基于ARIMA与LSTM的新冠肺炎网络关注度趋势研究

doi:10.16265/j.cnki.issn 1003-3033.2020.12.006

中国安全科学学报 ›› 2020, Vol. 30 ›› Issue (12): 37-42.doi: 10.16265/j.cnki.issn 1003-3033.2020.12.006

• 安全社会科学与安全管理 • 上一篇下一篇

基于ARIMA与LSTM的新冠肺炎网络关注度趋势研究

景楠¹ 副教授, 胡怡¹, 韩喜双^**2 研究员

1 上海大学悉尼工商学院,上海 201800;
2 哈尔滨工业大学深圳研究生院,广东深圳 518055

收稿日期:2020-09-17 修回日期:2020-11-18 出版日期:2020-12-28 发布日期:2021-07-15
通讯作者: **韩喜双(1969—),男,黑龙江哈尔滨人,博士,研究员,主要从事城市灾害与应急管理方面的研究。E-mail: xshan@hit.edu.cn。
作者简介:景楠 (1978—),男,满族,上海人,博士,副教授,从事决策科学、数据挖掘、用户行为分析。E-mail: jingnan@shu.edu.cn。

Trend of COVID-19 network attention based on ARIMA and LSTM

JING Nan¹, HU Yi¹, HAN Xishuang²

1 SHU-UTS SILC Business School, Shanghai University, Shanghai 201800, China;
2 Shenzhen Graduate School, Harbin Institute of Technology, Shenzhen Guangdong 518055, China

Received:2020-09-17 Revised:2020-11-18 Online:2020-12-28 Published:2021-07-15

摘要/Abstract

摘要： 为有效监控和管理新型冠状病毒肺炎(COVID-19)引起的网络舆情,基于自回归移动平均(ARIMA)模型和长短期记忆(LSTM)神经网络预测和分析舆情数据,利用百度指数收集全国及武汉市网民对COVID-19的关注度数值,形成时间序列数据,并构建舆情模型;对舆情模型进行参数估计、模型诊断和模型评价。结果表明:此疫情的网络舆情前驱期为4天,爆发期为7天,波动期为14天, 消退期为32天,到达峰值的时间为13天;该模型可较好地模拟COVID-19网络舆情关注度的变化趋势,且局部地区的数据拟合模型预测效果优于全国数据拟合模型。

关键词: 自回归移动平均(ARIMA)模型, 长短期记忆(LSTM), 新型冠状病毒肺炎(COVID-19), 网络舆情, 时间序列

Abstract: In order to effectively monitor and manage online public opinion caused by COVID-19, data of public opinion were predicted and analyzed based on ARIMA model and LSTM neural network. Then, attention value of COVID-19 from network users in Wuhan and the whole country was collected by using Baidu index. Time series data were developed, and prediction models were established. Finally, parameter estimation, model diagnosis, and model evaluation were carried out for each prediction model. The results show that prodromal period, outbreak period, fluctuation period and fading period of internet public opinion are 4 days, 7 days, 14 days and 32 days respectively, and the time it takes to reach a peak is 13 days. The model can well simulate change trend of COVID-19 network public opinion attention, and prediction results of local data fitting model is better than that of national one.

Key words: auto regressive integrated moving average (ARIMA), long-short term memory (LSTM), corona virus disease 2019 (COVID-19), network public opinion, time series

中图分类号:

X928

景楠, 胡怡, 韩喜双. 基于ARIMA与LSTM的新冠肺炎网络关注度趋势研究[J]. 中国安全科学学报, 2020, 30(12): 37-42.

JING Nan, HU Yi, HAN Xishuang. Trend of COVID-19 network attention based on ARIMA and LSTM[J]. China Safety Science Journal, 2020, 30(12): 37-42.

参考文献

[1] 王璟琦, 李锐, 吴华意. 基于空间自相关的网络舆情话题演化时空规律分析[J]. 数据分析与知识发现, 2018,2(2): 64-73.
WANG Jingqi, LI Rui, WU Huayi. The evolution of online public opinion based on spatial autocorrelation [J]. Data Analysis and Knowledge Discovery, 2018,2(2): 64-73.
[2] 洪志敏, 郝慧, 房祥忠, 等. ARIMA模型在京津冀区域手足口病发病趋势预测中的应用[J]. 数理统计与管理, 2018,37(2): 191-197.
HONG Zhimin, HAO Hui, FANG Xiangzhong, et al. Application of ARIMA model in predicting the incidence trend of hand, foot and mouth disease in Beijing, Tianjin and Hebei [J]. Journal of Applied Statistics and Management, 2018,37(2): 191-197.
[3] 项权, 于同洋, 肖人彬. 突发事件网络舆情演化与干预[J]. 计算机应用, 2018,38(增2): 97-102.
XIANG Quan, YU Tongyang, XIAO Renbin. Evolution and intervention of public opinion in emergencies [J]. Journal of Computer Applications, 2018,38(S2): 97-102.
[4] 金占勇, 田亚鹏, 白莽. 基于长短时记忆网络的突发灾害事件网络舆情情感识别研究[J]. 情报科学, 2019,37(5): 142-147.
JIN Zhanyong, TIAN Yapeng, BAI Mang. Sentiment analysis on network public opinion of sudden disasters based on long-short term memory network [J]. Information Science, 2019,37(5): 142-147.
[5] 曾子明, 万品玉. 基于双层注意力和Bi-LSTM的公共安全事件微博情感分析[J]. 情报科学, 2019,37(6): 23-29.
ZENG Ziming, WAN Pinyu. Sentiment analysis of public safety events in micro-blog based on double-layered attention and Bi-LSTM [J]. Information Science, 2019,37(6): 23-29.
[6] WANG Yanben, CAI Wandong. Epidemic spreading model based on social active degree in social networks[J]. China Communications, 2015, 12(12): 101-108.
[7] DU Jin, DU Yanhui, CHEN Yu. The research on dynamics evolution patterns of online public opinion[J]. Applied Mechanics and Materials, 2013, 411/412/413/414: 186-191.
[8] 滕文杰. 时间序列分析法在突发公共卫生事件网络舆情分析中的应用研究[J]. 中国卫生统计, 2014,31(6): 1 071-1 073.
[9] 滕文杰. 突发公共卫生事件网络舆情网民关注度区域分布研究[J]. 中国卫生事业管理, 2015,32(5): 393-396.
TENG Wenjie. Studying on the regional distribution of Internet public's attention on public health emergency [J]. Chinese Health Service Management, 2015,32(5): 393-396.
[10] 杨雪, 康红霞, 张延铭. 基于PSR与AT的海上突发事件应急信息需求分析[J]. 中国安全科学学报, 2019,29(4): 140-145.
YANG Xue, KANG Hongxia, ZHANG Yanming. Information needs of maritime emergency based on PSR and AT [J]. China Safety Science Journal, 2019,29(4): 140-145.
[11] 陈述, 余迪, 郑霞忠, 等. 重大突发事件的动态协同应急决策[J]. 中国安全科学学报, 2015,25(3): 171-176.
CHEN Shu, YU Di, ZHENG Xiazhong, et al. Dynamic synergistic emergency decision on major events [J]. China Safety Science Journal, 2015,25(3): 171-176.
[12] 迟菲, 陈安. 突发事件蔓延机理及其应对策略研究[J]. 中国安全科学学报, 2013,23(10):170-176.
CHI Fei, CHEN An. Spread mechanism of an emergency and strategy for coping it [J]. China Safety Science Journal, 2013,23(10):170-176.
[13] 杜骏飞. 流言的流变:SARS舆情的传播学分析[J]. 南京大学学报:哲学·人文科学·社会科学版, 2003,40(5):116-124.
DU Junfei. The spread of gossip: a mass media analysis of the spread of SARS-related news [J]. Journal of Nanjing University:Philosophy, Humanities and Social Sciences, 2003,40(5):116-124.
[14] 安璐, 杜廷尧, 余传明, 等. 突发公共卫生事件的微博主题演化模式和时序趋势:以Twitter和Weibo的埃博拉微博为例[J]. 情报资料工作, 2016(5): 44-52.
AN Lu, DU Tingyao, YU Chuanming, et al. Microblogging topic evolution pattern and timing trends of public health emergencies: taking ebola microblogging on Twitter and Weibo for example [J]. Information and Documentation Services, 2016(5): 44-52.
[15] 翁士洪, 顾佩丽. 公共突发事件中微博谣言的机制与治理:以H7N9事件为例[J]. 电子政务, 2015(10): 10-18.
[16] HOCHREITER S, SCHMIDHUBER J. Long short-term memory [J]. Neural Computation, 1997, 9(8): 1 735-1 780.

基于ARIMA与LSTM的新冠肺炎网络关注度趋势研究

Trend of COVID-19 network attention based on ARIMA and LSTM

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	熊晓夏, 刘擎超, 沈钰杰, 蔡英凤, 陈龙. 基于LSTM-BF的高速公路交通事故风险模型[J]. 中国安全科学学报, 2022, 32(5): 170-176.
[2]	戢晓峰, 吴亚欣, 毛润彩, 张琪. 突发公共卫生事件下公交暴露风险辨识方法:以深圳应对新型冠状病毒肺炎为例[J]. 中国安全科学学报, 2021, 31(2): 89-98.
[3]	王岩韬, 陈冠铭. 基于时间序列模型的航班运行风险短期预测[J]. 中国安全科学学报, 2020, 30(5): 33-38.
[4]	戴健非, 杨鹏, 诸利一, 郭攀, 贯怀光. 集成PCA和LSTM神经网络的浸润线预测方法[J]. 中国安全科学学报, 2020, 30(3): 94-101.
[5]	杨艳国, 穆永亮, 秦洪岩. 工作面瓦斯浓度时间序列特征挖掘与预警应用[J]. 中国安全科学学报, 2018, 28(3): 120-125.
[6]	熊智, 钟少波, 宋敦江, 余致辰, 黄全义. 城市轨道交通客流量时间序列分段拟合方法[J]. 中国安全科学学报, 2018, 28(11): 35-41.
[7]	杨, 越, 胡斌, 赵璐. 基于交通流时间序列和层次聚类的应急航路划设[J]. 中国安全科学学报, 2017, 27(2): 163-168.
[8]	施式亮，李润求，念其锋. 煤矿安全状况关键指标变化特征的R/S分析[J]. 中国安全科学学报, 2012, 22(9): 79-.
[9]	甘旭升，端木京顺，王青. 航空装备事故的灰色时序组合预测模型[J]. 中国安全科学学报, 2012, 22(4): 32-.
[10]	甘旭升，端木京顺，高建国，赵录峰. 基于ARIMA模型的航空装备事故时序预测[J]. 中国安全科学学报, 2012, 22(3): 97-.
[11]	张栋楠，舒中俊，陈庆全，许滈. 改进型灰色神经网络在火灾预测中的应用研究[J]. 中国安全科学学报, 2012, 22(2): 50-.
[12]	单亚锋，侯福营，付华，马静波. 基于改进极端学习机的混沌时间序列瓦斯涌出量预测[J]. 中国安全科学学报, 2012, 22(12): 58-.
[13]	董丁稳，李树刚，常心坦，林海飞. 基于HHT方法的矿井瓦斯体积分数预测[J]. 中国安全科学学报, 2011, 21(9): 100-.
[14]	董丁稳，李树刚，常心坦，林海飞. 瓦斯浓度区间预测的灰色聚类与高斯过程模型[J]. 中国安全科学学报, 2011, 21(5): 40-.
[15]	施式亮，李润求，何利文，伍爱友. 基于分形学的瓦斯爆炸事故时序数据分析模型及应用[J]. 中国安全科学学报, 2011, 21(10): 10-.