Giai đoạn 1: Phân loại tin nhắn liên quan đến thảm họa từ dòng dữ liệu Weibo bằng các thuật toán học máy (SVM, RF, KNN, NB) với hai phương pháp biểu diễn văn bản: Bag-of-Words và Distributed Representation of Words (DRW). DRW cho kết quả vượt trội, đặc biệt RF+DRW đạt độ chính xác 92.37%.

• Giai đoạn 2: Lọc các tin nhắn mang cảm xúc tiêu cực từ tập tin đã phân loại, sử dụng SVM+DRW cho hiệu suất tốt nhất (độ chính xác 87.92%).
• - Giai đoạn 3: Phân tích và dự đoán xu hướng cảm xúc tiêu cực bằng mô hình GM(1,1), từ đó xây dựng hai chỉ số: Disaster Concerned Index (DCI) và Negative Sentiment Index (NSI).
• - Áp dụng thực nghiệm với dữ liệu từ trận động đất Ya’an (2013), thu thập hơn 25,000 tin nhắn Weibo trong 48 giờ sau thảm họa. Sau khi xử lý, 15,372 tin liên quan và 20,738 tin hợp lệ được phân tích.
• - DCI và NSI được tính theo từng giờ (epoch), sau đó sử dụng mô hình GM(1,1) để dự đoán giá trị tương lai.
• - Phân tích sai lệch giữa giá trị thực và dự đoán bằng sơ đồ bốn phần tư để xác định các thời điểm bất thường, liên quan đến dư chấn, phát ngôn gây tranh cãi, tắc nghẽn cứu hộ, v.v.
• - Kết quả cho thấy mô hình có thể phát hiện sớm các sự kiện khẩn cấp thứ cấp và hỗ trợ quản lý khủng hoảng hiệu quả.