复杂舆情预测模型的建立及应用研究IMOGWO-LV在网络舆论中的实证分析

埃及信息学杂志24（2023）149基于改进多目标灰狼优化器的复杂舆情演化预测苏以琳a，李永胜b，刘晓波，宣世斌ca广西民族大学电子信息学院，广西南宁530006b广西民族大学人工智能学院，广西南宁530006c广西民族大学人工智能学院，广西南宁530006阿提奇莱因福奥文章历史记录：2022年12月29日收到2023年1月31日修订2023年2月12日接受保留字：灰狼优化器多目标复杂民意Lotka-Volterra模型A B S T R A C T在突发事件中，预测网络舆情的演变趋势，对于政府管理突发事件以及相关社会舆情走向具有重要意义。现有的舆情预测模型大多存在耗时长、预测的舆情类别有限、预测结果准确率不高为提高复杂舆情演化趋势的预测能力IMOGWO采用Logistic和Lotka-Volterra模型对狼种群进行初始化，提高种群有效性，设计非线性函数调整种群更新因子，提高狼种群的探索开发能力和局部搜索能力;它引入了精英保留政策和帕累托-利用非支配解集原理，实现多目标的最优解集。在仿真实验中，以各种网络突发事件为案例进行了实证分析.实验结果表明，改进后的多目标GWO对复杂舆情演化预测具有较好的准确性和普适性，能够较好地预测各类复杂舆情的演化趋势。©2023制作和主办由Elsevier B.V.代表开罗计算机和信息学院大学这是一篇CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍网络舆论是指在互联网上出现的对社会问题有特定看法的突出群体舆论，是社会舆论表达的一种建构。 在网络上，关于某些热点话题和焦点问题的发生、改进和交流的意见，通常在公众的热情帮助下表达，通过BBS和博客等方式对意见和倾向产生影响。由于互联网的发展，网络舆论对政府活动的影响越来越大*通讯作者。电子邮件地址：lyshlh@163.com（Y. Li）。开罗大学计算机和信息系负责同行审查。制作和主办：Elsevier关系和选择。重大突发事件发生后，网络舆论能够迅速发展成为一股强大的社会力量。因此，网络舆论的有效引导不仅关系到现场应急处置的成败，也关系到社会的稳定和谐[1]。利用互联网数据预测舆情演化趋势的研究非常适合中国国情，许多学者对舆情扩散的演化过程进行了研究[2]。研究方法通常涉及到数理统计模型、反向传播算法、传统系统论方法、机器学习等。[3]的第11段。杨文洋利用遗传算法生成了舆情传播过程的优化模型，以更好地规划网络舆情的传播路径[4]。聂力生利用核主成分分析（KPCA）和粒子群随机森林算法对舆情趋势进行预测，该算法较反向传播算法[5]有显著提高预测精度。文章[6]采用融合粒子群和k-means聚类算法对微博舆情趋势进行分析和检测。Lv Z[7]构建了一个基于神经网络的模型来解决https://doi.org/10.1016/j.eij.2023.02.0011110-8665/©2023由Elsevier B. V.制作和托管代表开罗大学计算机和信息学院这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表埃及信息学杂志杂志主页：www.sciencedirect.comY. Su，Y.Li和S.轩埃及信息学杂志24（2023）149150DTK1传统支持向量机等模型预测精度低的缺陷。Chen S等.[8]弥补了单一舆情趋势预测算法的不足，提高了预测的准确性。针对基于新闻的复杂舆情预测问题，建立了一种基于IGA-RBF神经网络的算法。HeJ等.[9]提出舆情的演化发展是多种因素相互制衡的结果，呈现出复杂的非线性特征和螺旋上升趋势[10]，舆情的时间序列数据往往呈现时间序列相关性，数据量大结合近年来国内外发表的相关文献，发现国内外学者对复杂舆情预测的研究尚处于探索阶段，国内外对复杂舆情预测的研究较为缺乏。现有的舆情预测研究大多依赖于时间序列分析或神经网络。复杂舆情预测不仅涉及单一舆情流行度的预测，还涉及多信息舆情的预测在网络舆情演化预测的相关研究中，很少有研究者对同时存在舆情信息和干预信息的舆情事件进行研究。针对上述研究的不足，为解决舆情演化趋势预测问题，提高舆情演化趋势预测的速度和准确性，提出一种结合多种策略的改进多目标灰狼优化算法灰狼优化器（GWO）具有较强的收敛性能，并且存在一个可自适应调整的收敛因子和一个信息反馈机制，在求解问题时收敛的GWO在精度和收敛速度方面都有很好的表现，在探索未知和具有挑战性的搜索空间问题时，它比粒子群算法有更高的性能。本文采用Logistic和Lotka-Volterra模型初始化狼群种群，通过多目标改进GWO算法，并加入正弦函数和对数函数优化，对民意突变时的曲线进行拟合，扩大了搜索范围，提高了算法的收敛速度，最后通过对多个突发事件的拟合实验，验证了算法的可用性和稳定性.2. 原理介绍2.1. 复杂舆情数据的演化模型新媒体中的民意统计可以分为两种类型：第一种是同一时间段内只有一条民意，第二种是短时间内的多条民意。在同一时间段内，同一场比赛只有一个民意数据。对于突发事件的单一网络舆情，舆情的演化类似于物种的生存规律，种群增长由递增、快速增长、缓慢增长生长期和灭绝期。舆论的演变突发事件发生时，广泛传播的各类信息可分为舆情信息和干预信息，而干预信息的发布考虑到干预信息发布的滞后性，将舆论与干预信息的沟通分为两个阶段：舆论信息的独立沟通阶段和舆论与干预信息的联合沟通阶段。第一阶段：舆论信息单独传播在突发事件发生的初期，公共空间中只存在舆论信息。支持者数量的增加类似于生态学中单一类型的大规模攻击期间的患者数量，并且传播符合Logistic模型。第二阶段：共同传播舆论和干预信息。在有限理性和干预信息吸引力的影响下，民意记录支持者数量的增加受到可利用人数和干预信息积极影响的制约。第二复杂舆论的传播有其特定的发展规律，包括蝴蝶效应和群体反应。随着网络舆情的不断演化，一些具有相关性和受众重叠性的舆情事件开始相互融合，因此不存在一个具有特定参数的模型可以预测所有舆情趋势的演化方向;作为替代方案，可以应用符合民意演变规律的数学模型，然后根据每个舆情事件的特点设置适当的参数。根据复杂舆情演变的规律和特点，为解决同一舆情事件在转折点前后产生的不同类型舆情给舆情演变预测带来的困难，以及复杂舆情信息类型的多样性，本文选择Logistic模型和Lotka-Volterra竞争模型对预测的舆情演化模型进行参数初始化，迭代求解利用改进的MOGWO模型参数对预测结果进行更新，最终找到最优的模型参数。2.2. 单种群Logistic模型逻辑斯谛曲线模型是一种常见的“S”曲线模型，最早是由生物学家魏赫斯特在研究种群增长时提出的。Weihurst发现，人口增长具有承载力，因为初始人口增长率随时间增加。经过一段时间的快速增长，增长速度在达到一定限度后开始逐渐放缓。最后，社会总人口达到稳定状态[12]。由于舆情事实无偏传播阶段的信息样式与逻辑斯谛曲线模型描述的系统具有可比性，因此选择改进的逻辑斯谛模型预测突发事件单独传播阶段的舆情趋势演变，如公式（1）所示：（dx1¼r1x1.1-x1英寸包括四个阶段：潜伏期、爆发期、稳定期和衰退期[11]。同一事件在短时间内同时出现多条舆情信息。x1tjt¼0¼x10 ##式中，x1为t时刻民意信息赢得的支持者数量，r1为民意信息支持者数量的增长率，K1为民意信息支持者数量的上限，ð1ÞY. Su，Y.Li和S.轩埃及信息学杂志24（2023）149151>：..B2½]1 ¼1 12 2-1-半小时t]2 ：x1吨/小时K1x10r1tK1¼K1¼ð2ÞDT>：x1tjttK21/4x1t 0x 2tK11/4x2200磅6：3磅K1x10r1t-11美元。K1 -1吨/小时1个阀门-r1t<$0<$0在K11ð0Þx1000008>dx1¼r1x1。1-x1-xx2个数字6：1个数字2 221ð7Þ1/4x1 -啊：>dtK11e-½qet-t0]K22.3. LV竞争模型Lotka-Volterra竞争模型[13]由A洛卡和意大利数学家沃尔泰拉提出了基于食物链中种群间相互取食关系的模型。该模型为种群间的竞争奠定了理论基础，在生态学、系统科学和信息学中有着广泛的应用。Logistic模型不像Lotka-Volterra竞争模型那样适合描述多种群的变化规律干预信息发布后，舆论信息支持者群体的增长同样，干预信息支持者的成长也受到自身成长潜力、环境成长潜力和舆论信息竞争的影响。因此，本文利用改进的Lotka-Volterra模型对舆情与干预数据共传阶段的网络舆情趋势进行预测数学模型为：>8个d x1¼r1x1。1-x1-a1x2DTK2K1dt K K：>x1ttt0 ¼x1t0x2tjtt0 1/4x2英寸0英寸6：3英寸2.4. 灰狼优化器灰狼优化器（GWO）是一种新的群体智能算法，利用Miljalili等人的潜力2014年它是灵活的，可扩展的，并实现准确的稳定性之间的勘探和开发。GWO模拟了一个捕食性灰狼种群的行为，符合狼之间的每只狼在种群中都有一个符合自然法则和严格的社会制度的功能[14]。在GWO中，狼根据它们的适应性进行排序。我们可以考虑狼群中的一只狼作为一个可行的答案，并确定与现代最好的解决方案相对应的狼。最优答案和次优答案，如a、b和c狼，分别;具有最低生命值x的狼被认为是排名最低的人。 一只狼跟随着最令人满意的答案和狩猎按照发出的指示。在搜索过程中，灰人的捕食行为<>dtK1K2.Σ>dx2¼r2x21-x2-a2x1ð3Þ狼的数量可以描述如下：x1tjtt0x1t0x2tjtt0x20x2表示在时间t时民意信息的支持者数量，r2是民意信息支持者范围的增加价格，K1是民意事实可以支持的各种各样的支持者的上限。win;a1，a2表示x1对x2的抑制是吸引力。干预信息在时间t的作用，以及x2onx1为t时刻的舆论信息吸引力;t0为干预信息发布时刻;x1<$t为舆论信息t0时刻的支持者人数;x2<$t为干预信息t0时刻的支持者人数。公众的知晓程度及其对舆论和干预信息的影响随着时间的推移而变化。 随着时间的推移，民意信息的吸引力可能会逐渐下降，趋于零。相反，干预信息的吸引力最初会降低，并逐渐增加到最大吸引力。舆论和干预信息的吸引力定义如下：a1/2rtle-1/2et-t0]4D¼C ωXp-XX ωt11Xpt- AωD 8在公式（7）中，D是狼和焦油之间的距离获取. 公式（8）是狼的坐标变换，XP（t）是第t代目标的位置，X（t）是a的位置，t代狼群中的独狼，A和C是系数，计算公式如下：地点229最大iterA ¼ 2aωr1 10C¼ 2r111其中iter是迭代的总体，Maxiter是迭代的最大数量，并且r1;r2 0; 1。当狼抓住猎物时（即，当它攻击目标时），根据三种狼的类型来决定公狼或母狼的替换，模型如下：D. Cω X j-X j。ð12Þð6ÞY. Su，Y.Li和S.轩埃及信息学杂志24（2023）149152a2½c/t×ð5ÞXjt1Xjt-AωDjt 131e-½qet-t0]式中l为舆情信息的传播强度在时刻t，b是调整参数，例如我我我1XXt1 Xmt1 14Y. Su，Y.Li和S.轩埃及信息学杂志24（2023）1491530合理性，e为干预信息发布强度，xY. Su，Y.Li和S.轩埃及信息学杂志24（2023）149154是干预信息吸引力的上限q是t0时干预信息赢得支持Y. Su，Y.Li和S.轩埃及信息学杂志24（2023）149155我任何时候都可以。Þ ¼3 ω其中Djj tt t是t代狼和iqi l/a;b;c代狼之间的差距。公式（12）-（14）分别根据a、b、c步长和狼运动方向定义x因为-Y. Su，Y.Li和S.轩埃及信息学杂志24（2023）1491564K221K2K2RDT-K1111 11K1K21K11K211t¼2R1x1tK1K11-e-r11ð þ1-1吨/小时1- 1吨/小时1 -1吨/小时2 - 1吨/小时667>.mula（14）代表了灰狼在一次位置更新后建立的新时代。3. 改进的灰狼优化器①式（6.1）代入后得到r1和K1，用灰狼建模法将式（6.1）转化为：dx1吨/小时x1吨/小时-x1吨/小时20吨3.1. 复合模型法预测GWOxt1-xtrx1t 1tx1t1舆情信息的演变分为九个阶段，传播阶段和共同传播阶段，以及1 12r1x1t1x1t22这两个阶段的舆论有着不同的演变过程特色总体舆情数据不能用线性方程表示，呈现出非线性特征。通过观察和研究，我们发现，舆情信息单独传播阶段的数据变化趋势与逻辑斯谛曲线模型所描绘的过程非常相似，而Lotka-Volterra模型的曲线与舆情信息和干预信息共同传播阶段的网络舆情变化规律相似，因此，要综合解决舆情事件演化传播的特征因素，Logistic和Lotka-Volterra组合模型用于初始化r1x½x1t1t]½x2t1tx2t]-1e-½qet-t0]Þxt1-xt-rxt1r1x2t1xx2t11eet0-qe-et②用三和法估计x_e_t~ 0-9，e为（21）。③将②得到的参数代入（20），最小二乘法用于重新估计K1r1和x：改进的灰色狼优化算法的种群预测复杂的舆论。r;r1;x1/4。BTB-1BTXð23Þ● 舆论信息独立传播阶段。2x1t02x1t01-hx1t02x1t01i2-½x1t02x 1t01]½x22x 21]32 2 46 7现阶段舆情数据的走势变化非常x1t03x1t02-hx1t03x1t02i2-½x1t03x1t02]½x23x22]7类似于Logistic2 2 4曲线模型，因此采用Logistic模型对种群进行初始化。....关于GWO在时间0-t0，舆情信息符合4x1t0nx1t0n-1-hx1nt0nx1t0n-1i2-½x1t0nx1t0n-1]½x2nx2n-1]5物流竞争模式。我们使用三个和的方法来22计算模型参数K1、a和r1的初始值，将训练集数据分成三个相等的组，并将倒数相加。4ð24Þ每组的calx1t：X1½½x1t02-x1t01x1t03 t0 2·· · x1t0n-x1t0n-1]T>8SPR1Rae-r11-e-r1Rð25Þ1升/吨<¼K11-e-r1表达式x1<$t<$1 <$根据离散的SPR1Rae-r-r1-r1-r1-r1ð16ÞLotka-Volterra模型：2t<$R 1x1t<$K1tK11-e-r1：>PR1Rae-122R121R121-e-1R122x t1er1x1x26根据式（15），式（8）、（9）的K1;a;和r1，K1r1K2（10）可以通过以下方式获得：在S1-S2r1¼S2-S3ð16Þ从时刻t0开始，干预信息符合Lotka-Volterra竞争模型①灰狼建模方法采用微分方程描述研究对象的动态行为，直接估计方程中的参数，因此它是合适的11S3¼ðÞ>22ÞY. Su，Y.Li和S.轩埃及信息学杂志24（2023）149157-2●B--K221RK1¼S1-S22 171S1-S2-S2-S3S1-S2Lotka-Volterra竞争模型的参数估计将上面的r1和K1代入公式（6.2），我们使用灰色用wolf建模法将式（6.2）转化为：dx2磅/平方英寸x2磅/平方英寸-x2磅/平方英寸27英寸a1/2S-S2S-S3S]e-r11-e-Rr118Y. Su，Y.Li和S.轩埃及信息学杂志24（2023）149158dt2Y. Su，Y.Li和S.轩埃及信息学杂志24（2023）149159X =10000000000000000000000000000000000000000000000000000000000Y. Su，Y.Li和S.轩埃及信息学杂志24（2023）149160000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000Y. Su，Y.Li和S.轩埃及信息学杂志24（2023）149161000000000000000000000000000000000000000000000000000000000000000000000000Y. Su，Y.Li和S.轩埃及信息学杂志24（2023）149162x2t1-x2tr2x2t1x2tY. Su，Y.Li和S.轩埃及信息学杂志24（2023）1491631 12Y. Su，Y.Li和S.轩埃及信息学杂志24（2023）149164r2x2t1x2t2Y. Su，Y.Li和S.轩埃及信息学杂志24（2023）149165公共意见和干预信息同时共同存在和传播Y. Su，Y.Li和S.轩埃及信息学杂志24（2023）149166l½x1t1t]½x2t1tx2t]4K1e½et-t0]ð28ÞY. Su，Y.Li和S.轩埃及信息学杂志24（2023）149167舆论变化与干预信息这一阶段的数据符合Lotka-Volterra模型，因此Y. Su，Y.Li和S.轩埃及信息学杂志24（2023）149168Lotka-Volterra模型被用来初始化种群GWO。