CN110798802A - 一种共享自行车骨架网络提取方法 - Google Patents

Abstract

本发明公开了一种共享自行车骨架网络提取方法，属于计算机应用技术领域，该方法能够针对由具有空间位置特征的网络节点组成的网络进行骨干网络提取。包括如下步骤：构建共享自行车网络。计算共享自行车网络中所有边的显著性，保留显著性大于零的边为骨干网络的边。计算共享自行车网络中所有节点的拓扑势。对共享自行车网络中的所有节点，依据其地理位置进行空间密度聚类，得到骑行区域簇。对于每个骑行区域簇，对当前骑行区域簇内的网络节点按照拓扑势的值进行降序排序，选取降序排序后的前设定个数的节点构成当前骑行区域簇的骨干核心节点。合并所有骑行区域簇的骨干核心节点，利用骨干网络的边对骨干核心节点进行连接构成骨架网络。

Description

一种共享自行车骨架网络提取方法

技术领域

本发明涉及计算机应用技术领域，具体涉及一种共享自行车骨架网络提取方法。

背景技术

随着当今社会大规模的发展和进步，越来越多的复杂***可以被抽象为复杂网络开展研究，例如交通运输***。将实体看作节点，实体之间的关系称为边，这些边的构建可以按照某种规则或者自然的形成，因此在真实世界中很多复杂***都可以被视为复杂网络，都可以用图来表示。从数量、规模和传播等方面来看，复杂网络都有快速增长的趋势，而这些大量数据通常会导致网络结构的高度复杂，那么骨架网络的提取是最合理化的选择和未来的发展趋势。

基于交通网络构建骨干网是一个相对较新的领域，近年来最受欢迎的是共享自行车社区，这种受欢迎程度背后的原因是公共自行车的诸多优点：社会活动，健康益处，绿色环保和及时补充城市公共交通等。日益增长的数据导致自行车桩点之间连接复杂性日益增加，在这种情况下，研究共享自行车网络，规划路线和设计租赁点分布是当今社会的迫切需求。

在目前的研究中，所有的骨干网提取方法都是在蛋白质网络、社交网络等没有空间位置信息的网络中展开，这写骨干网提取方法通常利用网络的拓扑特性、过滤网络的带权重的边或者构建最小生成树来构建骨架网。目前绝大多数骨干网提取方法几乎都是基于网络有权重的边设计的，过滤网络中具有较小权重的边进而删除不重要连边两端的节点来构建骨架网络。部分方法通过提取重要节点来构建骨干网，但通常会忽视节点的位置，忽略整个网络的地理位置分布。对于自行车网络而言，认为选择合适的节点胜于过滤其连边，运用当前已经存在的算法提取到的骨干网往往难以控制节点的位置分布情况，有时候该骨干网节点分布均匀，有时该骨干网分布集中，这也是这些骨干网提取方法运用于空间网络的不稳定表现。

目前尚未有一种能够针对由具有空间位置特征的网络节点组成的网络的骨干网络提取技术方案。

发明内容

有鉴于此，本发明提供了一种共享自行车骨架网络提取方法，能够针对由具有空间位置特征的网络节点组成的网络进行骨干网络提取。

为达到上述目的，本发明的技术方案包括如下步骤：

构建共享自行车网络，以自行车租赁点为网络节点，以两自行车租赁点之间的骑行记录为边。

计算共享自行车网络中所有边的显著性，保留显著性大于零的边为骨干网络的边。

计算共享自行车网络中所有节点的拓扑势。

对共享自行车网络中的所有节点，依据其地理位置进行空间密度聚类，得到骑行区域簇。

对于每个骑行区域簇，按照如下方式进行骨干核心节点的选取：对当前骑行区域簇内的网络节点按照拓扑势的值进行降序排序，选取降序排序后的前设定个数的节点构成当前骑行区域簇的骨干核心节点。

合并所有骑行区域簇的骨干核心节点，利用骨干网络的边对骨干核心节点进行连接构成骨架网络。

进一步地，计算共享自行车网络中所有节点的拓扑势，其中采用节点的k-shell的归一化值来替代拓扑势中的质量属性。

进一步地，计算共享自行车网络中所有节点的拓扑势，具体为：

所构建的共享自行车网络的网络拓扑为G＝(V，E)，

其中V＝{v₁,...,v_n}是共享自行车网络中节点的集合，E是共享自行车网络中边的集合。

其中任一节点v_i∈V的拓扑势

为：

其中，m_i≥0代表节点v_i的质量属性。

d_ij代表节点v_i到节点v_j的最短网络路径长度，σ为影响因子。

进一步地，影响因子σ通过如下方法求解：

求解自行车网络的势熵H为

为节点v_i的拓扑势；Z是归一化因子，用于将所有节点的拓扑势约束到[0,1]区间；H为影响因子σ的函数，以H最小化值对应的σ的取值作为影响因子σ的求解结果。

有益效果：

1、本发明针对具有空间位置信息的自行车网络提出了一种新的骨干网提取方法，该方法包括网络边的过滤和重要节点的提取，与此同时还充分考虑到节点的位置信息，利用空间密度聚类首先发现自行车骑行热点区域簇，在不同热点区域簇中分别提取重要节点，进一步构建起骨架网络。该方法可以应用在空间网络数据集上，并且综合考量了节点的位置分布来提取骨干网，使骨干网与原始网络保持近乎一致的结构分布，本发明提取的骨干网不仅仅还原了原始网络的基本拓扑特性，还能够保证网络空间结构的稳定性。

2、基于k-shell改进了拓扑势排序算法。k-shell分解是递归地剥离网络中度数小于或等于k的节点并将当时的k-shell值赋予被剥落的节点形成节点各自的K_s值。k-shell分解是区别于其他多种经典节点重要性评价方法的算法，该方法根据节点在网络中的结构来度量节点的重要程度，其优点是时间复杂度非常低，本文将拓扑势算法和k-shell分解相结合，利用k-shell的归一化值来替代拓扑势中的质量属性，保证了所选取的骨干网络节点为网络中的重要程度较高的节点，还原了原始网络的基本拓扑特性，且计算时时间复杂度较低。

附图说明

图1为本发明实施例提供的共享自行车骨架网络提取方法流程图。

具体实施方式

下面结合附图并举实施例，对本发明进行详细描述。

本发明提供了一种共享自行车骨架网络提取方法，其流程如图1所示，包括如下步骤：

S1构建共享自行车网络，以自行车租赁点为网络节点，以两自行车租赁点之间的骑行记录为边。所构建的共享自行车网络可以根据已有的自行车骑行数据进行构建，例如可以采用metroBike自行车数据集或者Niceride自行车数据集中的自行车骑行记录。其中自行车骑行记录中包括租车和还车的租赁点地址、租车和还车时间。

S2计算共享自行车网络中所有边的显著性，保留显著性大于零的边为骨干网络的边。计算边的显著性可以采用目前已有的边显著性计算方法。

S3计算共享自行车网络中所有节点的拓扑势；本发明中计算共享自行车网络中所有节点的拓扑势，其中采用节点的k-shell的归一化值来替代拓扑势中的质量属性。

具体原理为：

所构建的共享自行车网络的网络拓扑为G＝(V，E)；

其中V＝{v₁,...,v_n}是共享自行车网络中节点的集合，E是共享自行车网络中边的集合。

其中任一节点v_i∈V的拓扑势

为：

其中，m_i≥0代表节点v_i的质量属性；d_ij代表节点v_i到节点v_j的最短网络路径长度，σ为影响因子。

影响因子σ通过如下方法求解：

求解自行车网络的势熵H为

为节点v_i的拓扑势；Z是归一化因子，用于将所有节点的拓扑势约束到[0,1]区间；H为影响因子σ的函数，以H最小化值对应的σ的取值作为影响因子σ的求解结果。

k-shell分解是递归地剥离网络中度数小于或等于k的节点并将当时的k-shell值赋予被剥落的节点形成各自的K_s值。k-shell分解是区别于其他多种经典节点重要性评价方法的算法，该方法根据节点在网络中的结构来度量节点的重要程度，其优点是时间复杂度非常低，本文将拓扑势算法和k-shell分解相结合，利用k-shell的归一化值来替代拓扑势中的质量属性。因此，节点在拓扑势场中的质量的定义为：

m_i＝KS_v

KS_v是节点的k-shell的归一化值。因此，节点的K_s值越大，节点质量m_i越大。

S4对共享自行车网络中的所有节点，依据其地理位置进行空间密度聚类，得到骑行区域簇。其中空间密度聚类方法可以采用目前已有的常规方法，例如DBSCAN算法是经典的基于密度的空间聚类分析算法。该算法最早在1996年提出，目前已经运用在多个领域。

本发明应用空间密度聚类的主要目的是根据密度聚类结果从不同骑行区域簇内选择顶级骨干节点。城市中的骑行区域簇的形状与数目与城市的地形分布相关，其形状往往是不规则，考虑到DBSCAN等密度聚类算法能有效发现任意形状的簇且不需要指定簇的数目，因此采用DBSCAN算法发现城市中的骑行区域簇。

S5对于每个骑行区域簇，按照如下方式进行骨干核心节点的选取：对当前骑行区域簇内的网络节点按照拓扑势的值进行降序排序，选取降序排序后的前设定个数的节点构成当前骑行区域簇的骨干核心节点；

S6合并所有骑行区域簇的骨干核心节点，利用骨干网络的边对骨干核心节点进行连接构成骨架网络。

对于所提取的骨架网络，进行如下三种网络交互流量的评估：

1.从节点角度考虑的交互流量

定义节点流量入度(Node Flow in-degree)：交通网络中某节点V_i(租赁点)的流量入度

可以由从其他节点出发指向节点V_i的所有路径的数量来表示，即在租赁点还车的数量，其定为

其中N是网络中节点的集合，节点V_j是节点V_i的邻居节点。

定义节点流量出度(Node Flow out-degree)：交通网络中某节点V_i(租赁点)的流量出度

可以由从节点V_i出发指向其他邻居节点的所有路径的数量来表示，即在租赁点借车的数量，其定义为

其中N是网络中节点的集合，节点V_j是节点V_i的邻居节点。

定义节点流量度(Node Flow degree)：交通网络中某节点V_i(租赁点)的流量度

是节点V_i流量出度入度之和，其定义为：

从节点角度考虑的流量表明，当节点被用户使用(借车或者还车)的频率越高，则其值越大，表示用户对该自行车站点的需求越大。所以在真实交通网络中，如果保留该租赁点，就会为用户出行将会带来极大的便利，那么用户选择骑行的可能性就很高。所以从节点的流量的角度考虑，整个网络的交互流量Flow_V为：

其中N是网络中所有节点的集合，

是节点V_i的节点流量度。

所以从节点角度考虑的骨干网络所保留的网络交互流量Skeleton(Flow_V)占据初始网络的网络交互流量百分比F_V可以定义为：

其中Skeleton(Flow_V)表示基于节点视角下骨架网络的交互流量，Original(Flow_V)表示基于节点视角下原始网络的交互流量。

2.从连边角度考虑的交互流量

从节点角度考虑的网络交互流量仅仅考虑了多个节点相连，并没有考虑到两个节点相连次数的问题，所以本专利再引入从连边角度所考虑的网络相互流量的概念。

定义边流量度(Edge Flow degree)：在复杂网络中，w_ij是某条边e_ij的边权重值，用来表示这条边的边流量度

其定义为：

在真实交通网络中，边e_ij代表用户的某一次骑行的借车还车路线，w_ij表示该条路线所出现的频率。

可以看出，从边流量度值越大，反映该条路线用户选择骑行的频率越高，那么用户需求的可能性久越大，如果保留这条边两端的租赁点，那么用户选择骑行的可能性更高。所以，从连边角度考虑的网络交互流量Folw_E可以表示为网络中所有边权值的总和，其定义如下：

其中E是网络中所有连边的集合。

是边e_ij的边流量度。

所以从连点角度考虑的骨干网络所保留的网络交互流量Skeleton(Flow_E)占据初始网络的网络交互流量百分比F_E可以定义为：

其中Skeleton(Flow_E)表示基于连边视角下骨架网络的交互流量，Original(Flow_E)表示基于连边视角下原始网络的交互流量。

3.从重力模型考虑的交互流量

空间相互作用由乌尔曼创立的，是一种对地理运输特别重要的评估流量的方法，即估计不同位置之间的流动。空间相互作用认为城市与城市之间，人与人之间等在时间和空间上不断进行着物质、能量、信息等的交换，这些交换就属于空间的相互作用。因此，实际上空间相互作用就是运行于城市之间，人与人之间，位置与位置之间的各种各样的“流”，譬如人口流、货物流、金融流等等。

重力模型(The Gravity Model)是空间相互作用方法中最常见的模型，是根据距离衰减原离和牛顿万有引力公式提取出来的，即两个位置之间的吸引力与他们的质量属性成正比例并且与他们之间的距离成反比，公式如下：

其中，T_ij表示节点i和节点j之间的空间相互作用力，P_i是节点i的属性重要性，P_j是节点j的属性重要性，D_ij表示节点i和节点j位置之间的距离，k是重力常数，通常选取k＝1。

所以从重力模型角度下考虑的整个网络的交互流量Flow_G可以表示如下：

其中N是网络中所有节点的集合，T_ij表示节点V_i和节点V_j之间的空间相互作用力。

所以从重力模型角度下的骨干网络所保留的网络交互流量Skeleton(Flow_G)占据初始网络的网络交互流量百分比F_G可以定义为：

其中Skeleton(Flow_G)表示基于重力模型视角下骨架网络的交互流量，Original(Flow_G)表示基于重力模型视角下原始网络的交互流量。

根据以上三种“流量模型”对于所提取的共享单车骨干网进行评估，从而证明了所提取骨架网络在空间交通流量方面效果较好。

综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。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 (4)

1.一种共享自行车骨架网络提取方法，其特征在于，包括：

构建共享自行车网络，以自行车租赁点为网络节点，以两自行车租赁点之间的骑行记录为边；

计算所述共享自行车网络中所有边的显著性，保留显著性大于零的边为骨干网络的边；

计算所述共享自行车网络中所有节点的拓扑势；

对所述共享自行车网络中的所有节点，依据其地理位置进行空间密度聚类，得到骑行区域簇；

对于每个骑行区域簇，按照如下方式进行骨干核心节点的选取：对当前骑行区域簇内的网络节点按照拓扑势的值进行降序排序，选取降序排序后的前设定个数的节点构成当前骑行区域簇的骨干核心节点；

合并所有骑行区域簇的骨干核心节点，利用所述骨干网络的边对骨干核心节点进行连接构成骨架网络。

2.如权利要求1所述的方法，其特征在于，所述计算所述共享自行车网络中所有节点的拓扑势，其中采用节点的k-shell的归一化值来替代拓扑势中的质量属性。

3.如权利要求1或2所述的方法，其特征在于，所述计算所述共享自行车网络中所有节点的拓扑势，具体为：

所构建的共享自行车网络的网络拓扑为G＝(V，E)，

其中V＝{v₁,...,v_n}是共享自行车网络中节点的集合，E是所述共享自行车网络中边的集合；

其中任一节点v_i∈V的拓扑势

为：

其中，m_i≥0代表节点v_i的质量属性；

d_ij代表节点v_i到节点v_j的最短网络路径长度，σ为影响因子。

4.如权利要求3所述的方法，其特征在于，所述影响因子σ通过如下方法求解：

求解自行车网络的势熵H为

为节点v_i的拓扑势；Z是归一化因子，用于将所有节点的拓扑势约束到[0,1]区间；H为影响因子σ的函数，以H最小化值对应的σ的取值作为所述影响因子σ的求解结果。