【技术实现步骤摘要】
本专利技术涉及大数据分析，尤其涉及基于时序的信息-物理交互网络传播规模预测方法及系统。
技术介绍
1、随着物联网设备的广泛应用，人们通过物理通信(如车对物v2x和设备对设备d2d通信等)在物理网络中紧密联系在一起，同时通过虚拟通信(如微信或facebook)在信息网络中更加紧密地联系。例如，当事故发生时，紧急信息不仅在现场人员之间迅速传播，还引发整个互联网的信息扩散。预测信息传播规模可以帮助人们能够更好地推断其趋势和影响，进一步协助制定有效干预措施来处理各种紧急情况，如交通事故、恐怖袭击和枪击事件。在这种情况下，需要将信息尽快发送给所有人。深入理解信息-物理交互网络(cyber-physical interacting networks,cpins)上的信息传播过程，有助于更加准确地预测信息传播规模。
2、然而，由于信息-物理交互网络(cyber-physical interacting networks,cpins)的异构性和交互性特征，设计信息传播机制极具挑战性。此外，这些网络上信息转发和遗忘发生的随机性进一步加剧了这种情况。
3、近年来，多层网络对于理解信息传播动态过程至关重要。有关相互依赖的多层网络研究表明，网络结构可以显著改变信息传播的定性行为。一些研究学者为多层网络中的信息级联和情感传染相变提供了有益的见解。为了突显网络结构对信息传播的重要性，davis等人对物理和信息网络中的个体行为分别构建反应扩散模型和活动驱动模型，分析信息传播的演化过程以及临界相变现象。yagan等人研究了联合信息-物理
4、但是，专利技术人发现，传统方案多为确定性方案，现有的工作没有综合考虑cpins上影响传播规模动态变化的异构性、交互性和随机性的特征，无法真实地模拟信息传播的随机演化过程并准确地预测传播规模。因此，如何真实地对信息传播过程进行建模并提高传播规模预测的准确性仍然是一个有待解决的问题。
技术实现思路
1、本公开为了解决上述问题，本专利技术提出了一种基于时序的信息-物理交互网络传播规模预测方法及系统，综合考虑cpins上的异质性、交互性和随机性特征来预测信息传播规模，符合现实世界中信息传播的动态过程，提高信息传播规模预测的准确性。
2、为了实现上述目的，本专利技术采用如下技术方案：
3、第一方面，本专利技术提供一种基于时序的信息-物理交互网络传播规模预测方法，包括：
4、获取信息网络节点和物理网络节点，基于信息网络节点和物理网络节点得到信息连边、物理连边和交互连边，根据节点和连边构建信息-物理交互网络无向图；所述交互连边连接信息网络节点和物理网络节点；
5、根据无向图中节点状态转移和随机传播事件之间的关系，构建传播规模概率分布，并利用极大似然估计优化事件发生的速率。
6、优选地，所述信息网络节点之间通过信息连边连接；所述物理网络节点之间通过物理连边连接。
7、优选地，所述节点状态包括物理网络节点感染状态，物理网络节点易感状态，信息网络节点感染状态和信息网络节点易感状态。
8、优选地，所述随机传播事件包括信息转发事件和信息遗忘事件。
9、优选地，所述节点状态转移和随机传播事件之间的关系包括：
10、物理网络感染状态节点将信息传播给物理网络易感状态节点，物理网络易感状态节点转变为物理网络感染状态节点；
11、物理网络感染状态节点将信息传播给信息网络易感状态节点，信息网络易感状态节点转变为信息网络感染状态节点；
12、信息网络感染状态节点将信息传播给信息网络易感状态节点，信息网络易感状态节点转变为信息网络感染状态节点；
13、信息网络感染状态节点将信息传播给物理网络易感状态节点，物理网络易感状态节点转变为物理网络感染状态节点；
14、物理网络感染状态节点遗忘传播信息，转变为物理网络易感状态节点；
15、信息网络感染状态节点遗忘传播信息，转变为信息网络易感状态节点。
16、优选地，所述根据无向图中节点状态转移和随机传播事件之间的关系，构建传播规模概率分布，具体包括：
17、基于节点状态转移和随机传播事件之间的关系，构建ctmc模型；
18、基于ctmc模型构建生成矩阵，所述生成矩阵包含节点状态转移的速率；
19、基于时序点和生成矩阵计算随时间变化的信息传播规模的概率分布。
20、优选地，所述利用极大似然估计优化事件发生的速率，具体为：
21、获取单位时序点随机传播事件发生的速率；
22、根据事件时间似然和事件标记似然优化随机传播事件发生的速率。
23、第二方面，本专利技术提供一种基于时序的信息-物理交互网络传播规模预测系统，包括：
24、无向图构建模块，用于获取信息网络节点和物理网络节点，基于信息网络节点和物理网络节点得到信息连边、物理连边和交互连边，根据节点和连边构建信息-物理交互网络无向图；所述交互连边连接信息网络节点和物理网络节点；
25、传播规模预测模块，用于根据无向图中节点状态转移和随机传播事件之间的关系，构建传播规模概率分布，并利用极大似然估计优化事件发生的速率。
26、第三方面，本专利技术提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面所述的基于时序的信息-物理交互网络传播规模预测方法中的步骤。
27、第四方面，本专利技术提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面所述的基于时序的信息-物理交互网络传播规模预测方法中的步骤。
28、与现有技术相比，本公开的有益效果为：
29、本专利技术基于时序点过程的信息传播来预测cpins上的信息传播规模。首先，通过构建一个cpin模型来捕捉物理和信息网络的异构性和交互性，并基于该包含实际随机性的模型建立一个基于时序点过程的信息传播模型(tpp-idm)。在tpp-idm模型中，基于时序点过程来描述信息传播的随机演化，并利用ctmc预测信息传播的规模概率分布。这种概率分布为传播规模预测提供了更准确的解决方案，减少了采用传统确定性方法引起的偏差。
30、本专利技术基于极大似然估计的强度学习方法，从历史数据中学习tpp-idm的最合适强度，实现了进一步提高预测传播规模的准确性。
31、本专利技术附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
本文档来自技高网...【技术保护点】
1.基于时序的信息-物理交互网络传播规模预测方法，其特征在于，包括：
2.如权利要求1所述的传播规模预测方法，其特征在于，所述信息网络节点之间通过信息连边连接；所述物理网络节点之间通过物理连边连接。
3.如权利要求1所述的传播规模预测方法，其特征在于，所述节点状态包括物理网络节点感染状态，物理网络节点易感状态，信息网络节点感染状态和信息网络节点易感状态。
4.如权利要求3所述的传播规模预测方法，其特征在于，所述随机传播事件包括信息转发事件和信息遗忘事件。
5.如权利要求4所述的传播规模预测方法，其特征在于，所述节点状态转移和随机传播事件之间的关系包括：
6.如权利要求1所述的传播规模预测方法，其特征在于，所述根据无向图中节点状态转移和随机传播事件之间的关系，构建传播规模概率分布，具体包括：
7.如权利要求1所述的传播规模预测方法，其特征在于，所述利用极大似然估计优化事件发生的速率，具体为：
8.一种基于时序的信息-物理交互网络传播规模预测系统，其特征在于，包括：
9.一种计算机可读存储
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的传播规模预测方法中的步骤。
...【技术特征摘要】
1.基于时序的信息-物理交互网络传播规模预测方法，其特征在于，包括：
2.如权利要求1所述的传播规模预测方法，其特征在于，所述信息网络节点之间通过信息连边连接；所述物理网络节点之间通过物理连边连接。
3.如权利要求1所述的传播规模预测方法，其特征在于，所述节点状态包括物理网络节点感染状态，物理网络节点易感状态，信息网络节点感染状态和信息网络节点易感状态。
4.如权利要求3所述的传播规模预测方法，其特征在于，所述随机传播事件包括信息转发事件和信息遗忘事件。
5.如权利要求4所述的传播规模预测方法，其特征在于，所述节点状态转移和随机传播事件之间的关系包括：
6.如权利要求1所述的传播规模预测方法...
【专利技术属性】
技术研发人员：陆佃杰，陈静，田杰，徐卫志，张桂娟，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。