排序方式: 共有1条查询结果,搜索用时 15 毫秒
1
1.
研究群体性事件演变过程中的冲突升级引发暴恐转向的风险,对维护国家安全和社会稳定具有重要意义。本文提出基于词频-逆文档频率(Term Frequency-Inverse Document Frequency, TF-IDF)及三角模糊数(Triangular Fuzzy Number, TFN)的组合赋权法,并融合贝叶斯网络(Bayesian Network, BN)构建风险转向预测模型。首先,通过分析促使事件态势演变的影响因素,建立暴恐转向指标体系,利用TF-IDF方法对社交媒体文本数据中的代表性高频词汇进行筛选和分类,计算对应指标的客观权重。其次,结合TFN和德尔菲法设计调查问卷,采用全积分值法对专家小组评判结果进行解模糊化处理,得到指标的主观权重。再次,根据博弈论组合赋权法得到综合权重,融合BN概率推理模型,预测发生暴恐转向的概率。最后,利用反向推理得出影响因素的后验概率,分析引发暴恐转向的主要因素,为相关部门采取针对性措施提供理论参考。实例结果显示暴恐转向风险的预测概率为81%,与实际事件态势发展情况相符,验证了本文模型对群体性事件态势发生暴恐转向风险具有可行、准确的预测。 相似文献
1