重大公共事件是指涉及范围大并且群体性参与对社会造成广泛影响的事件. 重大公共事件一般分为突发公共事件和常规公共事件. 突发公共事件是普遍性的社会危机，具有突发性、破坏性和复杂性等特点；常规公共事件往往具有可预见性，有既定的应对政策. 因此，不同类型重大公共事件对民众的影响存在差异. 在重大公共事件中，出于疫情防控、交通安全与通行效率等方面的考虑，交通管理部门通常会采取相应的控制措施，如封闭道路和控制车道数等. 重大公共事件下交通管控的研究主要是针对出行人数和交通状况产生的影响提出相应解决措施，如应急定制公交线路的优化方法^[1]、分析交通管制在控制疫病传播中的决定性作用^[2]、公共交通运营策略^[3-4]以及其他应急交通管控措施^[5]. 通过分析可以发现，现有研究成果主要针对交通管控措施本身，即从交通管理者角度去分析交通管控措施的效果，忽略了民众对交通管控措施的态度. 交通管控政策对居民的正常出行造成较大影响，网民会在微博等社交媒体上公开表达自己的意见^[6]. 及时了解舆情对交通管控的关注重点并且采取对策措施，可以制定出更好的政策^[7]，反之则容易在网络上造成大量虚假和令人恐慌的信息传播影响社会稳定^[8]，然而目前针对交通方面的舆情分析研究仅仅是少量.

网络舆情分析主要包括情感分析与主题挖掘2个模块^[9]. 情感分析是通过挖掘文本信息中的主观情感倾向，展现某一时段内网民情感高低并预测未来的发展趋势；主题挖掘是通过定位数据中的热门主题，将挖掘得到的主题数据与时序信息相结合，探究舆情变化的规律并预测其未来的发展趋势^[10]. 情感分析与主题挖掘被用于分析多个领域的网络舆情，如景区旅游^[11]以及众筹项目^[12]等，目前研究主要关注情感规范词典的建立^[13]、网络评论信息分类^[14]和采用主题挖掘模型分析新闻^[15]等. 在交通舆情研究领域中，仅少量文献开展交通拥堵^[16]和公共交通运行^[17]等方面对公众情绪关注度的研究. 本研究主要内容是分析不同类型重大公共事件下交通管控的网络舆情，结合以上对现有研究的总结与分析，主要贡献体现在：1）现有研究重大公共事件交通管控问题，往往都是依据已有政策提出改善措施，鲜有将舆情分析和现状问题相结合的研究；2）针对不同类型的重大公共事件开展研究，可以得到不同的交通管控措施建议；3）基于情感分析与主题挖掘理论，构建交通管控网络舆情分析模型，模型中对情感与主题挖掘进行协同分析.

现有研究将情感分析与主体挖掘看作2个独立的模块，没有将两者进行协同分析，而本研究理论创新主要体现在构建协同分析模型，在主题挖掘中考虑情感分析结果，分别挖掘正面与负面主题热词，使分析结果的可解释性更强. 考虑现有成果中没有针对交通管控领域的舆情分析，在情感分析中首次构建面向重大公共事件下交通管控舆情的情感词典库，对未来研究交通领域的舆情分析具有重要理论价值. 以不同类型重大公共事件下交通管控的网络舆情为研究对象，探究民众的情感状态以及关注主题与演化趋势，结合现有管控措施，提出不同类型重大公共事件下交通管控措施的改善建议，对舆情监控与交通管理具有重要意义.

情感分析是针对文本自动抽取主观情感倾向，可以用于判断用户的情绪分布并统计其情感变化趋势. 基于情感词典的分析方法是目前主流方法之一，通过标注情感词构建情感词典，从不同粒度下进行文本情感分析. 为了更准确地获取公共事件交通舆情的情感数值，加入面向交通舆情领域的情感词表进行情感分析. 根据在重大公共事件下交通管控的主题特征词和微博特有的表情字符，在研究通用情感词典的基础上，增加爱心车队、交通恢复和“加油表情”等积极情感词汇以及投诉、造谣和“怒骂表情”等消极情感词汇，构建面向重大公共事件下交通管控舆情的情感词典库.

基于面向重大公共事件下交通管控舆情的积极情感词库和消极情感词库，以朴素贝叶斯分类算法作为理论基础进行情感分析：

(1) $ P(类别|词)=\frac{P(词|类别)P(类别)}{P(词)} . $

式中： $ P(类别) $为已经标注完成的训练数据计算得到的先验概率； $ P(词|类别) $为不同分类词出现的概率； $ P(词) $为每个词出现的概率； $ P(类别|词) $为用于判断词汇的所属类别的后验概率，是最终情感值的输出结果^[18].

为了验证面向重大公共事件下交通舆情词典在进行情感分析时的准确性，选取准确率PR、召回率RE和综合评价指标值F₁ 3个评价指标进行验证：

(2) $ {\rm{PR}} = \frac{{{\rm{TP}}}}{{{\rm{TP}}+{\rm{FP}}}}\text{，} $

(3) $ {\rm{RE}} = \frac{{{\rm{TP}}}}{{{\rm{TP}}+{\rm{FN}}}}\text{，} $

(4) $ {{{F}}_1} = \frac{{2\times {\rm{PR}}\times {\rm{RE}}}}{{{\rm{PR}}+{\rm{RE}}}}. $

式中：TP为数据情感类别和预测结果都为正情感的样本数，FP为数据情感类别为负情感预测结果为正情感的样本数，FN为数据情感类别为正情感预测结果为负情感的样本数.

采用隐含狄利克雷分布（latent Dirichlet allocation，LDA）主题模型法进行主题挖掘，主题挖掘的内容包括主题困惑度分析、主题强度分析与LDA主题模型构建^[12]. 在构建LDA模型前，需要先确定主题数量. 困惑度是判断主题个数是否合理的一个指标，合理的主题数会直接影响主题挖掘的准确度. 当主题词个数增加时，困惑度的值会先下降到达最低点，随后又会逐渐增加. 困惑度达到的最低点时的主题词个数就是最佳主题数，困惑度计算公式为

(5) $ P (D) = \exp {\text{ }}\left( - \frac{{\displaystyle\sum\nolimits_{m = 1}^{{M}} {\log p({w_m})} }}{{\displaystyle\sum\nolimits_{m = 1}^M {{W_m}} }}\right) . $

式中： $D$为语料库中的测试集， ${{M}}$为文档总数， ${w_m}$为文档 $m$中的词， $p({w_m})$为文档中词 ${w_m}$产生的概率， ${W_m}$为每个文档m的单词数.

主题强度反映出各个主题的热度以及占比情况. 主题强度占比越高，表示关注度越高. 主题强度计算公式为

(6) $ {S_k} = \frac{{1 }}{{{N_D}}}\displaystyle\sum\limits_i^{{N_D}} {{\theta _{ki}}} . $

式中： ${S_k}$为第k个主题词的强度， $ {\theta _{ki}} $为第k个主题在第i个样本中的概率， $ {N_D} $为样本数^[19].

LDA主题模型是主题模型法中使用最多的模型，是一种具有强降维能力的“文档—主题—词”3层贝叶斯模型. 在模型中，每个文档都可以用含有多个主题的多项式概率分布来表示，每个主题也都是关于文档集中所有词的多项式概率分布. 基于LDA基础模型上，考虑将主题词分为积极主题与消极主题2类，具体模型如图1所示. 其中，α和β分别为主题分布θ和主题词分布φ的先验分布参数， $ z $和ω分别为模型生成的主题和最终的主题词. 根据正负面语义词库，将最终主题词进一步划分为积极主题词 $ {\omega _{\rm{p}}} $和消极主题词 $ {\omega _{\rm{n}}} $.

构建的用于重大公共事件交通管控舆情分析的情感与主题挖掘协同分析模型，如图2所示. 在对抓取的微博数据进行数据预处理后，基于所构建的面向重大公共事件交通管控舆情的情感词典库，通过情感词典分析法得到每一条评论的正负面情感数值，分析情感变化趋势和原因，采用准确率PR、召回率RE和综合评价指标值F₁ 3个评价指标评价所构建词典的适用性.

在主题挖掘部分，首先，利用台湾大学林智仁副教授等开发设计的一个支持向量机（SVM）模式识别与回归的软件包LibSVM，对所有文本进行分类，筛选出交通管控主题有关的文本. 然后，分别计算困惑度与主题强度得到相应的主题数量以及每个主题的占比. 最后，构建LDA主题模型，得到交通管控的消极与积极热点主题及演化趋势.

选取2021年6月至2021年7月的一件突发公共事件和一件常规公共事件作为研究对象. 新冠肺炎是本世纪最受关注的突发公共事件之一，具有传播速度快并且感染率高等特点. 在2020年全国大范围疫情传播得到控制后，疫情防控工作进入常态化，但每个城市依然有暴发疫情的可能性和突发性. 广州疫情作为2021年上半年防控难度高和规模大的公共卫生事件，具备突发公共事件的基本特征. 而且广州作为我国一线城市，该 事件背景下的交通管控措施对民众出行影响较大，网络评论的参与度较高，作为舆情分析的数据来源更具代表性. 为了与突发公共事件下的交通管控舆情分析进行对比，可以选取多种常规公共事件作为数据来源背景，如各类假期和大型集会等，因为民众对此类事件发生期间的交通运行具有一定的主观认知，同时交通管理部门会提前发布交通管控措施. 为了尽可能规避不同时期网络环境和参与人群等因素的影响，降低其他背景因素对2种公共事件下交通管控舆情分析的影响，聚焦于事件类型本身引起的网络舆情差异，将同一时期发生的端午假期交通管控事件作为常规公共事件舆情分析的数据来源. 分别以“广州疫情+交通管控”和“端午+交通管控”为关键词，在新浪微博上进行搜索，通过编写爬虫程序，根据选取的关键词在微博上爬取数据，爬取的数据均以csv文件形式存储. 根据相关报道，在2021-5-31晚10点广州处于半“封城”状态，6月24日广州市高风险地区全部清零. 因此，广州新冠疫情交通管控事件的爬取时段选择为6-1—6-30，包括事件发生至疫情得到控制. 端午节假期下的交通管控事件中，时间选取为6-7—6-19，从端午节假期前一周至节日结束网络讨论度逐渐减弱.

本研究采用的预处理方式包括文本删除、中文分词和去停用词. 在获取文本后，对繁杂冗长的文本进行处理，删除与研究内容无关的文本. 微博平台的文本信息中包含大量无意义的文字信息，需要筛去此类信息. 在完成文本的过滤后，基于统计法进行中文分词，基本原理是当2个字同时出现于同一段文本中，则2个字符组成词语的几率也越大. 通过统计所有文本中2个字符与字符组合出现的频次，并设定相应的阈值，采用中文停用词库筛除停用词，当频率大于阈值时，则这2个字能够组成一个词语^[17]. 经过预处理后，最终得到广州疫情交通管控事件样本数据9 853条和端午节假期交通管控事件样本数据3 709条.

对两类事件的数据样本进行分析，设置情感值大于0.60时为正面情感，情感值在0.40~0.60时为中性情感，情感值小于0.40时为负面情感^[9]. 对样本的所有评论进行标注，广州疫情交通管控事件话题中积极情感有26 540条，中性情感有685条，消极有6 835条，而端午假期交通管控事件话题中积极情感有15 379条，中性情感有867条，消极有5 894条，发现两类事件的积极评论均占多数，中性评论较少.

情感值E随着时间序列D变化的关系如图3所示. 对比两类事件的分析结果可以发现，整体上突发公共事件下的交通管控舆情情绪值比常规公共事件下的低，常规公共事件下舆情情感整体处于积极状态，突发公共事件下人们对交通管控的态度在事件刚发生时处于消极状态. 突发公共事件的情感波动比常规事件更大，数值分布在0.35~0.85，事件发展中期有明显的曲线波动，而常规公共事件的情感变化比较稳定，情感得分基本维持在0.75~0.95.

从表1中3个评估指标的输出结果可以看出，所构建的交通舆情情感词典分析得到的指标值均比网络情感词典库的指标值更高，说明分析结果更加准确，因此提出的领域情感词典在分析重大公共事件交通舆情时具有更好的准确性和有效性.

2个事件的困惑度P随积极与消极主题个数K变化的曲线如图4所示. 在广州疫情交通管控事件中，积极与消极的主题个数均为4时对应的困惑度值最小，在构建LDA模型时，将积极和消极主题数均设置为4. 在端午假期交通管控事件中，积极与消极的最佳主题个数分别为5和2.

通过LDAvis多维缩放后得到两类事件的Intertopic距离图，两类交通管控事件积极与消极主题词强度分布分别如图5、6. 通过多维尺度分析，将各个主题分布到PC1和PC2 2个维度上，主题相似度越小，圆心间距越小，反之则越大，不同主题所占百分比如图中表格所示. 从主题词强度分布图可以看出，两类事件消极主题词在二维空间向量上有明显的差别，消极主题词的间距比积极主题词大，反映出重大公共事件下出现消极主题词的因素更多更复杂，而积极主题词的相似度更高.

结合情感分析结果，对重大公共事件下交通管控的积极与消极评价进行LDA主题分析. 当采用LDA模型进行主题分析时，根据困惑度计算结果，广州疫情交通管控事件积极和消极主题数量设置为4个，端午假期交通管控事件中消极主题数设置为2个，积极主题数设置为5个. 图7展示广州市疫情交通管控事件中消极和积极评价占比最高的主题词，“小区”和“解封”2个词在消极和积极主题中均有较高讨论度，反映出网民们对于小区封锁的措施具有一定的矛盾态度，对于解封既充满期待也有担忧情绪.

在消极主题词中，由于高考处于疫情暴发初期，在疫情下的交通管控，影响高考考生出行，网友们持有不安情绪. 其他消极主题词反映出民众对公交出行、夜间出行和上班工作等存在较高的关注与担心，对交通管理部门能否有效保证城市交通运行及市民的出行安全存在担忧；在积极主题词中，“措施”、“通告”、“指挥部”、“执行”、“发布”和“落实”等词反映出交通管控期间，相关部门虽然对市民的出行进行严格的交通管控，但通告的及时发布获得了网民们的积极回应，严格遵守发布的管控措施和出行要求，交通管理部门的工作得到很好的认可.

从图8中端午假期在交通管控事件下消极与积极主题词可以发现，大型节假日由于出行流量大，交通事故频发，违规驾驶导致的交通事故引起网民的不满情绪. “高铁”、“收费站”、“枢纽”和“机场”等词反映出网民最关注出行过程中重要节点的交通管控措施.

在积极主题词中，网民们对节假日的出行充满了期待，南京、北京和成都等热门旅游城市的去向以及机场和高速等主要枢纽与通道，都具有较高讨论热度，网民们表达了对民警等执法者在节假日出行和往返程高峰期间交通管控工作的认可.通过对比发现，在突发公共事件中，人们关注的积极与消极主题均与该事件关联度非常大，消极主题反映出人们对突发公共事件下交通管控对正常出行的影响，积极主题反映出人们解除交通管控的期待. 人们对常规公共事件下的交通管控比较认可，而且网民们关注的积极与消极主题均既包含与该事件有紧密联系的话题，也包含了与该事件关联度不高的话题. 因此，突发公共事件下交通管控措施需要集中资源解决该事件的影响，而在常规公共事件下不仅需要保障与常规公共事件有紧密联系的交通管控措施，同时需要关注其他日常交通管控等.

结合以上分析得到的主题词，将2个事件下消极与积极占比最高的4个热门话题作为研究对象，分析不同话题在样本中出现的次数N与时间序列的关系，结果如图9所示. 结合热点主题词内容以及变化趋势，在广州疫情交通管控初期，关于高速、公交和客运枢纽的封锁和安检话题的讨论达到峰值. 在疫情最严重时期，出行与安全是市民最关注的话题，随着合理的管控措施落实以及疫情的有效控制，关注热度也随之下降. 在端午假期交通管控事件中，交通事故事件频发，不少市民向相关部门进行了举报及反馈，在网络上引起了较高讨论度. 关于假期的旅游行程去向的讨论多集中于假期前，假期结束后，人们恢复了正常工作，讨论热度逐渐下降至消逝.

对比两类公共事件的主题词演化趋势，突发公共事件下交通管控主题词的热度变化趋势与舆情发展周期趋势走向相似，随着事件的发展在初期急剧上升达到峰值，然后逐渐下降趋于平缓. 在常规公共事件下交通管控主题词的热度变化趋势则没有明显的规律，随着每日发生不同交通事件而产生不同的波动.

从情感分析的结果可以看出，对于突发公共事件下的交通管控，在事件发生初期会存在明显的情绪下降，持续大约一周时间随着政府的积极应对措施情绪值会迅速回升，最后呈平稳波动状态，整体波动幅度较大. 对于常规公共事件下的交通管控，除发生意外交通事故时网友情绪会产生波动外，基本保持积极态度.

主题强度分布研究发现，在重大公共事件下出现消极主题词的因素更多更复杂，积极主题词的相似度更高. 主题模型分析结果显示，疫情期间交通管控事件的消极主题集中于高速封闭、客运枢纽管控和公交营运管控是否合理等方面，而积极主题体现在人们对该时期内关键事件处理效果的关注. 在反映出突发公共事件下，交通管控在日常出行方面会引起舆情的消极情绪，而对关键事件的有效处理可以改善人们的情绪状态. 在常规事件交通管控事件中，消极主题主要针对交通安全事故，积极主题反映出民众对交通管理部门常规管控措施的认可.

根据情感分析与主题挖掘的结果，针对重大公共事件下交通管控的舆情治理与管控措施提出改善建议. 在不同类型公共事件下，交通管控的网络舆情具有不同的发展周期，在舆情治理过程中，需要结合舆情发展周期及时采取对策. 通过不同时间节点向网友发送具有时效性的信息，在整体情绪趋于负面时，立刻采取相应措施，引导舆论的积极走向，直至趋于平和. 尤其针对突发公共事件下的交通管控，根据主题演化规律，做好应急预案，可以有更好的交通管控效果.

根据主题分析结果，民众对突发公共事件与常规公共事件下交通管控关注的重点对象集中在公共交通营运与交通运行安全等问题上，包括交通枢纽营运场站管理和事故处理等问题，因此需要建立好在重大公共事件发生下的公交运行机制和交通事故处理机制等.

针对在不同类型重大公共事件下交通管控的舆情分析，构建情感与主题挖掘协同分析的交通管控舆情分析模型，在模型中情感分析与主题挖掘不仅仅是舆情分析独立的2个模块，同时在主题挖掘中考虑情感分析结果，分别挖掘了正面与负面主题热词，在该模型框架下的分析结果可解释性更强. 模型分析结果显示，突发公共事件下交通管控舆情情绪值比常规公共事件下的波动大并且均值低. 无论是积极主题词还是消极主题词，突发公共事件的主题词热度变化趋势在事件初期会急剧上升，而常规公共事件的规律性较弱. 根据评价指标评估结果发现，所构建的面向重大公共事件下交通管控舆情的领域情感词典在交通管控事件的舆情分析中比网络词典准确性更高.

通过获取民众对不同类型公共事件交通管控的讨论热度、情绪状态、关注主题及主题演化等内容，可以随时了解民众对重大公共事件下交通管控措施的态度，制定有针对性的舆论治理政策与交通管控措施，能够提高公众对政府管理的满意度. 在数据来源中，仅仅爬取了微博数据，未考虑其他社交软件和无社交软件人群的情感态度；在事件选取中，选取的是突发公共事件和常规公共事件中具有代表性的事件，但考虑到各类事件众多，在后续研究中可以选取更多事件进行分析对比，本研究的思路与方法依然具有参考价值.