CN105005583A - 一种社交网络中信息转发增量的预测方法及系统 - Google Patents

Abstract

本发明涉及一种社交网络中信息转发增量的预测方法及系统，该方法包括：获取社交网络中信息转发数据；对所述信息转发数据进行统计，获取单位时间内的信息转发增量时间序列；利用互信息方法获取所述信息转发增量时间序列的时间延迟；利用G-P算法获取所述信息转发增量时间序列的嵌入维数；根据所述时间延迟与所述嵌入维数，进行时间序列的相空间重构；根据所述相空间建立所述信息增量时间序列的最小二乘支持向量机预测模型；根据最小二乘支持向量机预测模型对该社交网络的信息转发增量进行预测。本发明可以对社交网络信息的传播规律进行准确预测，特别是单位时间内信息转发增量进行预测，有利于对不同消息传播规律进行适当控制。

Description

一种社交网络中信息转发增量的预测方法及系统

技术领域

本发明涉及网络信息处理技术领域，尤其涉及一种社交网络中信息转发增量的预测方法及系统。

背景技术

随着社交网络迅速发展，方便了人们交流沟通以及消息传播。对于教育、请求帮助以及商业广告等正面信息，社交网络扩大了消息传播速度，具有积极作用；对于存在不实信息、谣言等负面信息，在社交网络上肆意传播污染了网络环境。根据中国社科院2013年6月25日发布的2013年《中国新媒体发展报告》显示，从2012年1月至2013年1月的100件微博热点舆情案件中，虚假信息的比例超过1/3。

为保证社交网络具有健康的网络环境，对于正面信息，需要采取措施尽可能地提高传播速度以及扩大受众面；对于负面信息，需要采取措施尽可能控制消息的传播。因此迫切需要及时、有效、准确的社交网络信息传播预测方法，能够及时、准确地把握信息传播规律，特别是能够对社交网络中单位时间内信息转发增量进行有效预测。

发明内容

本发明实施例的其中一个目的在于提供一种社交网络中信息转发增量的预测方法及系统，以实现准确预测社交网络信息的信息转发增量，有利于对不同消息传播规律进行适当控制。

第一方面，本发明实施例提供了一种社交网络中信息转发增量的预测方法，包括：

获取社交网络中信息转发数据；

对所述信息转发数据进行统计，获取单位时间内的信息转发增量时间序列；

利用互信息方法获取所述信息转发增量时间序列的时间延迟；

利用G-P算法获取所述信息转发增量时间序列的嵌入维数；

根据所述时间延迟与所述嵌入维数，进行时间序列的相空间重构；

根据所述相空间建立所述信息增量时间序列的最小二乘支持向量机预测模型；

根据所述最小二乘支持向量机预测模型对该社交网络的信息转发增量进行预测。

可选地，所述信息转发数据包括转发时间、转发用户帐号和转发用户识别号。

可选地，所述利用互信息方法获取所述信息转发增量时间序列的时间延迟，采用以下公式：

$I(x_j,x_{j+\mathrm{\τ}})=\underset{j=1}{\overset{M}{\Σ}}P(x_j,x_{j+\mathrm{\τ}}){\log }_2\frac{P(x_j,x_{j+\mathrm{\τ}})}{P\left(x_j\right)P\left(x_{j+\mathrm{\τ}}\right)}$

其中，时间序列{x_j}、{x_j+τ}；I(x_j,x_j+τ)为时间序列{x_j}、{x_j+τ}的互信息；P(x_j)为时间序列{x_j}的概率分布；P(x_j,x_j+τ)为时间序列{x_j}与{x_j+τ}的联合概率分布。

可选地，所述利用G-P算法获取所述信息转发增量时间序列的嵌入维数的步骤，包括：

获取时间延迟和初始嵌入维数m0重构相空间；

计算重构后相空间中任意两个向量的距离，得到最大值与最小值，确定邻域半径r；

根据所述邻域半径r计算关联积分C(r)；

找到曲线lnC(r)～lnr的线性部分，利用最小二乘法估计关联指数d(m0)；

调整初始嵌入维数m0，获取所述关联指数d(m0)达到饱和时的 所对应的m0值。

可选地，所述根据所述时间延迟与所述嵌入维数，进行时间序列的相空间重构的步骤包括利用如下公式进行相空间重构，从而形成m维向量X＝{X_j}：

X₁＝[x(1),x(1+τ),...,x(1+(m-1)τ)]

X₂＝[x(2),x(2+τ),...,x(2+(m-1)τ)]

...

X_M＝[x(N),x(N+τ),...,x(N+(m-1)τ)]

其中，j＝1,2,...,M，M＝N-(m-1)τ，τ为时间延迟，m为嵌入维数，x＝{x(1),x(2),…,x(N)}为信息转发增量时间序列。

可选地，所述信息转发增量预测模型为最小二乘支持向量机预测模型。

可选地，所述最小二乘支持向量机预测模型为：

$f\left(X\right)=\underset{i=1}{\overset{M}{\Σ}}{\mathrm{\α}}_{i}K(X_i,X)+b,$

其中，α＝[α₁,…,α_M]为，b为偏差向量，为径向基函数

第二方面，本发明实施例又提供了一种社交网络中信息转发增量的预测系统，包括：

信息转发数据获取模块，用于获取社交网络中信息转发数据；

时间序列获取模块，用于对所述信息转发数据进行统计，获取单位时间内的信息转发增量时间序列；

时间延迟确定模块，用于利用互信息方法获取所述信息转发增量时间序列的时间延迟；

嵌入维数获取模块，用于利用G-P算法获取所述信息转发增量时间序列的嵌入维数；

相空间重构模块，用于根据所述时间延迟与所述嵌入维数，进行时间序列的相空间重构；

预测模型建立模块，用于根据所述相空间建立所述信息增量时间序列的最小二乘支持向量机预测模型；

信息转发增量预测模块，用于根据所述最小二乘支持向量机预测模型对该社交网络的信息转发增量进行预测。

可选地，所述嵌入维数获取模块，包括：

重构子模块，用于获取时间延迟和初始嵌入维数重构相空间；

邻域半径获取子模块，用于根据时间序列向量距离的最大值、最小值以及邻域半径搜索步长，确定邻域半径r；

关联积分计算子模块，用于根据所述邻域半径r计算关联积分C(r)；

关联维数估计子模块，用于找到曲线lnC(r)～lnr的线性部分，利用最小二乘法估计关联指数d(m)；

嵌入维数获得子模块，用于调整初始嵌入维数m0，获取所述关联指数d(m0)达到饱和时的所对应的m0值。

本发明实施例提供的社交网络中单位时间信息转发增量的预测方法，首先获取信息转发数据得到其时间序列；利用互信息方法获取该信息转发增量时间序列的时间延迟；利用遗传算法获取信息转发增量时间序列的嵌入维数；根据时间延迟和嵌入维数进行时间序列的相空间重构，利用最小二乘支持向量机预测模型实现对增量时间序列的准确预测。本发明有利于把握不同社交网络消息传播规律以及对社交网络信息进行适当控制。

附图说明

通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：

图1是本发明实施例中一种社交网络中信息转发增量的预测方法流程示意图；

图2是本发明实施例中某账号的微博发布一小时内单位时间信息 转发增量的时间序列示意图；

图3是本发明实施例中某账号的微博发布一小时内单位时间信息转发增量的时间序列、时间延迟与互信息关系示意图；

图4是本发明实施例中某账号的微博发布一小时内单位时间信息转发增量的lnC(r)与lnr的关系图；

图5是本发明实施例中某账号的微博发布一小时内单位时间信息转发增量时间序列预测结果图；

图6是本发明实施例中一种社交网络中信息转发增量的预测系统框图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

第一方面，本发明提出了一种社交网络中信息转发增量的预测方法，如图1所示，包括：

S100、获取社交网络中信息转发数据；

S200、对所述信息转发数据进行统计，获取单位时间内的信息转发增量时间序列；

S300、利用互信息方法获取所述信息转发增量时间序列的时间延迟；

S400、利用G-P算法获取所述信息转发增量时间序列的嵌入维数；

S500、根据所述时间延迟与所述嵌入维数，进行时间序列的相空间重构；

S600、根据所述相空间建立所述信息增量时间序列的最小二乘支持向量机预测模型；

S700、根据最小二乘支持向量机预测模型对该社交网络的信息转发增量进行预测。

实际应用中，G-P算法是Grassberger和Procaccia提出的计算嵌入维数的方法，此方法基于关联指数达到饱和时对应的维数确定时间序列的嵌入维数，本发明在后续实施例中进行详细说明，本发明不再赘述。

本发明实施例所提供的社交网络中信息转发增量的预测方法，可以实现对信息转发增量时间序列的及时、准确预测，有利于把握不同社交网络消息传播规律以及对社交网络信息进行适当控制。

下面结合附图以及实施例对各步骤进行详细描述。

首先，介绍S100、获取社交网络中信息转发数据的步骤。

获取社交网络中的信息转发原始数据主要包括各转发消息的转发时间、转发用户帐号(用户名，用户为自己所起的名字)以及转发用户识别号(ID，系统为用户分配的识别号，例如后面实施例1中的3433159230421868)。

其次，介绍S200、对信息转发数据进行统计，获取单位时间内信息转发增量的时间序列的步骤。

根据获取的原始社交网络(例如微博)的转发信息(例如转发微博列表)的转发时间能够获取单位时间内信息转发增量，即单位时间内新增加的信息转发增量，并形成信息转发增量的时间序列x＝{x(1),x(2),…,x(N)}，其中x(i)表示在第i个单位时间内信息转发增量，其中i＝1,2,…,N。

再次，介绍S300、利用互信息方法获取时间序列的时间延迟的步骤。即利用互信息方法获取社交网络信息转发增量时间序列x＝{x(1),x(2),…,x(N)}的时间延迟τ。

互信息方法是通过选取互信息函数第一次达到局部最小值时的时间延迟为最佳时间延迟，时间序列{X_j}和{X_j+τ}的互信息I(X_j,X_j+τ)可由互信息计算表达式求得。互信息计算表达式如下所示：

$I(x_j,x_{j+\mathrm{\τ}})=\underset{j=1}{\overset{M}{\Σ}}P(x_j,x_{j+\mathrm{\τ}}){\log }_2\frac{P(x_j,x_{j+\mathrm{\τ}})}{P\left(x_j\right)P\left(x_{j+\mathrm{\τ}}\right)}---\left(1\right)$

第四，介绍S400、利用G-P算法获取社交网络信息的信息转发增量时间序列x＝{x(1),x(2),…,x(N)}的嵌入维数m的步骤。

利用G-P算法求嵌入维数m的步骤包括：

(1)G-P算法的输入量为时间延迟τ和初始嵌入维数m0；

(2)重构相空间，计算重构后相空间中任意两个向量的距离，得到最大值max_d与最小值min_d，确定邻域半径r，采用以下公式：

r＝min_d+k*(max_d-min_d)/ss

其中ss为邻域半径r的搜索步长，1≤k≤ss；

(3)依据不同的领域半径r，计算关联积分C(r),采用以下公式：

$C\left(r\right)=\frac{1}{M(M-1)}\underset{i,j=1}{\overset{M}{\Σ}}\mathrm{\θ}\[r-\left|x_i-x_j\right|\]$

其中θ(·)为Heavidide单位函数，采用以下公式表示：

$\mathrm{\θ}\left(x\right)=\left\{\begin{array}{cc}0& x\≤0\\ 1& x>0\end{array}\right.$

(4)以lnC(r)～lnr作图，找到曲线的线性部分，并用最小二乘法估计关联指数d(m)；

(5)增加嵌入维数m0，直到相应的关联指数d(m0)不再随着嵌入维数m0的增加而变化，从而得到消息传播过程的嵌入维数。

其中，关联指数d(m)不变是指该估计值在一定误范围内进行变化，而不是指一个恒定值。即随着嵌入维数的增加，关联指数d(m)增加，增长率逐渐减小，但是当嵌入维数增加到一定程度时，嵌入维数的增加不会引起关联指数d(m)的增长，此时称为关联指数达到“饱 和”。可选地，本发明实施例中，“达到饱和”定义为关联指数d(m)的增长率低于10％。

第五，介绍S500、根据时间延迟与嵌入维数，进行时间序列的相空间重构的步骤。

基于步骤S300和S400所确定的时间延迟τ与嵌入维数m，对信息转发增量时间序列x＝{x(1),x(2),…,x(N)}进行相空间重构，形成m维向量X＝{X_j}，j＝1,2,...,M，M＝N-(m-1)τ，具体如下式所示：

X₁＝[x(1),x(1+τ),...,x(1+(m-1)τ)]

X₂＝[x(2),x(2+τ),...,x(2+(m-1)τ)]

                                         (2) 

...

X_M＝[x(N),x(N+τ),...,x(N+(m-1)τ)]

本发明实施例中，对信息转发增量时间序列进行相空间重构，能够把具有混沌特性的信息转发增量时间序列重建为一种低阶非线性动力学系统。通过相空间重构，可以找出信息转发增量时间序列的深化规律，使目前所得到的数据形成一种可以描述的结构，即从一维混沌时间序列中重构一个原信息转发增量时间序列在拓扑下相等价的相空间。

第六，介绍S600、根据所述相空间建立所述信息增量时间序列的最小二乘支持向量机(Least Squares Support Veotor Maohine，LSSVM)预测模型的步骤。

基于相空间重构得到的m维向量X＝{X_i}，j＝1,2,...,M，以X_i为输入、Y_i＝X_i+1为输出，信息转发增量预测问题可以表示为如下形式。

即将信息转发增量预测转化为确定预测模型的系统向量w和偏差向量b的问题。进一步将上述问题转化为如下的最优化问题，详细如下式所示：

其中，e＝[e₁,…,e_M]为预测误差向量，w为预测模型的系数向量，b为偏差向量，C为LSSVM的惩罚因子，C越大表示对预测误差越大的数据点惩罚越大，M为数据点的数量。

为方便求解式(4)，本发明实施例中引入拉格朗日乘子α＝[α₁,…,α_M]，得到拉格朗日多项式，如式(5)所示。

根据Karush-Kuhn-Tucker(KKT)条件，得到线性方程组，如式(6)所示：

其中，α＝[α₁,…,α_M]为拉格朗日乘子，系数向量α和偏差向量b为待求量，根据上述线性方程组(6)中第一个等式与第四个等式，可以得到如下线性方程组，如式(7)所示：

其中，K(X_i,X_j)如下式(8)所示：

$K(X_i,X_j)=\exp (-\frac{\left|\right|X_i-X_j|{|}^2}{2{\mathrm{\σ}}^2})---\left(8\right)$

基于训练样本集(X_i,Y_i)，i＝1,2,…,M，求解线性方程组(7)，可以得到待求量b和α_i，i＝1,2,…,M，从而得到信息转发增量的回归模型表达式，如下式(9)所示。

$f\left(X\right)=\underset{i=1}{\overset{M}{\Σ}}{\mathrm{\α}}_{i}K(X_i,X)+b---\left(9\right)$

其中，径向基函数

$K(X_i,X)=\exp (-\frac{\left|\right|X-X_i|{|}^2}{2{\mathrm{\σ}}^2}).$

最后，介绍S700、根据所述最小二乘支持向量机预测模型对该社交网络的信息转发增量进行预测的步骤。

本发明实施例中选取径向基函数K(X_i,X)作为核函数，从而将输入向量映射到特征空间中，将信息转发增量时间序列带入到上述预测模型中，可以得到在每个单位时间中信息转发增量的取值，完成对社交网络中单位时间内信息转发增量的预测。

下面以微博账号3433159230421868为例，对本发明实施例提供的社交网络中信息转发增量的预测方法进行说明。

首先，根据微博账号的信息转发数据，获得单位时间内(例如，本发明一实施例中，单位时间为五分钟)信息转发增量的时间序列，为了能够对转发行为进行及时预测，本发明一实施例中仅使用微博发布后24小时的数据实现对信息转发增量的预测，得到的时间序列如下图2所示。

其次，获取上述信息转发增量时间序列的最佳时间延迟，利用上述互信息法，即通过寻找时间序列的互信息第一次达到局部极小值时的时间延迟，确定增量时间序列的最佳时间延迟，如图3所示。

由图3可知，当时间延迟为4时，互信息第一次达到局部最小值，此增量时间序列的最佳时间延迟为4。

再次，获取上述信息转发增量时间序列的嵌入维数，利用G-P算法，即通过不断增加嵌入维数直到关联指数趋于饱和时的嵌入维数确定时间序列的嵌入维数，将关联指数的增长率阈值设定为10％， 即关联指数增长率低于10％时，即认定关联指数饱和，则嵌入维数与关联积分的关系如图4所示。

由图4可知，当嵌入维数m增加到8时，关联指数趋于饱和，此时双对数关系曲线lnC(r)-lnr可以近似为直线，因此上述时间序列的嵌入维数为8。

最后，基于时间延迟与嵌入维数进行相空间重构，并在重构相空间的基础上构建信息转发增量时间序列的最小二乘支持向量机预测模型，实现对增量时间序列的预测，预测结果如图5所示。

由图5可知，最小二乘支持向量机预测模型的预测值与实际值趋势一致，两者的预测误差在5以内，均方误差为12.18％。由图5可知，本发明实施例的预测模型准确、有效。

可以理解的是，本发明实施例中步骤S400是基于时间延迟与每一步的嵌入维数进行相空间重构，获得一个最合适的嵌入维数；而步骤S500中是基于获得的时间延迟与最合适的嵌入维数进行相空间重构。本发明实施例中包含两个部分的相空间重构，第一部分的相空间重构包含在步骤S400中，通过步骤S400中的相空间重构，能够获得一个用于相空间重构的最合适的嵌入维数；第二个部分的相空间重构，是基于前面步骤得到的嵌入维数与时间延迟，对转发时间序列进行最终的相空间重构，以便根据转发量这一单因变量时间序列重构出整个系统的等价的状态信息。

本发明实施例提供的方法首先基于获取社交网络中信息转发数据，统计得到单位时间内的信息转发增量时间序列；随后利用互信息方法获取所述信息转发增量时间序列的时间延迟；利用G-P算法获取所述信息转发增量时间序列的嵌入维数；随后根据获得的时间延迟与所述嵌入维数，进行时间序列的相空间重构；最后，基于重构的相空间建立所述信息增量时间序列的最小二乘支持向量机预测模型，实现对信息转发增量时间序列的准确预测，有利于对不同消息传播规律的 把握及进行适当控制。

另一方面，本发明还提供了一种社交网络中信息转发增量的预测系统，如图6所示，包括：

时间序列获取模块，用于对所述信息转发数据进行统计，获取单位时间内的信息转发增量时间序列；

时间延迟确定模块，用于利用互信息方法获取所述信息转发增量时间序列的时间延迟；

嵌入维数获取模块，用于利用G-P算法获取所述信息转发增量时间序列的嵌入维数；

相空间重构模块，用于根据所述时间延迟与所述嵌入维数，进行时间序列的相空间重构；

预测模型建立模块，用于根据所述相空间建立所述信息增量时间序列的最小二乘支持向量机预测模型；

信息转发增量预测模块，用于根据最小二乘支持向量机预测模型对该社交网络的信息转发增量进行预测。

实际应用中，可选地，本发明实施例还包括嵌入维数获取模块，包括：

重构子模块，用于获取时间延迟和初始嵌入维数重构相空间；

邻域半径获取子模块，用于根据时间序列向量距离的最大值、最小值以及邻域半径搜索步长，确定邻域半径r；

关联积分计算子模块，用于根据所述邻域半径r计算关联积分C(r)；

关联维数估计子模块，用于找到曲线lnC(r)～lnr的线性部分，利用最小二乘法估计关联指数d(m)；

嵌入维数获得子模块，用于调整初始嵌入维数，使得所述关联指数保持在一定范围内，获得嵌入维数。

基于同样的发明构思，本发明提供的一种社交网络中信息转发增 量的预测系统采用上述的预测方法实现，因而可以解决同样的技术问题，并取得相同的技术效果，在此不再详细。

在本发明的描述中需要说明的是，术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

虽然结合附图描述了本发明的实施方式，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (9)

1.一种社交网络中信息转发增量的预测方法，其特征在于，包括：

获取社交网络中信息转发数据；

对所述信息转发数据进行统计，获取单位时间内的信息转发增量时间序列；

利用互信息方法获取所述信息转发增量时间序列的时间延迟；

利用G-P算法获取所述信息转发增量时间序列的嵌入维数；

根据所述时间延迟与所述嵌入维数，进行时间序列的相空间重构；

根据重构后的相空间建立所述信息增量时间序列的最小二乘支持向量机预测模型；

根据所述最小二乘支持向量机预测模型对该社交网络的信息转发增量进行预测。

2.如权利要求1所述的预测方法，其特征在于，

所述信息转发数据包括转发时间、转发用户帐号和转发用户识别号。

3.如权利要求1所述的预测方法，其特征在于，

所述利用互信息方法获取所述信息转发增量时间序列的时间延迟，采用以下公式：

其中，时间序列{x_j}、{x_j+τ}；I(x_j,x_j+τ)为时间序列{x_j}、{x_j+τ}的互信息；P(x_j)为时间序列{x_j}的概率分布；P(x_j,x_j+τ)为时间序列{x_j}与{x_j+τ}的联合概率分布。

4.如权利要求1所述的预测方法，其特征在于，

所述利用G-P算法获取所述信息转发增量时间序列的嵌入维数的 步骤，包括：

获取时间延迟和初始嵌入维数m0重构相空间；

计算重构后相空间中任意两个向量的距离，得到最大值与最小值，确定邻域半径r；

根据所述邻域半径r计算关联积分C(r)；

找到曲线lnC(r)～lnr的线性部分，利用最小二乘法估计关联指数d(m0)；

调整初始嵌入维数m0，获取所述关联指数d(m0)达到饱和时的所对应的m0值。

5.如权利要求1所述的预测方法，其特征在于，

所述根据所述时间延迟与所述嵌入维数，进行时间序列的相空间重构的步骤包括利用如下公式进行相空间重构，从而形成m维向量X＝{X_j}：

X₁＝[x(1),x(1+τ),...,x(1+(m-1)τ)]

X₂＝[x(2),x(2+τ),...,x(2+(m-1)τ)]

...

X_M＝[x(N),x(N+τ),...,x(N+(m-1)τ)]

其中，j＝1,2,...,M，M＝N-(m-1)τ，τ为时间延迟，m为嵌入维数，x＝{x(1),x(2),…,x(N)}为信息转发增量时间序列。

6.如权利要求1所述的预测方法，其特征在于，

所述信息转发增量预测模型为最小二乘支持向量机预测模型。

7.如权利要求1所述的预测方法，其特征在于，

所述最小二乘支持向量机预测模型为：

为径向基函数。

8.一种社交网络中信息转发增量的预测系统，其特征在于，包括：

信息转发数据获取模块，用于获取社交网络中信息转发数据；

时间序列获取模块，用于对所述信息转发数据进行统计，获取单位时间内的信息转发增量时间序列；

时间延迟确定模块，用于利用互信息方法获取所述信息转发增量时间序列的时间延迟；

嵌入维数获取模块，用于利用G-P算法获取所述信息转发增量时间序列的嵌入维数；

相空间重构模块，用于根据所述时间延迟与所述嵌入维数，进行时间序列的相空间重构；

预测模型建立模块，用于根据所述相空间建立所述信息增量时间序列的最小二乘支持向量机预测模型；

信息转发增量预测模块，用于根据所述最小二乘支持向量机预测模型对该社交网络的信息转发增量进行预测。

9.如权利要求8所述的预测系统，其特征在于，所述嵌入维数获取模块，包括：

重构子模块，用于获取时间延迟和初始嵌入维数重构相空间；

邻域半径获取子模块，用于根据时间序列向量距离的最大值、最小值以及邻域半径搜索步长，确定邻域半径r；

关联积分计算子模块，用于根据所述邻域半径r计算关联积分C(r)；

关联维数估计子模块，用于找到曲线lnC(r)～lnr的线性部分，利用最小二乘法估计关联指数d(m)；

嵌入维数获得子模块，用于调整初始嵌入维数m0，获取所述关联指数d(m0)达到饱和时的所对应的m0值。