第6天的數(shù)據(jù)，采用滾動(dòng)方法，以6天為一個(gè)周期，數(shù)據(jù)分為30組，取前15組的時(shí)間序列數(shù)據(jù)作為RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)集，后15組的時(shí)間序列數(shù)據(jù)作為測(cè)試訓(xùn)練集。為了加快訓(xùn)練網(wǎng)絡(luò)的收斂性，筆者利用Matlab的mapminmax函數(shù)對(duì)樣本數(shù)據(jù)進(jìn)行歸一化處理，將原始數(shù)據(jù)映射到[0,1]區(qū)間內(nèi)。

圖3 魏則西事件百度指數(shù)趨勢(shì)

3.2 參數(shù)設(shè)置

RBF神經(jīng)網(wǎng)絡(luò)采用單隱層的3層拓?fù)浣Y(jié)構(gòu)，為了實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)輿情的預(yù)測(cè)研究，筆者以6天為周期，用前5天的時(shí)間序列數(shù)據(jù)來(lái)預(yù)測(cè)第6天的輿情發(fā)展情況，因此輸入層的節(jié)點(diǎn)數(shù)設(shè)置為5，輸出層的節(jié)點(diǎn)數(shù)設(shè)置為1，將隱層的節(jié)點(diǎn)數(shù)設(shè)置為15，傳遞函數(shù)采用高斯函數(shù)，以標(biāo)準(zhǔn)RBF神經(jīng)網(wǎng)絡(luò)作為對(duì)比組，經(jīng)過(guò)重復(fù)實(shí)驗(yàn)，當(dāng)基寬函數(shù)σ設(shè)置為0.214時(shí)，預(yù)測(cè)結(jié)果擬合程度較好。

令粒子群算法中的cmax=3.0,cmin=0.5，最大迭代次數(shù)tmax=100，粒子群規(guī)模N=40，慣性權(quán)重ωmax=0.9,ωmin=0.3，粒子初始化位置在[-1,1]之間，粒子的初始化速度在[-1,1]之間；令模擬退火算法中初始溫度T1=6 000，溫度衰減指數(shù)λ=0.75。

3.3 仿真及結(jié)果分析

利用Matlab進(jìn)行仿真實(shí)驗(yàn)，為了證明SA_PSO優(yōu)化后的RBF神經(jīng)網(wǎng)絡(luò)有更好的預(yù)測(cè)效果，在構(gòu)建SAPSO_RBF神經(jīng)網(wǎng)絡(luò)與預(yù)測(cè)模型的基礎(chǔ)上，分別構(gòu)建基于粒子群算法優(yōu)化RBF的PSO_RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型、標(biāo)準(zhǔn)RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型、標(biāo)準(zhǔn)的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型[16]作為對(duì)照組。模型預(yù)測(cè)結(jié)果的擬合曲線如圖4所示。

圖4 預(yù)測(cè)結(jié)果對(duì)比

為進(jìn)一步對(duì)比各模型的擬合優(yōu)劣性，根據(jù)式(4)，利用預(yù)測(cè)值與真實(shí)值的相對(duì)誤差進(jìn)行優(yōu)劣判斷，根據(jù)式(5)計(jì)算其平均值，結(jié)果如表1所示，其中tj為期望輸出，yj為實(shí)際輸出。

(4)

(5)

從擬合性能和預(yù)測(cè)精度指標(biāo)來(lái)看，絕大部分的相對(duì)誤差在8%以下，結(jié)果令人滿意。SAPSO_RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型相對(duì)于其他預(yù)測(cè)模型的預(yù)測(cè)結(jié)果表現(xiàn)得更加優(yōu)越。

從圖4可以看出，標(biāo)準(zhǔn)RBF、標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的預(yù)測(cè)結(jié)構(gòu)穩(wěn)定性較差，預(yù)測(cè)精度上也有所欠缺；利用PSO優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)構(gòu)建的預(yù)測(cè)模型，在預(yù)測(cè)精度上有所提升，相對(duì)于標(biāo)準(zhǔn)RBF網(wǎng)絡(luò)，優(yōu)化后的PSO_RBF神經(jīng)網(wǎng)絡(luò)輿情預(yù)測(cè)模型在預(yù)測(cè)效果上有一定的改善，但是經(jīng)過(guò)重復(fù)試驗(yàn)發(fā)現(xiàn)，PSO_RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果欠缺良好的穩(wěn)定性，這主要是由于粒子群算法本身的不足，在迭代尋優(yōu)中出現(xiàn)的“早熟”現(xiàn)象，使得預(yù)測(cè)效果浮動(dòng)較大；SAPSO_RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的擬合效果更好，相對(duì)誤差也較小，而且通過(guò)重復(fù)實(shí)驗(yàn)發(fā)現(xiàn)，預(yù)測(cè)結(jié)果擬合程度高且波動(dòng)率較小，具有更好的穩(wěn)定性。實(shí)驗(yàn)結(jié)果表明，利用模擬退火算法優(yōu)化粒子群算法可以有效地降低粒子群初始化隨機(jī)性對(duì)預(yù)測(cè)結(jié)果帶來(lái)的不確定性影響，由表1可以看出SAPSO_RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的預(yù)測(cè)值的平均誤差明顯小于其他預(yù)測(cè)模型，分別為0.077 4、0.102 6、0.178 2、0.122 2。

表1 相對(duì)誤差對(duì)比

仿真實(shí)驗(yàn)中4個(gè)預(yù)測(cè)模型的相對(duì)誤差的曲線如圖5所示，可以看出SAPSO_RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果相對(duì)誤差整體上更趨近于零。SAPSO_RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型適應(yīng)度值的變化情況如圖6所示，適應(yīng)度值計(jì)算以SAPSO_RBF預(yù)測(cè)模型訓(xùn)練輸出的擬合誤差最小化為目標(biāo)。

從模型的運(yùn)行效率進(jìn)行分析，4個(gè)模型的運(yùn)行時(shí)長(zhǎng)如表2所示，標(biāo)準(zhǔn)的RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的時(shí)間在1 s左右，標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的時(shí)間在10 s左右，PSO_RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型和SAPSO_RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的是時(shí)間在2 min左右，可以發(fā)現(xiàn)相對(duì)于基本的人工神經(jīng)網(wǎng)絡(luò)，優(yōu)化后的RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型在運(yùn)行效率上有一定的劣勢(shì)，但是網(wǎng)絡(luò)輿情的預(yù)測(cè)需要追求一定的準(zhǔn)確率，花費(fèi)一定的時(shí)長(zhǎng)是可以接受的，運(yùn)行的時(shí)間主要花費(fèi)在粒子群算法的尋優(yōu)過(guò)程中，而SAPSO_RBF與PSO_RBF的運(yùn)行時(shí)長(zhǎng)幾乎一樣，且預(yù)測(cè)的準(zhǔn)確度有明顯的提高。

圖5 相對(duì)誤差

圖6 SAPSO_RBF適應(yīng)度值的變化

模型SAPSO＿RBFPSO＿RBF標(biāo)準(zhǔn)RBF標(biāo)準(zhǔn)BP時(shí)長(zhǎng)/s139．892139．6550．8949．039

4 結(jié)論

筆者以熱點(diǎn)話題的百度指數(shù)作為網(wǎng)絡(luò)輿情趨勢(shì)預(yù)測(cè)的時(shí)間序列指標(biāo)，構(gòu)建SAPSO_RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，同時(shí)構(gòu)建PSO_RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型、標(biāo)準(zhǔn)RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型和標(biāo)準(zhǔn)的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型作為仿真實(shí)驗(yàn)的對(duì)照組。實(shí)驗(yàn)結(jié)果表明，利用粒子群算法尋優(yōu)的思想優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的連接權(quán)值，可以在一定程度上優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)效果，但是粒子群算法自身的缺陷會(huì)影響預(yù)測(cè)的穩(wěn)定性和擬合優(yōu)度，粒子群的隨機(jī)初始化會(huì)對(duì)預(yù)測(cè)模型的尋優(yōu)結(jié)果產(chǎn)生較大影響，利用模擬退火算法概率接受劣解的思想對(duì)粒子群算法進(jìn)行優(yōu)化，可以較好地改善粒子群算法“早熟”陷入局部最優(yōu)的問(wèn)題。因此，筆者建立SAPSO_RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，利用Matlab編程進(jìn)行仿真實(shí)驗(yàn)，將不同模型預(yù)測(cè)結(jié)果的擬合程度和相對(duì)誤差進(jìn)行比較，結(jié)果表明，筆者構(gòu)建的SAPSO_RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型是有效的，且預(yù)測(cè)準(zhǔn)確率較高。筆者的創(chuàng)新在于：將模擬退化算法和粒子群算法應(yīng)用于RBF神經(jīng)網(wǎng)絡(luò)的優(yōu)化，為網(wǎng)絡(luò)輿情熱度趨勢(shì)的預(yù)測(cè)提供了一種有效的模型，但是由于網(wǎng)絡(luò)輿情傳播具有一定的隨機(jī)性且影響因素較多，筆者的研究尚處于方法探索階段，有待更深入的研究，以做到更為及時(shí)、準(zhǔn)確地進(jìn)行預(yù)測(cè)，防患于未然。

[1] 中國(guó)互聯(lián)網(wǎng)絡(luò)信息中心(CNNIC).中國(guó)互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告[EB/OL].[2016-08-03].http://www.cnnic.net.cn/hlwfzyj/hlwxzbg/hlwtjbg/201608/P020160803367337470363.pdf.

[2] 蘭月新,曾潤(rùn)喜.突發(fā)事件網(wǎng)絡(luò)輿情傳播規(guī)律與預(yù)警階段研究[J].情報(bào)雜志,2013,32(5):16-19.

[3] 王國(guó)華,曾潤(rùn)喜,方付建.解碼網(wǎng)絡(luò)輿情[M].武漢:華中科技大學(xué)出版社,2011:1-7.

[4] 蘇創(chuàng),彭錦,李圣國(guó).基于不確定微分方程的網(wǎng)絡(luò)輿情傳播模型研究[J].系統(tǒng)工程理論與實(shí)踐,2015,35(12):3201-3209.

[5] 杜智濤,謝新洲.利用灰色預(yù)測(cè)與模式識(shí)別方法構(gòu)建網(wǎng)絡(luò)輿情預(yù)測(cè)與預(yù)警模型[J].圖書(shū)情報(bào)工作,2013,57(15):27-33.

[6] 吳鵬,楊爽,張晶晶,等.突發(fā)事件網(wǎng)絡(luò)輿情中網(wǎng)民群體行為演化的Agent建模與仿真研究[J].現(xiàn)代圖書(shū)情報(bào)技術(shù),2015,31(z1):65-72.

[7] 王新猛.基于馬爾可夫鏈的政府負(fù)面網(wǎng)絡(luò)輿情熱度趨勢(shì)分析：以新浪微博為例[J].情報(bào)雜志,2015,34(7):161-164.

[8] 李彤,宋之杰.基于模型集成的突發(fā)事件輿情分析與趨勢(shì)預(yù)測(cè)研究[J].系統(tǒng)工程理論與實(shí)踐,2015,35(10):2582-2587.

[9] 魏德志,陳福集,鄭小雪.基于混沌理論和改進(jìn)徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)輿情預(yù)測(cè)方法[J].物理學(xué)報(bào),2015,64(11):44-51.

[10] 黃敏,胡學(xué)剛.基于支持向量機(jī)的網(wǎng)絡(luò)輿情混沌預(yù)測(cè)[J].計(jì)算機(jī)工程與應(yīng)用,2013,49(24):130-134.

[11] 周紹磊,周正.一種通用自動(dòng)測(cè)試系統(tǒng)軟件平臺(tái)的設(shè)計(jì)與實(shí)現(xiàn)[J].計(jì)算機(jī)測(cè)量與控制,2003,11(7):525-527.

[12] KENNEDY J, EBERHART R. Particle swarm optimization[C]∥1995 IEEE International Conference on Neural Networks. [S.l.]： IEEE Service Center,1995:1942-1948.

[13] 王華秋,曹長(zhǎng)修.基于模擬退火的并行粒子群優(yōu)化研究[J].控制與決策,2005,20(5):500-504.

[14] 張華強(qiáng),張曉燕.基于混沌理論和LSSVM的蒸汽負(fù)荷預(yù)測(cè)[J].系統(tǒng)工程理論與實(shí)踐,2013,33(4):1058-1066.

[15] BROOMHEAD D S, LOWE D. Multivariable functional interpolation and adaptive networks[J]. Complex Systems,1988, 2(3):321-355.

[16] 趙磊,王松.基于BP神經(jīng)網(wǎng)絡(luò)的輿情熱度趨勢(shì)仿真模型研究[J].情報(bào)學(xué)報(bào),2016,35(9):989-999.

CHEN Fuji:Prof.; School of Economics and Management, Fuzhou University, Fuzhou 350108, China.

Research on the Prediction of Network Public Opinion Based on SAPSO_RBF Neural Network

CHENFuji,HUANGYaju

The characteristics of the development of network public opinion are complex and time-varying. Therefore, constructing the time series analysis model to forecast the development of network public opinion has practical significance. In order to improve the prediction accuracy of the radial basis function neural network model, we optimize the RBF neural network by using the particle swarm optimization algorithm optimized by simulated annealing algorithm and then construct network public opinion forecasting model of SAPSO_RBF neural network. The simulation and analysis of "Zexi Wei" event were carried out and the experimental results show that this model has better superiority and stability in prediction performance.

network public opinion; RBF neural network; particle swarm optimization; simulated annealing

2095-3852(2017)04-0422-05

A

2017-02-09.

陳福集(1954-)，男，福建泉州人，福州大學(xué)經(jīng)濟(jì)與管理學(xué)院教授，主要研究方向?yàn)榫W(wǎng)絡(luò)輿情.

國(guó)家自然科學(xué)基金項(xiàng)目(71271056).

G350

10.3963/j.issn.2095-3852.2017.04.009