CN111865690B - 基于网络结构和时序的机会网络链路预测方法 - Google Patents

基于网络结构和时序的机会网络链路预测方法 Download PDF

Info

Publication number
CN111865690B
CN111865690B CN202010707629.5A CN202010707629A CN111865690B CN 111865690 B CN111865690 B CN 111865690B CN 202010707629 A CN202010707629 A CN 202010707629A CN 111865690 B CN111865690 B CN 111865690B
Authority
CN
China
Prior art keywords
matrix
forest
network
index
original
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
CN202010707629.5A
Other languages
English (en)
Other versions
CN111865690A (zh
Inventor
尧小龙
舒坚
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 CN202010707629.5A priority Critical patent/CN111865690B/zh
Publication of CN111865690A publication Critical patent/CN111865690A/zh
Application granted granted Critical
Publication of CN111865690B publication Critical patent/CN111865690B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • H04L41/12—Discovery or management of network topologies
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种基于网络结构和时序的机会网络链路预测方法，包括：S1，在原矩阵森林指数的基础上从连接次数和连接时长两个方面重定义矩阵森林指数；S2，分别计算原矩阵森林指数和重定义的矩阵森林指数的相似性矩阵；S3，构建混合矩阵森林指数，采用量子粒子群优化算法为原矩阵森林指数和重定义的矩阵森林指数寻找最优权重分配，通过加权得到混合矩阵森林指数相似性矩阵，进而得到预测结果。本发明一方面利用原矩阵森林指数采集多个时刻网络的局部信息，另一方面利用重定义的矩阵森林指数，从连接时长和连接次数全局角度采集网络的状态，最后通过对两个方面合理加权，能够提高机会网络中链路预测的准确性。

Description

基于网络结构和时序的机会网络链路预测方法
技术领域
本发明涉及网络分析技术领域，特别是涉及一种基于网络结构和时序的机会网络链路预测方法。
背景技术
机会网络是一种不需要源节点和目标节点间存在完整通信链路，利用节点移动带来的相遇机会实现通信的自组织网络。它以“存储-携带-转发”的路由模式实现节点间的信息传输。
链路预测是指通过已知的网络结构与节点属性等信息，预测网络中尚未产生连边的两个节点之间产生连接的可能性。它既包含了对未知链接的预测，也包含了对未来链接的预测。目前来说，链路预测的方法可以分为3类：基于相似性指标的链路预测方法、基于矩阵分解的链路预测方法和基于机器学习的链路预测方法。
相关技术中，虽然有一些基于相似性指标的链路预测方法，但用于机会网络中链路预测的相似性指标还非常少，此外，已提出的用于机会网络链路预测的相似性指标都从单一方面度量节点的相似性，且往往通过网络的局部信息来预测全局的网络状态，这些都影响了链路预测的准确性。
发明内容
针对上述问题，本发明的目的在于提出一种基于网络结构和时序的机会网络链路预测方法，以提升链路预测的准确性。
一种基于网络结构和时序的机会网络链路预测方法，包括：
S1，在原矩阵森林指数的基础上从连接次数和连接时长两个方面重定义矩阵森林指数；
S2，分别计算原矩阵森林指数和重定义的矩阵森林指数的相似性矩阵；
S3，构建混合矩阵森林指数，采用量子粒子群优化算法为原矩阵森林指数和重定义的矩阵森林指数寻找最优权重分配，通过加权得到混合矩阵森林指数相似性矩阵，进而得到预测结果。
根据本发明提供的基于网络结构和时序的机会网络链路预测方法，考虑了机会网络的网络拓扑结构具有时变性，重定义了原矩阵森林指数，构建出能够从网络结构和时序两个方面进行节点相似性度量的混合矩阵森林指数，一方面利用原矩阵森林指数采集多个时刻网络的局部信息，另一方面利用重定义的矩阵森林指数，从连接时长和连接次数全局角度采集网络的状态，最后通过对两个方面合理加权，能够提高机会网络中链路预测的准确性。本发明能够在如手持设备网络、可穿戴设备网络等机会网络中能表现出较好的链路预测的准确性。
另外，根据本发明上述的基于网络结构和时序的机会网络链路预测方法，还可以具有如下附加的技术特征：
进一步地，步骤S1中具体采用步骤计算公式重定义矩阵森林指数：
原矩阵森林指数的计算公式如下：
S＝(I+L)-1
其中，S为网络中各节点的矩阵森林指数所组成的矩阵，I为单位矩阵，L为网络的拉普拉斯矩阵，L等于网络的度矩阵与邻接矩阵的差；
重定义的矩阵森林指数，原计算公式中的网络的拉普拉斯矩阵L中的元素lxy使用下面的公式进行计算：
Figure BDA0002594897880000021
其中，x和y表示网络中的节点，lxy表示拉普拉斯矩阵的元素，p表示节点x和y的第p次连接，t表示节点x和y第p次连接的连接时长。
进一步地，步骤S2具体包括：
S21，依据机会网络数据的采样频率，采用原矩阵森林指数的计算公式计算每次采样网络的原矩阵森林指数的相似性矩阵，再使用下面的公式计算它们的平均值，得到最终的原矩阵森林指数的相似性矩阵；
Figure BDA0002594897880000031
其中，
Figure BDA0002594897880000032
为每次采样网络的原矩阵森林指数的相似性矩阵求平均值后所得到的原矩阵森林指数的相似性矩阵，Si为第i次采样网络的原矩阵森林指数的相似性矩阵，n为采样的次数；
S22，采用重定义的矩阵森林指数的计算公式计算机会网络的重定义的矩阵森林指数的相似性矩阵S'。
进一步地，步骤S3具体包括：
S31，通过量子粒子群算法的寻优，得到原矩阵森林指数和重定义的矩阵森林指数的最优权重w1和w2；
S32，使用下面的公式计算得到混合矩阵森林指数的相似性矩阵：
MixIndex＝w1×S+w2×S'
其中，MixIndex为混合矩阵森林指数的相似性矩阵，S和S'分别为原矩阵森林指数和重定义的矩阵森林指数的相似性矩阵。
附图说明
本发明实施例的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明一实施例提供的基于网络结构和时序的机会网络链路预测方法的流程图。
图2是本发明一实施例提供的基于网络结构和时序的机会网络链路预测方法的具体实施示意图。
图3为原矩阵森林指数计算过程中的网络拉普拉斯矩阵计算示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为了对本发明进行说明，本发明的实施例以ITC数据集所描述的网络为例，对本发明提出的基于网络结构和时序的机会网络链路预测方法进行说明。ITC数据集记录了剑桥大学中50名学生的运动和通信信息，这些学生都携带有iMote设备，设备通过他们日常生活中的移动来进行通信和数据收集。该数据集共包含了12天的数据，采样频率为10s，其数据格式如表1所示。
表1ITC数据集的数据格式
设备ID 设备ID 开始连接时刻 结束连接时刻
因为S1是对原矩阵森林指数的重定义，属于直接给出的部分。
请结合图1和图2，本实施例提供的基于网络结构和时序的机会网络链路预测方法，具体包括步骤S1～S3。
S1，重定义矩阵森林指数，在原矩阵森林指数的基础上从连接次数和连接时长两个方面重定义矩阵森林指数。
其中，原矩阵森林指数的计算公式如下：
S＝(I+L)-1
其中，S为网络中各节点对的矩阵森林指数所组成的矩阵，I为单位矩阵，L为网络的拉普拉斯矩阵，它等于网络的度矩阵与邻接矩阵的差。
重定义的矩阵森林指数，原计算公式中的网络的拉普拉斯矩阵L中的元素lxy使用下面的公式进行计算：
Figure BDA0002594897880000041
其中x和y表示网络中的节点，lxy表示拉普拉斯矩阵的元素，p表示节点x和y的第p次连接，t表示的是节点x和y第p次连接的连接时长。
S2，分别计算原矩阵森林指数和重定义的矩阵森林指数的相似性矩阵。
其中，步骤S2具体包括步骤S21～S23：
S21,该数据集采样频率为10s，即每隔10s记录一次网络的状态，故每隔10s使用下面的公式计算出一个原矩阵森林指数的相似性矩阵：
S＝(I+L)-1
其中S为原矩阵森林指数，I为单位矩阵，L为网络的拉普拉斯矩阵。L的计算示意图请参阅图3，其计算公式如下：
L＝D-A
其中D表示网络拓扑图的度矩阵，A表示网络拓扑图的邻接矩阵。
S22,使用下面的公式求这些矩阵的平均值，得到该网络的原矩阵森林指数的相似性矩阵：
Figure BDA0002594897880000051
其中，
Figure BDA0002594897880000052
为每次采样网络的原矩阵森林指数的相似性矩阵求平均值后所得到的原矩阵森林指数的相似性矩阵，Si为第i次采样网络的原矩阵森林指数的相似性矩阵，n为采样的次数。
S23，计算网络的重定义的矩阵森林指数的相似性矩阵，其计算公式如下：
S'＝(I+L)-1
其中，S'为网络重定义的矩阵森林指数的相似性矩阵，I为单位矩阵，L为网络的拉普拉斯矩阵。L中的元素lxy的计算公式如下：
Figure BDA0002594897880000053
其中，x和y表示网络中的节点，lxy表示拉普拉斯矩阵的元素，p表示节点x和y的第p次连接。t表示的是节点x和y第p次连接的连接时长。
是否是同一节点，可以通过数据集中设备ID得出，连接次数和每次连接时长可以通过相关数据项的记录数、连接起始结束时间以及网络快照的起始结束时间得出。
S3，构建混合矩阵森林指数，采用量子粒子群优化算法为原矩阵森林指数和重定义的矩阵森林指数寻找最优权重分配，通过加权得到混合矩阵森林指数相似性矩阵，进而得到预测结果。
其中，步骤S3具体包括步骤S31～S33：
S31，采用量子粒子群优化算法，为各个网络快照计算原矩阵森林指数和重定义的矩阵森林指数的最优权重分配，首先为量子粒子群中每个量子态的粒子按如下方式进行编码：
Figure BDA0002594897880000061
其中,Pi表示概率幅，θij＝2π×rnd，rnd为(0,1)之间的随机数，i＝1,2,…,m,j＝1,2,…,n。m是量子粒子群中粒子的数目，粒子数目越多越能增加初始化时权重数组的差异性。n是待分配权重的相似性指标的数目，在本方法中，n＝2。
量子比特两种极化状态|0>和|1>的概率幅，对应可以表示为：
Pis＝(sin(θi1),sin(θi2),...,sin(θin))
Pic＝(cos(θi1),cos(θi2),...,cos(θin))
采用下面的公式可以得到初始的权重数组：
Figure BDA0002594897880000062
Figure BDA0002594897880000063
其中m是量子粒子群中粒子的数目，n是待分配权重的相似性指标的数目，在本方法中，n＝2。选择上述Wis或Wic之一作为初始的权重数组即可。
采用下面的公式对权重数组进行迭代更新：
Figure BDA0002594897880000071
其中t表示一次迭代过程，t+1表示下一次迭代过程。
在对权重数组进行迭代更新的过程中，需要对其进行变异处理，防止该算法陷入局部最优，设置权重数组的变异概率Pm为0.6，在(0,1)之间随机生成rndi，如果rndi<Pm,则随机选择该粒子上n/2个量子比特，并采用下面的公式进行变异操作：
Figure BDA0002594897880000072
S32，使用下面的公式计算得到混合矩阵森林指数的相似性矩阵：
MixIndex＝w1×S+w2×S'
其中MixIndex为混合矩阵森林指数的相似性矩阵，S和S'分别为原矩阵森林指数和重定义的矩阵森林指数的相似性矩阵。
S33，根据实际需求设置阈值m(0≤m≤1)或依据AUC值找出使得本方法性能达到最优的阈值m。当混合矩阵森林指数的相似性矩阵中的元素不小于m时，则本方法预测其对应节点之间在下一时刻会产生连接，否则预测其对应节点之间在下一时刻不会产生连接。
综上，根据本发明提供的基于网络结构和时序的机会网络链路预测方法，考虑了机会网络的网络拓扑结构具有时变性，重定义了原矩阵森林指数，构建出能够从网络结构和时序两个方面进行节点相似性度量的混合矩阵森林指数，一方面利用原矩阵森林指数采集多个时刻网络的局部信息，另一方面利用重定义的矩阵森林指数，从连接时长和连接次数全局角度采集网络的状态，最后通过对两个方面合理加权，能够提高机会网络中链路预测的准确性。本发明能够在如手持设备网络、可穿戴设备网络等机会网络中能表现出较好的链路预测的准确性。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (1)

1.一种基于网络结构和时序的机会网络链路预测方法，其特征在于，包括：
S1，在原矩阵森林指数的基础上从连接次数和连接时长两个方面重定义矩阵森林指数；
S2，分别计算原矩阵森林指数和重定义的矩阵森林指数的相似性矩阵；
S3，构建混合矩阵森林指数，采用量子粒子群优化算法为原矩阵森林指数和重定义的矩阵森林指数寻找最优权重分配，通过加权得到混合矩阵森林指数相似性矩阵，进而得到预测结果；
步骤S1中具体采用步骤计算公式重定义矩阵森林指数：
原矩阵森林指数的计算公式如下：
S＝(I+L)-1
其中，S为网络中各节点的矩阵森林指数所组成的矩阵，I为单位矩阵，L为网络的拉普拉斯矩阵，L等于网络的度矩阵与邻接矩阵的差；
重定义的矩阵森林指数，原计算公式中的网络的拉普拉斯矩阵L中的元素lxy使用下面的公式进行计算：
Figure FDA0003607357690000011
其中，x和y表示网络中的节点，lxy表示拉普拉斯矩阵的元素，p表示节点x和y的第p次连接，t表示节点x和y第p次连接的连接时长；
步骤S2具体包括：
S21，依据机会网络数据的采样频率，采用原矩阵森林指数的计算公式计算每次采样网络的原矩阵森林指数的相似性矩阵，再使用下面的公式计算它们的平均值，得到最终的原矩阵森林指数的相似性矩阵；
Figure FDA0003607357690000012
其中，
Figure FDA0003607357690000013
为每次采样网络的原矩阵森林指数的相似性矩阵求平均值后所得到的原矩阵森林指数的相似性矩阵，Si为第i次采样网络的原矩阵森林指数的相似性矩阵，n为采样的次数；
S22，采用重定义的矩阵森林指数的计算公式计算机会网络的重定义的矩阵森林指数的相似性矩阵S'；
步骤S3具体包括：
S31，通过量子粒子群算法的寻优，得到原矩阵森林指数和重定义的矩阵森林指数的最优权重w1和w2；
S32，使用下面的公式计算得到混合矩阵森林指数的相似性矩阵：
MixIndex＝w1×S+w2×S'
其中，MixIndex为混合矩阵森林指数的相似性矩阵，S和S'分别为原矩阵森林指数和重定义的矩阵森林指数的相似性矩阵。
CN202010707629.5A 2020-07-21 2020-07-21 基于网络结构和时序的机会网络链路预测方法 Active CN111865690B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010707629.5A CN111865690B (zh) 2020-07-21 2020-07-21 基于网络结构和时序的机会网络链路预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010707629.5A CN111865690B (zh) 2020-07-21 2020-07-21 基于网络结构和时序的机会网络链路预测方法

Publications (2)

Publication Number Publication Date
CN111865690A CN111865690A (zh) 2020-10-30
CN111865690B true CN111865690B (zh) 2022-06-03

Family

ID=73002306

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010707629.5A Active CN111865690B (zh) 2020-07-21 2020-07-21 基于网络结构和时序的机会网络链路预测方法

Country Status (1)

Country Link
CN (1) CN111865690B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112651183A (zh) * 2021-01-19 2021-04-13 广西大学 一种量子分布式对抗统一深度哈希网络的可靠性评估方法
CN114745290B (zh) * 2022-05-07 2023-05-12 长春理工大学 一种基于量子游走的链路预测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015124424A1 (en) * 2014-02-24 2015-08-27 Deutsche Telekom Ag Method and system for link prediction in mobile computing
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
CN108811028A (zh) * 2018-07-23 2018-11-13 南昌航空大学 一种机会网络链路的预测方法、装置及可读存储介质
CN109120462A (zh) * 2018-09-30 2019-01-01 南昌航空大学 机会网络链路的预测方法、装置及可读存储介质
CN110650050A (zh) * 2019-09-25 2020-01-03 南昌航空大学 一种采用效率依赖矩阵评估机会网络关键节点的方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10361926B2 (en) * 2017-03-03 2019-07-23 Nec Corporation Link prediction with spatial and temporal consistency in dynamic networks
CN109347697B (zh) * 2018-10-10 2019-12-03 南昌航空大学 机会网络链路预测方法、装置及可读存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015124424A1 (en) * 2014-02-24 2015-08-27 Deutsche Telekom Ag Method and system for link prediction in mobile computing
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
CN108811028A (zh) * 2018-07-23 2018-11-13 南昌航空大学 一种机会网络链路的预测方法、装置及可读存储介质
CN109120462A (zh) * 2018-09-30 2019-01-01 南昌航空大学 机会网络链路的预测方法、装置及可读存储介质
CN110650050A (zh) * 2019-09-25 2020-01-03 南昌航空大学 一种采用效率依赖矩阵评估机会网络关键节点的方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Yi Feng ; Linlan Liu ; Jian Shu.A Link Quality Prediction Method for Wireless Sensor Networks Based on XGBoost.《IEEE Access》.2019, *
基于支持向量机的机会网络链路预测;廖亮等;《信息通信》;20180915(第09期);全文 *
基于深度卷积神经网络的多节点间链路预测方法;舒坚;《电子学报》;20181231;全文 *
复杂网络中的链接预测;刘维;《信息与控制》;20200215(第01期);全文 *

Also Published As

Publication number Publication date
CN111865690A (zh) 2020-10-30

Similar Documents

Publication Publication Date Title
Ioannidis et al. Coupled graphs and tensor factorization for recommender systems and community detection
CN108366386B (zh) 一种使用神经网络实现无线网络故障检测的方法
Zhou et al. Multiobjective biogeography based optimization algorithm with decomposition for community detection in dynamic networks
CN112911626B (zh) 基于多图卷积的无线网络流量预测方法
CN111865690B (zh) 基于网络结构和时序的机会网络链路预测方法
CN113379176B (zh) 电信网络异常数据检测方法、装置、设备和可读存储介质
CN117156442B (zh) 基于5g网络的云数据安全保护方法及系统
CN115358487A (zh) 面向电力数据共享的联邦学习聚合优化系统及方法
García-Pérez et al. Precision as a measure of predictability of missing links in real networks
Cadena et al. Near-optimal and practical algorithms for graph scan statistics
Bharti et al. Clustering‐based resource discovery on Internet‐of‐Things
CN117061322A (zh) 物联网流量池管理方法及系统
Ouchra et al. Spatial Data Mining technology for GIS: a review
CN115114484A (zh) 异常事件检测方法、装置、计算机设备和存储介质
CN116758349A (zh) 基于多尺度超像素节点聚合图卷积残差网络的高光谱图像分类方法
Liu et al. Missing nodes detection for complex networks based on graph convolutional networks
CN114265954A (zh) 基于位置与结构信息的图表示学习方法
Louhi et al. Incremental nearest neighborhood graph for data stream clustering
CN112884067B (zh) 一种基于决策树分类器的跳数矩阵恢复方法
CN113315757B (zh) 一种面向边缘计算的数据免解码传输方法
WO2017054434A1 (zh) 事件检测方法、装置和系统
CN113807600B (zh) 一种动态社交网络中的链路预测方法
Deshpande et al. A novel algorithm for evaluating clustering propensity of IoT-generated spatio-temporal data geared for distributed systems
Wei et al. Topology Design for Robust IoT Data Gathering via Bayesian Networks
Yunianta et al. Modelling of network traffic usage using self-organizing maps techniques

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