计算机工程与应用

作者：黄心怡, 郑中团

单位：上海工程技术大学 数理与统计学院，上海 201620；

关键词：突发事件网络舆情,组合预测,CEEMDAN,排列熵,GA-BP神经网络,GWO-LSSVM算法

基金：中国商业统计学会规划课题（2023STY04）。

针对突发事件网络舆情数据呈现出的复杂高频变化特点，提出基于CEEMDAN-PE-HC-BP-LSSVM算法的突发事件网络舆情组合预测模型，其中HC表示高频分量再处理的过程。采用自适应噪声完全集合经验模态分解（CEEMDAN）算法将原始舆情数据分解为不同频率的模态分量；利用排列熵（PE）分析各个模态分量的随机性，根据熵值分布区间将各模态分量整合为低、中、高频序列；对高频序列再次进行CEEMDAN分解与排列熵重构，最终得到2个低频序列、2个中频序列和1个高频序列；通过遗传算法优化的BP神经网络和灰狼算法优化的最小二乘支持向量机（LSSVM）分别预测中低频和高频序列，将各序列的预测值等权累加，得到模型的最终预测结果。为验证提出模型的预测效能优势，选取台风“杜苏芮”事件舆情指数等4个数据集展开实证研究，并使用LSTM、RF、BP、LSSVM、CNN、Transformer、TCN七个单一模型及CEEMDAN-PE-BP、CEEMDAN-PE-LSSVM、CEEMDAN-PE-BP-LSSVM三个组合模型进行预测对比。结果表明，在11个预测模型中，提出模型的可决系数最接近1，均方根误差最小，与单一的LSSVM算法相比，基于CEEMDAN-PE-HC-BP-LSSVM算法的组合预测模型均方根误差分别降低了55.4%、48.10%、54.87%和59.40%，稳定性也更高。基于CEEMDAN-PE-HC-BP-LSSVM算法的突发事件网络舆情组合预测模型提高了高频时间序列的预测精度与稳定性。

来源：2026年第6期

《计算机工程与应用》期刊编辑部

查看计算机工程与应用杂志2026年第6期