CN112101474B - 一种航空交通网络模体识别方法及子图结构韧性评估方法 - Google Patents
一种航空交通网络模体识别方法及子图结构韧性评估方法 Download PDFInfo
- Publication number
- CN112101474B CN112101474B CN202011002659.2A CN202011002659A CN112101474B CN 112101474 B CN112101474 B CN 112101474B CN 202011002659 A CN202011002659 A CN 202011002659A CN 112101474 B CN112101474 B CN 112101474B
- Authority
- CN
- China
- Prior art keywords
- network
- sub
- graph
- subgraph
- air traffic
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 83
- 230000008569 process Effects 0.000 claims abstract description 49
- 238000011084 recovery Methods 0.000 claims abstract description 42
- 230000008859 change Effects 0.000 claims abstract description 29
- 238000011156 evaluation Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims 2
- 238000011160 research Methods 0.000 abstract description 12
- 238000013459 approach Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- 240000006394 Sorghum bicolor Species 0.000 description 1
- 235000011684 Sorghum saccharatum Nutrition 0.000 description 1
- 235000009430 Thespesia populnea Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种航空交通网络模体识别方法及子图结构韧性评估方法；从局部角度出发，以构成空中交通网络的子图结构为研究对象，对其模体特性进行识别。通过对子图浓度在外界扰动下的变化情况进行分析，提出子图结构韧性概念表征网络底层拓扑结构的动态演化规律；以华东地区空中交通网络为例，对低阶子图结构进行了模体特性识别，并对不同扰动下子图结构韧性的变化情况进行评估。本发明所述的子图结构的模体特性符合空中交通网络的实际连通度需求；在网络受扰动及恢复过程中，子图相对浓度较为稳定，子图结构韧性和网络宏观结构变化之间较为一致。
Description
技术领域
本发明属于交通网络技术领域，尤其是涉及一种航空交通网络模体识别方法及子图结构韧性评估方法。
背景技术
目前，对空中交通网络的研究内容主要围绕网络自身的结构功能特性及空中交通网络受扰动状态下的运行情况展开，鲜有对扰动后空中交通网络恢复能力的研究。而韧性作为系统的一种固有属性，可以较好的表现复杂系统预测、吸收、适应以及从破坏性事件中恢复的能力。韧性研究已经在生物结构、电力系统、指挥信息系统、城市建设等多个领域展开，主要研究方法是通过观察全局拓扑特征(中心性指标、小世界特性、幂律分布特性)和网络受扰动及恢复过程中网络指标(最大连通子图、网络效率)等的变化情况进行分析。然而，不同的局部结构会对网络整体的表现产生很大的影响，具有相似全局结构的网络之间也可能由于功能或生成机理的不同反映出不同的局部特征。Milo首次提出模体的概念，定义为在网络中反复出现的节点之间的连接结构。Schultz等证明了网络的鲁棒性及稳定性与网络中的低阶子图结构有关；Gorochowski等的研究结论表明网络中各低阶子图结构的相互协调并实现集体性功能的具体过程。因此，从局部特征角度对网络韧性进行研究具有重要意义。空中交通网络的与电力系统、社交网络类似，但是空中交通网络具有规律性、动态性，网络容量和有限性等特征。
发明内容
有鉴于此，本发明旨在提出一种航空交通网络模体识别方法及子图结构韧性评估方法，以解决空中交通网络在受扰动或可承载的运输能力下降及恢复时的变化情况的问题。
为达到上述目的，本发明的技术方案是这样实现的：
一种航空交通网络模体识别方法，包括以下步骤：
S1、通过交换算法或匹配算法生成与真实网络规模一致、切分布相通的随机网络；
S2、利用ESU算法分别在真实网络和生成的随机网络中识别特定的导出子图，将导出子图构建同构子图数据库；
S3、通过软件调取数据库中的同构子图来进行模体评价，识别同构子图的模体特性。
进一步的，所述步骤S1中的匹配算法步骤如下：
4)按源图中的节点度分布产生节点的轴辐序列，即生成每个节点和它自身度值的列表，每个节点按照度值分成若干新节点。
5)随机从1)中生成的轴辐序列挑选两个节点进行连接，建立连边关系。
6)将源-目标节点聚合，它们之间的连接聚合成一条边，生成和源图具有相同度分布的随机网络。
进一步的，所述步骤S2中的ESU算法识别特定的导出子图的过程如下：
ESU算法是基于点的枚举算法，通过思想是从每个顶点出发，每次增加一个大于当前顶点索引的新顶点，生成新的顶点集合，直到扩展成预定子图规模，得到源图的所有特定阶数的导出子图。
进一步的，所述步骤S3中的模体评价识别模体特性的过程如下：
模体评价一般通过定义子图结构在真实网络中出现的显著性水平；显著性水平如下公式得出：
其中，Fkreal是真实网络里子图结构Nk出现的次数，是在生成的随机网络中子图结构Nk出现次数的平均值，std(Fkrand)是在多个与真实网络类似的随机网络里第Nk个子图出现的次数的标准差。当Z＞0时，呈现模体特性，即与随机网络相比，在空中交通网络中，该子图的结构特性显著出现。反之Z＜0时，呈现反模体特性，即在随机网络中更易形成该类型的子图结构。
一种航空交通网络子图结构韧性评价方法，以下步骤：
S1、通过ESU算法识别出空中交通网络中t时刻某种特定构型的子图数量；
S2、通过子图数量计算出子图剩余浓度；
S3、通过子图剩余浓度计算出子图结构韧性值。
进一步的，所述步骤S1中计算出的子图数量标记为
进一步的，所述步骤S2中计算子图剩余浓度是在网络受到扰动及自我恢复的过程中，网络中某种子图结构在t时刻自身数量与初始时刻网络整体子图数量的比值，其值可由下式计算：
其中，为子图规模为N的第k个子图在时刻t的子图剩余浓度，/>为该该子图在时刻t出现的次数，/>是在初始时刻网络中规模为N的所有异构子图出现的次数。
进一步的，所述步骤S3中子图结构韧性值计算过程如下：
子图结构韧性是各子图结构抵御网络扰动并迅速恢复的能力。本文采用子图剩余浓度的变化情况对子图结构韧性值Tk进行定义，如下式所示。
其中，为子图规模为N的第k个子图在时刻t的子图剩余浓度，初始时刻t0子图的剩余浓度状态为/>子图结构在网络韧性过程中剩余浓度最低值为/>在tm时刻网络重新达到稳态。
相对于现有技术，本发明所述的一种航空交通网络模体识别方法及子图结构韧性评估方法具有以下优势：
(1)本发明所述的网络模体识别方法以及子图结构韧性评价方法具有较高连通性的子图结构在空中交通网络中表现为模体特性；较低连通度的子图结构表现为反模体，该类子图结构出现频次小于随机网络中的出现频次。
(2)本发明所述的子图结构韧性评价方法在空中交通网络中，子图结构剩余浓度可以较好的反映各子图结构随网络整体韧性过程的变化，子图结构韧性可以对网络韧性过程中的底层结构损失进行定量评价。
(3)本发明所述的网络模体识别方法以及子图结构韧性评价方法结合子图结构及网络整体韧性结果，介数攻击对网络产生的影响较小，相同网络结构下度值恢复策略能以较小的韧性损失使网络恢复为稳态。
(4)本发明所述的子图结构韧性评价方法在空中交通网络中，子图结构与网络整体之间在韧性过程中的损失表现存在着一定的一致性，但网络性能除受低阶结构的影响外，也与系统冗余度，连通性等其他功能因素有关。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例所述的节点子图结构示意图；
图2为本发明实施例所述的网络韧性过程示意图；
图3为本发明实施例所述的匹配算法示意图；
图4为本发明实施例所述的华东空中交通网络拓扑结构示意图；
图5为本发明实施例所述的子图相对浓度变化示意图；
图6为本发明实施例所述的子图剩余浓度变化示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”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。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。
下面将参考附图并结合实施例来详细说明本发明。
一种航空交通网络模体识别方法，包括以下步骤：
S1、通过交换算法或匹配算法生成与真实网络规模一致、切分布相通的随机网络；
S2、利用ESU算法分别在真实网络和生成的随机网络中识别特定的导出子图，将导出子图构建同构子图数据库；
S3、通过软件调取数据库中的同构子图来进行模体评价，识别同构子图的模体特性。
所述步骤S1中的匹配算法步骤如下：
7)按源图中的节点度分布产生节点的轴辐序列，即生成每个节点和它自身度值的列表，每个节点按照度值分成若干新节点。
8)随机从1)中生成的轴辐序列挑选两个节点进行连接，建立连边关系。
9)将源-目标节点聚合，它们之间的连接聚合成一条边，生成和源图具有相同度分布的随机网络。
进一步的，所述步骤S2中的ESU算法识别特定的导出子图的过程如下：
ESU算法是基于点的枚举算法，通过思想是从每个顶点出发，每次增加一个大于当前顶点索引的新顶点，生成新的顶点集合，直到扩展成预定子图规模，得到源图的所有特定阶数的导出子图。
所述步骤S3中的模体评价识别模体特性的过程如下：
模体评价一般通过定义子图结构在真实网络中出现的显著性水平；显著性水平如下公式得出：
其中，Fkreal是真实网络里子图结构Nk出现的次数，是在生成的随机网络中子图结构Nk出现次数的平均值，std(Fkrand)是在多个与真实网络类似的随机网络里第Nk个子图出现的次数的标准差。当Z＞0时，呈现模体特性，即与随机网络相比，在空中交通网络中，该子图的结构特性显著出现。反之Z＜0时，呈现反模体特性，即在随机网络中更易形成该类型的子图结构。
一种航空交通网络子图结构韧性评价方法，以下步骤：
S1、通过ESU算法识别出空中交通网络中t时刻某种特定构型的子图数量；
S2、通过子图数量计算出子图剩余浓度；
S3、通过子图剩余浓度计算出子图结构韧性值。
所述步骤S1中计算出的子图数量标记为
所述步骤S2中计算子图剩余浓度是在网络受到扰动及自我恢复的过程中，网络中某种子图结构在t时刻自身数量与初始时刻网络整体子图数量的比值，其值可由下式计算：
其中，为子图规模为N的第k个子图在时刻t的子图剩余浓度，/>为该该子图在时刻t出现的次数，/>是在初始时刻网络中规模为N的所有异构子图出现的次数。
所述步骤S3中子图结构韧性值计算过程如下：
子图结构韧性是各子图结构抵御网络扰动并迅速恢复的能力。本文采用子图剩余浓度的变化情况对子图结构韧性值Tk进行定义，如下式所示。
其中，为子图规模为N的第k个子图在时刻t的子图剩余浓度，初始时刻t0子图的剩余浓度状态为/>子图结构在网络韧性过程中剩余浓度最低值为/>在tm时刻网络重新达到稳态。
具体过程如下：
1、空中交通网络子图模体特性识别
1.1、空中交通网络构建
以机场及航路点为节点，以节点之间的航段为边构建网络。空中交通系统的功能是保障空中交通运输的安全高效运行，这一过程主要在空中交通网络中实现。为了便于研究，做出如下处理及假设：
(1)构建的空中交通网为无向无权网络；航路节点为空中交通网络中的强制报告点。
(2)因研究不涉及国际航线，删除边境交接点及其所连接的最后航段。
(3)为了将机场更好的与航路点相连接，参考各机场的飞行程序(标准进场、标准离场、仪表进近等),将机场点与相应的进离场、进近导航台相连，填入邻接矩阵。
构建网络模型时，用邻接矩阵{aij}N×N表示N个节点的连接关系，若节点i与节点j有连边，矩阵中aij＝aji＝1，否则aij＝aji＝0。
1.2、空中交通网络子图结构：
空中交通网络的底层拓扑结构中存在构成网络的子图结构。在本文的研究中，将低阶子图结构(三、四阶)视为构成空中交通网络并承担交通流转移功能的最小结构单元。通过低阶子图结构的不断连接与重组构成空中交通网络，作为民航运输的拓扑载体。
对于空中交通网络，N＝3及N＝4的节点连接情况类型可由图1表示。
子图结构作为实现网络功能的最小单元，通过不同的连接模式满足空中交通网络的实际运输需要。对于图1中的3-(1)代表的含义为两不直接通航的节点分别与另一节点相连接，3-(2)表示了三个航路网节点分别两两相连。对于4阶子图结构，4-(1)类子图结构反映了在4个航路节点中，每个节点有且仅有两个其他节点与之相连；4-(2)类子图结构在空中交通网络的内涵为2个相连的航路网节点分别与另外两个不直接连通的节点相连：4-(3)的子图结构代表了影响力较大的节点直接与另外三个不直接相连航路点分别连接，此种子图结构中的中心节点一般为三条航路的交叉点，(如华东地区连接A470、H17、H95的云和导航台)；4-(4)类子图结构可以视作3-(2)结构的子结构与一孤立航路点相连接，(如华东地区上饶、P49、P25两两相连形成3-(2)的子图结构，上饶与孤立在该3子图结构外的P215相连)；4-(5)类子图为除某两个航路点不直接连通外，子图中的4个节点全部两两相连成航段，同理，4-(5)类子图结构可视为两个3-(2)规模的子图结构拥有一组共同边(航段)；4-(6)表示节点网络中的节点互相全连接。
1.3、子图结构模体特性：
模体是在真实网络中反复出现的子图的连接形式，通过相互协调、相互作用对网络整体结构及性质产生较大的影响。在空中交通领域，子图结构的模体特性可视为网络构建过程中的衍生结构，其并不具备特殊的物理含义。具有模体特性的子图结构同其他异构子图一样，仅作为一种子图结构承担交通流的转移功能，但在一定程度上模体特性刻画了各空中交通节点之间潜在的连接偏好与网络的实际结构需求，可作为空中交通网络构建的结构评判标准。
由于子图的连接模式随着节点个数的增加而迅速增加，对子图结构模体特性的研究主要集中在3节点与4节点两类。且高阶子图可以视为3节点与4节点子图的组合，因此3节点与4节点构成的子图结构对于网络整体的特性与组成结构有着较大的影响，因此本文也将以子图规模为N＝3和N＝4的两类子图为研究对象进行模体辨识。
1.4、空中交通网络的模体辨识方法：
主要由随机网络生成、子图搜索以及模体特性评价三个步骤组成。
Step1随机网络生成。模体特性的辨识是通过子图在真实网络与大量随机网络出现频次多少的比较得出的，因此为了辨识空中交通网络的模体特性，首先需要生成与真实网络规模一致、且度分布相同的随机网络。该类随机生成网络可由交换算法、匹配算法等方法得到；
如图3所示，匹配算法通过三步生成与源网络类似的随机图结构：
1)按源图中的节点度分布产生节点的轴辐序列，即生成每个节点和它自身度值的列表，每个节点按照度值分成若干新节点。
2)随机从1)中生成的轴辐序列挑选两个节点进行连接，建立连边关系。
3)将源-目标节点聚合，它们之间的连接聚合成一条边，生成和源图具有相同度分布的随机图。
Step2子图搜索。分别在真实网络和生成的随机网络中识别特定的导出子图，确定并归类是否是同构子图。识别图结构是否同构是一个NP-hard问题，常用的子图方法有ESA、ESU、穷尽递归等算法；所述ESA、ESU、穷尽递归等算法均采用现有的算法；其中ESU算法是基于点的枚举算法，通过思想是从每个顶点出发，每次增加一个大于当前顶点索引的新顶点，生成新的顶点集合，直到扩展成预定子图规模，得到源图的所有特定阶数的子图。其算法示意图如图2示。
Step3模体评价。模体评价一般通过定义子图结构在真实网络中出现的显著性水平。其显著性水平Zk一般由式(1)得出。
其中，Fkreal是真实网络里子图结构Nk出现的次数，是在生成的随机网络中子图结构Nk出现次数的平均值，std(Fkrand)是在多个与真实网络类似的随机网络里第Nk个子图出现的次数的标准差。
显著性水平的定义：当Z＞0时，呈现模体特性，即与随机网络相比，在空中交通网络中，该子图的结构特性显著出现。反之Z＜0时，呈现反模体特性，即在随机网络中更易形成该类型的子图结构。
2、中交通网络子图结构韧性：
韧性是系统的一种固有属性，它同时表征了系统受到扰动时结构及功能的下降程度以及在扰动过后系统自我恢复的能力。对于空中交通网络而言，空中交通网络的韧性体现了网络在如恶劣天气、军事演习等特殊事件下的影响下，因受到扰动导致部分导航台节点或机场节点失效，影响航班流正常运行的网络性能的下降过程以及在扰动过程结束过后，节点陆续由失效变为正常运行状态，网络逐渐恢复运行的扰动恢复过程。目前对韧性系统的研究主要观察在扰动-恢复过程中网络整体的变化情况，这一过程的研究较好地从宏观角度对网络进行评估，但不能准确描述网络局部结构有效应对风险扰动保障正常运行的能力。
2.1、网络韧性：
空中交通网络中的节点在恶劣天气、军事演习、遭受攻击或者运行环境发生变化后，通过一次韧性过程进入一个暂时不变的“稳态”，具体表现为网络失效与故障恢复两个阶段：首先是网络受到干扰后节点失效网络整体性能下降、民航正常运输需难以得到正常保障的网络失效阶段。故障恢复阶段是空中交通网络的性能下降到最低点处到其结构或功能恢复到一个相对稳定状态的过程。
如图2所示，在to-t1过程中，网络保持正常运行状态，其初始网络性能值记为Wp，在t2时刻，网络受到扰动节点陆续失效，导航台节点或机场节点的失效造成网络功能的下降，航班正常通行受阻，直至t2时刻空中交通网络达到性能最低值Wmin。t2-t3时刻网络中的失效节点逐渐恢复正常运行直至达到稳态。在t3时刻网络性能值Wp'与初始状态下的网络性能并无确切的大小关系，
系统韧性水平可由公式(2)进行计算。
在式(2)中，L为韧性过程中网络性能的累计损失值。设初始状态下空中交通网络性能为Wp，在t1时刻网络发生扰动，直至降至最低值Wmin，网络在t3时刻重新到达稳态。公式(2)可以较好的反应网络从受扰动到重新恢复稳态的损失值。L越小，在韧性过程中系统损失越小，表现出较好的韧性。
2.2子图结构韧性：
基于子图浓度的变化情况对子图结构韧性进行定义，以刻画不同的子图结构抵御网络扰动并迅速恢复的能力。
不考虑与随机网络中子图结构出现次数的对比，子图浓度仅仅对空中交通网络中的同等规模不同连接模式的各子图结构的分布及变化情况进行考虑。
Step1子图相对浓度。子图相对浓度为相同时间窗下，同等规模的各异构子图结构在空中交通网络中所占的比例，计算公式为：
其中，Ck为N个节点规模下第k个子图结构的子图相对浓度，Nk为该构型子图出现的次数。
同等规模的各异构子图结构之间的相对分布情况，与子图结构在网络中的绝对数目无关。对比子图相对浓度随时间的波动情况可以作为网络韧性过程的微观结构度量指标。子图相对浓度波动越大，则网络在扰动-恢复过程中内部变化越剧烈，恢复到网络初始状态的过程中韧性损失更大；子图相对浓度曲线较平滑，则说明网络韧性过程中网络结构整体变化平稳，有着更好的韧性。
Step2子图剩余浓度。子图剩余浓度是在网络受到扰动及自我恢复的过程中，网络中某种子图结构在t时刻自身数量与初始时刻网络整体子图数量的比值，计算公式为：
其中，为子图规模为N的第k个子图在时刻t的子图剩余浓度，/>为该该子图在时刻t出现的次数，/>是在初始时刻网络中规模为N的所有异构子图出现的次数。
子图相对浓度指标仅能定性的对网络中各子图数量的相对变化趋势进行测度，而子图剩余浓度Rk可以对空中交通网络受到攻击及自我恢复的过程中，各异构子图的数目变化情况进行描述，准确反映出同一类型的子图结构随整体网络结构的变化趋势。
Step3子图结构韧性。子图结构韧性是各子图结构抵御网络扰动并迅速恢复的能力。其值可由公式(5)表示。
与网络整体的韧性水平定义类似，初始时刻t0子图k的剩余浓度状态为子图结构在网络韧性过程中剩余浓度最低值为/>在tm时刻网络重新达到稳态。子图结构韧性体现了在网络韧性过程中各底层拓扑结构相对变化情况及损失值。其值越大，说明在网络的韧性过程中，子图结构数量受到了较大的损失。
值得注意的是，网络中的子图浓度仅仅反应了真实空中交通网络中各异构子图出现的数目，是空域环境、地域发展水平、交通运输需求等多条件约束下的网络的真实状态。与同等规模相同度分布的随机网络相比较得出的子图结构(反)模体特性才反映网络内在演化的规律性。
3、实证分析
3.1空中交通网络模体特性分析
本文对我国最繁忙空域之一的华东空管局所辖空域内的航路网融合华东地区各机场进行建模，构建华东地区空中交通网络。华东地区空中交通网络共计171个航路点，262条航路，构成的华东地区空中交通网络拓扑示意图如图4所示。
在本文中，采用交换边的方法构造出10000个与真实的空中交通航路网规模、度值相同的随机网络，并用穷尽递归搜索方法对真实网络及随机网络中出现的N＝3及N＝4的各类子图数量进行统计，并依公式(1)进行计算得出各类子图结构的模体显著性评价指标值Z。各子图结构的模体特性及含义如表1所示。
表1华东空中交通网络模体特征
研究表明3节点规模的子图结构中的3-(2)及4节点规模中的4-(3)、4-(4)、4-(5)呈现出模体特性，即在华东地区空中交通网络构成中，该类节点的出现相比于相同度分布的随机网络具有显著性(Z＞0),而3-(1)、4-(1)、4-(2)呈现出反模体特性。由于网络中不存在四阶全连接的子图结构，因此无法识别4-(6)子图的模体特性
由于航路设计的主要目的是在保障安全运行的前提下尽可能的提高网络的连通性以确保航班流的正常运行，因此理想的空中交通网络应在各航路点(机场)之间连通更多的航段以产生高连通性的网络。对于特定规模的拓扑结构而言，其功能连通性将随着节点间连接紧密程度的增加而提高。在N＝4的子图结构中，依连通性降序排列应有：
4-(6)＞4-(5)＞4-(4)＝4-(3)＞4-(2)＝4-(1)
据此分析，具有中等及高等连通性的子图结构相比于随机网络应更多的出现在空中交通网络中，即呈现出模体特性；而功能连通性较低的子图结构出现频次应比随机网络中少。因此如表1的4-(3)、4-(4)、4-(5)、4-(6)应呈现出模体特性且显著性与连通性成正向相关；而4-(1)、4-(2)应表现出反模体特性。除4-(6)外，对比表1中所得出的结果具有一致性。4-(6)类子图结构有着最高的连通性，因此在实际的运行过程中会产生航路的冗余造成资源浪费，航段的增加同时增大了进近与区域管制员的工作负荷，且在一定程度上4-(6)类型的子图结构在现实中往往受到地理空间的约束，所以在华东空中交通网络中不包含4-(6)类型的航段结构。从局部拓扑的角度而言，华东地区空中交通网络有着较好的功能连通性，且设计布局较为合理。
3.2子图结构韧性分析
设华东地区空中交通网络在t＝0至t＝2时刻处于正常运行状态，自t＝2时刻起每过一个时间周期依照节点指标值由大到小的顺序对网络中10％的节点进行移除直至t＝7时刻网络中仅有50％节点为正常运行状态。自t＝7时刻起，网络依照节点指标值由大到小的顺序依序恢复，设每个时间周期10％的节点恢复正常运行状态，t＝12时网络恢复正常运行，结束一次韧性过程。本专利选取度值和介数作为节点攻击-恢复的参考指标。根据攻击节点及恢复策略的不同分别对度值攻击-度值恢复、度值攻击-介数恢复、介数攻击-度值恢复、介数攻击-介数恢复四种情况下的空中交通网络韧性进行了研究。
3.2.1子图相对浓度变化
华东空中交通网络在四种不同的攻击—恢复策略下网络中N＝4各异构子图结构的子图相对浓度值变化情况如图5所示。
由3.1中结论可知，对于理想的空中交通网络，功能连通性较高的子图相对浓度值应大于功能连通性较低的子图。而在真实空中交通网络网络的整个韧性过程中，子图相对浓度的变化呈现出与理想情况相反的结果。具有较低连通性的子图结构如图1所示，4-(1)及4-(2)在网络的整个变化过程中均占有着较高的子图相对浓度，是构成华东空中交通网络的主要结构，且子图结构4-(2)在网络中占有最高的比例。其次为子图结构4-(4)和4-(3)，具有较高连通度的子图4-(5)则在真实网络中出现频次最少。因此，真实的空中交通网络构成是以大量的较低连通性的子图结构(4-(1)、4-(2))为基础，通过部分中等连通性子图结构(4-(3)及4-(4))和少部分高等连通性子图结构(4-(5))提高网络整体连通性水平。
在四种不同的攻击-恢复模式下，空中交通网络的各异构子图相对浓度值在网络中所占比例变化较小。在t＝7至t＝9时刻，网络由受扰动阶段逐渐转为恢复阶段，此时各异构子图相对浓度值产生较明显的波动，说明尽管各子图结构在网络的韧性过程中的比例分布相对固定，但对于网络整体的变化模式(网络破坏、网络生成)有着较明显的反应。
在网络受扰动失效过程中，子图结构在基于介数的攻击策略和基于度值的攻击策略下均呈现出一定的波动。在以度为指标对网络进行攻击时，在t＝2至t＝4时刻各子图相对浓度发生了一定的变化，后逐渐趋于稳定，如图4由于子图的4-(1)及4-(4)中均有度值为3的节点，因此在整体网络中度值较大的节点依次失效时主要对子图结构4-(1)及4-(4)产生影响，造成网络韧性过程初期4-(2)相对浓度值上升，4-(1)、4-(4)相对浓度值下降。在以介数为指标对网络进行攻击时，子图4-(2)浓度值呈现出下降后上升的趋势，子图4-(4)的相对浓度值先上升后下降。当对介数较大的节点进行攻击时，相比于其他类型子图，子图结构4-(2)相对数量衰减速度更快，即介数较大的节点对网络结构4-(2)的构成有着一定的影响而介数较小的节点对于结构4-(2)影响较小，更多的是对4-(3)和4-(1)产生影响，因此在t＝5至t＝7时刻，子图结构4-(1)及4-(3)相对浓度值下降。
在网络恢复的过程中，五种子图结构相对浓度随时间的增长逐渐趋于稳定，在网络演化的后期，相对浓度值曲线更是与时间轴趋于平行，表现出华东地区空中交通网络结构网络的恢复过程逐渐趋于稳定。不同于网络失效过程，由图5可知，基于度恢复策略的网络结构比基于介数恢复策略的网络更早的进入相对稳定状态且产生更小的波动，即网络在相同结构的情况下，采取节点度中心性指标作为网络恢复策略会给整体网络带来更少的结构波动。
3.2.2子图剩余浓度变化
华东空中交通网络在四种不同的攻击—恢复策略下网络中N＝4各异构子图结构的子图剩余浓度值变化情况如图6所示。
由图6可知，基于度值的网络攻击模式下，t＝2至t＝3时刻过程中，网络中各子图结构剩余浓度迅速下降，在t＝3至t＝6时刻，网络内子图结构的剩余浓度值以相对较低的速率下降且每个阶段下降幅度相差不大。在移除了40％的节点后，网络内剩余子图浓度已经处于较低水平，此时各子图结构数量几乎不再降低。说明在网络中对度值大的节点进行移除时，华东地区空中交通网络各子图结构会受到较大的影响，对于度值排序在10％后的节点相对不敏感。相比于度值攻击策略，基于介数的网络扰动模式下，网络中子图结构剩余浓度下降趋势略慢。在t＝2至t＝4时刻下降相对较快，在t＝4时刻之后剩余浓度值下降速度降低。因此，在华东空中交通网络的整个韧性过程中，基于度值的攻击策略会比基于介数的攻击策略对局部拓扑结构带来更大的韧性损失。
对比图6-(a)和图6-(b),对基于度值攻击模式下的网络分别进行依度值和依介数两种恢复策略，在初始恢复时，两种恢复策略均对子图结构剩余浓度增长速度作用有限，在t＝8之后，网络各子图结构的剩余子图浓度值增长速度加快直至整个网络恢复正常运行。其中，基于度值的恢复策略中子图剩余浓度值的增长速度略快于介数恢复策略。如图6所示，对比6-(c)及6-(d),对基于介数攻击策略的网络进行恢复时，度值恢复模式相比于介数恢复模式有着明显的优势，各子图结构剩余浓度迅速提高，对应于网络中各异构子图的迅速恢复。因此，在华东地区空中交通网络中，优先选取节点度值作为恢复策略能更快的对网络中的局部高阶结构进行恢复，有着更小的韧性损失。3.2.3子图结构韧性及网络韧性对比
依公式(6)对华东空中交通网络不同攻击-恢复模式韧性过程中的子图剩余结构韧性损失进行计算。结果如表2所示：
表2网络韧性损失值
依式(5)对子图结构韧性进行定量计算，研究结果表明，介数-度值策略过程下网络中子图结构的韧性损失最小，即各子图结构在网络整体的演化过程中变化相对平稳，受到波动较小且可以较快的恢复网络结构。度值-介数策略对网络的子图结构产生较大的影响，其韧性损失值在四种策略过程中最高。在同等的攻击模式下，基于度值对受扰动的网络进行恢复效果更好。而基于介数的网络攻击会对网络造成较小的影响，各子图结构能保持较好的韧性。同时，本文以网络最大连通子图为整体结构指标对网络整体的韧性进行计算，计算方法参考公式(2)。可以看出基于介数的攻击策略会给网络带来相对较小的韧性损失，较度值攻击策略而言在移除同等数目节点情况下网络整体结构及功能受到较小的影响。同等网络状况下采用度值恢复策略可以使网络维持更好的韧性，系统整体将以更少的代价恢复稳态。对比子图结构韧性和网络整体韧性，可以发现子图结构表现出的韧性特性基本与网络整体韧性一致，在一定程度上子图结构韧性可以反映出网络整体的韧性变化。但在基于度值的攻击策略下，采取度值恢复策略所需的网络韧性损失略大于介数恢复策略，与子图结构韧性损失指标呈现出一定差异。一方面网络整体韧性除了受子图结构等局部拓扑性质的影响，也与网络系统冗余度，运行连通及可靠性、空域环境及运输需求等功能特性要素有关；另一方面如图6中的6-(a)和6-(b)示，两种不同的恢复策略在网络的恢复过程中子图剩余浓度变化情况近似，且各子图结构韧性损失值相近，因此在其他因素的作用下网络整体表现出的韧性损失为度值-度值过程略大于度值-介数过程。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种航空交通网络模体识别方法，其特征在于包括以下步骤：
S1、通过交换算法或匹配算法生成与真实网络规模一致、切分布相通的随机网络；
S2、利用ESU算法分别在真实网络和生成的随机网络中识别特定的导出子图，将导出子图构建同构子图数据库；
S3、通过软件调取数据库中的同构子图来进行模体评价，识别同构子图的模体特性；
所述步骤S1中的匹配算法步骤如下：
1)按源图中的节点度分布产生节点的轴辐序列，即生成每个节点和它自身度值的列表，每个节点按照度值分成若干新节点；
2)随机从1)中生成的轴辐序列挑选两个节点进行连接，建立连边关系；
3)将源-目标节点聚合，它们之间的连接聚合成一条边，生成和源图具有相同度分布的随机网络；
所述步骤S2中的ESU算法识别特定的导出子图的过程如下：
ESU算法是基于点的枚举算法，通过思想是从每个顶点出发，每次增加一个大于当前顶点索引的新顶点，生成新的顶点集合，直到扩展成预定子图规模，得到源图的所有特定阶数的导出子图；
所述子图结构韧性评价方法，包括以下步骤：
S1、通过ESU算法识别出空中交通网络中t时刻某种特定构型的子图数量；
S2、通过子图数量计算出子图剩余浓度；
S3、通过子图剩余浓度计算出子图结构韧性值。
2.根据权利要求1所述的一种航空交通网络模体识别方法，其特征在于：所述步骤S3中的模体评价识别模体特性的过程如下：
模体评价一般通过定义子图结构在真实网络中出现的显著性水平；显著性水平如下公式得出：
其中，Fkreal是真实网络里子图结构Nk出现的次数，是在生成的随机网络中子图结构Nk出现次数的平均值，std(Fkrand)是在多个与真实网络类似的随机网络里第Nk个子图出现的次数的标准差；当Z＞0时，呈现模体特性，即与随机网络相比，在空中交通网络中，该子图的结构特性显著出现；反之Z＜0时，呈现反模体特性，即在随机网络中更易形成该类型的子图结构。
3.根据权利要求1所述的一种航空交通网络模体识别方法，其特征在于：所述步骤S1中计算出的子图数量标记为
4.根据权利要求2所述的一种航空交通网络模体识别方法，其特征在于：所述步骤S2中计算子图剩余浓度是在网络受到扰动及自我恢复的过程中，网络中某种子图结构在t时刻自身数量与初始时刻网络整体子图数量的比值，其值可由下式计算：
其中，为子图规模为N的第k个子图在时刻t的子图剩余浓度，/>为该子图在时刻t出现的次数，/>是在初始时刻网络中规模为N的所有异构子图出现的次数。
5.根据权利要求1所述的一种航空交通网络模体识别方法，其特征在于：
所述步骤S3中子图结构韧性值计算过程如下：
子图结构韧性是各子图结构抵御网络扰动并迅速恢复的能力；本文采用子图剩余浓度的变化情况对子图结构韧性值Tk进行定义，如下式所示；
其中，为子图规模为N的第k个子图在时刻t的子图剩余浓度，初始时刻t0子图的剩余浓度状态为/>子图结构在网络韧性过程中剩余浓度最低值为/>在tm时刻网络重新达到稳态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011002659.2A CN112101474B (zh) | 2020-09-22 | 2020-09-22 | 一种航空交通网络模体识别方法及子图结构韧性评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011002659.2A CN112101474B (zh) | 2020-09-22 | 2020-09-22 | 一种航空交通网络模体识别方法及子图结构韧性评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112101474A CN112101474A (zh) | 2020-12-18 |
| CN112101474B true CN112101474B (zh) | 2024-02-23 |
Family
ID=73754832
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011002659.2A Active CN112101474B (zh) | 2020-09-22 | 2020-09-22 | 一种航空交通网络模体识别方法及子图结构韧性评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112101474B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115759486B (zh) * | 2023-01-06 | 2023-05-12 | 中交路桥检测养护有限公司 | 城市桥梁灾变预测与韧性评估方法和系统 |
| CN117422320B (zh) * | 2023-12-19 | 2024-03-05 | 长安大学 | 一种提取天气对航班韧性运行影响因素的方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107239821A (zh) * | 2017-06-08 | 2017-10-10 | 内蒙古大学 | 随机攻击策略下的城市群交通网络可靠性修复方法 |
| CN109034654A (zh) * | 2018-08-20 | 2018-12-18 | 中国民航大学 | 空中交通相依网络脆弱性的度量方法 |
| CN109768894A (zh) * | 2019-03-04 | 2019-05-17 | 中国民航大学 | 空中交通相依网络脆弱性识别与控制方法及系统 |
| CN110222950A (zh) * | 2019-05-16 | 2019-09-10 | 北京航空航天大学 | 一种城市交通的健康指标体系及评估方法 |
| CN110991913A (zh) * | 2019-12-09 | 2020-04-10 | 南京航空航天大学 | 繁忙机场高峰时间拥堵风险分析方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8396884B2 (en) * | 2006-02-27 | 2013-03-12 | The Regents Of The University Of California | Graph querying, graph motif mining and the discovery of clusters |
-
2020
- 2020-09-22 CN CN202011002659.2A patent/CN112101474B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107239821A (zh) * | 2017-06-08 | 2017-10-10 | 内蒙古大学 | 随机攻击策略下的城市群交通网络可靠性修复方法 |
| CN109034654A (zh) * | 2018-08-20 | 2018-12-18 | 中国民航大学 | 空中交通相依网络脆弱性的度量方法 |
| CN109768894A (zh) * | 2019-03-04 | 2019-05-17 | 中国民航大学 | 空中交通相依网络脆弱性识别与控制方法及系统 |
| CN110222950A (zh) * | 2019-05-16 | 2019-09-10 | 北京航空航天大学 | 一种城市交通的健康指标体系及评估方法 |
| CN110991913A (zh) * | 2019-12-09 | 2020-04-10 | 南京航空航天大学 | 繁忙机场高峰时间拥堵风险分析方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于复杂网络的交通运输网络可靠性研究进展;吕文红 等;科学技术与工程;20190831;第19卷(第24期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112101474A (zh) | 2020-12-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112101474B (zh) | 一种航空交通网络模体识别方法及子图结构韧性评估方法 | |
| CN101650191B (zh) | 道路网络拓扑抽象的方法及装置 | |
| CN108053037A (zh) | 一种基于两网融合的配电网抢修策略制定方法及装置 | |
| Lin et al. | Division algorithm and interconnection strategy of restoration subsystems based on complex network theory | |
| CN113705085B (zh) | 一种智能电网多层次结构建模及风险评估方法 | |
| CN109768894B (zh) | 空中交通相依网络脆弱性识别与控制方法及系统 | |
| CN109743215B (zh) | 一种多区域故障下基于灾难预测的蚁群优化虚拟网络映射方法 | |
| Wang et al. | Vulnerability assessment of urban road traffic systems based on traffic flow | |
| Oliver et al. | A k-main routes approach to spatial network activity summarization: A summary of results | |
| Yan et al. | Construction of regional logistics weighted network model and its robust optimization: Evidence from China | |
| Pillac et al. | A path-generation matheuristic for large scale evacuation planning | |
| Gao et al. | Comprehensive evaluation of urban road network resilience facing earthquakes | |
| CN110412417A (zh) | 基于智能电力监测仪表的微电网数据故障诊断方法 | |
| US20230410240A1 (en) | Method for representing and measuring disaster resilience of urban public services | |
| CN111276967B (zh) | 一种电力系统的弹性能力评估方法和装置 | |
| Chen et al. | Resilience assessment of multimodal urban transport networks | |
| CN105871606B (zh) | 一种基于分治策略的增强虚拟网络生存性的映射方法 | |
| CN115759362A (zh) | 基于弹性评估的地铁-公交相依网络功能域分类方法 | |
| AU2021102429A4 (en) | Method for selecting roads in a small-mesh accumulation area | |
| CN114599043A (zh) | 一种基于深度强化学习的空天地一体化网络资源分配方法 | |
| CN113868811A (zh) | 地铁网络拓扑结构可靠性评价方法 | |
| CN113723859B (zh) | 一种多层城市群综合客运网络稳定性评价方法 | |
| CN110365006A (zh) | 一种基于nwbbo算法的电网分区方法 | |
| Bai et al. | Resilience Assessment of Subway Network Based on Monte Carlo Simulation-Xi’an Subway as an Example | |
| CN110427569B (zh) | 一种基于粗糙集理论的改进密度峰值重叠社区发现方法 |
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 |