基于改進狼群算法優化LSTM網絡的輿情演化預測

李若晨　肖人彬

摘要： 為提高預測輿情演化趨勢的能力，提出了一種基于改進狼群算法（IWPA）優化長短期記憶（LSTM）神經網絡的輿情演化預測模型。采用Halton Sequence進行初始化，提高種群多樣性；設計步長因子進行高斯－正弦擾動變換，提高狼群探索開發能力；結合鯨魚優化算法中的螺旋改進圍攻機制，增強狼群的局部搜索能力；引入記憶力機制，使用雙向記憶種群增加狼群協同合作能力，將改進后的狼群算法應用到LSTM神經網絡的超參數預測。采用“新冠疫情”和“食品安全”等關鍵詞作為實例，證明了IWPA-LSTM神經網絡輿情演化預測模型具有良好的準確性和普適性，適用于多種輿情演化的預測。

關鍵詞： 輿情演化預測；狼群算法；LSTM神經網絡；Halton Sequence；正弦擾動；鯨魚螺旋圍攻機制；記憶力機制

中圖分類號： TP18;TP183文獻標識碼： A

Public Opinion Evolution Prediction Based on LSTM Network Optimized by an Improved Wolf Pack Algorithm

LI Ruochen，XIAO Renbin

（School of Artificial Intelligence and Automation， Hua Zhong University of Science and Technology， Wuhan 430074， China）

Abstract：To improve the ability to predict the evolution trend of public opinion， a public opinion evolution trend prediction model based on an improved wolf pack algorithm and optimized long-short term memory neural network is proposed. Use Halton Sequence to initialization to improve population diversity. Design step factor to perform Gauss-Sine perturbation transformation to improve wolf group exploration and development capabilities. Combine with the spiral in the whale optimization algorithm to improve the siege mechanism to enhance the local search ability of wolves. The bidirectional memory population is used to increase the cooperative ability of the wolf pack. The improved wolf pack algorithm （IWPA） is applied to the hyperparameter prediction of the LSTM neural network. Using keywords such as “COVID－19” and “Food Safety”， the experiment proves that the IWPA-LSTM neural network public opinion evolution prediction model has good accuracy and generality. The model is suitable for the prediction of various public opinion evolution trends.

Keywords： public opinion evolution prediction; wolf pack algorithm; long short-term memory; Halton sequence; sine perturbation; whale spiral siege mechanism; memory mechanism

0 引言

近年來，隨著社交媒體的快速發展，社交軟件和網絡平臺都極大地促進了輿情的演化，研究新形勢下的輿情演化情況，對于營造良好的網絡環境至關重要［1］。在后疫情時代及時利用機器學習算法或深度學習算法挖掘疫情各種網絡輿情信息，準確有效地預測網絡輿情的走勢，對社會具有重要意義［2］。

在挖掘自身歷史數據進行趨勢的分析和預測方面，很多學者對輿情的擴散演化過程進行了研究［3］。目前，輿情演化預測模型分為3種：自回歸統計學模型、傳統機器學習模型和深度學習模型。張和平［4］對百度指數輿論事件發展趨勢的時序指標進行了幾何平均模型修正預測。Anjaria M［5］將輿情數據進行主成分分析降維并用支持向量機模型（SVM）進行輿情預測。林玲等［6］使用改進灰狼算法優化的SVM模型采用百度指數進行輿情預測。由于輿情演化預測是一個復雜的多因素問題，傳統模型具有局限性和主觀性，SVM模型對核函數的選擇敏感，大規模訓練樣本難以實施，越來越多的學者通過建立深度學習模型，利用神經網絡算法來處理輿情演化。Ye［7］描述了基于反向傳播神經網絡（BPNN）的輿情趨勢預測方法，并比較了遺傳算法和模擬退火算法。孫靖超等［8］采用循環神經網絡（RNN）來預測輿情的演化趨勢，提出了自適應調節學習率的方法。傅麗芳［9］引入注意力機制改進LSTM神經網絡，來預測和分析各種話題的熱度。

輿情演化發展是多因素相互制衡的結果，表現出了復雜非線性的特點，并且輿情時序數據往往呈現時序關聯和數據量大的特點，因此神經網絡模型的應用優勢凸顯。遞歸神經網絡RNN具有處理復雜數據、時間數據記憶效果等優點。特別是LSTM，是一種能有效解決數據間長時間依賴的專用RNN，可以通過中間層的信息來預測和分析輿論演變情況，然而LSTM網絡模型為隨機設置初始權值和參數，容易陷入局部最優解和具有較差的穩定性。魏騰飛［10］采用柯西變異策略改進的粒子群算法優化LSTM模型的參數，提高了預測準確率。于永進［11］利用鯨魚算法來尋找LSTM模型中的參數，提高了絕緣紙的剩余壽命預測準確率。狼群算法（Wolf Pack Algorithm， WPA）［12］具有較高的尋優能力，由于狼群算法是一種隨機概率搜索算法，能夠以較大的概率快速找到最優解，具有并行性、較好的全局收斂性和計算魯棒性。相比其他群智能算法，WPA尤其適合復雜函數求解。薛俊杰［13］將改進的狼群算法對多種典型測試函數進行仿真實驗，并與多種智能算法進行對比分析，結果表明改進的狼群算法具有全局收斂性強、計算耗費低、尋優精度高等優勢。葉勇［14］則利用狼群算法解決車輛動態分配問題，對比經典智能優化算法比較，表現更為良好。WPA處理復雜優化函數問題上優勢明顯。狼群算法現已成功地在故障預測［15］、交通信號配時［16］、模具組合分配［17］、PID控制［18］等多個智能領域上廣泛應用，因此本文選擇狼群算法改進LSTM神經網絡的網絡權值和初始參數。

針對以上研究存在的不足，為了解決輿情演化趨勢預測問題，并提高輿情演化趨勢的預測速度和預測精度，本文結合多種策略提出了一種改進的狼群算法（IWPA），并使用IWPA對LSTM神經網絡的權重和初始參數進行優化，來解決LSTM神經網絡參數尋優復雜的問題，提出一種具有更高準確性和普適性的輿情演化預測的新方法IWPA-LSTM，最終實現對各類輿情演化趨勢的預測。

1 相關理論基礎

1.1 LSTM神經網絡

其中，Wo和bo分別為輸出門的權重系數矩陣和偏置向量，ot為t時刻的輸出門。

輿情演化分析數據為典型時序數據，LSTM模型增加了記憶單元，可以將信息進行長期篩選和保存，更加有效地應用于輿情演化分析中［21］。LSTM神經網絡模型的訓練結果需要制定合適的參數，通常這些參數是被事先給定的，不能夠隨著訓練結果進行反饋調整，需要對參數進行組合優化。確定一組最適合的參數，可以有效提高LSTM神經網絡的預測性能。由于狼群算法能夠較好地解決非線性、多變量的優化問題，因此選擇它來改進LSTM參數選擇的缺陷。本文采用如圖2的流程進行狼群算法優化LSTM神經網絡模型。

1.2 狼群算法

標準狼群算法的標準和流程如下［2223］：

1）狼群初始化：假設狼群的獵物分布范圍是一個N×D的歐幾里得空間，其中N為狼群中狼的數量，D為變量數。初始狼群是在解空間內隨機分布的，采用式（7）在D維解空間內隨機分布N匹狼：

其中，第d維解空間的上界為xUd，對應著的下界為xLd；rand為（0，1）內的隨機數。

根據目標函數值的大小來確定距離獵物的遠近程度，狼群初始化后，選取適應度函數值最優的，記為Ylead。

2 改進狼群算法優化LSTM模型

2.1 改進狼群算法

狼群算法是一個新生的算法，其智能行為存在有待改進的地方，本文提出了一種改進狼群算法（Improved Wolf Pack Algorithm， IWPA），以便后續有效地應用于LSTM模型輿情演化分析中。

2.1.1 Halton Sequence初始化

原始的狼群算法采用隨機初始化的方式來建立初始群體會導致算法的求解能力不夠穩定。Halton Sequence常應用于隨機生成均勻的空間點［24］。因此，本文利用Halton Sequence搜索算法對原始狼的位置進行初始化，從而使其在解空間內分配較為均勻，避免陷入局部最優解和重復運算。Halton Sequence搜索算法的原理為設定一個質數p為基數，以基數切分區間，形成不重復且均勻的初始種群分布位置。

設定實驗中狼群種群數為50，解空間維度為二維，得到圖3和圖4。圖3是在二維空間的隨機位置分布圖，可以發現圖中存在位置點重合的現象，且存在部分位置空缺；圖4是選取兩個質數作為基數base1=2，base2=3的Halton Sequence分布圖，圖4中位置點均勻分散到解空間中，沒有出現位置點重合的現象。

2.1.2 步長因子的高斯－正弦擾動變換

基礎狼群算法在初始階段迅速收斂，但是隨著迭代數的增多，容易陷入局部最優值而停止，使整體收斂速度和優化精度下降。因此在迭代過程的前中期引入高斯函數可以增強算法的局部搜索能力；在迭代后期引入一個正弦步長因子擾動，有利于算法跳出局部最優解。步長因子的高斯－正弦擾動變換公式如式（17）：

其中，φ1、φ2、ω1、ω2和ρ2為常數系數，μ和σ2為高斯函數的均值和方差，ε為步長擾動比例。

為尋找合適滿足理想衰減機制的高斯分布曲線和正弦擾動曲線，可以對核心參數進行仿真分析。仿真實驗表明，當t在最大迭代次數為300，選定ε為0.3時，算法尋優效果最好，對應的步長因子變化曲線如圖5所示。

2.1.3 基于鯨魚算法的螺旋圍攻行為

在狼群算法的猛狼圍攻行為中，猛狼直接選擇頭狼位置向頭狼逼近，雖然可以加快圍攻行為，但是沒有全面繼續探索頭狼周圍的區域，使得狼群的搜索能力受限。為了給猛狼圍攻行為加以導向，本文結合鯨魚優化算法（Whale Optimization Algorithm， WOA）［25］中的螺旋式位置更新機制，在鯨魚捕食行為中遇到目標獵物會吐泡泡組成網來攻擊獵物，再通過螺旋搜索的圍攻行為將獵物捕獲，這種螺旋圍攻機制可以防止獵物從一側逃竄，應用到狼群算法中可以提高狼群局部探索能力，在頭狼周圍尋找更優解。加入WOA算法中的螺旋圍攻機制后，猛狼的位置坐標更新如式（18）所示。

其中，α為對數螺旋常數，通常取值為1，隨機數l∈［-1，1］，D′為當前第i只狼和頭狼之間的距離，如式（19）所示。

為了加快狼群算法的圍攻搜索速度，猛狼不僅通過螺旋圍攻機制進行圍攻行為，同時收縮包圍范圍，以Pc為概率向頭狼位置進行圍攻，獲得優化后的猛狼圍攻機制如式（20）所示。

構造目標函數為y=x21+x22，從圖6中可以看出，當頭狼位于hk時，采用螺旋圍攻機制的猛狼xk可以以頭狼為中心對周圍的領域進行搜索，并且逐步逼近頭狼位置，在搜索過程中就可以探索到更優于頭狼位置的h*k，提高狼群發現最優解的能力。

2.1.4 基于Harmonic擁擠距離和記憶機制的種群更新策略

傳統的狼群算法中僅僅用適應度最優的狼作為頭狼，對于搜索過程中的記憶沒有進行保存。同時，為了增加狼群之間的協同作用，基于記憶力機制提出構建記憶種群，包含正向記憶種群和反向記憶種群。利用Harmonic［26］平均距離公式取代了歐式距離，計算公式：

其中，max_rmd和min_rmd分別為正向記憶狼在d維上的最大值和最小值。

根據上述構建的正向記憶種群和反向記憶種群設置新的種群更新策略，設置動態記憶種群更新因子βm，記憶種群替換更新Rm只記憶狼，計算公式如式（24）、（25）所示。

其中，rand為（0，1）內的隨機數，φ、ω和ρ為常數系數，t為迭代次數。

具體方法為：在每次迭代完成后，上一次迭代產生的正向、反向記憶種群按照Harmonic平均距離進行排序，若當前的頭狼和正向記憶種群中Harmonic距離最大的狼相同，不引入記憶種群；若當前頭狼和正向記憶種群中Harmonic距離最大的狼不同，根據正向記憶種群中Harmonic平均距離排序從大到小的前Rm只記憶狼，進行位置替換；在原始種群中隨機更新Rm只狼，根據反向記憶種群中Harmonic平均距離排序從大到小的后Rm只記憶狼，進行位置更新；在每次種群更新后再更新正反向記憶種群。

2.2 改進狼群算法優化LSTM神經網絡模型

LSTM神經網絡模型的調參過程復雜，穩定性不足，會對預測結果產生較大的影響［29］。因此，可以結合IWPA算法確定一組較好的初始參數，即可以用頭狼的位置作為最優解初始權值和參數。IWPA-LSTM神經網絡算法流程圖如圖7所示，主要步驟為：

步驟1：進行數據清洗工作，并且將清洗好的輿情演化數據進行歸一化處理，根據時間順序將數據集劃分成訓練集和測試集。

步驟2：初始化LSTM神經網絡所需參數和LSTM神經網絡結構，包括兩層LSTM隱含和一層dropout層。選取需要優化的模型的參數為［L1，L2，lr，batch］，分別代表兩層隱含層神經元個數、學習率、批次大?。?0］。

步驟3：初始化IWPA狼群算法參數，每只狼的位置代表著LSTM神經網絡的權值和閾值，設置評價函數作為IWPA算法的目標函數，其中P代表劃分出的訓練集數量，yp和y′p代表經過訓練集得到的真實值和預測值；Q代表劃分出的測試集數量，yq和y′q代表測試集得到的真實值和預測值。

步驟4：根據初始種群建立正反向記憶種群，計算狼群的適應度值，根據適應度值Fitnesslead確定頭狼。

步驟5：根據步長擾動策略更新探狼搜索和猛狼圍攻行動，搜索解空間中的最優適應度值，且更新頭狼。

步驟6：采用Harmonic擁擠距離和正反向記憶種群重新更新狼群位置坐標。

步驟7：當判斷條件符合適應度函數的最大精度或超過最大迭代次數，則得到當前頭狼坐標，作為LSTM網絡的初始權值和參數，進行網絡訓練，否則轉步驟4。

3 計算實驗和案例驗證

3.1 輿情演化數據來源

預測輿情演化趨勢都是基于歷史輿情演化值的時間序列來進行，歷史輿情演化值是一種最為常用的預測來源指標［31］，輿情演化程度是一個單位時間內的增量信息［32］。在本文中選取最常用百度指數作為輿情演化程度的指標。所以本文采用python爬蟲技術獲取百度指數官網中對于關鍵詞的百度指數趨勢數據，設置“新冠疫情”、“食品安全”、“網絡安全”、“收入分配”和“共同富?！钡汝P鍵詞，按天獲取到對應的百度指數作為實驗數據。其中，爬取“新冠疫情”2021年2月3日到2022年4月14日共437組數據；爬取“食品安全”、“網絡安全”、“收入分配”和“共同富?！?021年11月14日到2022年4月13日各150組數據。

3.2 實驗環境和數據指標

本實驗采用AMD銳龍7－5800H芯片，8核心，8G內存，Windows 10操作系統，MATLAB2020b試驗平臺。采用均方根誤差（RMSE）、平均絕對百分比誤差（MAPE）作為評價標準，其公式如式（27），（28）所示。

3.3 單模型預測建模

“新冠疫情”是當今世界的重大公共衛生事件，預測公眾的反映情況是十分必要的工作［33］。從圖8可以看出，“新冠疫情”輿情演化中會存在平穩期和突發期，在平穩期中輿情演化指數波動較小，且呈現一定周期性；在突發期輿情演化指數波動較大，會出現峰值。為提高檢驗預測的效果，將輿情演化數據進行分類［34］。對于平穩期輿情演化預測數據，選取2021年2月3日到2021年7月3日共150組數據，其中30組為測試集，對2021年6月3日到2021年7月3日“新冠疫情”平穩類輿情演化趨勢進行預測。對于突發期輿情演化預測數據，選取2021年10月31日到2022年3月30日共150組數據，其中30組為測試集，對2022年2月28日到2022年3月30日“新冠疫情”突發類輿情演化趨勢進行預測。

為了測試LSTM模型在輿情演化預測應用上的性能狀況，選取多種機器學習模型進行對比分析，包括BP神經網絡模型、SVM支持向量機模型和LSTM模型［35］。其中BP神經網絡和LSTM神經網絡結構為7－50－50－1，學習率為0.001；SVM模型的懲罰因子C=2，核參數為10。單模型平穩期預測結果如圖9和表1所示；單模型突發期結果如圖10和表2所示。

采用上述3種預測模型，進行10次重復實驗取平均值。從表1和表2可以看出，3種模型在平穩期的表現都好于突發期，但是LSTM模型的表現是三者中最優的。

圖9為平穩類輿情演化預測情況：LSTM模型的預測曲線更為貼合真實值。圖10為突發類輿情演化預測情況：BP神經網絡模型可能出現滯后性，而SVM模型和LSTM模型的MAPE誤差相近，但LSTM神經網絡模型的RMSE明顯優于SVM模型，為4.946 6×103，說明LSTM模型對于這兩類輿情演化數據的預測精度更高，更符合輿情演化的實際情況，對于平穩類輿情演化的情況適用性更好，同時也可以更準確地預測突發類輿情演化情況。

3.4 基于改進狼群算法的LSTM模型

根據單模型LSTM的結構，選擇LSTM中的超參數進行不同智能算法的尋優，設定隱藏層單元個數的范圍L1，L2∈［12，200］，學習率的范圍lr∈［0.001，0.05］，batchsize∈［8，256］。為了測試改進后的狼群算法對于LSTM模型的優化性能，選取了原始LSTM模型（記作LSTM）、PSO優化的LSTM模型（記作PSO-LSTM）、WPA優化的LSTM模型（記作WPA-LSTM）和IWPA優化的LSTM模型（記作IWPA-LSTM）分別對“新冠肺炎”平穩期輿情演化趨勢進行預測，將得到的實驗結果比對。以上不同的改進算法的迭代次數為100，種群規模為30，3種不同的智能算法對LSTM超參數尋優過程如圖11所示。

從圖11中可以看出，IWPA算法相較于以上兩種算法，因為引入了記憶種群，所以尋優次數要明顯少于PSO算法和WPA算法，得到的適應度函數值是三者中最小的，說明IWPA算法對處理LSTM模型預測輿情演化是有效性的。最終，使用IWPA算法優化得到的LSTM超參數值為：隱藏層神經元個數分別為L1=83、L2=109，學習率lr=1.219×10-3，batch=36。不同模型平穩期預測結果見圖12和表3；不同模型突發期結果如圖13和表4所示。

采用上述3種不同算法優化的LSTM模型取平均值，得到預測輿情演化趨勢圖和預測誤差表。平穩期IWPA-LSTM對比其余3個LSTM模型MAPE指標都有明顯降低，說明IWPA-LSTM模型具有較高的精確性。突發期IWPA-LSTM模型的RMSE指標為4.946 6×103，小于其他3種模型的RMSE指標，這說明IWPA算法對于增加LSTM模型的穩定性具有重要作用；IWPA-LSTM模型的MAPE指標為6.5%，小于其余3個LSTM模型，這說明IWPA算法對于LSTM神經網絡模型可以有效地提升收斂速度和提高預測精度。

綜合以上分析，IWPA算法對于LSTM的優化效果明顯，并且對兩類輿情演化時期都有促進作用，在平穩期可以增加預測的精度，在突發期可以提高穩定預測的能力，可以發現IWPA-LSTM模型對于預測輿情演化趨勢都具有穩定性好、精確度高的特點，證明使用改進狼群算法優化LSTM具有更為良好的預測性能。

根據數據分析，在2021年6月到7月，國內疫情防控較為穩定，隨著“廣州首例阿婆出院”廣州各地風險逐漸解除，全國各地正常生產生活，輿情演化趨勢也逐漸下降。從2022年2月28日“新冠疫情”輿情演化的趨勢呈現上升現象，直到3月10日后，某學院學生發文稱學院對于疫情的管理不當，引發人們對新冠疫情關注程度突然增高；3月10日到15日各地各部門采取相關有效措施，各省份對疫情地區進行點對點支援，輿情指數關注趨勢在3月15日之后有所下降，證明了及時采取相關措施，可以有效緩解輿情演化趨勢進一步提升。根據以上實際情況的分析，可以看出IWPA-LSTM神經網絡對于社會輿情的實際意義明顯，可以有效準確地預測輿情演化趨勢，對于分析輿情演化原因可以提供有力的支持。

3.5 IWPA-LSTM模型泛化性驗證

為了進一步驗證狼群算法改進后的LSTM神經網絡模型具有預測輿情演化趨勢的泛化性，可以適用于其他多種輿情關鍵詞的趨勢預測，采用其他輿情進行驗證。315晚會后，以“食品安全”和“網絡安全”為關鍵詞進行輿情演化預測，同時從2022年新華網發布的兩會熱詞選取了“收入分配”和“共同富?！?。選擇2021年11月14日到2022年4月13日共150組數據，其中34組為測試集。同時采用本文提到的LSTM、PSO-LSTM、WPA-LSTM和IWPA-LSTM 4種模型進行對比訓練和預測，得到實驗結果如圖14和表5所示。

從圖14和表5，分析“食品安全”輿情預測結果，IWPA-LSTM模型的MAPE指標最小為5.48%，并且RMSE指標為1.173 0×103，也是4種模型中最穩定的，因為“315晚會”后曝光了食品相關事件，造成在3月15日后輿情演化呈一定的上升趨勢。對于其他3個相關輿情的預測，使用IWPA-LSTM模型的效果最好，在4種LSTM模型中，MAPE指標和RMSE指標均為最小，并且輿情演化趨勢最為貼近實際情況。通過以上多個實例進行驗證，使用IWPA算法優化的LSTM神經網絡能夠更好地適用于預測輿情演化趨勢，對比其他算法優化的LSTM模型，具有較好的普適性和準確性，表現出了對不同輿情信息的良好適應性。

4 總結與展望

輿情的演化趨勢具有實時性、無規律性，為了解決輿情演化趨勢的預測問題，本文提出了一種改進狼群算法優化的長短期記憶神經網絡預測模型（IWPA-LSTM），在經典狼群算法中引入初始化策略、動態高斯－正弦擾動步長策略、鯨魚螺旋圍攻策略，并建立正反雙向記憶種群，提出改進狼群算法IWPA。LSTM神經網絡模型可以較好地處理不同時期的“新冠疫情”輿情演化數據，采用IWPA優化LSTM神經網絡對超參數進行尋優，可以避免人工調參的不確定性，提高預測的準確程度。IWPA-LSTM輿情演化預測模型應用于其他相關輿情的預測時，對比其他算法優化的LSTM神經網絡模型表現出了良好的預測精度和普適性。

未來可以進一步探索輿情演化的相關因素，結合大數據處理方式，擴大預測范圍，融合多種群多模型對輿情發展趨勢進行更為精確的探索。

參考文獻：

［1］于同洋， 肖人彬， 侯俊東. 網絡輿情結構逆轉建模與仿真：基于改進Deffuant模型［J］. 復雜系統與復雜性科學， 2019， 16（3）： 30－39.

YU T Y， XIAO R B， HOU J D. Modeling and simulation of network public opinion structure reversal： based on an improved Deffuant model［J］. Complex Systems and Complexity Science， 2019， 16 （3）： 30－39.

［2］張軒宇， 陳曦， 肖人彬. 后真相時代基于敵意媒體效應的觀點演化建模與仿真［J］. 復雜系統與復雜性科學， 2023， 20（3）： 44－51，59.

ZHANG X Y， CHEN X， XIAO R B. Modeling and simulation of viewpoint evolution based on hostile media effect in the post truth era ［J］. Complex Systems and Complexity Science， 2023， 20（3）： 44－51，59.

［3］劉舉勝， 何建佳， 韓景倜， 等. 觀點動力學研究現狀及進展述評［J］. 復雜系統與復雜性科學， 2021， 18（2）： 9－20.

LIU J S， HE J J， HAM J T， et al. Review on the research status and progress of viewpoint dynamics［J］. Complex Systems and Complexity Science， 2021， 18 （2）： 9－20

［4］張和平， 陳齊海. 基于灰色馬爾可夫模型的網絡輿情預測研究［J］. 情報科學， 2018， 36（1）： 75－79.

ZHANG H P， CHEN Q H. Research on internet public opinion prediction based on grey Markov model ［J］. Information Science， 2018， 36（1）： 75－79.

［5］Anjaria M， Guddeti R. Influence factor-based opinion mining of twitter data using supervised learning［C］//2014 Sixth International Conference on Communication Systems and Networks （COMSNETS）. Bangalore， India： IEEE， 2014.

［6］林玲， 陳福集， 謝加良， 等. 基于改進灰狼優化支持向量回歸的網絡輿情預測［J］. 系統工程理論與實踐， 2022，42（2）： 487－498.

LIN L， CHEN F J， XIE J L，et al. Network public opinion prediction based on improved grey wolf optimization support vector regression［J］. Systems Engineering Theory and Practice， 2022， 42（2）： 487－498.

［7］野雪蓮， 楊孔雨. 輿情趨勢預測中神經網絡的優化算法［J］. 網絡新媒體技術， 2016， 5（1）： 33－37，51.

YE X L，YANG K Y. Neural network optimization algorithm in public opinion trends prediction［J］. Journal of Network New Media， 2016， 5（1）： 33－37，51.

［8］孫靖超， 周睿， 李培岳， 等. 基于循環神經網絡的網絡輿情趨勢預測研究［J］. 情報科學， 2018， 36（8）：118－122，127.

SUN J C， ZHOU R， LI P Y，et al. Research on network public opinion trend prediction based on recurrent neural network［J］. Information Science， 2018， 36（8）： 118－122，127.

［9］傅麗芳， 趙菲菲. 基于注意力機制LSTM模型的農業輿情預測與分析［J］. 數學的實踐與認識， 2021， 51（17）： 64－76.

FU L F， ZHAO F F. A forecasting method of agricultural public opinion based on Lda-Lstm-Attn model［J］. Journal of Mathematics in Practice and Theory， 2021， 51（17）： 64－76.

［10］ 魏騰飛， 潘庭龍. 基于改進PSO優化LSTM網絡的短期電力負荷預測［J］. 系統仿真學報， 2021， 33（8）： 1866－1874.

WEI T F， PAN T L.Short-term power load forecasting based on LSTM neural network optimized by improved PSO［J］. Journal of System Simulation， 2021， 33（8）： 1866-1874.

［11］ 于永進， 姜雅男， 李長云. 基于WOA-LSTM模型的機－熱老化絕緣紙剩余壽命預測方法［J］. 電工技術學報， 2022， 37（12）： 3162－3171.

YU Y J， JIANG Y N， LI C Y.Prediction method of insulation paper remaining life with mechanical-thermal synergy based on whale optimization algorithm-Long-Short Term Memory model［J］. Transactions of China Electrotechnical Society， 2022， 37（12）：3162－3171.

［12］ 吳虎勝， 張鳳鳴， 吳廬山. 一種新的群體智能算法——狼群算法［J］. 系統工程與電子技術， 2013， 35（11）： 2430－2438.

WU H S， ZHANG F M， WU L S. A new swarm intelligence algorithm—wolf packalgorithm［J］. Systems Engineering and Electronics， 2013， 35（11）： 2430－2438.

［13］ 薛俊杰， 王瑛， 李浩， 等. 一種狼群智能算法及收斂性分析［J］. 控制與決策， 2016， 31（12）：2131－2139.

XUE JJ， WANG Y， LI H， et al. A smart wolf pack algorithm and its convergence analysis［J］. Control and Decision， 2016， 31 （12）： 2131－2139.

［14］ 葉勇， 張惠珍. 多配送中心車輛路徑問題的狼群算法［J］. 計算機應用研究， 2017，34（9）：36－39.

YE Y， ZHANG H Z.Wolf pack algorithm for multi-depot vehicle routing problem［J］. Application Research of Computers， 2017，34（9）： 36－39.

［15］ 尹懷仙， 王凱， 張鐵柱， 等. 基于PSO-BP神經網絡的城軌列車轉向架輪對軸箱故障預測［J］. 復雜系統與復雜性科學， 2015， 12（4）： 97－103.

YIN H X， WANG K， ZHANG T Z，et al. Fault prediction based on PSO-BP neural network about wheel and axle box of bogie in urban rail train［J］. Complex Systems and Complexity Science， 2015， 12（4）： 97－103

［16］ 胡亮， 肖人彬， 王英聰. 蜂群激發抑制算法及其在交通信號配時中的應用［J］. 復雜系統與復雜性科學， 2019， 16（2）： 9－18，40.

HU L， XIAO R B， WANG Y C.Bee colony activating-inhibition algorithm and its application in traffic signal timing［J］. Complex Systems and Complexity Science， 2019， 16（2）： 9－18，40.

［17］ 韓忠華， 劉約翰， 李曼， 等. 改進狼群算法求解模具在模臺上組合分配問題［J］. 系統仿真學報， 2021， 33（1）： 127－140.

HAN Z H， LIU Y H， LI M， SUN LL， et al. Improved wolf pack algorithm for distribution of molds on molds table［J］. Journal of System Simulation， 2021， 33（1）： 127－140.

［18］ WU H S， ZHANG F M. A uncultivated wolf pack algorithm for high-dimensional functions and its application in parameters optimization of PID controller［C］//2014 IEEE Congress on Evolutionary Computation （CEC）. Beijing， China： IEEE， 2014.

［19］ 劉東陽， 查文文， 陶亮， 等. 基于LSTM和SMC的農用履帶機器人軌跡跟蹤控制［J］. 系統仿真學報， 2023， 35（4）： 747－759.

LIU D Y， ZHA WW， TAO L， et al. Trajectory control of crawler robot based on LSTM and SMC ［J］. Journal of System Simulation， 2023， 35（4）： 747－759.

［20］ EOM G， BYEON H. Development of keyword trend prediction models for obesity before and after the Covid-19 pandemic using RNN and LSTM： analyzing the news big data of South Korea［J］. Frontiers in Public Health， 2022， 10： 894266.

［21］ DU B G， HUANG S， GUO J， et al. Interval forecasting for urban water demand usingPSO optimized KDE distribution and LSTM neural networks［J］. Applied Soft Computing， 2022， 122： 108875.

［22］ 陳暄， 孟凡光， 吳吉義. 求解大規模優化問題的改進狼群算法［J］. 系統工程理論與實踐， 2021， 41（3）： 790－808.

CHEN X， MENG F G， WU J Y.Improved wolf pack algorithm for large－scale optimization problems［J］. Systems Engineering Theory and Practice， 2021， 41（3）： 790－808.

［23］ GAO Y J， ZHANG F M， ZHAO Y， et al. Quantum-inspired wolf pack algorithm to solve the 0-1 knapsack problem［J］. Mathematical Problems in Engineering， 2018（4）： 5327056.

［24］ 劉成漢， 何慶. 融合多策略的黃金正弦黑猩猩優化算法［J］. 自動化學報， 2023， 49（11）： 2360－2373.

LIU C H， HE Q.Golden sine chimp optimization algorithm integrating multiple strategies［J］. Acta Automatica Sinica， 2023， 49（11）： 2360－2373.

［25］ MIRJALILI S， LEWIS A. The whale optimization algorithm［J］. Advances in Engineering Software， 2016， 95： 51－67.

［26］ 羅辭勇， 陳民鈾， 張聰譽. 采用循環擁擠排序策略的改進NSGA-Ⅱ算法［J］. 控制與決策， 2010， 25（2）： 227－231.

LUO C Y， CHEN M Y， ZHANG C Y.Improved NSGA-Ⅱ algorithm with circular crowded sorting［J］. Control and Decision， 2010， 25（2）： 227－231.

［27］ 王艷嬌， 馬春蕾. 基于記憶策略的動態離子運動優化算法［J］. 吉林大學學報（工學版）， 2020， 50（3）： 1047－1060.

WANG Y J， MA C L.Dynamic ion motion optimization algorithm based on memory strategy［J］. Journal of Jilin University （Engineering and Technology Edition）， 2020， 50（3）： 1047－1060.

［28］ 汪慎文， 丁立新， 謝承旺， 等. 應用精英反向學習策略的混合差分演化算法［J］. 武漢大學學報（理學版）， 2013， 59（2）： 111－116.

WANG S W， DING L X， XIE C W， et al. A hybrid differential evolution with elite opposition-based learning［J］. Journal of Wuhan University （Natural Science Edition）， 2013， 59（2）： 111－116.

［29］ HUANG Z H， WEI X， KAI Y. Bidirectional LSTM-CRF models for sequencetagging［DB/OL］. ［2022－01－30］. https：//doi.org/10.48550/arXiv.1508.01991

［30］ 王鑫， 吳際， 劉超， 等. 基于LSTM循環神經網絡的故障時間序列預測［J］. 北京航空航天大學學報， 2018， 44（4）： 772－784.

WANG X， WU J， LIU C， et al.Exploring LSTM-based recurrent neural network for failure time series prediction［J］. Journal of Beijing University of Aeronautics and Astronautics， 2018， 44（4）： 772－784.

［31］ XIAO R B， YU T Y， HOU J D. Modeling and simulation of opinion natural reversal dynamics with opinion leader based on HK bounded confidence model［J］. Complexity， 2020（1）： 7360302.

［32］ 劉琪， 肖人彬. 觀點動力學視角下基于意見領袖的網絡輿情反轉研究［J］. 復雜系統與復雜性科學， 2019， 16（1）： 1－13.

LIU Q， XIAO R B. An opinion dynamics approach to public opinion reversion with the guidance of opinion leaders［J］. Complex Systems and Complexity Science， 2019， 16（1）： 1－13.

［33］ 劉巧玲， 李勁， 肖人彬. 基于參數反演的網絡輿情傳播趨勢預測——以新浪微博為例［J］. 計算機應用， 2017， 37（5）： 1419－1423.

Liu Q L， Li J， Xiao R B.Trend prediction of public opinion propagation based on parameter inversion—an empirical study on Sina micro-blog ［J］. Journal of Computer Applications， 2017， 37（5）： 1419－1423.

［34］ WU H S， XIAO R B.Flexible wolf pack algorithm for dynamic multidimensional knapsack problems［J］. Research， 2020（1）： 174－186.

［35］ LI J H， ZHU D S， LI C X. Comparative analysis of BPNN， SVR， LSTM， Random Forest， and LSTM-SVR for conditional simulation of non-Gaussian measured fluctuating wind pressures［J］. Mechanical Systems & Signal Processing， 2022， 178： 109285.

（責任編輯 耿金花）

收稿日期： 2022－05－25；修回日期： 2022－06－30

基金項目： 科技創新 2030—“新一代人工智能”重大項目（2018AAA0101200）

第一作者： 李若晨（1998－），女，山東淄博人，碩士，主要研究方向為輿情預測、群智能。

通信作者： 肖人彬（1965－），男，湖北武漢人，博士，教授，主要研究方向為復雜系統、群智能。