下载文档原格式
复杂网络的链路预测算法及其应用研究复杂网络的链路预测算法及其应用研究随着信息化时代的到来和互联网的广泛应用，网络结构日益复杂。
网络的复杂性使得链路预测成为了一个重要而复杂的问题。
链路预测是指通过已知网络的拓扑结构，预测出未知节点之间潜在的连接关系。
在现实生活中，链路预测算法在社交网络、信任网络、交通网络、生物网络等领域都有着重要的应用。
本文将重点介绍复杂网络的链路预测算法及其应用研究。
首先，我们需要了解什么是复杂网络。
复杂网络是由大量节点和节点之间的连接构成的，节点之间的连接关系可以用图形化的方式表示出来。
其中，节点代表网络中的实体，连接代表节点之间的关系。
复杂网络的拓扑结构既有规则性也有随机性，在真实网络中都能体现出来。
复杂网络的特点包括小世界性、无标度性、社区结构以及同配性等。
链路预测算法在复杂网络研究中具有重要的作用。
链路预测算法可以帮助我们预测网络中不存在的连接关系，并帮助我们更好地理解网络的结构和动态变化。
链路预测算法主要分为基于相似性的方法、基于机器学习的方法和基于传播模型的方法等。
基于相似性的链路预测方法主要利用已知连接关系的相似性来预测未知连接关系。
其中，常用的相似性度量方法包括共同邻居法、Jaccard系数、Katz相似性指数等。
共同邻居法指出，节点A和节点B的共同邻居越多，节点A和节点B之间存在连接的概率就越大。
Jaccard系数是用于计算两个节点之间共同邻居的比例，比例越大，两个节点之间存在连接的概率也越大。
Katz相似度指数则考虑了共同邻居的多度传递作用，加权考虑了接近距离的节点和达到距离的节点之间的连接概率。
基于机器学习的链路预测方法利用机器学习算法构建预测模型，从而预测未知连接关系。
通常，该方法首先提取网络中节点的特征，并将其作为输入特征。
然后，利用训练集的已知连接关系和节点特征进行特征学习和模型训练。
最后，通过预测模型，对未知连接进行预测。
常用的机器学习算法包括支持向量机（SVM）、决策树（Decision Tree）、随机森林（Random Forest）等。
基于时序深度学习的机会网络链路预测方法赵宇红; 李可新【期刊名称】《《内蒙古科技大学学报》》【年(卷),期】2019(038)003【总页数】6页(P283-288)【关键词】机会网络; 深度学习; 链路预测; LSTM【作者】赵宇红; 李可新【作者单位】内蒙古科技大学信息工程学院内蒙古包头 014010【正文语种】中文【中图分类】TP393机会网络(Opportunistic Networks)[1]是一种源节点与目的节点之间不需要完整链路，利用节点相遇机会进行消息传输的移动自组织网络.这种网络因其拓扑时变性和间歇连通性的特点，被广泛地应用于非全连通地区的网络通信.其应用领域有：野生动物追踪[2]、车载网络[3]、突发灾难组网[4]、偏远地区组网[5]等.链路预测是机会网络的一个研究热点.链路预测[6]是根据已知的网络拓扑信息、节点属性和历史信息，预测未来尚未产生连边的节点对产生连接的可能性.一个好的链路预测算法不仅可以挖掘网络中节点之间连接的潜在规律，而且还可以获知网络拓扑演化规律，为设计更好的路由算法奠定基础.目前国内外学者在链路预测问题上已有了比较深入的研究.基于相似性的链路预测方法以其普适性较好，复杂度低的优势被广泛应用.其理论基础在于如果2节点之间相似性分数值越大，那么未来2节点间产生链路的可能性就越大.这种预测方法在静态网络中的有不错的效果，但现实生活中的网络大部分都是动态网络，将这些指标直接应用机会网络这种典型的动态网络当中，预测效果不佳.因此，SHAHRIAR等[7]人使用基于概率模型的预测方法链路预测.这种方法虽然一定程度上提高了链路预测准确度，但普适性随之变差.针对以上问题，SOARES等[8]人将动态网络的时间序列划分为若干个时间窗口，每个时间窗口内为一个静态网络，通过计算每个时间窗口内的相似性指标的值作为样本，最后使用机器学习方式将链路预测转化为二分类的问题从而对链路进行预测.但是，目前机器学习采用的是浅层学习方式，没有深层次的挖掘链路随时间变化规律，因此,不适用于拓扑结构随时间频繁变化的机会网络.根据以上链路预测方法的启发，本文根据机会网络链路随时间变化的特点，将机会网络分成若干个时间窗口，对每个窗口内的链路使用历史连接信息以及拓扑信息进行特征刻画，构建长短期记忆网络(Long Short-Term Memory, LSTM)[9]链路预测模型，旨在提取时间变化规律，从而对链路进行预测.文章主要工作在以下3个方面：根据节点属性量化网络节点动态性，从而确定最佳时间窗口的长度;使用网络拓扑信息以及链接历史信息建立深度学习训练样本;构建LSTM链路预测模型.使用训练样本对模型进行训练，然后在测试样本上验证链路预测的准确度.1 链路预测方法描述1.1 机会网络链路预测问题描述机会网络属于动态网络，其拓扑结构随时间推移而频繁变化，故机会网络链路预测的定义如下：机会网络拓扑结构为G=(G1,G2,…,Gi-1,Gi，t1,t2,t3,…,tn-1,tn)为等长的时间窗口，Gt=(Vt,Et)为在t时间段内的网络拓扑图，Vt和Et为在该时间段内网络中节点和连边的集合.机会网络的链路预测指的是根据网络前t个时间窗口的节点数据和历史连接信息预测在t+1时间段内节点对是否产生链接.1.2 时间窗口确定方法时间窗口是2个拓扑快照之间的时间间隔.时间窗口大小的设计是动态网络链路预测的核心，如果时间窗口过大，则会有一些网络当中的链路被忽略，而窗口过小，则网络当中的链路过少，从而很难对网络进行分析.在很多情况下研究人员在进行链路预测前并没有解释为什么选择特定时间窗口的原因，COLLINS等[10]人在吸烟者行为的研究中发现吸烟者与同伴之间存在正相关的关系，但随着时间窗口的增加，这种关系的强度逐渐减弱.在机会网络中，为确定时间窗口的大小，引入CHOUDHURY等[11]人在纵向网络(Longitudinal Networks)确定时间窗口的方法，然后通过实验验证时间窗口大小是否正确.如图1所示，节点位置的变化在时间上取决于时间窗口的大小，节点通过产生链接参与网络的活动，但如果时间过长，其活动将会被隐藏.图1 不同时间窗口网络演化图Fig.1 The evolution diagram of network with different time window在图中，节点a1和a2根据不同的时间窗口，其连边数量也不同.这就说明时间窗口对于节点位置动态性具有影响，如果能够调整好时间窗口大小，网络中拓扑信息和连接历史信息就可以得到充分应用，提高链路预测准确度.因此，通过考虑节点动态性确定最佳时间窗口.节点动态指标如式(1)：(1)式中：PoDi为第i个节点的动态性的值；是和是第i个节点在同一个标准下计算出的值，两者的区别在于，是将所有时间窗口聚合，根据某种规则计算出的值，而是在时间窗口t内计算出的值.M(i,t)为第i个节点是否参与时间窗口t内的链接活动.如果节点i在t时间段内产生链接则为1，否则为0.m为时间窗口的数量：和是通过使用社交网络分析(SNA)中的度中心性(Degree Centrality)、接近中心性(Closeness Centrality)、中介中心性(Between Centrality)进行计算的，这3个指标是目前使用最广泛并且可以成功量化节点的连接性、位置信息、重要性的指标.因此本文使用其量化节点动态性.该方法定义如式(2)：(2)式中：ai(gt)指标用来量化和通过ai(gt)可以求得节点动态指标PoDi.至此，可以根据不同的时间片长度，得到所有节点的PoDi值的集合.之后,使用方差比较法确定时间窗口长度.表1给出了计算时间窗口的算法步骤.表1给出了确定最佳窗口的算法，其中节点动态指标PoDi由3个中心性指标共同决定，选取最小方差的时间窗口作为最优窗口的原因在于，随着网络时间的推移，方差越小的时间窗口其3个中心性因素的变化幅度也就越小，每个时间窗口内的拓扑状态变化就越小，那么窗口内的链路信息越不容易被忽略.因此,选用最小方差的窗口作为最优窗口.1.3 训练样本构建本文针对机会网络动态特性使用深度学习模型LSTM进行建模，训练样本的构建分为2步.第一步是选取数据集，根据数据集节点链接历史信息以及拓扑信息选取符合链路状态的特征；第二步是将选取的特征转化为输入到模型当中的训练样本.本文使用真实数据集Infocom05和MIT数据集进行实验，实验具体参数在实验部分给出.表1 计算时间窗口算法Table 1 Algorithm for computing the optimal time windowsAlgorithm:Input: List of edgesList of nodes AMaximum time windows length wmaxOutput: Optimal time windows length woptimaldeclare //所有节点组成的集合woptimal=1for i = 1 towmax:declare PoDi[N] //节点动态指标for n=1 to N: PoD[N]//计算每个节点动态指标值endVi=Variance(PoDi[N]//计算方差if Vi<Vi-1i: woptimal= iendendoutput woptimal由于机会网络大规模稀疏性的特点，2节点可能在某一时刻并不存在直接链路，所以本文根据网络拓扑信息选用相似性指标KATZ[12]作为训练样本的特征.KATZ指标会计算2节点之间所有直接链路和间接连通链路数量，然后赋予每条链路不同的分数，如果2节点之间的中介节点越多，则赋予的相似性分数就越小.如式(3)所示：(3)式中：l为路径长度，当l为1时，代表着节点i与节点j之间存在直接链路；α是根据不同网络调整的参数且0<α<1.之后选用连接时长与频率作为训练样本的另外2个特征.因为当2节点间的连接时长越多且频率较高时，那么就可以认定2节点在未来有可能会产生连接.特征向量的格式如式(4)所示：(4)由于这3个特征的测量单位是不一样的，为了消除不同变量的量纲效应，使每个特征具有同等的表现力，本文使用Z-score标准化方法对数据进行处理.如式(5)所示：(5)式中：x为数据实际值；μ为全部数据的均值，为全部数据的标准差.Z-score标准化的优点在于不受到数据量级的影响并且得出的结果方便比较.因此，根据对特征的处理以及数据的无纲化处理，得出的样本数据如图2所示.图2 样本格式图Fig.2 Data sequence1.4 基于LSTM链路预测模型针对样本时序问题，使用处理时间序列问题出色的LSTM深度学习模型进行训练，该模型是循环神经网络的变种，其独有的输入门(Input Gate)、遗忘门(Forget Gate)、输出门(Output Gate).3个门结构使模型对于时间序列样本的处理上达到很好的效果，并且可以有效地筛选出时间序列当中重要的部分，而且避免了标准循环神经网络出现的梯度消失以及梯度爆炸等问题.使用LSTM模型进行链路预测的流程如图3所示.图3 链路预测流程图Fig.3 Link prediction flow chart图3是基于LSTM进行链路预测的过程.首先选取数据集中的链路进行特征的采集.之后使用交叉验证法将样本按照7∶3的比例划分训练集和测试集.样本构建完毕后，将训练样本输入到模型当中，使用Adam优化器对损失函数进行优化，通过模型训练，找出最优模型.最后使用测试集对于模型进行测试，验证链路预测方法的适用性以及准确性.2 实验结果与分析本文使用深度学习框架Tensorflow进行仿真试验.评价标准采用受试者工作特性曲线中的AUC，Accuracy，Precision.AUC指标衡量的是链路预测模型整体的好坏，Accuracy是预测正确的样本数与所有预测样本数的比例，Precision表示被分为正例的示例中实际为正例的比例.2.1 数据集介绍本文使用的数据集为Infocom05和MIT，这2个数据集具体参数如表2所示. MIT数据集的特点是时间长、数据量足、场景大、接触频率低.而Infocom05数据集的特点是时间段、数据量少、场景小、接触频率高.这2个数据集是机会网络中极具特点的2个数据集，因此选用这2个数据集进行实验.表2 数据集参数Table 2 Information of data setsMITInfocom05设备类型Phoneimote节点数量9741网络类型BluetoothBluetooth持续时间/d2463链接数量102 51022 4592.2 确定时间窗口使用1.2节的方法确定时间窗口参数，然后通过实验验证其效果.实验效果如图4，5所示.图4是MIT数据集的方差图，从图中可以看出，当时间窗口设置为40 d时，方差最小，因此在MIT数据集中时间窗口设置为40 d.从Infomcom05数据集方差图图5可以看出，在时间窗口设置为6 s至1 min时，方差值趋于稳定，但1 min之后，方差值涨幅增大.根据提出的方法，应该将时间窗口设置为6 s，但考虑到方差的增长不明显，并且时间窗口越小，计算的复杂度越高，输入到LSTM模型当中的重复特征会越多.所以将时间窗口设置为1 min.图4 MIT数据集方差图Fig.4 Variances of MIT data sets图5 Infocom05数据集方差图Fig.5 Variances of Infocom05 data sets2.3 实验结果与分析本节实验首先对于时间窗口的选取进行验证，然后使用其他机器学习分类模型与LSTM模型进行对比，验证LSTM模型的性能.最后使用当前主流相似性指标与本文提出的链路预测方法进行对比，证明链路预测方法的有效性.时间窗口对比图如图6，7所示.图6和图7的试验结果表明：在MIT数据集中时间窗口设置为40 d时，其结果在3种评价标准中都是最好的.而在Infocom05数据集中，最好的情况是时间窗口最小的情况，这证明使用的时间窗口与最终预测结果是相关联的，也证明使用的时间窗口确定方法是可靠的.图6 MIT数据集预测结果图Fig.6 Prediction result of MIT data set图7 Infocom05数据集预测结果图Fig.7 Prediction result of Infocom05 data set在时间窗口确定完后，使用调整好的LSTM模型与其他机器学习分类模型进行对比，模型对比图如图8所示.图8 模型比较图Fig.8 The comparison experiment with different model根据图8的对比实验，可以看出，使用LSTM模型的效果是最好的，说明了针对机会网络的动态特性，LSTM模型可以深层次的挖掘拓扑随时间变化的规律，从而准确的对链路进行预测.目前链路预测普遍使用基于相似性的方法，本文使用几种典型的相似性指标(如CN，AA，RA，KATZ)与本文提出的方法进行对比，对比结果如表3所示.表3 AUC对比Table 3 The comparison experiment of AUCMITInfocom05CN0.782 20.836 9AA0.791 30.839 0RA0.803 50.8707Katz0.803 90.870 8LSTM0.953 10.910 6由表3可以看出，在MIT数据集中，由于数据量充足，可以使得LSTM得到充分的训练，AUC指标的值显著提升.而Infocom05数据的的数据量相对较少，但是也由明显的提升.综合以上实验结果可知，本文提出的链路预测方法，针对不同密度的数据集，其预测效果可以得到显著地提升.3 结论由于机会网络的稀疏性，间歇连通性以及拓扑动态演化等时变性特点，使得链路预测变得困难，针对这些问题，提出了一种通过时序深度学习网络的链路预测方法.使用拓扑信息以及连接历史信息对链路进行刻画，构建样本空间，基于社交网络分析中常用的3个指标确定了最优时间窗口的大小.然后使用已构建的样本在LSTM 深度学习模型中进行训练，提取出了机会网络链路随时间变化的规律.实验表明：采用的确定时间窗口大小的方法是有效的.在最佳时间窗口下，使用的LSTM模型相比于其他机器学习分类模型的整体预测效果更好，此外，该方法相比于当前主流的基于相似性的链路预测算法更适用于机会网络的链路预测.参考文献：【相关文献】[1] FALL K. A delay-tolerant network architecture for challenged Internets[J]. ACM SIGCOMM Computer Communication Review, 2003,33(4):27-34.[2] FENG Z, CHIN K W. A Novel Data Centric Information Retrieval Protocol for Queries in Delay Tolerant Networks[J]. Journal of Network and Systems Management,2015,23(4):870-901.[3] WANG T， SONG L，HAN Z. Coalitional graph games for popular content distribution in cognitive radio vanets[J]. IEEE Transactions on Vehicular Technology, 2013,62(8):4010-4019.[4] LEE J, KIM S K, YOON J H, et al. Snapshot: a forwarding strategy based on analyzing network topology in opportunistic networks[J]. Wireless Networks, 2015,21(6):2055-2068.[5] PENTLAND A, FLETCHER R, HASSON A. DakNet: rethinking connectivity in developing nations[J]. Computer, 2004,37(1):78-83.[6] 吕琳媛.复杂网络链路预测[J].电子科技大学学报,2010,39(5):651-661.[7] SHAHRIAR M, LIU Y, DAS S K. HiPCV: History based learning model for predicting contact volume in Opportunistic Networks[C]//World of Wireless, Mobile and Multimedia Networks. Boston, USA: IEEE,2015:1-9.[8] RICARDO P, SOARES S, PRUDENCIO R. Time series based linkprediction[C]//International Joint Conference on Neural Networks. Brisbane, Australia: IEEE,2012:1-7.[9] HOCHREITER S, SCHMIDHUBER J. Long short-term memory[J]. Neural Computation, 1997,9(8):1735-1780.[10] COLLIN L M, GRAHAM J W. The effect of the timing and spacing of observations in longitudinal studies of tobacco and other drug use: temporal design considerations[J]. Drug and Alcohol Dependence, 2002,68:85-96.[11] UDDIN S, CHOUDHURY N, FARHAD S M, et al. The optimal window size for analysing longitudinal networks[J]. Scientific Reports, 2017,7(1):13389.[12] KATZ L. A new status index derived from sociometric analysis[J]. Psychometrika, 1953,18(1):39-43.。
基于深度神经网络的轨迹预测算法综述
彭子沣;葛万成
【期刊名称】《电视技术》
【年(卷),期】2022(46)2
【摘要】人类驾驶者会持续观察、分析周边车辆和行人的行为,实时地规划安全的行车轨迹。
自动驾驶汽车也应当与人类一样具备感知和预测交通参与者行为的能力,以提前判断其未来的运动轨迹。
轨迹预测模块的预测准确度至关重要,因为其接受感知系统提供的输入信息,并作为路径规划等决策任务的上游输入,使其成为自动驾驶技术中承上启下的重要中间环节。
随着近年来数据科学和传感器领域的长足发展,大量关注行人、车辆等多样化交通参与者的大型数据集得以建立,使得轨迹预测问题的解决方案从传统的动力学模型过渡到深度学习模型成为可能。
基于此,介绍行人、车辆轨迹预测算法的发展历程和重要论文的解决方案,并总结该领域形成共识的几种思路,展望最新的研究趋势。
【总页数】8页(P21-28)
【作者】彭子沣;葛万成
【作者单位】同济大学中德学院
【正文语种】中文
【中图分类】TP311.5
【相关文献】
1.基于深度神经网络的遥感图像分类算法综述
2.基于GM(1,1)预测算法的民航飞机实时轨迹可视算法
3.基于轨迹相似度的移动目标轨迹预测算法
4.基于改进极限学习机和深度神经网络融合的车辆轨迹长期预测
5.基于LSTM深度神经网络的智能网联汽车轨迹预测
因版权原因，仅展示原文概要，查看原文内容请购买。
第 23卷第 1期2024年 1月Vol.23 No.1Jan.2024软件导刊Software Guide基于节点相似性的二阶链路预测方法刘臣，王嘉宾（上海理工大学管理学院，上海 200093）摘要：复杂网络中基于节点相似性的链路预测算法通常根据两个节点之间的相似度，预测节点对之间是否存在链路。
提出基于节点相似性的二阶链路预测方法，判别节点对之间是否存在未连接的节点，并补全节点对之间的二阶链路。
同时，提出二阶链路预测指标，计算已知节点与其他并不存在链路的节点之间的相似性，并构建二阶可达网络保留原始网络中的二阶链路信息。
实验结果表明，该方法能够在真实的网络数据中找到节点对之间的缺失节点，并补全可能存在的二阶链路。
不同的链路预测指标在4个不同网络中的性能表现有所不同，所有实验中的最佳精确率达83.7%。
关键词：复杂网络；二阶链路预测；可达网络；相似性指标；公共近邻DOI：10.11907/rjdk.222457开放科学（资源服务）标识码（OSID）：中图分类号：TP391；O157.5 文献标识码：A文章编号：1672-7800（2024）001-0097-06Second-order Link Prediction Method Based on Node SimilarityLIU Chen， WANG Jiabin（Business School， University of Shanghai for Science and Technology， Shanghai 200093， China）Abstract：Link prediction algorithm based on node similarity usually predicts whether there is a link between node pairs according to the simi⁃larity between two nodes. A second-order link prediction method is proposed to determine if there is an unconnected node between node pairs，and then complete the second-order links between node pairs. The second-order link prediction index is used to calculate the similarity be⁃tween known nodes and other nodes that do not have links， and the second-order reachable network is constructed to retain the second-order links in the original network. The experimental results show that the missing nodes between node pairs can be identified in real network data and their second-order links can be completed. The performance of different link prediction indices varies across four different networks， and the best precision rate reaches 83.7% in all experiments.Key Words：complex network； second-order link prediction； reachable network； similarity index； common neighbor0 引言现实世界中的很多复杂系统，如社交关系、交通运输、生物系统、信息系统等，都可以建模为网络。
链路预测算法在人工智能中的应用第一章：引言1.1 人工智能的发展背景随着科技的进步，人工智能领域取得了巨大的突破，人工智能已经成为推动社会进步的重要力量之一。
人工智能技术已广泛应用于各行各业，包括医疗、金融、交通等领域，为我们的日常生活带来了便利。
1.2 链路预测算法的基本概念链路预测算法是一种人工智能算法，其目的是根据已知的链路信息，预测未知链路的存在与否。
链路预测算法基于网络结构和节点属性等特征，通过建立模型来推测未知链路，具有广泛的应用潜力。
第二章：链路预测算法的原理2.1 链路预测算法的基本思想链路预测算法通过分析已知的网络结构和节点属性等信息，利用统计学和机器学习等方法来构建预测模型。
通过预测未知链路的存在与否，可以帮助我们更好地理解网络的拓扑结构和节点之间的关系。
2.2 链路预测算法的常用方法链路预测算法有多种不同的方法，常用的方法包括基于相似性的方法、基于机器学习的方法和基于传播的方法。
基于相似性的方法通过计算节点之间的相似度来进行链路预测，基于机器学习的方法则通过训练分类器来预测未知链路，基于传播的方法则利用信息传播过程来预测未知链路。
第三章：链路预测算法在社交网络中的应用3.1 社交网络的定义和特征社交网络是人们在社会生活中建立的一种关系网络，具有群体性、多层次性和动态性等特征。
社交网络的研究可以帮助我们更好地理解人类社会的结构和行为。
3.2 链路预测算法在社交网络中的应用链路预测算法在社交网络中有着广泛的应用。
通过预测未知的社交关系，可以帮助我们找到潜在的朋友和合作伙伴，还可以用于社交推荐系统和舆情分析等方面。
第四章：链路预测算法在生物信息学中的应用4.1 生物信息学的定义和意义生物信息学是研究生物学中大规模的生物分子数据的整合、分析和应用的一门学科，已成为生命科学领域中的重要工具。
生物信息学的发展对于研究生物学中的复杂生物系统和解决生物医学问题具有重要意义。
4.2 链路预测算法在生物信息学中的应用链路预测算法可以应用于生物网络分析中的蛋白质相互作用网络、基因调控网络等方面。
一种降噪自编码器的复杂网络链路预测算法曹志威;樊志杰;王青杨;韩伟力;李欣【期刊名称】《小型微型计算机系统》【年(卷),期】2023(44)3【摘要】链路预测是根据复杂网络中已有的拓扑信息预测网络中两个不相邻的节点间产生连接的可能性,是复杂网络领域中的重要研究方向,具有重要的研究价值.在理论层面上,提升链路预测算法的性能有利于更合理的挖掘和分析网络的演化机制;在应用层面上,提升链路预测算法的性能有助于补全网络拓扑的缺失信息,从而便于优化后续网络拓扑相关的算法,例如图表示学习和个性化推荐等.该领域尽管近些年已经取得了较多的研究成果,但依然存在不少缺陷.例如,作为主流的基于节点相似性的链路预测算法存在高度退化的问题,即对于大多数不相邻的节点对均输出相同的预测值;其次,由于不同的复杂网络在网络结构、节点度数、连边数量以及联通性上各有差异,然而当前的算法通常仅考虑网络的某种结构特征,因此只对于特定的网络类型预测效果较好,可扩展性较差.鉴于此,本文利用深度学习理论善于挖掘各种高维数据的重要特征,将无监督训练方法引入到复杂网络的链路预测中,提出一种基于降噪自编码器的复杂网络链路预测算法.该算法通过神经网络结构与损失函数的构造,首先使其具有数据降噪恢复的能力,然后将完整的训练集数据输入到模型中,即可实现预测复杂网络演化机制的目的.具体地,将加入噪声的邻接矩阵以列向量的方式逐条输入到神经网络结构中,然后运用该降噪自编码器模型确保输出向量与未加噪声的数据相近.经过反复训练,本模型中神经网络的结构和参数会不断调节,使其逐渐具备从低维数据中恢复高维信息的目的,进而达到预测复杂网络演化结构的效果.同时,该算法不仅能够从残缺数据中学习出有用的预测信息,而且能够降低复杂网络结构的差异性对算法的影响.通过在7种不同类型网络中的对比实验,分析结果表明本算法与其他经典的链路预测算法相比在Precision和AUC两个评价指标上均排名第一,并且在训练集所占比例的鲁棒性上也体现出优势.【总页数】8页(P665-672)【作者】曹志威;樊志杰;王青杨;韩伟力;李欣【作者单位】公安部第三研究所信息安全技术部;复旦大学计算机科学技术学院;四川大学计算机学院;中国人民公安大学信息网络安全学院【正文语种】中文【中图分类】TP399【相关文献】1.基于复杂网络节点重要性的链路预测算法2.基于共同邻居有效性的复杂网络链路预测算法3.一种基于节点局部相似性的复杂网络链路预测算法4.基于改进AdaBoost算法的复杂网络链路预测5.基于复杂网络的Psor链路预测算法因版权原因，仅展示原文概要，查看原文内容请购买。
基于径向基函数神经网络的城市道路路段行程时间实时预测模
型
刘江用;云美萍;闫亚文;杨晓光
【期刊名称】《交通信息与安全》
【年(卷),期】2011(029)005
【摘要】提出利用径向基函数(RBF)神经网络方法对城市道路路段行程时间进行建模预测,并结合线圈和视频实测数据进行仿真分析,以实际行程时间和模型输出的行程时间预测值比较验证了模型的合理性.并将RBF神经网络方法与BP神经网络方法进行比较,结果表明RBF神经网络相对于BP神经网络训练时间短,且预测精度更高.
【总页数】5页(P31-35)
【作者】刘江用;云美萍;闫亚文;杨晓光
【作者单位】同济大学交通运输工程学院上海201804;同济大学交通运输工程学院上海201804;同济大学交通运输工程学院上海201804;同济大学交通运输工程学院上海201804
【正文语种】中文
【中图分类】U491
【相关文献】
1.冰雪条件下城市道路路段行程时间模型 [J], 冯雨芹;张春平;冷军强;张亚平
2.基于模糊神经网络卡车路段行程时间实时动态预测 [J], 李建刚;白润才;郭嗣琮;
毛君
3.基于多源数据的城市道路网络行程时间预测模型 [J], 江周;张存保;许志达;严凤祥;丁国飞
4.城市道路路段行程时间计算模型研究 [J], 李昂;李硕;李玲
5.一种基于历史数据与实时信息的公交路段行程时间预测 [J], 杨永平;陈红顺;汤健因版权原因，仅展示原文概要，查看原文内容请购买。
基于GIS的城市交通流量预测模型研究一、简介城市交通流量预测模型是城市交通规划设计中非常重要的研究内容，对于城市的交通管理，交通流动、道路建设等具有指导意义。
现在，随着计算机科学的发展和地理信息科学技术的不断进步，GIS 技术作为一种较为新的技术手段，正在被广泛应用于城市交通流量预测模型的研究中。
本文旨在介绍基于 GIS 的城市交通流量预测模型的研究及其特点。
二、基于 GIS 的城市交通流量预测模型的研究现状城市交通流量预测模型研究是交通工程学科中的一个热点问题，主要集中在时间序列模型、回归模型、神经网络模型和GIS模型等方面。
这里我们重点介绍基于 GIS 的城市交通流量预测模型。
2.1 GIS 技术在城市交通流量预测中的应用GIS 技术是一种将空间和属性数据结合在一起的计算机科学技术。
城市交通系统中的空间数据主要包括路网、车辆、行人等，属性数据则是交通流、速度、拥堵情况等。
在城市交通规划设计中，GIS 技术被广泛应用于可行性研究、交通流量分析、路网优化设计等方面，成为城市交通规划设计中不可缺少的一环。
2.2 基于 GIS 的城市交通流量预测模型的特点基于 GIS 的城市交通流量预测模型主要包括四个方面的特点：（1）地理信息的强大表示能力：GIS 可以方便地对城市交通流量及其相关属性进行显示、管理和处理，从而更好地理解交通数据之间的关系。
（2）多源数据融合的能力：GIS 可以将来自不同数据源的城市交通数据进行融合分析，从而提高交通分析结果的可信度和准确性。
（3）交通流量预测模型的灵活性：GIS 可以根据不同的交通流量预测需求，开发出相应的预测模型，满足城市交通流量预测的不同需求。
（4）模型结果的可视化：GIS 可以通过地图界面来直观地展现城市交通流量预测结果，帮助人们更加直观地理解和分析交通流量变化的趋势和规律。
三、基于 GIS 的城市交通流量预测模型研究方法基于GIS 的城市交通流量预测模型研究方法分为以下三个步骤：3.1 数据采集与处理在进行城市交通流量预测模型研究前，首先需要收集和处理相应的数据，包括路网数据、交通流量数据以及其他影响交通流量的因素数据。
基于变分超图自编码器的链路预测方法基于变分超图自编码器的链路预测方法摘要：链路预测是社交网络中的一个重要问题，对于社交网络的分析和应用起着重要作用。
传统的链路预测方法主要采用基于相似度的方法来预测两个节点之间是否存在链接，但是这些方法没有利用节点之间的高阶关系。
本文提出了基于变分超图自编码器（VHSAE）的链路预测方法。
该方法将节点之间的高阶关系看作是一个超图，并通过变分推断学习节点表示。
在节点表示学习的过程中，利用自编码器编码节点的邻居信息，再解码生成节点自身信息，同时实现了节点之间的互动。
最终使用多层感知机分类器对节点表示进行分类，以实现链路预测。
实验结果表明，基于VHSAE的链路预测方法在准确率、召回率和AUC指标等方面均优于传统的链路预测方法。
关键词：链路预测，超图自编码器，变分推断，多层感知机分类器，节点表示学习1.引言社交网络已经成为人们交流和获取信息的主要平台之一，对于社交网络的研究和开发具有很大的价值。
链路预测作为社交网络研究的重要问题之一，一直得到广泛关注。
链路预测的目的是预测任意两个节点之间是否存在链接。
传统的链路预测方法主要采用基于相似度的方法来预测两个节点之间的链接。
这些方法主要使用节点之间的一阶（直接相邻）关系作为相似性度量，但是节点之间的高阶关系没有被很好的利用。
为了更准确地预测节点之间的链接，需要使用节点之间的高阶关系信息。
深度学习已经在社交网络研究中得到了广泛应用，其中深度神经网络（DNN）是一个重要的工具，可以学习复杂非线性模型，对于社交网络的挖掘和分析有着重要作用。
自编码器（AE）是一种神经网络模型，可以将高维输入数据映射到低维表示。
超图是一种通用的图模型，可以非常灵活地描述节点和超边之间的关系。
基于此，本文提出了一种基于变分超图自编码器（VHSAE）的链路预测方法，在节点表示学习的过程中，可以充分利用节点之间的高阶关系。
2.方法2.1 变分超图自编码器超图是一个通用的图模型，可以描述节点和超边之间的关系。
基于轻量级Transformer的城市路网提取方法
冯志成;杨杰;陈智超
【期刊名称】《浙江大学学报（工学版）》
【年(卷),期】2024(58)1
【摘要】针对现有方法存在道路区域提取不精准和实时性不足的限制,提出基于轻量级Transformer的路网提取方法RoadViT.利用卷积神经网络与Transformer 混合的MobileViT架构进行编码特征,有效地提取高级上下文信息.提出金字塔解码器实现多尺度特征的提取和融合,生成像素类别的概率分布.结合Mosaic与多尺度缩放和随机裁剪策略实现数据增强,构建精细多样的遥感图像.针对城市遥感图像中道路类别和背景类别的不平衡问题,提出动态加权损失函数.实验结果表明,RoadViT 的参数量仅为1.25×10^(6),在Jetson TX2上的推理速度可达10帧/s,在CHN6-CUG数据集上的精度可达57.0%.所提方法是轻量级Transformer在城市遥感图像中的有效探索,在保证推理实时性的同时,实现道路提取精度的提升.
【总页数】11页(P40-49)
【作者】冯志成;杨杰;陈智超
【作者单位】江西理工大学电气工程与自动化学院;江西省磁悬浮技术重点实验室【正文语种】中文
【中图分类】TP751;U212
【相关文献】
1.基于网络地图API的城市级轨迹生成和路网提取方法
2.基于自适应轨迹聚类的城市路网提取与更新方法
3.基于轻量级CNN-Transformer混合网络的梯田图像语义分割
4.基于Transformer-CNN的轻量级图像超分辨率重建网络
5.一种轻量级网络的城市建成区绿地提取方法
因版权原因，仅展示原文概要，查看原文内容请购买。
