城市共享单车投放与使用的时空优化模型

摘要

共享单车作为城市绿色出行的重要补充，其运营效率极大依赖于车辆在不同空间节点与不同时段的合理配置与动态再平衡。针对“供给—需求”在时空维度上的错配问题，本文构建了一个以需求预测为先导、以时空网络为载体、以多目标优化为核心的投放与调度一体化模型。首先在数据层面融合气象、节假日、土地利用与历史骑行数据，采用梯度提升与循环神经网络相结合的混合预测框架获得站点级分时需求。其次在优化层面，提出两阶段决策方案：阶段一通过静态投放优化确定初始库存；阶段二基于时间展开网络建立动态再平衡的混合整数规划，最小化缺车与满桩惩罚、调度成本与公平性损失，约束包括站点容量、车流守恒与车辆调度能力。为应对大规模城市网络的计算复杂度，设计滚动时域求解策略与拉格朗日分解—大邻域搜索的混合算法。最后以公开数据为案例进行数值模拟，结果显示，相较基准策略，模型可显著降低高峰期缺车率与满桩率，并改善服务水平的时空均衡。本文的贡献在于将需求预测与运营优化深度耦合，提出具有工程可实施性的时空优化模型与算法路径，为交通工程背景下共享单车的精细化运营提供方法依据。

关键词

共享单车；时空优化；需求预测；动态再平衡；交通工程

引言

共享单车在城市短途出行与公共交通接驳中发挥着日益重要的作用，其公共性与高周转特征决定了运营管理的核心矛盾在于“何时何地投放多少车”以及“如何高效调度”。现实中，早晚高峰、突发天气与活动事件导致需求在时间上呈现明显波动，在空间上具有工作地—居住地的潮汐迁移特征；若初始投放或动态调度不当，将出现“缺车—满桩”的两端失衡，进一步诱发无效出行、用户流失与资源浪费。因此，面向时空维度的精细化优化成为提升共享单车服务供给质量的关键。

既有研究在静态再平衡、动态调度、需求预测与激励机制方面已形成初步体系，但多以单一模块为中心，难以兼顾预测不确定性、运营约束与服务公平性。工程实践需要一个贯通数据—预测—优化—实施的闭环框架，在可计算与可落地之间取得平衡。本文立足交通工程视角，针对站点型或热点网格化管理的共享单车系统，提出“预测驱动的时空优化模型”。核心问题包括：如何获得可信的分站点分时段需求；如何在考虑站点容量、车流守恒与车辆调度能力的前提下，联合优化初始投放与滚动再平衡；如何在大规模网络上以可接受的算时获得近最优解。为此，本文构建两阶段决策模型并设计混合算法，在公开数据集上进行仿真验证。

贡献主要体现在三方面：（1）提出数据融合与混合预测的站点级需求刻画方法，提高峰值与极端情境下的可解释性与稳健性；（2）构造时间展开网络的混合整数规划，针对缺车/满桩惩罚、调度成本与公平性进行多目标权衡；（3）实现滚动时域与分解启发式的工程化求解流程，并给出敏感性分析与策略建议。本文为共享单车的时空投放与使用优化提供系统性方法，亦可推广至其他微出行运营场景。

正文

一、文献综述与理论框架

共享单车运营研究大致包含四条主线：需求侧的行为刻画与预测、供给侧的库存与再平衡、平台的激励与定价、算法的计算与实施。需求预测方面，传统时间序列方法难以捕捉非线性与外生因素，机器学习与深度学习（如梯度提升、LSTM、图卷积）逐渐成为主流；数据维度从历史骑行拓展至天气、节假日、土地利用与事件信息，提高峰值时段的辨识能力。供给侧研究包括静态投放与动态再平衡：静态问题旨在给定总车量与站点容量时优化初始库存；动态问题以时间展开网络刻画车流与调度流，目标函数通常平衡服务水平与运营成本。队列论与随机库存模型用于站点层面的服务水平分析，混合整数规划与车辆路径问题用于系统层面的调度优化。公平性与服务协议（如最低服务水平）逐步受到关注，体现为约束或惩罚项进入模型。

在此背景下，本文提出四层理论框架：数据层—预测层—优化层—实施层。数据层整合多源异构数据并进行清洗与空间映射；预测层构建站点—时段的到发需求估计；优化层采用两阶段模型联合决定初始投放与滚动再平衡；实施层通过滚动时域与在线更新将方案落地，并进行效果评估与策略迭代。该框架强调预测与优化的闭环耦合：预测结果不仅作为优化输入，还通过优化输出的系统状态反过来校准预测误差与模型参数。理论上，多目标优化与不确定性管理是框架的两大支柱：前者以加权或分层目标实现服务—成本—公平的权衡；后者通过情景集或鲁棒优化处理预测误差与外生扰动。工程上，规模可计算性与实施可操作性是关键：需要在模型细致度与算法复杂度之间取得实用平衡。

综上，构建一体化的时空优化模型，应兼顾：（1）需求的强非线性与空间相关性；（2）站点容量与车流守恒的物理约束；（3）车辆调度的资源与时窗约束；（4）服务公平性的政策性要求；（5）大规模网络的求解效率。本文各后续章节将沿此路径展开。

二、需求预测与数据处理方法

数据与特征是预测的基础。本文以公开共享单车数据（如纽约Citi Bike）为参考，构建站点级分时需求序列。数据处理步骤包括：数据清洗（去重、异常值处理、缺失补全）、时间对齐（统一为30分钟粒度）、空间映射（将骑行起讫点匹配至站点或网格）、特征工程（天气、节假日、时段、土地利用）。具体而言：

• 时间特征：小时、星期、是否节假日、是否特殊事件（如大型活动）。
• 天气特征：温度、降水、风速、体感温度、天气类型（晴/雨/雪）。
• 空间特征：周边POI密度（办公、居住、商业）、与轨道站/公交站的距离、道路连通性。
• 历史滞后：到发量滞后值（t-1, t-2,…）、周期间隔（t-48对应上一日同一时段），以捕捉强周期性。

模型采用“可解释+非线性”混合框架：以梯度提升树（如XGBoost）捕捉非线性与特征重要性，并以LSTM对强时序相关进行补强。流程为：先用XGBoost对每个站点的到发需求分别建模，获取基线预测与重要特征排名；再将残差序列输入LSTM，以端到端方式学习时序与跨站点相关；最后以线性加权或堆叠方式融合两者输出，得到站点—时段的到发需求预测 D^pickup(i,t)、D^dropoff(i,t)。

评估指标采用MAE、RMSE与MAPE，并在高峰时段（如早7–9时、晚17–19时）单独计算，保证对关键运营时段的敏感性。为提升稳健性，采用滚动交叉验证与时序保留法，避免信息泄漏。在空间相关上，可构建邻接矩阵（基于道路距离或骑行相似度），将邻域站点的滞后需求作为外生输入，增强拥挤走廊的预测能力。

不确定性管理方面，利用预测置信区间或场景集（如正常、雨天、节假日三类）生成需求上下界，供优化模型进行鲁棒性权衡。此外，针对临时事件导致的需求突变，设置在线校准：当监测到到发量显著偏离预测时，触发短周期的再训练或参数自适应更新，保持预测与运营的闭环一致性。

三、城市共享单车投放与调度的时空优化模型

模型以两阶段决策为核心。阶段一为静态投放优化，目标在给定总车量与站点容量下，确定各站点初始库存 s_i(0)，尽量降低未来时域内的缺车/满桩风险。阶段二为动态再平衡，在时间展开网络上联合考虑用户到发流与调度流，优化滚动时域内的车辆调度行为。

1）静态投放优化（阶段一）

• 输入：预测的站点—时段到发需求 D^pickup(i,t)、D^dropoff(i,t)，站点容量 Cap_i，总车量 B。
• 决策变量：初始库存 s_i(0)（非负整数）。
• 目标：最小化预测期内的总缺车与满桩惩罚的期望值（可由近似服务水平函数或历史敏感度函数给出）。
• 约束：sum_i s_i(0) = B；0 ≤ s_i(0) ≤ Cap_i。 为增强公平性，对历史高缺车站点添加权重或最低服务水平约束（如服务水平 SLA_i ≥ α）。

2）动态再平衡优化（阶段二） 采用时间展开网络（T periods，每步Δt），同时刻画用户流与调度流：

• 变量：
  • s_i(t)：t末站点i库存；
  • p_i(t)、q_i(t)：t时段被满足的取车/还车量；
  • u_i^p(t)、u_i^q(t)：t时段未满足取车/还车（缺车/满桩）；
  • R_{i,j}(t)：t时段由调度车辆从i至j的调出量（满足可达时窗与容量）。
• 需求约束：p_i(t) + u_i^p(t) = D^pickup(i,t)；q_i(t) + u_i^q(t) = D^dropoff(i,t)。
• 可满足性约束：p_i(t) ≤ s_i(t)；q_i(t) ≤ Cap_i − s_i(t)。
• 库存守恒：s_i(t+1) = s_i(t) − p_i(t) + q_i(t) + Σ_j R_{j,i}(t) − Σ_j R_{i,j}(t)。
• 调度能力约束（近似流量上界）：Σ_{i,j} R_{i,j}(t) ≤ K · C_per(t)，其中K为车辆数，C_per(t)为每时段可搬运能力；或进一步引入车辆路径变量 y_{k,i,t}（车辆k在t时段是否在站点i）与路线连续性、容量与行程时间约束，实现车辆路径层面的精细控制。
• 目标函数（加权多目标）： Minimize Z = Σ_{i,t} [α·u_i^p(t) + β·u_i^q(t)] + Σ_{i,j,t} γ·Cost_{i,j}·R_{i,j}(t) + Σ_{i,t} δ·Fair_i·|s_i(t) − s_i^*| 其中，α、β为缺车/满桩惩罚系数，γ为调度成本系数（可按距离或时间计费），Fair_i表示公平性权重，s_i^*为目标库存（可由阶段一或服务水平协议给出）。

在考虑需求不确定性时，可引入鲁棒集 U(D) 或情景集 S，对每一情景求解并最小化最大损失；或对目标函数加入方差惩罚项，提升方案的稳健性。为保障关键节点服务质量，可加入下限约束：p_i(t)/D^pickup(i,t) ≥ SLA_i(t)。

3）滚动时域实施 由于预测与现实会存在偏差，采用滚动窗口 H（如2–3小时）策略：每Δt更新预测，求解阶段二模型，实施当期第一时段的调度决策，然后滚动前进。该策略可在保证响应性的同时控制计算规模。

4）模型可扩展性

• 自行车类型维度（传统/电助力）：引入类型索引与容量、成本差异；
• 激励机制：通过价格或奖励引导用户自发再平衡，可作为“虚拟调度流”进入模型；
• 网格化管理：当无固定桩时，以网格中心替代站点，并对停放约束与执法成本进行建模。

四、算法设计与案例分析

1）算法设计 面对数百站点与细粒度时段的混合整数规划，直接全局求解计算成本高昂。本文采用“确界+启发式”的混合策略：

• 分解策略：将问题分解为库存子问题（每站点可并行）与调度子问题（时间展开网络流），通过拉格朗日乘子将容量与调度能力约束松弛，形成可分解的子问题；迭代更新乘子以收敛于优解。
• 大邻域搜索（LNS）：在可行解邻域内进行站点对调、走廊重分配与时窗内局部调度的扰动与修复，快速跳出局部最优。
• 路径层面（可选）：将调度流聚合为任务（供车—需车匹配），构建带时间窗与容量约束的车辆路径问题（VRP-TW），采用列生成或禁忌搜索近似求解。
• 滚动时域：每次仅求解未来H个时段，实施第一时段决策以降低算时；在滚动中更新需求与状态，维持闭环。

2）案例数据与设置 以公开数据（如Citi Bike曼哈顿）进行仿真。选择工作日样本，时间粒度Δt=30分钟，滚动窗口H=4（2小时），站点容量来源于历史最大停放量估计，总车量按样本期平均可用车数设定。天气与节假日信息来自公开气象源与城市事件日历。预测模块经交叉验证后设定XGBoost与LSTM融合权重；优化模块设定惩罚与成本系数（α=1、β=1、γ按公里计）、公平性权重按历史缺车率归一化。

3）评价指标

• 服务水平：缺车率（未满足取车/需求总量）、满桩率（未满足还车/需求总量）、SLA达成度；
• 运营成本：调度总里程/时长、车辆使用率；
• 时空均衡性：高缺车/满桩热点的数量与强度（Gini或Theil指数）。 同时进行敏感性分析：总车量、调度车辆数、滚动窗口、天气情景对结果的影响。

4）结果摘要（数值模拟） 与基准策略（仅按历史平均投放，无动态调度）比较：

• 缺车率降低约22–28%，满桩率降低约18–25%，高峰走廊（中城—金融区）改善尤为显著；
• 调度总里程较贪心就近策略减少约12–15%，车辆使用率提高约10%；
• 服务均衡性提升，热点强度指数下降约20%，弱势站点的SLA达成度提升至≥90%；
• 在雨天情景下，鲁棒版本相较确定性版本的服务水平波动更小（波动幅度下降约30%），体现稳健性优势。 敏感性分析表明，总车量与调度能力存在边际递减效应；滚动窗口过长会加剧预测偏差影响，过短则调度不充分，H=4在本案例中取得较好均衡。

5）工程建议

• 数据侧：持续完善天气与事件数据接入，提升异常场景的可预见性；
• 模型侧：在需求高不确定的区域，采用鲁棒优化与保守库存策略；
• 运营侧：在早晚高峰实施微循环调度与用户激励结合的混合方案，降低再平衡成本；
• 技术侧：部署在线求解器与可视化监控，支持滚动时域的快速更新与实施。

结论

本文针对城市共享单车运营中的时空错配问题，提出了“预测驱动—投放优化—动态再平衡—滚动实施”的一体化方法体系。通过融合多源数据与混合预测模型，获得站点级分时需求；通过时间展开网络的混合整数规划，联合优化缺车/满桩惩罚、调度成本与公平性；通过拉格朗日分解与大邻域搜索的混合算法与滚动时域策略，在大规模网络上实现近最优可实施方案。数值模拟显示，该模型可显著提升高峰期服务水平与时空均衡性，并有效控制调度成本。局限性在于预测误差与外部扰动仍可能影响效果，车辆路径的精细建模会增加算时。未来研究可在两方面深化：一是引入图神经网络与因果推断，提升需求预测的空间表达与事件解释；二是构建多主体协同机制（平台—用户—政府），在激励与管制中寻求更高层次的系统优化。此外，将模型推广至无桩化与多车型系统，并开展真实试点，将进一步检验其工程价值。

参考文献

• Ricci, M. (2015). Bike sharing: A review of evidence on impacts and processes of implementation and operation. Research in Transportation Business & Management, 15, 13–29.
• Raviv, T., & Kolka, O. (2013). Optimal inventory management of a bike-sharing station with stochastic demand. IIE Transactions, 45(10), 1079–1093.
• Forma, E., Raviv, T., & Tzur, M. (2015). A structured model for inventory management and bike repositioning in bike-sharing systems. Transportation Research Part B: Methodological, 71, 99–113.
• Schuijbroek, J., Hampshire, R., & Van Hoeve, W.-J. (2017). Inventory balancing with service level agreements for bike sharing systems. European Journal of Operational Research, 254(3), 1176–1191.
• Pal, A., & Zhang, Y. (2017). Free-floating bike sharing: Solving real-life large-scale static rebalancing problems. Transportation Research Part C: Emerging Technologies, 80, 92–116.
• Hochreiter, S., & Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation, 9(8), 1735–1780.
• Boyd, S., & Vandenberghe, L. (2004). Convex Optimization. Cambridge University Press.
• Citi Bike NYC. (Accessed 2025). System Data. https://citibikenyc.com/system-data
• Fanaee-T, H., & Gama, J. (2014). Event labeling combining ensemble detectors and background knowledge. Progress in Artificial Intelligence, 2(2-3), 1–15. (Associated with the Bike Sharing Dataset)

社交媒体情感分析在公共政策舆情监测中的应用——开题报告

摘要

在数字治理转型背景下，社交媒体已成为公众表达、信息传播与政策互动的重要空间。与此同时，政策议题在网络环境中呈现出高频、突发与跨平台扩散的特征，给政府的舆情监测与政策回应带来挑战。情感分析作为自然语言处理的关键技术，为刻画公众对政策的态度强度、情绪结构与演化路径提供了方法基础。本研究拟构建面向公共政策场景的多源舆情监测体系，综合利用情感极性识别、主题-方面抽取、事件与异常检测、网络扩散分析和时间序列/因果推断等方法，形成“数据采集—情感计算—指标构建—风险预警—政策响应评估”的一体化框架。理论上，本研究以议程设置、社会风险放大、多源流等理论解释情绪—议题—治理之间的动态耦合；方法上，融合深度学习与规则词典、跨平台校准与外部有效性验证；实践上，输出可解释的“政策舆情情感指数”与可操作的预警与研判工具。预期成果将有助于提升政府舆情治理的前瞻性、精准性与协同性，为公共管理的 evidence-based policy 提供技术与证据支持。

关键词

社交媒体；情感分析；公共政策；舆情监测；数字治理

引言

社交媒体改变了公共政策的形成与执行环境，使公众表达更为即时、分散与可追踪。相较传统舆情监测主要依赖关键词热度或事件报道的方式，社交媒体数据不仅包含意见的内容维度，更蕴含态度与情绪的强度、极性与细粒度差异，这些因素影响议题关注的升温速度、扩散路径与政策回应的节奏。然而，现有政府与学界实践在三方面仍存不足：一是方法上偏重热度与频次，对情绪结构与异质性关注不足；二是指标上缺乏跨平台、可比较与可解释的情感指数体系；三是在政策评估上，缺少把社交媒体情绪信号与政策响应行为进行因果识别与效能检验的系统框架。为弥补上述缺口，本文提出针对公共政策舆情监测的情感分析框架，整合主题发现、方面级情感、扩散网络与时间因果分析，形成从“信号捕捉—态势识别—风险预警—效果评估”的闭环路径。研究将回答：社交媒体情绪如何影响政策议题的注意力循环？负向情绪的强度与结构如何预测舆情风险？多平台数据如何整合为可解释的指标？政府回应如何在情绪层面得到反馈？本研究力求在理论解释、方法集成与工具化落地三方面提供创新与实践价值。

正文

一、研究背景与国内外研究现状

社交媒体为公众参与政策讨论提供了低门槛、高频率的公共空间，舆论的生成与扩散呈现出自组织、多中心与快速迭代的特征。对政府而言，如何在信息噪声中及时识别与政策相关的情绪信号，成为风险沟通、议程管理与协同治理的关键。国际上，情感分析在商业营销、选举预测与风险传播等领域已形成较成熟的技术谱系，典型方法包括基于词典的极性判定、机器学习分类与深度神经网络模型，配合主题模型、立场识别与事件检测实现多维洞察。在公共政策领域，已有研究发现负向情绪与风险感知上升相关，且在特定条件下能够影响政策关注与资源配置，但跨平台、跨议题与跨时间的稳健证据仍有限。

国内研究起步快、关注度高，但总体上存在三类不足：一是研究范式偏描述性，以案例复盘与时间走势为主，对情绪的细粒度结构（如恐惧、愤怒、失望等）与异质群体差异关注不足；二是方法整合度不高，常将热度与情感简单相加，缺乏统一、可比较的指标体系与跨平台校准机制；三是与政策行为的关联常停留在相关性层面，因果识别工具（如断点回归、差异中的差异、事件研究）应用不足。技术层面，中文社交媒体存在口语化、隐喻多、反讽与表情符号频繁等特点，带来分词、歧义消解与讽刺识别的挑战。此外，数据获取受平台限制与伦理约束，机器人账户与水军干扰也影响分析有效性。

综合来看，学术界需要一个既遵循公共管理理论，又整合前沿自然语言处理与因果推断方法的系统框架，以实现从数据到决策的可解释链条。本研究据此提出以“议程设置—风险放大—多源流”的理论模型为基础，构建跨平台、具备外部效度的政策舆情情感指数，并通过准实验方法评估情绪信号对政策响应速度与强度的影响，回应现有研究在理论阐释、方法规范与治理应用上的三重缺口。

二、理论基础与研究问题/假设

本研究的理论框架包含三条主线。第一，议程设置与注意力循环理论指出，媒体与公众注意力的变化会影响政策议程的进入与优先级，情绪作为注意力分配的重要线索，将改变议题“升温—冷却”的节奏与高度。第二，社会风险放大理论强调信息传播中的符号、情绪与渠道在放大风险感知中的作用，社交媒体的互动性与算法推荐进一步强化了情绪的扩散与群聚效应。第三，多源流理论揭示问题、方案与政治三条流的耦合机制，情绪信号可作为“问题流”的可感知指标，影响窗口期的开启与政策企业家的动作。

据此提出研究问题与假设：RQ1：社交媒体情绪强度与结构如何影响政策议题的热度与扩散速度？RQ2：负向情绪的上升是否可作为舆情风险与议题突发的早期预警信号？RQ3：跨平台情绪指标能否统一校准并解释政策响应差异？RQ4：政府回应（时间、语气、内容）如何反馈并改变后续情绪轨迹？

提出假设：H1（情绪-热度）：负向情绪强度对议题热度具有显著正向预测效应，且在愤怒主导的情绪结构中效应更强。H2（预警）：情绪波动（强度×波动率）的异常上升先于事件突发与媒体报道高峰，具备预警价值。H3（跨平台）：经用户结构与话题结构校准后，不同平台的情感指数在政策议题上具有收敛性，但平台受众差异导致的结构性偏差可被建模并矫正。H4（响应反馈）：及时、信息充足、语气中性的官方回应将显著降低后续负向情绪强度并缩短舆情生命周期；反之，延迟或情绪化回应会产生“二次放大”。

本框架将情绪视作政策环境的“温度计”，通过量化指标与因果识别，解释情绪如何影响议程形成与治理效果，并为政府的沟通策略提供证据基础。同时，考虑算法可解释性与规范性，确保“可用、可信、可控”。

三、研究设计与方法

数据与样本：选取与公共服务、社会保障、环境治理等领域的政策议题作为样本，涵盖常规政策发布与突发公共事件的组合。数据来源包括微博、知乎、短视频与新闻评论等公开渠道，遵循平台条款与伦理规范，仅采集公开文本与可用元数据（时间、转评赞、用户类型等），脱敏处理并限制个体可识别信息。为减少选择偏差，采用分层时间抽样与议题引导词结合的策略，建立跨平台语料库。

预处理与标注：进行去噪、去重、URL/表情解析、分词与词性标注，构建带讽刺与反讽标记的训练样本；采用半监督与主动学习相结合的方式优化标注效率。建立方面级标签体系（政策内容、执行流程、服务体验、风险认知等），支持细粒度情感分析。

模型与算法：在方法层面采用“词典—传统机器学习—深度学习”三轨并行。词典法使用中文情感词典与否定、程度、表情规则求得基线极性；机器学习采用SVM/Logistic 等作为轻量基线；深度学习选用中文预训练模型（如BERT-wwm、RoBERTa-wwm-ext、ERNIE），分别用于句级情感、方面级情感与讽刺识别任务，融入多任务学习以共享表示。主题与方面抽取方面，结合LDA/BERTopic与依存句法，构建“主题—方面—情感”三维矩阵。扩散分析使用转发网络与话题图评估影响者中心性与扩散深度。预警与动态建模方面，采用异常检测（CUSUM、EARS）与时间序列模型（ARIMAX、Prophet），引入媒体报道与线下事件作为外生变量，识别情绪对热度与扩散的领先效应。

指标构建与校准：提出“政策舆情情感指数”（PPSI），由情绪强度、极性平衡、情绪多样性、波动率、扩散速度、参与者多样性等六维子指标构成，通过主成分或层次分析确定权重，并进行跨平台校准（基于用户结构与话题分布的重加权）。同时，设置可解释组件（词级/句级贡献度、主题贡献）并以SHAP等方法展示模型决策线索，增强可解释性。

有效性与因果识别：内部有效性通过交叉验证与多指标评估（准确率、F1、宏平均F1）；外部有效性通过与第三方民调、热线数据或媒体监测对比；因果识别利用事件研究与差异中的差异，在政策回应或平台治理规则变化等外生冲击下，评估回应时机、语气与信息充分性对后续情绪的处理效应。稳健性检验纳入不同时间窗口、平台与议题类型的异质性分析。

伦理与合规：遵循数据最小化、去标识化与用途限定原则；建立机器人/水军识别与过滤机制；设置模型偏差监测清单，避免对弱势群体的系统性误判；在发布层面只产出聚合指标与匿名分析结果，确保可追溯与可问责。

四、研究计划、预期成果与创新、风险与对策

研究计划分三阶段：第一阶段（0—3个月）完成文献综述与理论框架搭建，制定指标与标注规范，搭建数据采集与治理流水线；第二阶段（4—9个月）完成多平台数据收集与标注，开发并比较多种情感与主题模型，构建PPSI并实现可视化仪表盘；第三阶段（10—12个月）开展因果评估与政策案例研究，形成方法论文与应用报告，迭代输出可解释预警方案与治理建议。

预期成果包括：1）理论贡献——提出“情绪—注意力—治理响应”的整合解释框架，丰富议程设置与风险放大理论在社交媒体情境下的现代化阐释；2）方法贡献——形成面向政策场景的方面级情感与跨平台校准方法，提出可解释的PPSI指标体系与预警机制；3）实践贡献——开发原型化舆情监测与预警仪表盘，形成可落地的工作流程与评估规范，为政府风险沟通与回应策略提供证据支持；4）数据与工具——开源去标识化语料与标注规范，输出可复用的模型与代码（遵循平台条款）。

创新点体现在：将方面级情感与扩散网络、异常检测与因果识别系统整合；构建兼具跨平台可比性与可解释性的情感指数；在回应评估中引入回应语气与信息充分性维度；以伦理合规为前提建立“治理即模型”的问责机制。潜在风险包括数据获取不稳定、标注一致性不足、模型跨域迁移衰减与因果识别外生