CN113449403B - 一种基于分层网络划分的复杂网络节点评价方法 - Google Patents
一种基于分层网络划分的复杂网络节点评价方法 Download PDFInfo
- Publication number
- CN113449403B CN113449403B CN202110717993.4A CN202110717993A CN113449403B CN 113449403 B CN113449403 B CN 113449403B CN 202110717993 A CN202110717993 A CN 202110717993A CN 113449403 B CN113449403 B CN 113449403B
- Authority
- CN
- China
- Prior art keywords
- network
- traffic
- complex network
- complex
- network node
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 30
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 238000009826 distribution Methods 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 17
- 238000000638 solvent extraction Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 8
- 238000011160 research Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 3
- 238000012800 visualization Methods 0.000 abstract description 2
- 238000007726 management method Methods 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 238000005457 optimization Methods 0.000 description 8
- 239000000203 mixture Substances 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G06Q50/40—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/02—CAD in a network environment, e.g. collaborative CAD or distributed simulation
Abstract
本发明公开了一种基于分层网络划分的复杂网络节点评价方法,涉及城市规划与城市交通技术领域,首先,对研究区内网络节点数据构建复杂网络模型。其次,计算复杂网络模型中每个网络节点的度中心性等指标值,并进行聚类计算。再计算复杂网络模型层级之间的临界值。最后,构建子层级的复杂网络模型,对子层级复杂网络模型进行网络节点指标计算与可视化,并对各个子层级复杂网络模型的社区连通水平进行特征对比。本发明能够通过对复杂网络的分层处理,实现不同层级节点的提取,进而针对不同层级节点进行单独的复杂网络指标计算,以此为城市规划和交通管理提供科学的决策依据。
Description
技术领域
本发明涉及城市规划与城市交通技术领域,特别是一种基于分层网络划分的复杂网络节点评价方法。
背景技术
当前基于多源大数据的交通复杂网络研究在城市规划和城市交通技术领域内得到了大量的应用。通常,各种复杂网络的节点评价指标被用于分析交通网络节点的状态,例如利用高铁班次数据来构建高铁复杂网络,并分析高铁站点的交通枢纽和等级地位等。然而,在利用很多数据源在分析时,面临着一个重要问题是:当一些重要交通节点(记为A类型)处于节点分布较为密集的地区,另外一些重要节点(记为B类型)处于节点分布较为稀疏的地区时,A类型节点比B类型的节点所连接的节点数更多。同时,很多情景下A类型节点尽管所连接的节点数较多,但所连接的节点在层级水平上并不高。然而,A类型节点比B类型节点的评价指标结果值会高很多。某些情景下,B类型节点的指标地位甚至低于很多一般认识上处于较低水平的节点。但实际上,A类型节点在整个交通网络的主干路线中是处于非常重要的地位。也就是说,分析结果无法正确反映出B类型节点在主干网络中实际所处于的地位。关于这一问题的描述,将在实施方式部分中做进一步的详细说明。
发明内容
本发明所要解决的技术问题是克服现有技术的不足而提供一种基于分层网络划分的复杂网络节点评价方法,本发明能够通过对复杂网络的分层处理,实现不同层级节点的提取,进而针对不同层级节点进行单独的复杂网络指标计算,以此为城市规划和交通管理提供科学的决策依据。
本发明为解决上述技术问题采用以下技术方案:
根据本发明提出的一种基于分层网络划分的复杂网络节点评价方法,包括以下步骤:
步骤1、对研究区内网络节点数据构建复杂网络模型;具体如下:
步骤1.1、对研究区内的网络节点进行唯一值编号;
步骤1.2、若网络节点之间存在一条联系记录,则认为这两个网络节点之间存在一条网络边;根据网络节点的唯一值编号和网络节点之间的网络边连接关系,构建复杂网络模型;
步骤2、计算复杂网络模型中每个网络节点的节点指标值,并进行聚类计算,确定最佳聚类数;
步骤3、计算复杂网络模型层级之间的临界值;具体如下:
步骤3.1、对网络节点的度中心性值进行直方图分布计算;
步骤3.2、采用ksdensity函数对直方图进行概率密度拟合,得到拟合后的曲线,并对拟合后的曲线进行局部极值的计算;
步骤3.3、根据局部极值和最佳聚类数,选择和确定复杂网络模型层级之间的临界值;
步骤4、构建子层级复杂网络模型;具体如下:
步骤4.1、网络节点的度中心性值切分为多个区间;切分的标准之一是根据复杂网络模型层级之间的临界值将网络节点划分到不同的区间段,每个区间段代表一个层级;切分的标准之二是区间数为最佳聚类数;
步骤4.2、重复步骤1,对复杂网络模型的每个层级中网络节点分别构建子层级复杂网络模型;
步骤5、对子层级复杂网络模型进行评价,所述评价包括:对子层级复杂网络模型进行网络节点指标的计算,并对各个子层级复杂网络模型的连通水平进行分类;具体如下:
步骤5.1、针对各个子层级复杂网络模型,进行网络节点指标的计算;
步骤5.2、对某一个子层级复杂网络模型进行社区检测计算,并计算社区检测结果中各个社区的平均路径长度和网络密度;
步骤5.3、对各个社区的平均路径长度和网络密度两个指标进行K-means聚类,实现对子层级复杂网络模型的不同社区连通水平进行分类。
作为本发明所述的一种基于分层网络划分的复杂网络节点评价方法进一步优化方案,步骤2具体如下:
步骤2.1、计算复杂网络模型中每个网络节点的度中心性值;
步骤2.2、对网络节点的度中心性值,利用混合高斯模型进行聚类,聚类中利用贝叶斯信息准则,确定最佳聚类数。
作为本发明所述的一种基于分层网络划分的复杂网络节点评价方法进一步优化方案,步骤2具体如下:
步骤2.1、计算复杂网络模型中每个网络节点的加权度中心性与度中心性这两个指标的比值;
步骤2.2、对网络节点的加权度中心性与度中心性这两个指标的比值,利用混合高斯模型进行聚类,聚类中利用贝叶斯信息准则,确定最佳聚类数。
作为本发明所述的一种基于分层网络划分的复杂网络节点评价方法进一步优化方案,步骤5中还包括对子层级复杂网络模型进行网络节点指标的可视化。
作为本发明所述的一种基于分层网络划分的复杂网络节点评价方法进一步优化方案,利用ArcGIS软件对网络节点指标值进行核密度分布可视化处理。
作为本发明所述的一种基于分层网络划分的复杂网络节点评价方法进一步优化方案,步骤1.1中唯一值编号是从1开始的。
作为本发明所述的一种基于分层网络划分的复杂网络节点评价方法进一步优化方案,步骤2.2中在利用混合高斯模型进行聚类之前,采取对数变换处理方法使得网络节点的度中心性值更加接近正态分布。
作为本发明所述的一种基于分层网络划分的复杂网络节点评价方法进一步优化方案,步骤3.3中临界值的数量等于最佳聚类数减去1,且临界值均是从局部极值中选取出来的。
作为本发明所述的一种基于分层网络划分的复杂网络节点评价方法进一步优化方案,步骤5.1中网络节点指标包括度中心性、中介中心性、邻近中心性以及聚集系数这四个指标。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
(1)本发明提供了一种基于分层网络划分的复杂网络节点评价方法,可以对不同层级的子复杂网络节点进行提取,进而针对不同层级的节点进行复杂网络指标计算;
(2)本发明不仅提取了不同层级的子复杂网络节点,还可以对不同层级复杂网络中各个社区实现一定的对比特征分析。
附图说明
图1是本发明的整体流程示意图。
图2是节点之间联系的示意图。
图3是度中心性值分布的层级划分示意图。
图4是高层级复杂子网络空间分布示意图。
图5是低层级复杂子网络空间分布示意图。
图6是提取出的高层级子网络示意图。
图7是某一个子层级复杂网路的社区评价结果分类示意图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明:
本发明提出一种基于分层网络划分的复杂网络节点评价方法来解决上述所存在的问题。该发明的核心思想是对复杂网络进行分层提取,提取出主干联系子网络。进而,可以对不同层级的子复杂网络进行节点的评价分析工作。
进一步要说明的是:不同层级子复杂网络提取出后,还需进对单独的某个层级子复杂网络进行各类网络特征分析。因为不同层级的子复杂网络可能代表着不同真实世界网络联系特征。例如,对于一个城市群内部的交通网络研究,除了提取出主要城市之间的联系网络外,还需要单独地对较低等级城市之间的联系水平进行分析。对于这种情况,就可以对相对较低层级的子复杂网络进行单独的分析。
因此,本发明的第一部分的内容主要是对复杂网络进行分层提取,形成多个子复杂网络。进一步,提出对单个子复杂网络进行具体的网络特征分析。这两部分的有机结合,为城市规划和城市交通领域中更加复杂的交通和联系网络问题的分析,提供了新的技术分析途径。这并非是不同技术内容的简单叠加,而是考虑到了分层网络划分为基础的一种新复杂网络创新分析方法。
步骤1)参见附图1,对研究区内网络节点数据构建复杂网络模型。
步骤1.1)对研究区内的网络节点进行唯一值编号,其中编号是从1开始的,以便于与复杂网络模型构建的基本要求一致,即一般复杂网络模型中节点的编号是从1开始的。
步骤1.2)若网络节点之间存在一条联系记录,则认为这两个网络节点之间存在一条网络边。根据网络节点的唯一值编号和网络节点之间的网络边连接关系,构建复杂网络模型。
这一步骤是常规的复杂网络建模过程,形成了整个网络的复杂网络模型。然而,还需要进一步对结果进行聚类,实现分层次的子网络提取。
步骤2)参见附图1,计算复杂网络模型中每个网络节点的度中心性值,并进行聚类计算。
步骤2.1)计算复杂网络模型中每个网络节点的度中心性值。度中心性值反映的是节点之间连接的次数,其英文简写为DC。后续将通过这一指标来对整个复杂网络进行分层级处理。也就是说,网络分层的结果将可以反映出节点之间连接数上的差异性。
参见附图2,展示了一个具体的具有明显分层特征的网络。其中,重要核心节点为A、B、C、D。很明显,B节点所连接的节点数较多,而A、C、D节点所连接的节点数较少。因此,步骤1)所构建的复杂网络在计算该网络的网络节点指标时,B节点的指标值比A、C、D节点要高。然而,从附图2,可以看出A节点是整个网络的核心节点,对整个网络的运行具有重要的控制性作用。显然,在某些特定分析需求下,A节点的评价应当基于核心连接网络来开展。
在这一步骤中,也可以改为计算网络节点的加权度中心性与度中心性这两个指标的比值,并根据这个比值进行后续的复杂网络分层划分处理。
步骤2.2)对网络节点的度中心性值,利用混合高斯模型进行聚类;在利用混合高斯模型进行聚类之前,可以采取对数变换处理方法使得网络节点的度中心性值更加接近正态分布。
步骤2.3)聚类过程中利用贝叶斯信息准则,确定最佳的聚类数。
步骤3)参见附图1,进一步计算复杂网络模型层级之间的临界值。
步骤3.1)对网络节点的度中心性值进行直方图分布计算。
步骤3.2)采用核密度(ksdensity)函数对直方图进行概率密度拟合,并对拟合后的曲线进行局部极值的计算。
步骤3.3)根据局部极值和最佳聚类数,选择和确定复杂网络模型层级之间的临界值。其中,临界值的数量等于最佳聚类数减去1,且临界值均是从局部极值中选取出来的。
附图3是某一地区公交联系网络的度中心性值分布划分结果的示意图。通过该图,可以发现公交站点的度中心性值在经过正态分布处理后,频率分布直方图表现为2个正态分布的组合。右边的正态分布图表示节点联系数较高的节点集合。左边的正态分布图表示节点联系数较少的节点集合。
步骤4)参见附图1,构建子层级的复杂网络模型。
步骤4.1)根据最佳聚类数和复杂网络模型层级之间的临界值,对网络节点的度中心性值切分为多个区间,并以此将复杂网络模型为多个层级。
步骤4.2)重复步骤1,对复杂网络模型的每个层级分别构建子层级复杂网络模型。
针对附图3的案例,进一步经过计算,合适的局部极值为1.92。那么,ln(DC)值大于1.92的公交站点集合可以被提取出来,形成是高一层级的子网络;ln(DC)值小于等于1.92的公交站点集合可以被提取出来,形成低一层级的子复杂网络。因此,这一步骤将整个公交联系网络分为了2个子复杂网络。
步骤5)参见附图1,对子层级复杂网络模型进行网络节点指标计算与可视化,并对各个子层级复杂网络模型的连通水平进行分类。
步骤5.1)针对各个子层级复杂网络模型,进行网络节点指标的计算。
步骤5.2)对网络节点指标进行地理空间上的可视化展示,判断各个子层级复杂网络模型在地理空间上的聚集水平。
针对附图3的案例,将不同层级的子复杂网络进行地理空间可视化。参见附图4,高层级复杂子网络空间分布图表明了连接水平较高的公交站点主要分布在城市主干道,承担着重要的城市公交运输任务。参见附图5,低层级复杂子网络空间分布图表明了连接水平较低的公交站点主要分布在城市次干道,承担着连接城市次一级公交运输的任务,其是保障城市“毛细血管”级别城市公交出行的公交基础设施。因此,本发明对于识别城市不同层级的公交网络空间分布特征具有重要的方法意义。
步骤5.3)对某一个子层级复杂网络模型进行社区检测计算,并计算社区检测结果中各个社区的平均路径长度和网络密度。
步骤5.4)对各个社区的平均路径长度和网络密度两个指标进行K-means聚类,实现对子层级复杂网络模型的不同社区连通水平进行分类。一般而言,若平均路径长度越小,且网络密度越大,则认为这个社区的连通水平越高。反之,则认为这个社区的连通水平越低。
参见附图6,针对附图2的案例,提取出了较高层级的子层级复杂网络。从附图6,可以看出提取出的子层级复杂网络,A节点的作用地位更加明显,进而避免了另一个层级复杂网络节点对该层级节点评价结果的影响。
参见附图7,针对附图2中的案例中的次一级的复杂网络,进行了社区检测。从附图7的社区检测分类结果来看,a、c、d区域各自所形成的社区连通性较差,必须要要通过A、C、D节点才能互通。而b区域内部的节点(除去B节点本身)之间互通性较高。从这个视角来看,本发明对于较低层级的复杂子网路的特征分析具有重要意义。例如,在评价多个城市群内部的城市交通联系水平时,有时候需要重点关注各个城市群内部中较低等级城市之间的联系水平。本发明专利适用这种情景的分析需求,即避免了高层级节点对于较低层级节点之间联系水平评价的影响。
本发明方法也可以应用到社会网络领域的分析。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替代,都应当视为属于本发明的保护范围。
Claims (9)
1.一种基于分层网络划分的复杂网络节点评价方法,其特征在于,包括以下步骤:
步骤1、对研究区内交通网络节点数据构建交通复杂网络模型;具体如下:
步骤1.1、对研究区内的交通网络节点进行唯一值编号;
步骤1.2、若交通网络节点之间存在一条联系记录,则认为这两个交通网络节点之间存在一条网络边;根据交通网络节点的唯一值编号和交通网络节点之间的网络边连接关系,构建交通复杂网络模型;
步骤2、计算交通复杂网络模型中每个交通网络节点的节点指标值,并进行聚类计算,确定最佳聚类数;
步骤3、计算交通复杂网络模型层级之间的临界值;具体如下:
步骤3.1、对交通网络节点的度中心性值进行直方图分布计算;
步骤3.2、采用ksdensity函数对直方图进行概率密度拟合,得到拟合后的曲线,并对拟合后的曲线进行局部极值的计算;
步骤3.3、根据局部极值和最佳聚类数,选择和确定交通复杂网络模型层级之间的临界值;
步骤4、构建子层级复杂网络模型;具体如下:
步骤4.1、交通网络节点的度中心性值切分为多个区间;切分的标准之一是根据交通复杂网络模型层级之间的临界值将交通网络节点划分到不同的区间段,每个区间段代表一个层级;切分的标准之二是区间数为最佳聚类数;
步骤4.2、重复步骤1,对交通复杂网络模型的每个层级中交通网络节点分别构建子层级复杂网络模型;
步骤5、对子层级复杂网络模型进行评价,所述评价包括:对子层级复杂网络模型进行交通网络节点指标的计算,并对各个子层级复杂网络模型的连通水平进行分类;具体如下:
步骤5.1、针对各个子层级复杂网络模型,进行交通网络节点指标的计算;
步骤5.2、对某一个子层级复杂网络模型进行社区检测计算,并计算社区检测结果中各个社区的平均路径长度和网络密度;
步骤5.3、对各个社区的平均路径长度和网络密度两个指标进行K-means聚类,实现对子层级复杂网络模型的不同社区连通水平进行分类;
所述交通网络节点为高铁站点或者公交站点。
2.根据权利要求1所述的一种基于分层网络划分的复杂网络节点评价方法,其特征在于,步骤2具体如下:
步骤2.1、计算交通复杂网络模型中每个交通网络节点的度中心性值;
步骤2.2、对交通网络节点的度中心性值,利用混合高斯模型进行聚类,聚类中利用贝叶斯信息准则,确定最佳聚类数。
3.根据权利要求1所述的一种基于分层网络划分的复杂网络节点评价方法,其特征在于,步骤2具体如下:
步骤2.1、计算交通复杂网络模型中每个交通网络节点的加权度中心性与度中心性这两个指标的比值;
步骤2.2、对交通网络节点的加权度中心性与度中心性这两个指标的比值,利用混合高斯模型进行聚类,聚类中利用贝叶斯信息准则,确定最佳聚类数。
4.根据权利要求1所述的一种基于分层网络划分的复杂网络节点评价方法,其特征在于,步骤5中还包括对子层级复杂网络模型进行交通网络节点指标的可视化。
5.根据权利要求1所述的一种基于分层网络划分的复杂网络节点评价方法,其特征在于,利用ArcGIS软件对交通网络节点指标值进行核密度分布可视化处理。
6.根据权利要求1所述的一种基于分层网络划分的复杂网络节点评价方法,其特征在于,步骤1.1中唯一值编号是从1开始的。
7.根据权利要求2所述的一种基于分层网络划分的复杂网络节点评价方法,其特征在于,步骤2.2中在利用混合高斯模型进行聚类之前,采取对数变换处理方法使得交通网络节点的度中心性值更加接近正态分布。
8.根据权利要求1所述的一种基于分层网络划分的复杂网络节点评价方法,其特征在于,步骤3.3中临界值的数量等于最佳聚类数减去1,且临界值均是从局部极值中选取出来的。
9.根据权利要求1所述的一种基于分层网络划分的复杂网络节点评价方法,其特征在于,步骤5.1中交通网络节点指标包括度中心性、中介中心性、邻近中心性以及聚集系数这四个指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110717993.4A CN113449403B (zh) | 2021-06-28 | 2021-06-28 | 一种基于分层网络划分的复杂网络节点评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110717993.4A CN113449403B (zh) | 2021-06-28 | 2021-06-28 | 一种基于分层网络划分的复杂网络节点评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113449403A CN113449403A (zh) | 2021-09-28 |
CN113449403B true CN113449403B (zh) | 2023-11-10 |
Family
ID=77813273
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110717993.4A Active CN113449403B (zh) | 2021-06-28 | 2021-06-28 | 一种基于分层网络划分的复杂网络节点评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113449403B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104572985A (zh) * | 2015-01-04 | 2015-04-29 | 大连理工大学 | 一种基于复杂网络社区发现的工业数据样本筛选方法 |
CN107182034A (zh) * | 2017-07-26 | 2017-09-19 | 江苏省城市规划设计研究院 | 基于复杂网络和手机信令数据的城市交通枢纽点评价方法 |
CN109873721A (zh) * | 2019-02-27 | 2019-06-11 | 杭州师范大学 | 一种基于多层复杂网络评估基础设施网络鲁棒性的方法 |
CN112085124A (zh) * | 2020-09-27 | 2020-12-15 | 西安交通大学 | 一种基于图注意力网络的复杂网络节点分类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080071588A1 (en) * | 1997-12-10 | 2008-03-20 | Eder Jeff S | Method of and system for analyzing, modeling and valuing elements of a business enterprise |
-
2021
- 2021-06-28 CN CN202110717993.4A patent/CN113449403B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104572985A (zh) * | 2015-01-04 | 2015-04-29 | 大连理工大学 | 一种基于复杂网络社区发现的工业数据样本筛选方法 |
CN107182034A (zh) * | 2017-07-26 | 2017-09-19 | 江苏省城市规划设计研究院 | 基于复杂网络和手机信令数据的城市交通枢纽点评价方法 |
CN109873721A (zh) * | 2019-02-27 | 2019-06-11 | 杭州师范大学 | 一种基于多层复杂网络评估基础设施网络鲁棒性的方法 |
CN112085124A (zh) * | 2020-09-27 | 2020-12-15 | 西安交通大学 | 一种基于图注意力网络的复杂网络节点分类方法 |
Non-Patent Citations (4)
Title |
---|
中国物流运营网络中的城市节点层级分析;秦璐;高歌;经济地理;第37卷(第5期);101-109 * |
秦璐 ; 高歌.中国物流运营网络中的城市节点层级分析.经济地理.2017,第37卷(第5期),101-109. * |
长三角高铁网络结构特征及形成机制;韦胜;徐建刚;马海涛;;长江流域资源与环境(第04期);3-10 * |
韦胜 ; 徐建刚 ; 马海涛 ; .长三角高铁网络结构特征及形成机制.长江流域资源与环境.2019,(第04期),3-10. * |
Also Published As
Publication number | Publication date |
---|---|
CN113449403A (zh) | 2021-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Malzer et al. | A hybrid approach to hierarchical density-based cluster selection | |
CN110836675B (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
CN109493119B (zh) | 一种基于poi数据的城市商业中心识别方法及系统 | |
CN107656987B (zh) | 一种基于lda模型的地铁站点功能挖掘方法 | |
CN110472999B (zh) | 基于地铁和共享单车数据的客流模式分析方法及装置 | |
CN107729938A (zh) | 一种基于公交接驳辐射区特征的轨道站点分类方法 | |
CN115512216A (zh) | 耦合街区时空特征和集成学习的城市功能区精细化识别方法 | |
Woźniak et al. | Hex2vec: Context-aware embedding h3 hexagons with openstreetmap tags | |
Yue et al. | Detecting clusters over intercity transportation networks using K-shortest paths and hierarchical clustering: a case study of mainland China | |
Shen et al. | Identification of accident blackspots on rural roads using grid clustering and principal component clustering | |
Ezzat et al. | Building road segments and detecting turns from gps tracks | |
CN112052405B (zh) | 一种基于司机经验的寻客区域推荐方法 | |
CN114723596A (zh) | 一种基于多源交通出行数据和主题模型的城市功能区识别方法 | |
CN111310340B (zh) | 基于人类移动的城市区域交互异常关系识别方法及设备 | |
CN113449403B (zh) | 一种基于分层网络划分的复杂网络节点评价方法 | |
CN111008730B (zh) | 基于城市空间结构的人群聚集度预测模型构建方法及装置 | |
CN116484244A (zh) | 基于聚类模型的自动驾驶事故发生机制分析方法 | |
Sohn | Feature mapping the Seoul metro station areas based on a self-organizing map | |
CN115662124A (zh) | 一种基于网络编码的gps轨迹数据路段流量匹配方法 | |
AU2021102429A4 (en) | Method for selecting roads in a small-mesh accumulation area | |
CN112559909B (zh) | 一种基于gcn嵌入空间聚类模型的商业区发现方法 | |
Leśniara et al. | Highway2vec: Representing OpenStreetMap microregions with respect to their road network characteristics | |
Oliver | Spatial network data: concepts and techniques for summarization | |
CN117591904B (zh) | 一种基于密度聚类的货车聚类方法 | |
Wang et al. | Self-Attentive Local Aggregation Learning With Prototype Guided Regularization for Point Cloud Semantic Segmentation of High-Speed Railways |
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 |