[發明專利]基于多重分形優化的電力輿情監測方法及系統

在審

• 申請號: 201911301953.0
• 申請日: 2019-12-17
• 公開（公告）號: CN111192160A
• 公開（公告）日: 2020-05-22
• 發明（設計）人: 史玉良;管永明;張暉;呂梁;胥鵬飛;劉智勇;袁永芹
• 申請（專利權）人: 山大地緯軟件股份有限公司
• 主分類號: G06Q50/06
• 分類號: G06Q50/06;G06K9/62
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 黃海麗

1.基于多重分形優化的電力輿情監測方法，其特征是，包括：

獲取待監測電力輿情數據；

對待監測建立輿情數據進行預處理，獲得輿情傳播態勢時間序列；

對輿情傳播態勢時間序列進行分形特征提取，將分形特征輸入到預訓練的輿情態勢分類模型中，得到輿情態勢分類結果；

根據輿情態勢分類結果，選擇對應類型的預訓練的輿情態勢預測模型；將輿情傳播態勢時間序列，輸入到選擇的預訓練的輿情態勢預測模型中，輸出輿情傳播態勢預測結果。

2.如權利要求1所述的方法，其特征是，獲取待監測電力輿情數據；具體是指：

通過主題搜索或關鍵詞提取方式，對網頁、論壇、博客或微博的各種類型的原始數據進行抓取，獲得待監測電力輿情數據；

待監測電力輿情數據，具體包括：每個時刻的主題關鍵詞、每個時刻的主題關鍵詞對應文章的轉發量或每個時刻的主題關鍵詞對應文章的評論數。

3.如權利要求1所述的方法，其特征是，對待監測建立輿情數據進行預處理，獲得輿情傳播態勢時間序列；具體步驟包括：

對待監測建立輿情數據進行去重、降噪、數據規范化處理和創建索引；

提取輿情傳播態勢的時間序列；輿情傳播態勢的時間序列，包括：時間點，和每個時間點的主題關鍵詞對應文章的平均轉發量；

以時間為橫坐標，以每小時的平均轉發量為縱坐標，畫出電力輿情傳播態勢圖。

4.如權利要求1所述的方法，其特征是，對輿情傳播態勢時間序列進行分形特征提取；具體步驟包括：

采用多重分形維數算法，對輿情傳播態勢時間序列進行分形特征提取，提取到分形特征。

5.如權利要求1所述的方法，其特征是，預訓練的輿情態勢分類模型的訓練步驟包括：

S31a：構建SVM分類模型；

S32a：構建訓練集，所述訓練集為：對電力輿情傳播態勢歷史時間序列利用多重分形維數算法特征提取得到的歷史分形特征，和對電力輿情傳播態勢歷史時間序列利用聚類算法進行聚類得到的歷史聚類類型；

S33a：將歷史分形特征作為SVM分類模型的輸入值，將歷史聚類類型作為SVM分類模型的輸出值，對SVM分類模型進行訓練，得到分類精度高于設定閾值的輿情態勢分類模型。

6.如權利要求5所述的方法，其特征是，S32a中，對電力輿情傳播態勢歷史時間序列利用聚類算法進行聚類得到的歷史聚類類型；具體步驟包括：

采用均值偏移聚類算法，對輿情傳播態勢時間序列進行聚類，獲得輿情傳播態勢聚類結果。

7.如權利要求1所述的方法，其特征是，預訓練的輿情態勢預測模型的訓練步驟包括：

利用分形插值算法，對每一類型的輿情傳播態勢歷史時間序列進行分形插值擬合，對每一類型的輿情傳播態勢歷史時間序列建立對應的迭代函數，建立的迭代函數即為預訓練的輿情態勢預測模型。

8.基于多重分形優化的電力輿情監測系統，其特征是，包括：

獲取模塊，其被配置為：獲取待監測電力輿情數據；

預處理模塊，其被配置為：對待監測建立輿情數據進行預處理，獲得輿情傳播態勢時間序列；

分類模塊，其被配置為：對輿情傳播態勢時間序列進行分形特征提取，將分形特征輸入到預訓練的輿情態勢分類模型中，得到輿情態勢分類結果；

預測模塊，其被配置為：根據輿情態勢分類結果，選擇對應類型的預訓練的輿情態勢預測模型；將輿情傳播態勢時間序列，輸入到選擇的預訓練的輿情態勢預測模型中，輸出輿情傳播態勢預測結果。

9.一種電子設備，其特征是，包括存儲器和處理器以及存儲在存儲器上并在處理器上運行的計算機指令，所述計算機指令被處理器運行時，完成權利要求1-7任一項方法所述的步驟。

10.一種計算機可讀存儲介質，其特征是，用于存儲計算機指令，所述計算機指令被處理器執行時，完成權利要求1-7任一項方法所述的步驟。