基于EEMD-GRU-XGB的舆情热度预测模型

摘要：

在社交平台上,公众均有表达自己观点的权力,越来越多的舆情信息都通过网络进行传播.预测网络舆情热度有助于及时掌握舆情动态,提高应对舆情危机的能力.但突发重大公共卫生事件的网络舆情具有长周期性、快传播性以及强破坏性的特点,目前的时间序列预测模型在预测此问题方面存在很大不足.针对突发重大公共卫生事件的网络舆情热度预测问题,笔者提出了通过构建集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)、门控循环单元神经网络(Gated Recurrent Unit,GRU)和XGBoost模型组合而成的EEMD-GRU-XGB预测方法.首先,使用EEMD将舆情热度值分解为本征模态函数(Intrinsic Mode Function,IMF),分别对IMF分量进行GRU预测;其次,使用XGBoost算法对残差进行拟合,各IMF分量的舆情热度预测值为其GRU预测值与XGB拟合值之和;最后,舆情热度预测值为所有的IMF分量舆情热度预测值的组合.实验表明,该算法能准确预测网络舆情热度值,有效提高了网络舆情热度的预测精度.

关键词：舆情热度预测、深度学习、门控循环单元神经网络、集合经验模态分解

所属期刊栏目：34

分类号：TP391.1(计算技术、计算机技术)

在线出版日期：2022-06-06（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：56-61