互联网技术的发展为公共安全突发事件网络舆情的快速传播和扩散提供了条件,但若应对不当极易形成舆情危机,对人民生活造成重大影响。公共安全突发事件舆情风险预测是保障公共安全突发事件舆情在可控范围内的重要措施,但传统舆情风险预测方法主要通过专家经验对事件的舆情风险进行评估,在时效性和智能化水平等方面相对不足。现有公共安全突发事件舆情风险预测方法主要以日、周为时间间隔进行预测,而按小时进行预测的相关研究较少。因此,本文为了提高公共安全突发事件舆情风险预测结果的时效性和准确性,同时更直观、明确的显示事件舆情相关信息,将时间序列预测算法、分类算法、集成学习算法和可视化技术相结合,进行公共安全网络数据风险预测及可视化研究。主要开展以下3个方面的工作:（1）通过分析突发事件舆情传播特点和规律,构建舆情风险评估指标体系,并按照构建的指标采集2017-2021年发生的突发事件网络舆情对应数据。建立数据库,实现对突发事件舆情信息、模型预测结果、地理位置等数据的存储和管理。（2）以采集的舆情趋势观测值作为数据集,基于Prophet算法实现对突发事件舆情趋势的逐小时预测。通过融合堆叠泛化（Stacking）和加权投票（Weighted Voting）两种集成学习算法,建立Stacking-Weighted Voting融合模型,实现对突发事件舆情风险的逐小时评估。（3）利用前后端交互技术实现对突发事件舆情信息的可视化展示。后台服务端实现与数据库的数据交互,前端Web界面实现对突发事件类型与地理位置、公众参与度、舆情趋势预测、舆情风险等级和微博意见领袖的Web显示。本文通过融合Stacking和Weighted Voting两种算法,实现对突发事件舆情风险的逐小时评估,融合后的模型在交叉验证中准确率提高到95.83%。同时通过前后端交互技术实现了对突发事件舆情相关信息的Web可视化,可以为突发事件网络数据管理和风险预测提供参考。