System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 一种基于多模态时空数据建模的多层网络状态预测方法技术_技高网

一种基于多模态时空数据建模的多层网络状态预测方法技术

技术编号:44222905 阅读:6 留言:0更新日期:2025-02-11 13:29
本发明专利技术涉及一种基于多模态时空数据建模的多层网络状态预测方法,包括以下步骤:获取多层动态网络中能够反映各节点交互的时空多模态数据;基于时空多模态数据,通过伯努利分布和泊松分布将节点的连通性和属性信息与网络群组相关联,建立具有共享群组的多层时空Hawkes过程,以捕获每层节点之间从历史事件到后续事件的相互作用,构建多模态时空模型;利用具有局部收敛性的分层期望‑极大值算法进行多模态时空模型的参数求解,得到网络状态预测结果。与现有技术相比,本发明专利技术具有建模精准、预测准确等优点。

【技术实现步骤摘要】

本专利技术涉及多层网络状态预测,尤其是涉及一种基于多模态时空数据建模的多层网络状态预测方法


技术介绍

1、如今,网络数据在多个领域中广泛应用,比如交通网络系统等。在现代网络系统中,实体之间存在交互,且这些交互常以多种形式呈现。实体之间的大量交互可以表示为多层动态网络,每一层对应于一种特定的交互形式。例如,在现代地铁系统中,某时间段和车站的客流情况,如流入和流出量,反映了车站之间人流的流通情况。除了每个单独网络层内实体之间的相关性外,多层动态网络,如地铁客流流入量网络和流出量网络,在层与层之间也表现出显著的相关性。全面描述多层动态网络中实体之间的交互,有助于提供深入见解,推动网络系统的有效决策。

2、随着信息科学和数据采集技术的快速发展,可用网络数据的情景变得更加多样化,能够被用来充分理解多层网络中不同实体之间存在的交互关系。具体来说,探索多层网络涉及多模态数据的收集,包括静态数据、动态数据以及来自自然、人工和人为因素的其他类型数据。来自多模态数据的信息通过网络在各层的时间和空间维度上进行传输,形成多层动态网络作为一个多模态时空系统,具有以下特点:

3、多层动态网络表现出涉及多模态变量的交互时空特征。其中,事件频率作为一种多模态数据,用于记录在网络各个实体、时间段和层的动态计数数据。除了层间的相关性外,反映在事件频率数据上的网络还表现出复杂的时空特征。由于系统的空间相关结构布局,从不同实体采集的事件频率数据呈现空间相关性,即在空间域中彼此接近的事件频率数据具有相互依赖关系。由于实体发生的事件随时间而演变,从相邻时间点收集的频率数据表现出时间自相关。例如,客流流入和流出是两种高度相关的交互变量构成了城市地铁网络系统的两层。客流是相邻站点的动态计数数据,具有相似的模式,并随时间动态变化。

4、除了事件频率数据外,网络还包括表征实体属性的属性数据,这些属性数据属于另一种模态数据类型,即静态数据。收集到的属性数据具有实体的多样化和多尺度特征,可以从多个角度描述网络结构特征。例如在城市地铁网络系统中,每个站点的属性变量涉及酒店服务式公寓、休闲购物、主要建筑、公共设施服务、住宅区、学校、公共交通等,这些属性变量都具有每个站点实体的独特特征。属性信息有助于全面反映系统实体之间的交互关系。

5、因此,通过从多模态变量中充分捕获实体和层之间的交互时空特征来建立多层动态网络模型至关重要。该领域仍然存在挑战:第一,尽管来自网络系统的数据在时间和空间维度上提供了全面的信息,但数据的计数型性质和复杂的时空特征给建模方法的开发带来了挑战。第二,多层网络建模有望捕获每层网络的信息和不同层之间的相关性。具体来说,对于不同层之间的相关性,网络中的个体实体经常表现出形成紧密结合的子群体(称为群组)的趋势。与来自不同群组的实体相比,属于同一群组的实体之间的互动频率往往更高。群组结构在所有层都是共享的。第三,多模态数据为网络建模提供了深层次的信息,但多变量间模态的差异和多种交互特征给网络特征融合带来了挑战。


技术实现思路

1、本专利技术的目的是为了提供一种基于多模态时空数据建模的多层网络状态预测方法,利用在复杂动态网络中采集到的反映各节点交互的相关多模态数据,实现对多层动态交互时空特征进行精准建模与预测。

2、本专利技术的目的可以通过以下技术方案来实现:

3、一种基于多模态时空数据建模的多层网络状态预测方法,包括以下步骤:

4、s1,获取多层动态网络中能够反映各节点交互的时空多模态数据;

5、s2,基于时空多模态数据,通过伯努利分布和泊松分布将节点的连通性和属性信息与网络群组相关联,建立具有共享群组的多层时空hawkes过程,以捕获每层节点之间从历史事件到后续事件的相互作用,构建多模态时空模型;

6、s3,利用具有局部收敛性的分层期望-极大值算法进行多模态时空模型的参数求解,得到网络状态预测结果。

7、所述多层动态网络由n个节点组成,其中某节点表示为节点i(i=1,…n),假设网络中有l层,其中所有层共享相同的群组结构。

8、所述多层动态网络由时空多模态数据描述,包括提供每个节点静态属性信息的属性数据,以及描述各层中某一事件类型频率的事件频率数据,所述属性数据和事件频率数据均具有时空动态特征。

9、假设在多层动态网络中的所有节点之间有r个群组,该网络中一个节点i属于群组r的概率表示为τir,其中i=1,…,n,r=1,...,r且n为节点数量;以zir表示节点i是否属于群组r,即如果节点i属于群组r,则zir=1;反之则zir=0;

10、假设每个节点具有k个属性,并且群组内的节点具有相同的属性偏好,以xik表示节点i的属性k,假设节点i属于群组r,用泊松分布对离散值属性间的关系进行建模:

11、

12、其中,φrk表示群组r中属性k的期望值,表征群组中属性的偏好,k=1,...,k且r=1,...,r,k为属性数量。

13、所述通过伯努利分布和泊松分布将节点的连通性和属性信息与网络群组相关联具体为:

14、对在给定群组下的节点对之间的连通性进行表征以捕获网络结构,采用γij表示节点i和j之间的连通性,其中γij=1表示节点i和j为相连的邻居,否则γij=0;

15、假设在给定群组下,连通性和节点属性是条件独立的,在节点i和j分别属于群体r和r′的情况下,通过伯努利分布对节点对ij之间的连通性γij进行建模,即zir=zjr,=1:

16、γij|zir,zjr′~bemoulli(θrr′)

17、其中,θrr′表示群组r和r′相连的概率,bemoulli表示伯努利分布,节点之间的连通性矩阵为

18、在用连通性矩阵γ表征网络结构后,将事件频率建模为多层网络中的动态计数过程,其中,网络的动态计数过程是一个随机过程,所有层共享网络结构,每层l包含一个时空计数过程;

19、采用在所有节点i和层l上的计数过程来表征网络计算过程,其中,表示在时间间隔[0,t]中节点i和层l上发生的计数量,l为网络总层数;

20、利用条件密度函数来为计数量建模,鉴于历史数据则

21、

22、在时间t发生的计数量由泊松分布建模:

23、

24、其中,δt表示时间间隔,poisson表示泊松分布。

25、所述建立具有共享群组的多层时空hawkes过程具体为:通过一个时空hawkes过程为节点i和层l的计数过程建模,充分考虑到相邻节点上先前事件触发节点i上即将发生事件的自激特性,如下所示:

26、

27、

28、其中,考虑到每个节点i上都存在由网络背景效应引起的时间模式,引入随时间变化的背景率基项公式表示在时间t之前,相邻节点的先前网络事件对节点i即将发生事件的触发效应,表示邻居节点j激发节点i计数过程的跳跃大小;指数核用来描本文档来自技高网...

【技术保护点】

1.一种基于多模态时空数据建模的多层网络状态预测方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的一种基于多模态时空数据建模的多层网络状态预测方法,其特征在于,所述多层动态网络由N个节点组成,其中某节点表示为节点i(i=1,…N),假设网络中有L层,其中所有层共享相同的群组结构。

3.根据权利要求2所述的一种基于多模态时空数据建模的多层网络状态预测方法,其特征在于,所述多层动态网络由时空多模态数据描述,包括提供每个节点静态属性信息的属性数据,以及描述各层中某一事件类型频率的事件频率数据,所述属性数据和事件频率数据均具有时空动态特征。

4.根据权利要求3所述的一种基于多模态时空数据建模的多层网络状态预测方法,其特征在于,假设在多层动态网络中的所有节点之间有R个群组,该网络中一个节点i属于群组r的概率表示为τir,其中i=1,…,N,r=1,…,R且N为节点数量;以zir表示节点i是否属于群组r,即如果节点i属于群组r,则zir=1;反之则zir=0;

5.根据权利要求4所述的一种基于多模态时空数据建模的多层网络状态预测方法,其特征在于,所述通过伯努利分布和泊松分布将节点的连通性和属性信息与网络群组相关联具体为:

6.根据权利要求5所述的一种基于多模态时空数据建模的多层网络状态预测方法,其特征在于,所述建立具有共享群组的多层时空Hawkes过程具体为:通过一个时空Hawkes过程为节点i和层l的计数过程建模,充分考虑到相邻节点上先前事件触发节点i上即将发生事件的自激特性,如下所示:

7.根据权利要求6所述的一种基于多模态时空数据建模的多层网络状态预测方法,其特征在于,将待估计的多模态时空模型参数写成矩阵形式,包括群组矩阵属性偏好矩阵群组之间的概率矩阵连通性矩阵背景率基矩阵以及影响激励项其中将除了Γ之外的参数集合记作η={T,Φ,Θ,μ,α};用于模型训练的数据包括属性数据和事件频率数据,数据集表示为D={x,n}。

8.根据权利要求7所述的一种基于多模态时空数据建模的多层网络状态预测方法,其特征在于,所述分层期望-极大值算法执行以下步骤进行多模态时空模型的参数求解:

9.根据权利要求8所述的一种基于多模态时空数据建模的多层网络状态预测方法,其特征在于,所述数值算法执行以下步骤:

10.根据权利要求9所述的一种基于多模态时空数据建模的多层网络状态预测方法,其特征在于,所述步骤S3中,完成多模态时空模型参数求解后,各节点i(i=1,…,N)的群组表示为:

...

【技术特征摘要】

1.一种基于多模态时空数据建模的多层网络状态预测方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的一种基于多模态时空数据建模的多层网络状态预测方法,其特征在于,所述多层动态网络由n个节点组成,其中某节点表示为节点i(i=1,…n),假设网络中有l层,其中所有层共享相同的群组结构。

3.根据权利要求2所述的一种基于多模态时空数据建模的多层网络状态预测方法,其特征在于,所述多层动态网络由时空多模态数据描述,包括提供每个节点静态属性信息的属性数据,以及描述各层中某一事件类型频率的事件频率数据,所述属性数据和事件频率数据均具有时空动态特征。

4.根据权利要求3所述的一种基于多模态时空数据建模的多层网络状态预测方法,其特征在于,假设在多层动态网络中的所有节点之间有r个群组,该网络中一个节点i属于群组r的概率表示为τir,其中i=1,…,n,r=1,…,r且n为节点数量;以zir表示节点i是否属于群组r,即如果节点i属于群组r,则zir=1;反之则zir=0;

5.根据权利要求4所述的一种基于多模态时空数据建模的多层网络状态预测方法,其特征在于,所述通过伯努利分布和泊松分布将节点的连通性和属性信息与网络群组相关联具体为:

6.根...

【专利技术属性】
技术研发人员:王迪潘欣雨
申请(专利权)人:上海交通大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1