近年来人们的社交需求性的增长与社交网络的急速发展,让在线社交网络逐渐成为一个内容互享与交流的一个平台,越来越多的热点事件在社交网络平台上发酵和爆发。如何预测热点事件在社交网络上的趋势对于舆情疏导、商品营销、流量管控等方面具有重要的现实意义。传统的社交网络热点事件的预测方法是从社交网络内部出发根据传染病模型、影响力模型等判断预测事件的未来走向趋势。本文从宏观角度出发,将混沌预测理论引入到社交网络热点事件时间序列预测方面,本文的主要工作如下:1.将混沌预测理论融入社交网络信息传播预测中,从不同角度验证了社交网络信息传播时间序列中确实存在混沌特性。随着非线性理论的不断完善,越来越多的现象表明社交网络信息传播具有混沌特性。本文通过采集的社交网络热点事件数据,利用C-C算法求解时间延迟参数和嵌入维数参数,然后在此基础上通过小数据量法求解出时间序列的最大李雅普诺夫指数,发现得出的李雅普诺夫指数大于0,从而验证了系统的混沌特性;另外求解出关联维数,利用关联维数也验证了系统的混沌性。最后重构单维时间序列的相空间和融合数据的相空间,得到社交网络时间序列在高维的演化轨迹。2.提出一种融合加权一阶预测模型和RBF神经网络模型的组合预测模型,对网媒热点事件趋势进行多变量时间序列预测。针对单预测模型在预测热点话题趋势上准确性的不足,将加权一阶和神经网络结合,使两个预测模型的优点结合起来,并且对RBF神经网络的初始的聚类方法提出改进。最后通过实验对比发现融合模型确实提高了预测的准确度,而且对比单维的混沌网媒热点时间序列,由微信、微博等跨平台构成的多变量的混沌时间序列的预测度更高,为热点事件预测提供了新的角度。