1.一种基于SQ‑LDA主题模型的交通安全舆情分析方法，其特征在于，包括以下步骤：S1、获取交通安全社交软件舆情数据；

S2、预处理交通安全社交软件舆情数据；

S3、利用SQ‑LDA主题模型进行特征主题提取；

所述步骤S3具体包括以下步骤：S3.1、定义清洗后的重组舆情数据集 ，即：；

其中， 为清洗后的第 条评论内容数据；

S3.2、利用jieba分词工具对 进行分词；

S3.3、定义 中的关键词 ， 为每条评论数据的关键词个数；

S3.4、导入停用表S；

S3.5、判断下标 是否满足 如果满足 ，则进入S3.6；如果不满足，则进入S3.8；

S3.6、判断下标 是否满足 如果满足 ，则进入S3.7；如果不满足 ，则进入S3.5；

S3.7、判断关键词 是否是停用词，并返回至S3.6；若关键词 是停用词，则删除该关键词；反之则保留该关键词；

S3.8、得到关键词表 ，定义 ，其中 为第 条评论数据的关键词组，且 ；

S3.9、假设有 个关于“交通安全”的主题 ；

S3.10、循环遍历关键词表 ，给每个关键词 分配一个主题 ，相同关键词可分配到不同的主题；

S3.11、遍历关键词组 ，定义并计算关键词 未属于主题 的概率和主题 在语料 中的概率 ；

S3.12、记 为狄利克雷函数的先验参数；

S3.13、定义关键词组 中关键词 属于主题 的概率 ，即：；

S3.14、利用余弦相似度，找到与关键词 最相似的2c个关键词 ，即这(2c+1)个关键词的主题类似；

S3 .15、定义关键词 与其最相似的2c个关键词 的相似概率；

S3.16、利用样本质量负采样，使概率 最小化，即：；

其中， 表示Huffman树中上下文不出现某词的期望值，为噪音关键词个数，为噪音关键词， 为噪音关键词 的向量表示， 为关键词 的向量表示；

S3.17、定义平均对数概率函数 ，即：；

其中，N=9789；

S3.18、最大化对数概率函数 ；

S3.19、区分关键词 与 个噪音关键词 ，并使 概率值增加；

S3.20、判断迭代次数 是否满足 ，如果满足 ，则进入S3.21；如果不满足，则进入S3.11，并更新迭代次数，即 ；

S3.21、合并优化相似关键词的主题词；

S3.22、寻找最优主题数 ，及在各主题 下，关键词 相对应的频次概率；

S4、可视化交通安全社交软件舆论热点。

2.根据权利要求1所述的一种基于SQ‑LDA主题模型的交通安全舆情分析方法，其特征在于，所述步骤S1具体包括以下步骤：S1.1、在社交软件搜索框中搜索关于“交通安全”的话题，获取对应内容的网络链接url；

S1.2、利用Python工具，引入requests模块并封装网络链接url，向服务器请求数据Data；

S1.3、将Data封装为json数据，并定义为Data_json；

S1.4、获取Data_json数据集中各“交通安全”话题下的舆论内容；

S1.5、引入BeautifulSoup模块，将抓取的舆论内容解析为对象进行处理，共爬取了

10000条关于“交通安全”的评论数据；

S1.6、得到原始舆情数据集Text。

3.根据权利要求1所述的一种基于SQ‑LDA主题模型的交通安全舆情分析方法，其特征在于，所述步骤S2具体包括以下步骤：S2.1、定义原始舆情数据集 ，即：；

其中 为第 条评论内容数据；

S2.2、判断下标 是否满足 ；如果满足 ，则进入S2.3；如果不满足，则进入S2.5；

S2.3、对原始舆情数据集 进行数据清洗；读取 数据，利用特殊符号定位评论内容数据的有效评论位置，去除无意义表情符、名称、首尾标点、颜文字、网址；

S2.4、建立停用表S，删除 数据中的无效文字，并进入S2.2；

S2.5、得到清洗后的重组舆情数据集 。

4.根据权利要求1所述的一种基于SQ‑LDA主题模型的交通安全舆情分析方法，其特征在于，所述步骤S4具体包括以下步骤：S4.1、搭建Django框架的web系统；

S4.2、利用ECharts和pyLDAvis可视化交通安全舆论的热点主题；

S4.3、分析不同热点主题下关键词相对应的频次概率   ()；

S4.4、设定关键词的频次概率阈值为0.5；当某关键词相对应的频次概率时，该系统进行舆情预警。