基于组合赋权的暴恐转向风险预测研究

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。