[发明专利]自适应在线社交网络热点话题发现预测方法及系统

权利要求书

1.一种自适应在线社交网络热点话题发展趋势预测方法，其特征在于：包括如下步骤：

a、预处理在线社交网络舆情信息，获得进行预测所需的时间序列；

b、分析时间序列，通过判断时间序列本身以及一阶二阶微分后的时间序列的平稳性，给出合适的预测模型；

c、对相应的模型进行初始化、并进行参数估计和模型训练；

d、采用相应模型预测在线社交网络舆情发展趋势。

2.如权利要求1所述的一种自适应在线社交网络热点话题发现预测方法，其特征在于：所述步骤b过程为：

b1、判断时间序列的平稳性，如果该时间序列平稳，则选择ARIMA模型进行预测；

b2、如果该时间序列不平稳，判断该时间序列一阶差分的平稳性，如果该时间序列的一阶差分平稳，则选择ARIMA模型进行预测；

b3、如果该时间序列的一阶差分不平稳，判断该时间序列二阶差分的平稳性，如果该时间序列的二阶差分平稳，则选择ARIMA模型进行预测；如果该时间序列的二阶差分不平稳，则选择BPNN模型进行预测。

3.如权利要求2所述的一种自适应在线社交网络热点话题发现预测方法，其特征在于：所述步骤b1中判断时间序列的平稳性，所依据的是ADF单位根检验和时间序列的自相关函数和偏相关函数图。

4.如权利要求1所述的一种自适应在线社交网络热点话题发现预测方法，其特征在于：步骤c中所述的相应模型为ARIMA模型和/或BPNN模型。

5.如权利要求4所述的一种自适应在线社交网络热点话题发现预测方法，其特征在于：BPNN模型中采用三层结构，输入层神经元个数由时间序列的嵌入维数决定，输出层神经元个数设定为1，隐藏层神经元的个数n_H由下列三个公式共同决定。

nH≥nI+nO+C]]>

n_H≥log₂n_I

n_H≥k/(n_I+n_O)

其中n_H，n_I和n_O分别代表隐藏层、输入层和输出层神经元的个数，k表示样本数量，C一般取常数，其数值范围为1到10。

6.如权利要求4所述的一种自适应在线社交网络热点话题发现预测方法，其特征在于：BPNN模型中采用自适应学习率更新算法，

η(t)＝k^λη(t-1)

其中λ＝sgn(D(t)D(t-1))，W为联接权重，k为常数，一般情况下取值为2。

7.一种自适应在线社交网络热点话题发现预测系统，其特征在于：包括以下模块：

预处理模块：预处理在线社交网络舆情信息，获得进行预测所需的时间序列；

分析模块：分析时间序列，通过判断时间序列本身以及一阶二阶微分后的时间序列的平稳性，给出合适的预测模型；

模型预处理模块：对相应的模型进行初始化、并进行参数估计和模型训练；

预测模块：采用相应模型预测在线社交网络舆情发展趋势。