CN108811028B - 一种机会网络链路的预测方法、装置及可读存储介质 - Google Patents

一种机会网络链路的预测方法、装置及可读存储介质 Download PDF

Info

Publication number
CN108811028B
CN108811028B CN201810814586.3A CN201810814586A CN108811028B CN 108811028 B CN108811028 B CN 108811028B CN 201810814586 A CN201810814586 A CN 201810814586A CN 108811028 B CN108811028 B CN 108811028B
Authority
CN
China
Prior art keywords
similarity
node
index
improved
network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810814586.3A
Other languages
English (en)
Other versions
CN108811028A (zh
Inventor
舒坚
陈金艳
刘琳岚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanchang Hangkong University
Original Assignee
Nanchang Hangkong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanchang Hangkong University filed Critical Nanchang Hangkong University
Priority to CN201810814586.3A priority Critical patent/CN108811028B/zh
Publication of CN108811028A publication Critical patent/CN108811028A/zh
Application granted granted Critical
Publication of CN108811028B publication Critical patent/CN108811028B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W40/00—Communication routing or communication path finding
    • H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
    • H04W40/18—Communication route or path selection, e.g. power-based or shortest path routing based on predicted events
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明涉及一种机会网络链路的预测方法，该方法包括如下步骤：在机会网络中根据链路预测精度，选取确定第一指标相似度以及第二指标相似度；根据机会网络中的节点历史信息，分别对第一指标相似度以及第二指标相似度进行改进，以分别得到第一改进相似度以及第二改进相似度；通过加权平均法对第一改进相似度以及第二改进相似度进行融合以得到单位目标相似度，并根据多个单位目标相似度得到节点对目标相似度，根据节点对相似度对机会网络进行链路预测。本发明提出的机会网络链路的预测方法，可对机会网络的链路进行准确预测。

Description

一种机会网络链路的预测方法、装置及可读存储介质
技术领域
本发明涉及通讯数据处理技术领域，特别涉及一种机会网络链路的预测方法、装置及可读存储介质。
背景技术
机会网络是一种不需要源节点和目的节点之间存在完整链路，利用节点移动带来相遇机会实现通信的自组织网络。近年来，机会网络已在车辆自组织网络、移动数据分流、信息分享以及移动计算等领域有着较为广泛的应用。
具体的，机会网络与传统的多跳网络不同，其节点为随机部署且移动的，无法事先确定源节点与目标节点之间是否存在完整路径。由于机会网络能够处理网络分裂、时延等现有无线技术网络难以解决的问题，能够满足低成本恶性条件下的网络通信需求，目前主要应用在缺乏通信基础设施、网络环境恶劣以及应对经济突发事件的场合。为了提高网络运行的效率，这就使得对机会网络进行链路预测就成为了必须。
然而，目前已经提出的局部相似性指标仅仅适用于静态网络，直接将其用作机会网络链路预测，预测效果并不理想。
发明内容
基于此，本发明的目的是为了解决现有技术中，局部相似性指标在机会网络预测中，预测效果不理想的问题。
本发明提出一种机会网络链路的预测方法，其中，所述方法包括如下步骤：
在机会网络中根据链路预测精度，选取确定第一指标相似度以及第二指标相似度，其中所述第一指标相似度为基于邻居的相似性指标对应的相似度值，所述第二指标相似度为基于路径的相似性指标对应的相似度值；
根据所述机会网络中的节点历史信息，分别对所述第一指标相似度以及所述第二指标相似度进行改进，以分别得到第一改进相似度以及第二改进相似度，所述节点历史信息包括连接时长以及连接次数；
通过加权平均法对所述第一改进相似度以及所述第二改进相似度进行融合以得到单位目标相似度，并根据多个所述单位目标相似度得到节点对目标相似度，根据所述节点对相似度对所述机会网络进行链路预测。
本发明提出的机会网络链路的预测方法，首先在机会网络中根据链路预测精度，选取精度高的第一指标相似度以及第二指标相似度，其中第一指标似度为基于邻居的相似性指标(RA指标)对应的相似度值，第二指标相似度为基于路径的相似性指标(LP指标)对应的相似度值，然后结合节点历史信息，分别对上述的第一指标相似度以及第二指标相似度进行改进，分别得到改进后的RA指标中节点对中x与y之间的相似度以及LP指标中节点对中x与y之间的相似度，再通过加权平均得到单位目标相似度，然后再根据单位目标相似度对机会网络进行链路预测。本发明提出的机会网络链路的预测方法，可对机会网络的链路进行准确预测。
另外，本发明提出的机会网络链路的预测方法，还可以具有如下附加的技术特征：
所述机会网络链路的预测方法，其中，所述第一指标相似度的表达式为：
Figure BDA0001740036090000021
其中，
Figure BDA0001740036090000022
为所述第一指标相似度，z表示节点对x与y的共同邻居集合，Γ(x)表示节点x的邻居集合，Γ(y)表示节点y的邻居集合，kz表示节点z的度。
所述机会网络链路的预测方法，其中，所述第二指标相似度的表达式为：
Figure BDA0001740036090000023
其中，
Figure BDA0001740036090000024
为所述第二指标相似度，A为网络的邻接矩阵，a为可调参数。
所述机会网络链路的预测方法，其中，改进后得到的所述第一改进相似度的表达式为：
Figure BDA0001740036090000031
其中，
Figure BDA0001740036090000032
为所述第一改进相似度，Δt为节点对连接的总时长，Δf为节点对连接的总次数，T为时间片，kz为节点z的度。
所述机会网络链路的预测方法，其中，改进后得到的所述第二改进相似度的表达式为：
Figure BDA0001740036090000033
其中，
Figure BDA0001740036090000034
为所述第二改进相似度，A为网络的邻接矩阵，a为可调参数，Δt为节点对连接的总时长，Δf为节点对连接的总次数，T为时间片，A3为节点x和节点y之间长度为3的路径数目。
所述机会网络链路的预测方法，其中，通过加权平均法对所述第一改进相似度以及所述第二改进相似度进行融合得到的所述单位目标相似度的表达式为：
Figure BDA0001740036090000035
其中，
Figure BDA0001740036090000036
为融合后得到的单位目标相似度，
Figure BDA0001740036090000037
为所述第一改进相似度，
Figure BDA0001740036090000038
为所述第二改进相似度。
所述机会网络链路的预测方法，其中，根据多个所述单位目标相似度得到的所述节点对目标相似度的表达式为：
Figure BDA0001740036090000039
其中，Sxy为所述目标相似度，也即前N个时间片T内，机会网络相似性指标的相似度，
Figure BDA00017400360900000310
为所述单位目标相似度，也即某个时间片T内，机会网络相似性指标的相似度，λ为可调参数。
所述机会网络链路的预测方法，其中，所述根据所述节点对相似度对所述机会网络进行链路预测的方法包括：
将所述节点对相似度对应的值按照降序的顺序进行排列；
确定排列在首位的所述节点对相似度对应的节点对为最大连边概率。
本发明还提出一种机会网络链路的预测装置，其中，所述装置包括：
指标确定模块，用于在机会网络中根据链路预测精度，选取确定第一指标相似度以及第二指标相似度，其中所述第一指标相似度为基于邻居的相似性指标对应的相似度值，所述第二指标相似度为基于路径的相似性指标对应的相似度值；
计算改进模块，用于根据所述机会网络中的节点历史信息，分别对所述第一指标相似度以及所述第二指标相似度进行改进，以分别得到第一改进相似度以及第二改进相似度，所述节点历史信息包括连接时长以及连接次数；
预测分析模块，用于通过加权平均法对所述第一改进相似度以及所述第二改进相似度进行融合以得到单位目标相似度，并根据多个所述单位目标相似度得到节点对目标相似度，根据所述节点对相似度对所述机会网络进行链路预测。
本发明还提出一种可读存储介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如上项所述的机会网络链路的预测方法。
本公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本公开的上述技术即可得知。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明第一实施例提出的机会网络链路的预测方法的流程图；
图2为本发明第一实施例提出的机会网络链路的预测方法中时间切片示意图；
图3为本发明第一实施例提出的机会网络链路的预测方法中不同基于邻居的相似性指标在同一机会网络中对应的链路预测精度示意图；
图4为本发明第二实施例提出的机会网络链路的预测装置的结构示意图。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的首选实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
目前已经提出的局部相似性指标仅仅适用于静态网络，直接将其用作机会网络链路预测，预测效果并不理想。为了解决这一技术问题，本发明提出一种机会网络链路的预测方法，请参阅图1至图3，对于本发明第一实施例提出的机会网络链路的预测方法：
具体的，G＝<G1,G2,...Gr>为时间上的有序图集，其中，Gt＝(Vt,Et)为t时刻网络拓扑图，Vt与Et分别为该时刻图的顶点集和边集，链路e＝(u,v,t)∈E，表示节点u和v在时间t发生的相互作用。在此，选择三个时间戳t0<t1<t2，得到子图G[t0,t1]以及子图G[t1,t2]，在此将[t0,t1]作为训练间隔，[t1,t2]作为测试间隔。训练间隔[t0,t1]被分为多个时间片，每个时间片为一个网络快照。
此外，定义节点对(x,y)时间片T的组成，ST表示时间切片T的开始时间，ET表示时间切片T的结束时间，t1表示节点对进行通信的起始时间，t2表示节点对进行通信的结束时间，具体如图2所示。在本发明中，给定一种链路预测方法，对每对没有连边的节点对(x,y)赋予一个分数值Sxy，然后将所有未连接的节点对按照该分数值从大到小排序，排在最前面的节点对出现连边的概率最大。
具体的，请参阅图1，对于本发明第一实施例提出的机会网络链路的预测方法，包括如下步骤：
S101，在机会网络中根据链路预测精度，选取确定第一指标相似度以及第二指标相似度，其中所述第一指标相似度为基于邻居的相似性指标对应的相似度值，所述第二指标相似度为基于路径的相似性指标对应的相似度值。
一般的，基于邻居的相似性指标有CN指标(common neighbors,CN)、AA指标(Adamic-Adar，AA)以及RA指标(resource allocation,RA)。上述的几种指标都是使用共同邻居集合来衡量节点对在网络拓扑结构中的影响。其中，CN指标是最简单的基于邻居的相似性指标，可以直接计算节点对共同邻居的数量作为节点对的相似性分数，有计算复杂度小的优势，然而忽略了共同邻居集合中各个节点之间的差异性，即每个共同邻居对节点对产生相同的影响。AA指标以及RA指标在CN的基础上进行了改进，不仅考虑共同邻居在整体上对节点对的影响，而且区分了每个共同邻居对节点对的作用，即根据共同邻居节点的度为每个节点赋予一个权重值,然后将权重值进行累加，得到相似性分数。在本步骤中，根据链路预测精度选择了RA指标作为基于邻居的相似性指标。
在本步骤中，RA相似性指标对应的相似度(相似性分数)可表示为：
Figure BDA0001740036090000061
其中，
Figure BDA0001740036090000062
为RA相似性指标的相似性分数，z表示节点对x与y的共同邻居集合，Γ(x)表示节点x的邻居集合，Γ(y)表示节点y的邻居集合，kz表示节点z的度。
LP相似性指标对应的相似度可表示为：
Figure BDA0001740036090000063
其中，
Figure BDA0001740036090000064
为LP相似性指标对应的相似度(相似性分数)，A为网络的邻接矩阵，a为可调参数。
S102，根据所述机会网络中的节点历史信息，分别对所述第一指标相似度以及所述第二指标相似度进行改进，以分别得到第一改进相似度以及第二改进相似度，所述节点历史信息包括连接时长以及连接次数。
在本步骤中，需要对步骤S101中的RA指标以及LP指标进行改进计算。引入节点历史信息，根据机会网络的特点，提出RA指标和LP指标的表示方式，在某一时间片T内，上述RA相似性指标对应的相似性分数、以及LP相似性指标对应的相似性分数，与节点对连接的总时长Δt、节点对连接的次数Δf成正比。
Figure BDA0001740036090000071
其中，
Figure BDA0001740036090000072
为改进后的RA相似性指标对应的相似性分数，Δt为节点对连接的总时长，Δf为节点对连接的总次数，T为时间片，kz为节点z的度。
Figure BDA0001740036090000073
其中，
Figure BDA0001740036090000074
为改进后的LP相似性指标对应的相似性分数，A为网络的邻接矩阵，a为可调参数，Δt为节点对连接的总时长，Δf为节点对连接的总次数，T为时间片，A3为节点x和节点y之间长度为3的路径数目。
S103，通过加权平均法对所述第一改进相似度以及所述第二改进相似度进行融合以得到单位目标相似度，并根据多个所述单位目标相似度得到节点对目标相似度，根据所述节点对相似度对所述机会网络进行链路预测。
在本步骤中，通过加权平均法对第一改进相似度以及第二改进相似度进行融合，得到的单位目标相似度可表示为：
Figure BDA0001740036090000075
其中，
Figure BDA0001740036090000076
为根据O_RA指标以及O_LP指标融合后得到的O_LS指标对应的相似性分数，
Figure BDA0001740036090000077
为改进后的RA相似性指标对应的相似性分数，
Figure BDA0001740036090000078
为改进后的LP相似性指标对应的相似性分数，l为可调参数。
上述的公式也可写为：
Figure BDA0001740036090000081
其中，
Figure BDA0001740036090000082
为根据O_RA指标以及O_LP指标融合后得到的O_LS指标对应的相似性分数，Δt为节点对连接的总时长，Δf为节点对连接的总次数，T为时间片，kz为节点z的度，l为可调参数。
在前N个时间切片T内，机会网络相似性指标(上述的节点对目标相似度)可表示为：
Figure BDA0001740036090000083
其中，Sxy为前N个时间切片T内，机会网络相似性指标的相似性分数，
Figure BDA0001740036090000084
为根据O_RA指标以及O_LP指标融合后得到的O_LS指标对应的相似性分数，λ为可调参数。
随后，按照降序的顺序，将上述的节点对目标相似度Sxy进行排列，排在最前面的节点对出现连边的概率最大，从而实现对机会网络的链路预测。
本发明提出的机会网络链路的预测方法，首先在机会网络中根据链路预测精度，选取精度高的第一指标相似度以及第二指标相似度，其中第一指标似度为基于邻居的相似性指标(RA指标)对应的相似度值，第二指标相似度为基于路径的相似性指标(LP指标)对应的相似度值，然后结合节点历史信息，分别对上述的第一指标相似度以及第二指标相似度进行改进，分别得到改进后的RA指标中节点对中x与y之间的相似度以及LP指标中节点对中x与y之间的相似度，再通过加权平均得到单位目标相似度，然后再根据单位目标相似度对机会网络进行链路预测。本发明提出的机会网络链路的预测方法，可对机会网络的链路进行准确预测。
请参阅图4，对于本发明第二实施例提出的机会网络链路的预测装置，其中，所述装置包括指标确定模块11、计算改进模块12以及预测分析模块13；
其中所述指标确定模块11具体用于：
在机会网络中根据链路预测精度，选取确定第一指标相似度以及第二指标相似度，其中所述第一指标相似度为基于邻居的相似性指标对应的相似度值，所述第二指标相似度为基于路径的相似性指标对应的相似度值；
所述计算改进模块12具体用于：
根据所述机会网络中的节点历史信息，分别对所述第一指标相似度以及所述第二指标相似度进行改进，以分别得到第一改进相似度以及第二改进相似度，所述节点历史信息包括连接时长以及连接次数；
所述预测分析模块13具体用于：
通过加权平均法对所述第一改进相似度以及所述第二改进相似度进行融合以得到单位目标相似度，并根据多个所述单位目标相似度得到节点对目标相似度，根据所述节点对相似度对所述机会网络进行链路预测。
本发明还提出一种可读存储介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如上项所述的机会网络链路的预测方法。
本领域技术人员可以理解，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或它们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成。所述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，包括上述方法所述的步骤。所述的存储介质，包括：ROM/RAM、磁碟、光盘等。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (6)

1.一种机会网络链路的预测方法，其特征在于，所述方法包括如下步骤：
在机会网络中根据链路预测精度，选取确定第一指标相似度以及第二指标相似度，其中所述第一指标相似度为基于邻居的相似性指标对应的相似度值，所述第二指标相似度为基于路径的相似性指标对应的相似度值；
根据所述机会网络中的节点历史信息，分别对所述第一指标相似度以及所述第二指标相似度进行改进，以分别得到第一改进相似度以及第二改进相似度，所述节点历史信息包括连接时长以及连接次数；
通过加权平均法对所述第一改进相似度以及所述第二改进相似度进行融合以得到单位目标相似度，并根据多个所述单位目标相似度得到节点对目标相似度，根据所述节点对相似度对所述机会网络进行链路预测；
所述第一改进相似度的计算公式为：
Figure FDA0003064789580000011
其中，
Figure FDA0003064789580000012
为第一改进相似度，Δt为节点对连接的总时长，Δf为节点对连接的总次数，T为时间片，kz为节点z的度；
所述第二改进相似度的计算公式为：
Figure FDA0003064789580000013
其中，
Figure FDA0003064789580000014
为第二改进相似度，A为网络的邻接矩阵，a为可调参数，Δt为节点对连接的总时长，Δf为节点对连接的总次数，T为时间片，A3为节点x和节点y之间长度为3的路径数目；
单位目标相似度的计算公式为：
Figure FDA0003064789580000015
其中，
Figure FDA0003064789580000016
为融合后得到的单位目标相似度，l为可调参数；
节点对目标相似度的计算公式为：
Figure FDA0003064789580000017
其中，Sxy为前N个时间切片T内，第i个节点对目标相似度，λ为可调参数，i为节点对的序号。
2.根据权利要求1所述的机会网络链路的预测方法，其特征在于，所述第一指标相似度的表达式为：
Figure FDA0003064789580000021
其中，
Figure FDA0003064789580000022
为所述第一指标相似度，z表示节点对x与y的共同邻居集合，Γ(x)表示节点x的邻居集合，Γ(y)表示节点y的邻居集合，kz表示节点z的度。
3.根据权利要求2所述的机会网络链路的预测方法，其特征在于，所述第二指标相似度的表达式为：
Figure FDA0003064789580000023
其中，
Figure FDA0003064789580000024
为所述第二指标相似度，A为网络的邻接矩阵，a为可调参数。
4.根据权利要求1所述的机会网络链路的预测方法，其特征在于，所述根据所述节点对相似度对所述机会网络进行链路预测的方法包括：
将所述节点对相似度对应的值按照降序的顺序进行排列；
确定排列在首位的所述节点对相似度对应的节点对为最大连边概率。
5.一种机会网络链路的预测装置，其特征在于，所述装置包括：
指标确定模块，用于在机会网络中根据链路预测精度，选取确定第一指标相似度以及第二指标相似度，其中所述第一指标相似度为基于邻居的相似性指标对应的相似度值，所述第二指标相似度为基于路径的相似性指标对应的相似度值；
计算改进模块，用于根据所述机会网络中的节点历史信息，分别对所述第一指标相似度以及所述第二指标相似度进行改进，以分别得到第一改进相似度以及第二改进相似度，所述节点历史信息包括连接时长以及连接次数；
预测分析模块，用于通过加权平均法对所述第一改进相似度以及所述第二改进相似度进行融合以得到单位目标相似度，并根据多个所述单位目标相似度得到节点对目标相似度，根据所述节点对相似度对所述机会网络进行链路预测；
所述第一改进相似度的计算公式为：
Figure FDA0003064789580000031
其中，
Figure FDA0003064789580000032
为第一改进相似度，Δt为节点对连接的总时长，Δf为节点对连接的总次数，T为时间片，kz为节点z的度；
所述第二改进相似度的计算公式为：
Figure FDA0003064789580000033
其中，
Figure FDA0003064789580000034
为第二改进相似度，A为网络的邻接矩阵，a为可调参数，Δt为节点对连接的总时长，Δf为节点对连接的总次数，T为时间片，A3为节点x和节点y之间长度为3的路径数目；
单位目标相似度的计算公式为：
Figure FDA0003064789580000035
其中，
Figure FDA0003064789580000036
为融合后得到的单位目标相似度，l为可调参数；
节点对目标相似度的计算公式为：
Figure FDA0003064789580000037
其中，Sxy为前N个时间切片T内，第i个节点对目标相似度，λ为可调参数，i为节点对的序号。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现上述权利要求1至4任意一项所述的机会网络链路的预测方法。
CN201810814586.3A 2018-07-23 2018-07-23 一种机会网络链路的预测方法、装置及可读存储介质 Active CN108811028B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810814586.3A CN108811028B (zh) 2018-07-23 2018-07-23 一种机会网络链路的预测方法、装置及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810814586.3A CN108811028B (zh) 2018-07-23 2018-07-23 一种机会网络链路的预测方法、装置及可读存储介质

Publications (2)

Publication Number Publication Date
CN108811028A CN108811028A (zh) 2018-11-13
CN108811028B true CN108811028B (zh) 2021-07-16

Family

ID=64077758

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810814586.3A Active CN108811028B (zh) 2018-07-23 2018-07-23 一种机会网络链路的预测方法、装置及可读存储介质

Country Status (1)

Country Link
CN (1) CN108811028B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11176460B2 (en) * 2018-11-19 2021-11-16 Fujifilm Business Innovation Corp. Visual analysis framework for understanding missing links in bipartite networks
CN110336749B (zh) * 2019-07-11 2021-06-18 陕西师范大学 校园协作学习环境下机会网络信息快速扩散方法
CN111865690B (zh) * 2020-07-21 2022-06-03 南昌航空大学 基于网络结构和时序的机会网络链路预测方法
CN111756587B (zh) * 2020-07-29 2021-06-15 南昌航空大学 一种采用GraphSAGE预测时序网络链路的方法
CN117811992B (zh) * 2024-02-29 2024-05-28 山东海量信息技术研究院 一种网络不良信息传播抑制方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106326637A (zh) * 2016-08-10 2017-01-11 浙江工业大学 一种基于局部有效路径度的链路预测方法
CN106960251A (zh) * 2017-03-09 2017-07-18 浙江工业大学 一种基于节点相似性的无向网络连边权值预测方法
CN107895038A (zh) * 2017-11-29 2018-04-10 四川无声信息技术有限公司 一种链路预测关系推荐方法及装置
CN108183865A (zh) * 2017-12-31 2018-06-19 南京邮电大学 一种基于节点位置余弦相似度的机会网络转发方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106326637A (zh) * 2016-08-10 2017-01-11 浙江工业大学 一种基于局部有效路径度的链路预测方法
CN106960251A (zh) * 2017-03-09 2017-07-18 浙江工业大学 一种基于节点相似性的无向网络连边权值预测方法
CN107895038A (zh) * 2017-11-29 2018-04-10 四川无声信息技术有限公司 一种链路预测关系推荐方法及装置
CN108183865A (zh) * 2017-12-31 2018-06-19 南京邮电大学 一种基于节点位置余弦相似度的机会网络转发方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于深度学习的机会网络链路预测方法研究;陈琦帆;《中国优秀硕士学位论文全文数据库信息科技辑》;20171115;正文第2-3章 *

Also Published As

Publication number Publication date
CN108811028A (zh) 2018-11-13

Similar Documents

Publication Publication Date Title
CN108811028B (zh) 一种机会网络链路的预测方法、装置及可读存储介质
CN108923983B (zh) 机会网络链路的预测方法、装置及可读存储介质
CN105991397B (zh) 信息传播方法和装置
CN109067725A (zh) 网络流量异常检测方法及装置
WO2020224445A1 (zh) 一种车流路径分布信息的处理方法、装置及电子设备
CN113869521A (zh) 构建预测模型的方法、装置、计算设备和存储介质
CN112598117A (zh) 神经网络模型设计方法、部署方法、电子设备及存储介质
JP6155723B2 (ja) レーダ装置及びプログラム
CN111461440B (zh) 链路预测方法、系统及终端设备
CN111881243A (zh) 一种出租车轨迹热点区域分析方法及系统
CN111626338A (zh) 基于融合分类模型的云环境匹配方法、装置、设备和介质
CN104010018B (zh) 同步组播组的方法和装置
CN112784025B (zh) 一种目标事件的确定方法和装置
CN113157871A (zh) 应用人工智能的新闻舆情文本处理方法、服务器及介质
CN110889029A (zh) 城市目标推荐方法和装置
CN112287855A (zh) 基于多任务神经网络的驾驶行为检测方法和装置
CN107517474B (zh) 一种网络分析优化方法及装置
CN109477140A (zh) 一种数据处理方法、装置及计算节点
CN113869703A (zh) 一种基于云计算的智慧城市管理方法及系统
CN114384611A (zh) 台风模拟区域确定方法、装置、电子设备及存储介质
US10949596B1 (en) System, method, and computer program product for simultaneous routing and placement in an electronic circuit design
CN109470253B (zh) 一种实时定位处理方法及装置
CN110718088B (zh) 公交运行状态监控方法及装置
CN112488141A (zh) 物联卡应用范围的确定方法、装置及计算机可读存储介质
CN116993396B (zh) 基于车辆用户标签的风险预警方法、计算机设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant