0    引言

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，其舆情扩散更容易导致舆情危机的出现、发酵使其难以控制。随着新冠肺炎疫情的出现，国家和政府越来越重视“生物安全”，尤其是可能迟滞或中断民族复兴历史进程的风险挑战，当然也构成人类生存面临的重要威胁。过往对网络舆情的研究内容主要是对研究对象的文本内容进行分词与词性分析、演化规律以及影响机理进行分析。从风险的社会放大理论来看，网络舆情会在短时间内扩散并隐藏着潜在的风险。如果对突发事件的舆情预测处理不当，会随着消极情绪的蔓延，形成“涟漪效应”趋势,导致更为严重的舆情危机,加剧网络舆情的监管难度。

目前，国内外的许多学者在突发事件舆情热度预测方面做了大量的研究。王努努等通过情感分类分析出网民的不同情感态度，随着时间的变化对不同情感进行情感预测。舆情热度研究一般分为以单一变量的变化规律和趋势进行舆情热度的预测研究，和以多个变量构建舆情热度模型进行舆情热度预测。在舆情热度预测方法上，张和平等运用百度搜索指数作为舆情热度指标，利用灰色马尔科夫模型对舆情热度进行预测；王宁等利用百度指数和微指数来衡量舆情热度的大小，使用灰色模型进行舆情热度预测；陈福集等基于残差修正的多因素灰色模型来对网络舆情进行预测；兰月新等首先建立舆情热度模型，然后在建立模型的基础上使用多维度Logistic模型对舆情热度预测；Chen使用模糊综合评价法选定舆情热度的指标并进行预测；曾子明等构建微博舆情热度评价指标体系,利用信息熵确定各个指标的权重,使用BP神经网络的对突发传染病舆情热度趋势预测并验证模型的可行性；徐敏捷等将Logistic模型、指数平滑法和灰色预测结合起来预测网络舆情。以上的国内外的网络舆情热度预测大多数采用的是机器学习算法和深度学习算法，大多数使用单一的模型或者组合模型，优点是相对简单，预测效率较高，缺点是不能适应不同类型时间序列数据的需要，一定程度上影响整体的预测效果。结合突发公共卫生事件舆情治理和目前已有的舆情预测研究成果，文章通过ARIMA算法和加入注意力机制LSTM对新型冠状病毒感染肺炎事件进行舆情热度预测，使用准确率更高的算法进行预测仿真得出舆情热度的发展趋势，并对舆情监测和引导提出可行性建议。

本文详细内容请下载：https://www.chinaaet.com/resource/share/2000005256

作者信息：

许露萌

（上海工程技术大学管理学院，上海201600）