【技术实现步骤摘要】
本专利技术涉及复杂网络系统，尤其涉及一种复杂网络系统的韧性预测方法及系统。
技术介绍
1、真实世界中各个领域的复杂系统，如生态学、生物化学和生理学等系统，可以利用复杂系统理论进行建模。这些复杂系统通常由相互连接的组件构成。例如，在生态系统中，不同的组件可以表示多种物种，而物种之间的竞争、合作、共生等关系可以由组件之间的连接关系来表示。从图论的视角来看，组件可以抽象为节点，而它们之间的连接关系可以被抽象为边，因此，这类由相互连接的组件构成的复杂系统也可以被称为复杂网络系统。复杂网络系统的韧性是其重要属性之一，它表示系统在发生错误、故障和环境变化时进行调整以维持其自身正常功能的能力。理解和预测复杂网络系统中这一关键属性的韧性不仅可以增强分析和干预自然系统的能力，而且还可以为工程系统的设计提供了宝贵的见解。
2、在复杂网络韧性预测领域，已经发展出一些基于非线性动力学系统的理论方法。研究表明，复杂网络系统的韧性与系统网络的拓扑结构及其动力学机制相关。然而，已有研究大多仅局限于理论分析层面，期望对网络中节点状态的变化得出复杂高维的解析解。理论方法通常假设对网络演化动力学有详细的了解，缺乏对真实世界实际情况的考虑，真实的网络动力学的通常是难以测量且其公式形式是无法获取的。
技术实现思路
1、本专利技术提供一种复杂网络系统的韧性预测方法及系统，用以解决现有技术中理论方法通常假设对网络演化动力学有详细的了解，缺乏对真实世界实际情况的考虑，真实的网络动力学的通常是难以测量且其公式形式无法
2、本专利技术提供一种复杂网络系统的韧性预测方法，包括：获取待韧性预测的复杂网络系统的观测数据；所述观测数据包括网络拓扑分布和网络拓扑节点的动力学状态轨迹；输入所述观测数据至韧性预测模型，获得所述韧性预测模型输出的韧性预测结果；其中，所述韧性预测模型的训练方法包括：基于样本观测数据中的有标签数据对所述韧性预测模型进行预训练，得到预训练后的韧性预测模型；基于所述样本观测数据中的无标签数据、预训练后的所述韧性预测模型和预设图数据增强算法，生成模型再训练的有标签增强数据；根据所述样本观测数据中的有标签数据和生成的所述有标签增强数据，对预训练后的所述韧性预测模型进行再训练，得到再训练好的所述韧性预测模型，以基于再训练好的所述韧性预测模型进行韧性预测。
3、根据本专利技术提供的一种复杂网络系统的韧性预测方法，所述韧性预测模型包括拓扑扩散模块、动力学学习模块和韧性预测模块；所述基于样本观测数据中的有标签数据对所述韧性预测模型进行预训练，得到预训练后的韧性预测模型，包括：根据所述样本观测数据中的网络拓扑分布，基于预设生成扩散算法对所述拓扑扩散模块进行预训练，得到预训练后的拓扑扩散模块；所述拓扑扩散模块用于生成网络拓扑分布；根据所述样本观测数据中的动力学状态轨迹，利用神经常微分方程对所述动力学学习模块进行预训练，得到预训练后的动力学学习模块；所述动力学学习模块用于生成动力学状态轨迹；根据所述样本观测数据中的有标签数据，利用transformer算法和图卷积网络对所述韧性预测模块进行预训练，得到预训练后的韧性预测模块；所述韧性预测模块用于预测复杂网络系统的韧性。
4、根据本专利技术提供的一种复杂网络系统的韧性预测方法，所述基于所述样本观测数据中的无标签数据、预训练后的所述韧性预测模型和预设图数据增强算法，生成模型再训练的有标签增强数据，包括：基于所述样本观测数据中的无标签数据确定过程拓扑；所述过程拓扑为所述拓扑扩散模块在反向过程中生成的网络拓扑分布；根据所述过程拓扑，确定所述动力学学习模块生成的过程动力学状态轨迹；根据所述过程拓扑和所述过程动力学状态轨迹，确定所述韧性预测模块生成的过程韧性预测结果；基于所述过程韧性预测结果指导生成所述有标签增强数据；所述有标签增强数据包括所述拓扑扩散模块生成的有标签的增强网络拓扑分布和所述动力学学习模块生成的有标签的增强动力学状态轨迹。
5、根据本专利技术提供的一种复杂网络系统的韧性预测方法，所述根据所述样本观测数据中的网络拓扑分布，基于预设生成扩散算法对所述拓扑扩散模块进行预训练，包括：根据所述样本观测数据中的网络拓扑分布，确定输入所述拓扑扩散模块的节点集和边集；根据所述节点集和所述边集，所述拓扑扩散模块预训练的前向过程等价于从分类分布中抽样边的类型，得到带噪声的拓扑图；将所述带噪声的拓扑图输入预训练的拓扑预测网络，得到预测拓扑图；根据所述带噪声的拓扑图和所述预测拓扑图，对所述拓扑扩散模块进行预训练的反向过程，得到去噪后的拓扑图。
6、根据本专利技术提供的一种复杂网络系统的韧性预测方法，所述根据所述样本观测数据中的动力学状态轨迹，利用神经常微分方程对所述动力学学习模块进行预训练，包括：将所述样本观测数据中的动力学状态轨迹中的节点状态编码映射到隐空间；在所述隐空间中，利用图神经网络学习节点状态，得到隐空间表示；将所述隐空间表示进行解码转换，得到表征重构节点状态的动力学状态轨迹。
7、根据本专利技术提供的一种复杂网络系统的韧性预测方法，所述根据所述样本观测数据中的有标签数据，利用transformer算法和图卷积网络对所述韧性预测模块进行预训练，包括：根据所述样本观测数据中的有标签数据中每个时间步的节点的动力学状态轨迹，利用transformer层编码时间步之间节点状态的时间相关性；利用所述图卷积网络学习所述有标签数据中网络拓扑分布内的空间相互作用。
8、本专利技术还提供一种复杂网络系统的韧性预测系统，包括：获取模块，用于获取待韧性预测的复杂网络系统的观测数据；所述观测数据包括网络拓扑分布和网络拓扑节点的动力学状态轨迹；韧性预测模块，用于输入所述观测数据至韧性预测模型，获得所述韧性预测模型输出的韧性预测结果；其中，所述韧性预测模型的训练系统包括：预训练模块，用于基于样本观测数据中的有标签数据对所述韧性预测模型进行预训练，得到预训练后的韧性预测模型；数据增强模块，用于基于所述样本观测数据中的无标签数据、预训练后的所述韧性预测模型和预设图数据增强算法，生成模型再训练的有标签增强数据；再训练模块，用于根据所述样本观测数据中的有标签数据和生成的所述有标签增强数据，对预训练后的所述韧性预测模型进行再训练，得到再训练好的所述韧性预测模型，以基于再训练好的所述韧性预测模型进行韧性预测。
9、本专利技术还提供一种电子设备，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如上述任一种所述复杂网络系统的韧性预测方法。
10、本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述复杂网络系统的韧性预测方法。
11、本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述复杂网络系统的韧性预测方法。
12、本专利技术提本文档来自技高网...
【技术保护点】
1.一种复杂网络系统的韧性预测方法，其特征在于，包括：
2.根据权利要求1所述的复杂网络系统的韧性预测方法，其特征在于，所述韧性预测模型包括拓扑扩散模块、动力学学习模块和韧性预测模块；
3.根据权利要求2所述的复杂网络系统的韧性预测方法，其特征在于，所述基于所述样本观测数据中的无标签数据、预训练后的所述韧性预测模型和预设图数据增强算法，生成模型再训练的有标签增强数据，包括：
4.根据权利要求2所述的复杂网络系统的韧性预测方法，其特征在于，所述根据所述样本观测数据中的网络拓扑分布，基于预设生成扩散算法对所述拓扑扩散模块进行预训练，包括：
5.根据权利要求2所述的复杂网络系统的韧性预测方法，其特征在于，所述根据所述样本观测数据中的动力学状态轨迹，利用神经常微分方程对所述动力学学习模块进行预训练，包括：
6.根据权利要求2至5任一项所述的复杂网络系统的韧性预测方法，其特征在于，所述根据所述样本观测数据中的有标签数据，利用Transformer算法和图卷积网络对所述韧性预测模块进行预训练，包括：
7.一种复杂网络系统
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述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至6任一项所述复杂网络系统的韧性预测方法。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述复杂网络系统的韧性预测方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述复杂网络系统的韧性预测方法。
...【技术特征摘要】
1.一种复杂网络系统的韧性预测方法，其特征在于，包括：
2.根据权利要求1所述的复杂网络系统的韧性预测方法，其特征在于，所述韧性预测模型包括拓扑扩散模块、动力学学习模块和韧性预测模块；
3.根据权利要求2所述的复杂网络系统的韧性预测方法，其特征在于，所述基于所述样本观测数据中的无标签数据、预训练后的所述韧性预测模型和预设图数据增强算法，生成模型再训练的有标签增强数据，包括：
4.根据权利要求2所述的复杂网络系统的韧性预测方法，其特征在于，所述根据所述样本观测数据中的网络拓扑分布，基于预设生成扩散算法对所述拓扑扩散模块进行预训练，包括：
5.根据权利要求2所述的复杂网络系统的韧性预测方法，其特征在于，所述根据所述样本观测数据中的动力学状态轨迹，利用神经常微分方程对所述动力学学习模块进行预训练，包括：
6.根据...
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。