当前信息时代网络的普及与发展促进了网络舆情的产生与传播,随着网民数量的不断增加,网络舆情的演化对社会的稳定与发展的影响越来越大.因此需要通过科学的数据分析掌握舆情发展的自然规律,对舆情的演化行为做出预测与判断,以便更好地进行人工干预,以引导或激励舆情的传播与发展.高精度的网络舆情预测模型的构建是一个难题,当前解决这一问题主流的建模方法有组合模型,混合模型,集成模型与人工智能模型.由于网络舆情数据具有灰色不确定性,其中夹杂的扰动项对模型预测精度的影响非常大,本文引入灰色缓冲算子对数据进行预处理以提升模型的预测精度;由于舆情具有瞬发性和短时间持续性,因此网络舆情数据具有小样本的特点,针对此特点本文利用灰色模型来进行舆情预测,但单一模型的预测能力有限,即使改进后预测精度仍不是很高,而混合模型可以解决这一问题;考虑到人工智能模型中的最小二乘支持向量机模型同样适合小样本预测且可更好的处理非线性问题,本文利用最小二乘支持向量机对灰色模型的残差进行修正,最终建立改进的灰色最小二乘支持向量机混合模型.由评价指标MAPE与MSE验证了混合模型具有更高的预测精度.具体工作如下:(1)由于舆情数据的变化趋势不能充分展现数据本身真正的变化规律,引入灰色理论中缓冲算子的概念,使用几何平均弱化缓冲算子(GAWBO)对数据序列进行预处理,使数据序列更加平滑与具有规律性,有利于接下来模型的模拟与预测,以提升预测精度.(2)本文共建立了两个混合模型.首先建立了改进的单一灰色模型,即LGM(1,1)模型和基于初始值优化的TPGM(1,1)模型.然后为解决单一模型预测性能差精度低的问题,分别对这两个模型利用最小二乘支持向量回归机进行残差修正,最终建立两个基于改进的灰色模型与最小二乘支持向量机模型的混合模型,即GAWBO-LGM-LSSVM混合模型与GAWBO-TPGM-LSSVM混合模型.选取典型的网络舆情数据序列(热门关键词“IG夺冠”的百度指数)对模型的预测效果进行检验,根据预测精度评价指标MAPE与MSE对各模型实验结果进行逐级对比分析,证明本文提出的混合模型相对经典单一灰色模型与改进的单一灰色模型而言,预测精度更高.