计算机应用

作者：朱昶胜, 康亮河, 冯文芳

单位：1.兰州理工大学 计算机与通信学院，兰州 7300502.兰州理工大学 经济管理学院，兰州 730050

关键词：网络舆情,文本挖掘,鲸鱼优化算法,Elman神经网络

针对Elman神经网络在基于股市网络舆情的收盘价预测中存在的收敛速度慢且预测精度低的问题，提出了结合基于自适应噪声的完全集合经验模态分解(CEEMDAN)的改进鲸鱼优化算法（IWOA）结合Elman神经网络预测模型。首先，通过文本挖掘技术对上海证券交易所股票价格综合指数(SSE)180股的网络舆情进行挖掘和量化，并利用Boruta算法筛选重要属性以降低属性集的复杂度；然后，通过CEEMDAN算法在属性集中添加一定数量特定方差的白噪声，实现属性序列的分解与降噪；同时，利用自适应权重改进鲸鱼优化算法(WOA)以增强其全局搜索及局部开采能力；最后，利用WOA在迭代过程中不断优化Elman神经网络的初始权重和阈值。结果表明：比起单独使用Elman神经网络，所提模型的平均绝对误差(MAE)从358.812 0降低至113.055 3；与未采用CEEMDAN算法的原始数据集相比，该模型的平均绝对百分比误差(MAPE)从4.942 3%降低到1.445 31%，说明所提模型有效提高了预测精度，为股市网络舆情的预测提供了一种有效的实验方法。

来源：2020年第5期

《计算机应用》期刊编辑部

查看计算机应用杂志2020年第5期