CN112700124B - 多层交通网络mrwc节点重要性排序方法、***、电子设备及计算机可读存储介质 - Google Patents
多层交通网络mrwc节点重要性排序方法、***、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112700124B CN112700124B CN202011602569.7A CN202011602569A CN112700124B CN 112700124 B CN112700124 B CN 112700124B CN 202011602569 A CN202011602569 A CN 202011602569A CN 112700124 B CN112700124 B CN 112700124B
- Authority
- CN
- China
- Prior art keywords
- layer
- node
- matrix
- traffic network
- network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 239000010410 layer Substances 0.000 claims abstract description 188
- 239000011159 matrix material Substances 0.000 claims abstract description 101
- 239000011229 interlayer Substances 0.000 claims abstract description 44
- 230000006641 stabilisation Effects 0.000 claims abstract description 7
- 238000011105 stabilization Methods 0.000 claims abstract description 7
- 239000002356 single layer Substances 0.000 claims description 33
- 230000015654 memory Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 15
- 238000012546 transfer Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000011160 research Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000006855 networking Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 abstract description 13
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000005295 random walk Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003012 network analysis Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 229940060587 alpha e Drugs 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005541 medical transmission Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种多层交通网络MRWC节点重要性排序方法、***、电子设备及计算机可读存储介质,所述方法包括:构建获得多层交通网络;计算所述多层交通网络各连边权重,获得权重矩阵;将获得的权重矩阵进行归一化处理,获得概率矩阵M;所述多层交通网络共有N个节点,在初始时刻每个节点的重要性相同,获得起始游走矩阵v;基于获得的概率矩阵M和起始游走矩阵v,进行游走迭代,取迭代稳定后的游走矩阵作为多层交通网络各节点的重要度值;将重要度值排序比较,获得节点重要性排序的最终结果。本发明中,通过构建综合考虑层内层间关系的超邻接概率矩阵,能够使得评估结果对于多层真实网络能够更加准确高效。
Description
技术领域
本发明属于网络评估方法技术领域,涉及多层交通网络中关键节点排序领域,特别涉及一种多层交通网络MRWC(复杂交通网络随机游走中心度,Random walk centralityin multi-layer traffic network)节点重要性排序方法、***、电子设备及计算机可读存储介质。
背景技术
复杂网络节点重要性评估一直是网络分析的热点问题,少量处于关键位置的重要节点往往对网络有较大的控制权,因此识别电力网络、社交网络、交通网络和疾病传播等网络中的重要节点具有重要意义。
网络节点重要性研究最早由社会网络学者提出并应用到社会网络分析中。围绕着网络拓扑结构,国内外学者从不同角度、不同用途提出了多种评价指标,如度数、介数中心性、接近中心性、PageRank算法、拉普拉斯算子中心性等。由于节点的重要性往往与网络的整体结构相关,单个指标存在一定的片面性和局限性,一些学者开始尝试使用多指标的综合评价方法来研究节点的重要性。王力等人选择节点介数、节点连接度、交叉***通小时流量三个评价指标,然后用FCM模糊聚类方法评价节点重要性;张琨等采用极大不相关法进行指标筛选,利用改进的熵权法确定各指标的权重,最终通过灰色关联分析方法确定节点的重要性;吴学文等将海河流域网络节点的度指标和介数指标划分为8个等级和12个等级,对不同等级的节点进行节点重要度分析;于会等提出基于多属性决策的方法来综合评价节点的重要性,该方法中虽然利用层次分析法较好地考虑和集成了综合评价过程中的各种定性与定量信息,但是在应用中仍摆脱不了评价过程中的随机性和评价专家主观上的不确定性及认识上的模糊性,评价结果不够客观。秦李等人结合改进的主成分分析来确定各指标权重,再利用“逼近理想排序法”得到重要性评价结果。
上述现有方法多是针对单一复杂网络提出的,而多层网络是由两个或两个以上个单层网络组成,所以单层网络中节点重要性排序方法经过改进可应用于多层网络。Sole-Ribalta等人将介数中心性应用于多层网络,计算最短路径时可穿越不同的网络层,并且通过改进Brandes算法大大降低了介数中心性的时间复杂度。Chakraborty提出了多层网络中跨层的介数中心性CBC算法,在计算最短路径时融入不同层间的作用关系。蒋国平等人提出一种基于层间反馈的多层网络PageRank算法,使用PageRank算法对节点重要性进行迭代时,考虑节点在其它层面中的重要性对本层中节点重要性的影响力。近几年,王娟以及李美竹等人分别提出了基于信息融合的多层网络节点排序算法,使用融合算法融合节点在所有单层网络中的重要性。Mohammed等研究了不同网络拓扑结构对影响力节点识别的影响,并考虑了多层交互以及作为权重的重叠链路。王娟利用层次分析法为指标定义层重要性权重及每层的影响力权重,从而根据节点的多层网络评价值进行节点重要性排序。
从现有研究来看,目前对于复杂网络中影响力节点识别的研究主要集中在单层网络中,而基于多层网络的研究却还刚刚起步,忽视了实际复杂***中多种网络相互作用的存在,譬如公共交通网络中地铁网络和公交网络之间存在换乘关系;现实中大多数复杂***的节点具有多种功能,每个节点可以在每层中提供不同作用,这些层之间相互作用可以实现其全部功能,可以更好地解释信息在网络中的传播过程。
综上,现有的多层交通网络关键节点识别方法从网络拓扑结构角度考虑层间作用关系,忽略了不同层间的属性差异,亟需一种新的能够更加准确高效的评估多层网络节点重要度的方法及***。
发明内容
本发明的目的在于提供一种多层交通网络MRWC节点重要性排序方法、***、电子设备及计算机可读存储介质,以解决上述存在的一个或多个技术问题。本发明中,通过构建综合考虑层内层间关系的超邻接概率矩阵,能够使得评估结果对于多层真实网络能够更加准确高效。
为达到上述目的,本发明采用以下技术方案:
本发明的一种多层交通网络MRWC节点重要性排序方法,包括以下步骤:
步骤1,构建获得多层交通网络,所述多层交通网络包括多个单层网络;其中,单层网络内的节点通过连边方式设置层内连接关系,单层网络之间能够直接换乘的节点通过连边方式设置层间连接关系;
步骤2,计算所述多层交通网络各连边权重,包括:将设置有层间连接关系的节点对从各自的单层网络中剥离出来,形成一个跨层节点集合θ;基于跨层节点集合θ计算获得多层交通网络各连边权重,获得权重矩阵;
步骤3,将步骤2获得的权重矩阵进行归一化处理,获得概率矩阵M;
步骤4,所述多层交通网络共有N个节点,在初始时刻每个节点的重要性相同,获得起始游走矩阵v,
步骤5,基于步骤3获得的概率矩阵M和步骤4获得的起始游走矩阵v,进行游走迭代,取迭代稳定后的游走矩阵作为多层交通网络各节点的重要度值;将重要度值排序比较,获得节点重要性排序的最终结果。
本发明的进一步改进在于,步骤1具体包括:
根据预设研究目标选择Q种交通方式,针对不同交通方式确定建网方法;不同交通方式的两个节点间若可以直接换乘,则所述两个节点间设有层间连接关系;
其中,多层网络表示为Q=(ζ,C),ζ={Gα|α∈{1,2,…m}}是单层网络Gα=(Vα,Eα)的集合,m是层数,Eα表示层内节点的连接,α层中节点的集合被表示为
Eαβ是多层网络中连接层α和层β的层间节点的集合。
本发明的进一步改进在于,步骤2中,计算所述多层交通网络各连边权重的表达式具体包括:
式中,表示α层中节点i与它的邻居节点j之间连边的权重,/>j≠i;/>表示α层中节点i与跨层节点j′之间连边的权重,j′∈θ,j′≠i;/>表示α层中节点i′与β层中节点j′之间连边的权重,β≠α。
本发明的进一步改进在于,步骤3中,归一化处理的表达式具体包括:
式中,表示α层中节点i游走到它的邻居节点j的概率,j≠i,/> 表示α层中节点i游走到跨层节点j′的概率,j′≠i,j′∈θ;/>表示在α层中节点i′游走到层β中节点j′的概率,β≠α,i′,j′∈θ。
本发明的进一步改进在于,步骤3的所述初始概率矩阵中,同一单层网络的两相邻节点拥有的共同邻居节点越多,则两节点相似度越高,边权越大,随机游走的概率越大。
本发明的进一步改进在于,步骤5中,进行游走迭代的计算步骤具体包括:
整个概率矩阵M与v相乘所得结果为第一次游走后的结果,第一次游走后的结果分别代表游走一次到达各节点的重要度值;其中,初始概率矩阵第一行乘以v所得结果是游走一次到达第一个节点的重要性值;
将第一次游走后的结果与概率矩阵M第二次相乘,获得第二次游走后的结果;
递增的迭代游走过程直至游走矩阵收敛于固定值,获得稳定后的游走矩阵。
本发明的一种多层交通网络MRWC节点重要性排序***,包括:
多层交通网络获取模块,用于构建获得多层交通网络,所述多层交通网络包括多个单层网络;其中,单层网络内的节点通过连边方式设置层内连接关系,单层网络之间能够直接换乘的节点通过连边方式设置层间连接关系;
权重矩阵获取模块,用于计算所述多层交通网络各连边权重,包括:将设置有层间连接关系的节点对从各自的单层网络中剥离出来,形成一个跨层节点集合θ;基于跨层节点集合θ计算获得多层交通网络各连边权重,获得权重矩阵;
概率矩阵获取模块,用于将获得的权重矩阵进行归一化处理,获得概率矩阵M;
起始游走矩阵获取模块,用于根据所述多层交通网络共有的N个节点,在初始时刻每个节点的重要性相同,获得起始游走矩阵v,
排序模块,用于根据获得的概率矩阵M和起始游走矩阵v,进行游走迭代,取迭代稳定后的游走矩阵作为多层交通网络各节点的重要度值;将重要度值排序比较,获得节点重要性排序的最终结果。
本发明的一种电子设备,包括:处理器;存储器,用于存储计算机程序指令;所述计算机程序指令由所述处理器加载并运行时,所述处理器执行本发明上述的多层交通网络MRWC节点重要性排序方法。
本发明的一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器加载并运行时,所述处理器执行本发明任一项上述的多层交通网络MRWC节点重要性排序方法。
与现有技术相比,本发明具有以下有益效果:
本发明的方法中,通过构建综合考虑层内层间关系的超邻接概率矩阵,取迭代稳定值作为节点重要度衡量标准,能够使得评估结果对于多层真实网络能够更加准确高效。具体地,目前对于多层交通网络关键节点的识别方法忽略了层间与层内连接关系的异质性利用层间连边将多层网络复合成为一个大网络,基于网络物理拓扑结构指标识别重要节点,没有区分层内连边和层间连边的不同,实际上,交通网络中层内连边代表该层交通工具的线路或站点间存在可达性,而不同层间连边代表不同交通方式之间的换乘关系,因此本发明利用换乘率和节点度值双重指标表征层间权重,一方面与层内指标区分开,另一方面也改进了将所有层间连接关系视为一致的不足,更切合实际情况。更具体地,本发明便于客观反映城市不同交通工具线路或站点间的连接关系;另外,本发明的关键节点识别方法中考虑到了层内和层间连接关系的差异以及不同的层间连接关系的差异,结合实际利用不同交通方式之间的换乘率来表示不同的层间关系,改进了现有方法中将所有层间连接关系视为一致的不足,使得评估结果对于多层真实网络能够更加准确高效。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面对实施例或现有技术描述中所需要使用的附图做简单的介绍;显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来说,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例的一种多层交通网络MRWC节点重要性排序方法的流程示意图;
图2是本发明实施例中,多层网络随机游走示意图。
具体实施方式
为使本发明实施例的目的、技术效果及技术方案更加清楚,下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述;显然,所描述的实施例是本发明一部分实施例。基于本发明公开的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的其它实施例,都应属于本发明保护的范围。
本发明实施例的一种多层交通网络MRWC节点重要性排序方法,通过构建综合考虑层内层间关系的超邻接概率矩阵,使得评估结果对于多层真实网络能够更加准确高效,具体包括以下步骤:
Stepl:根据实际网络中节点连接情况选择合适建网方式,建立多层复杂网络;例如,一个互联的多层网络可以被表示为M=(ζ,C),这里ζ={Gα|α∈{1,2,....,m}}是单层网络Gα=(Vα,Eα)的集合,m是层数,Eα中的边被称为层内节点的连接,α层中节点的集合被表示为 Eαβ是M中连接层α和β的层间节点的集合。
对应于Eαβ的层间的邻接矩阵为表达公式如下:
Step2:根据网络中连边关系构建赋权矩阵。将连接层间的节点对从各自的网络中剥离出来形成一个集合θ,这些节点也可以称为跨层节点,这些节点就是具有层间连边的节点,在不同网络层起着连接作用。定义表示α层中节点i与它的邻居节点j≠i之间连边的权重/> 表示α层中节点i与跨层节点j′≠i之间连边的权重(j′∈θ),/>表示α层中节点i′与β≠α中节点j′之间连边的权重,计算公式如下:
式中,ki=∑jaij,表示节点i与其所有邻居节点之间的连边数,同理kj′表示跨层节点j′与其所有邻居节点之间的连边数。ρα表示乘坐α层交通工具直达的概率,σα表示乘坐α层交通工具在层内换乘的概率,ταβ表示α层交通工具与β层交通工具之间的换乘率。其中,ταβ越大,表明换乘其他交通工具的概率越大,节点就会以很大的可能游走到其它层。
Step3:构建网络中概率矩阵M。为了描述单位时间内节点在层内和层间游走动态的转换规则,定义了一个概率转移矩阵。表示α层中节点i游走到它的邻居节点j≠i的概率/> 表示α层中节点i游走到跨层节点j′≠i的概率(j′∈θ),/>表示在α层中节点i′游走到层β≠α中节点j′的概率(i′,j′∈θ)。定义的概率矩阵即权重矩阵归一化处理后的结果,如下所示:/>
Step4:假设在初始时刻每个节点的重要性是相同的,网络中共有N个节点,当从某一节点开始游走开始时处于每个节点的概率是相同的,值为1/N;
游走起始矩阵为
Step5:迭代计算。用概率矩阵第一行乘以v,所得结果就是游走一次到达第一个节点的重要性值,用概率矩阵第二行乘以v,所得结果就是游走一次到达第二个节点的重要性值,同理,整个概率矩阵M与v相乘的结果MRWC(1)代表游走一次到达各节点的重要度。将第一游走结果MRWC(1)赋为新的游走矩阵,则第二次游走结果MRWC(2)就是概率矩阵M乘以新游走矩阵MRWC(1),第三次游走结果MRWC(3)就是概率矩阵M乘以MRWC(2),一直迭代,直至MRWC(n)等于MRWC(n+1)迭代终止。
Step6:取收敛后的MRWC(n)作为节点重要度衡量指标,记MRWC(n)中第i行数值为MRWC(n)(i),表示第n次游走结束后,网络中节点i的重要性值。将MRWC(n)中所有元素进行比较排序,得出节点重要性排序的最终结果。
本发明实施例的方法不仅仅适用于以同种建模空间构建的多层城市交通网络,而且适用于以不同建模空间构建的网络。由于城市交通线路错综复杂,站点数量和分布存在较大差异,因此不同交通工具所适合的建模空间不同。本发明便于客观反映城市不同交通工具线路或站点间的连接关系;本发明的关键节点识别方法中考虑到了层内和层间连接关系的差异以及不同的层间连接关系的差异,结合实际利用不同交通方式之间的换乘率来表示不同的层间关系,改进了现有方法中将所有层间连接关系视为一致的不足。
请参阅图1和图2,本发明实施例的一种多层交通网络MRWC节点重要性排序方法,通过计算多层构建概率矩阵,准确高效地评估真实交通网络中的关键节点,包括以下步骤:
步骤1):根据城市交通工具发展现状选取M种交通工具作为研究对象,针对每一种交通工具,综合考虑站点分布、线路数量等因素选择合适的建网方式建网。
步骤2):每一种交通方式构建一层网络,若不同交通网络层节点之间存在直接换乘关系,则节点间有连边,若没有换乘关系则无连接关系,从而构建M层交通网络。
步骤3):根据实际网络中各节点连接情况构造多层网络超邻接矩阵,节点间连接关系如式(1)所示,当α=β,表示层内节点连接关系,当α≠β,表示层间节点连接关系。
步骤4):考虑到网络异质性问题,引入层间节点相似度和换乘概率来表征网络中各连边权重,将计算公式如式(2)、式(3)、式(4)所示:
式中,ki∩kj表示相邻两节点拥有的共同邻居数,ρα表示乘坐α层交通工具的直达率,σα表示乘坐α层交通工具的层内换乘率,ταβ表示α层和β层交通工具之间的换乘率。表示α层中节点i与它的邻居节点j≠i之间连边的权重/> 表示α层中节点i与跨层节点j′≠i之间连边的权重(j∈θ),/>表示α层中节点i′与β≠α中节点j′之间连边的权重(i′,j′∈θ)。
步骤5):将得到的权值矩阵进行归一化处理,得到概率矩阵M。
步骤6):假设在初始时刻每个节点的重要性是相同的,多层网络中共有N个节点,则将初始游走矩阵v中所有元素都赋值为1/N,用概率矩阵M乘以游走的初始矩阵v,所得结果就是游走一次到达的重要性值,记为MRWC(1),将概率矩阵M与第一次游走结果Mv第二次相乘,就得到第二次游走后的结果MRWC(2)。不断的重复这个游走过程,可以得出迭代结果会逐渐趋于稳定,收敛于一个固定值。
步骤7):取稳定后的MRWC(n)作为多层网络各节点的重要性度量值,n为迭代次数,将结果排序比较,得出节点重要性排序的最终结果。
综上所述,本发明涉及专门适用于多层交通网络中关键节点排序技术领域,特别是涉及一种多层交通网络MRWC节点重要性排序方法,通过计算各节点的中心性值MRWC(Random walk centrality in multi-layer traffic network)来衡量节点的重要度。首先分别考虑M种交通工具的线路和节点建立M个单层网络,若不同网络层节点间可以直接换乘,则建立连边关系,构造M层交通网络。然后针对构建的多层网络,结合随机游走模型,计算权重矩阵、概率矩阵以及初始游走矩阵,再利用矩阵相乘进行游走迭代,迭代结果MRWC最终会收敛于一个固定值,该收敛结果就是网络节点重要度值。
本发明实施例的一种用于多层交通网络MRWC节点重要性排序方法的电子设备,包括:
在硬件层面,该电子设备包括:处理器,可选的还包括内部总线、网络接口、存储器。其中,存储器可能包含内存,例如高速随机存储器,也可能还包括非易失性存储器,例如,至少一个磁盘存储器等。当然,该电子设备可能还包括其他业务所需的硬件。
处理器、网络接口、存储器通过内部总线互相连接,该内部总线可以是工业标准体系结构总线、外设部件互连标准总线、扩展工业标准结构总线等。总线可以分为地址总线、数据总线、控制总线等。
存储器用于存放程序。具体地,程序可以包括程序代码、所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器,并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成上述电子设备。处理器执行程序时,具体执行以下操作:
步骤1,构建获得多层交通网络,所述多层交通网络包括多个单层网络;其中,单层网络内的节点通过连边方式设置层内连接关系,单层网络之间能够直接换乘的节点通过连边方式设置层间连接关系;
步骤2,计算所述多层交通网络各连边权重,包括:将设置有层间连接关系的节点对从各自的单层网络中剥离出来,形成一个跨层节点集合θ;基于跨层节点集合θ计算获得多层交通网络各连边权重,获得权重矩阵;
步骤3,将步骤2获得的权重矩阵进行归一化处理,获得概率矩阵M;
步骤4,所述多层交通网络共有N个节点,在初始时刻每个节点的重要性相同,获得起始游走矩阵v,
步骤5,基于步骤3获得的概率矩阵M和步骤4获得的起始游走矩阵v,进行游走迭代,取迭代稳定后的游走矩阵作为多层交通网络各节点的重要度值;将重要度值排序比较,获得节点重要性排序的最终结果。
本发明实施例的一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序指令,所述计算机程序指令被处理器加载并运行时,所述处理器执行的方法包括:
步骤1,构建获得多层交通网络,所述多层交通网络包括多个单层网络;其中,单层网络内的节点通过连边方式设置层内连接关系,单层网络之间能够直接换乘的节点通过连边方式设置层间连接关系;
步骤2,计算所述多层交通网络各连边权重,包括:将设置有层间连接关系的节点对从各自的单层网络中剥离出来,形成一个跨层节点集合θ;基于跨层节点集合θ计算获得多层交通网络各连边权重,获得权重矩阵;
步骤3,将步骤2获得的权重矩阵进行归一化处理,获得概率矩阵M;
步骤4,所述多层交通网络共有N个节点,在初始时刻每个节点的重要性相同,获得起始游走矩阵v,
步骤5,基于步骤3获得的概率矩阵M和步骤4获得的起始游走矩阵v,进行游走迭代,取迭代稳定后的游走矩阵作为多层交通网络各节点的重要度值;将重要度值排序比较,获得节点重要性排序的最终结果。
具体地,所述计算机可读存储介质包括但不限于例如易失性存储器和/或非易失性存储器。所述易失性存储器可以包括随机存储存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器可以包括只读存储器(ROM)、硬盘、闪存、光盘、磁盘等。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换,这些未脱离本发明精神和范围的任何修改或者等同替换,均在申请待批的本发明的权利要求保护范围之内。
Claims (6)
1.一种多层交通网络MRWC节点重要性排序方法,其特征在于,包括以下步骤:
步骤1,构建获得多层交通网络,所述多层交通网络包括多个单层网络;其中,单层网络内的节点通过连边方式设置层内连接关系,单层网络之间能够直接换乘的节点通过连边方式设置层间连接关系;
步骤2,计算所述多层交通网络各连边权重,包括:将设置有层间连接关系的节点对从各自的单层网络中剥离出来,形成一个跨层节点集合θ;基于跨层节点集合θ计算获得多层交通网络各连边权重,获得权重矩阵;
步骤3,将步骤2获得的权重矩阵进行归一化处理,获得概率矩阵M;
步骤4,所述多层交通网络共有N个节点,在初始时刻每个节点的重要性相同,获得起始游走矩阵v,
步骤5,基于步骤3获得的概率矩阵M和步骤4获得的起始游走矩阵v,进行游走迭代,取迭代稳定后的游走矩阵作为多层交通网络各节点的重要度值;将重要度值排序比较,获得节点重要性排序的最终结果;
其中,步骤3中,归一化处理的表达式具体包括:
式中,表示α层中节点i游走到它的邻居节点j的概率,j≠i,/> 表示α层中节点i游走到跨层节点j′的概率,j′≠i,j′∈θ;/>表示在α层中节点i′游走到层β中节点j′的概率,β≠α,i′,j′∈θ;/>表示α层中节点i与它的邻居节点j之间连边的权重,/>j≠i;/>表示α层中节点i与跨层节点j′之间连边的权重,j′∈θ,j′≠i;/>表示α层中节点i′与β层中节点j′之间连边的权重,β≠α;
步骤5中,进行游走迭代的计算步骤具体包括:
整个概率矩阵M与v相乘所得结果为第一次游走后的结果,第一次游走后的结果分别代表游走一次到达各节点的重要度值;其中,初始概率矩阵第一行乘以v所得结果是游走一次到达第一个节点的重要性值;
将第一次游走后的结果赋为新的游走矩阵并与概率矩阵M第二次相乘,获得第二次游走后的结果;
递增的迭代游走过程直至游走矩阵收敛于固定值,获得稳定后的游走矩阵。
2.根据权利要求1所述的一种多层交通网络MRWC节点重要性排序方法,其特征在于,步骤1具体包括:
根据预设研究目标选择Q种交通方式,针对不同交通方式确定建网方法;不同交通方式的两个节点间若可以直接换乘,则所述两个节点间设有层间连接关系;
其中,多层网络表示为Q=(ζ,C),ζ={Gα|α∈{1,2,…m}}是单层网络Gα=(Vα,Eα)的集合,m是层数,Eα表示层内节点的连接,α层中节点的集合被表示为 Eαβ是多层网络中连接层α和层β的层间节点的集合。
3.根据权利要求1所述的一种多层交通网络MRWC节点重要性排序方法,其特征在于,步骤2中,计算所述多层交通网络各连边权重的表达式具体包括:
式中,表示α层中节点i与它的邻居节点j之间连边的权重,/>j≠i;/>表示α层中节点i与跨层节点j′之间连边的权重,j′∈θ,j′≠i;/>表示α层中节点i′与β层中节点j′之间连边的权重,β≠α;ki∩kj表示相邻两节点拥有的共同邻居数,ρα表示乘坐α层交通工具的直达率,σα表示乘坐α层交通工具的层内换乘率;ki表示节点i与其所有邻居节点之间的连边数,kj′表示跨层节点j′与其所有邻居节点之间的连边数。
4.一种多层交通网络MRWC节点重要性排序***,其特征在于,包括:
多层交通网络获取模块,用于构建获得多层交通网络,所述多层交通网络包括多个单层网络;其中,单层网络内的节点通过连边方式设置层内连接关系,单层网络之间能够直接换乘的节点通过连边方式设置层间连接关系;
权重矩阵获取模块,用于计算所述多层交通网络各连边权重,包括:将设置有层间连接关系的节点对从各自的单层网络中剥离出来,形成一个跨层节点集合θ;基于跨层节点集合θ计算获得多层交通网络各连边权重,获得权重矩阵;
概率矩阵获取模块,用于将获得的权重矩阵进行归一化处理,获得概率矩阵M;
起始游走矩阵获取模块,用于根据所述多层交通网络共有的N个节点,在初始时刻每个节点的重要性相同,获得起始游走矩阵v,
排序模块,用于根据获得的概率矩阵M和起始游走矩阵v,进行游走迭代,取迭代稳定后的游走矩阵作为多层交通网络各节点的重要度值;将重要度值排序比较,获得节点重要性排序的最终结果;
其中,步骤3中,归一化处理的表达式具体包括:
式中,表示α层中节点i游走到它的邻居节点j的概率,j≠i,/> 表示α层中节点i游走到跨层节点j′的概率,j′≠i,j′∈θ;/>表示在α层中节点i′游走到层β中节点j′的概率,β≠α,i′,j′∈θ;/>表示α层中节点i与它的邻居节点j之间连边的权重,/>j≠i;/>表示α层中节点i与跨层节点j′之间连边的权重,j′∈θ,j′≠i;/>表示α层中节点i′与β层中节点j′之间连边的权重,β≠α;
步骤5中,进行游走迭代的计算步骤具体包括:
整个概率矩阵M与v相乘所得结果为第一次游走后的结果,第一次游走后的结果分别代表游走一次到达各节点的重要度值;其中,初始概率矩阵第一行乘以v所得结果是游走一次到达第一个节点的重要性值;
将第一次游走后的结果赋为新的游走矩阵并与概率矩阵M第二次相乘,获得第二次游走后的结果;
递增的迭代游走过程直至游走矩阵收敛于固定值,获得稳定后的游走矩阵。
5.一种电子设备,包括:处理器;存储器,用于存储计算机程序指令;其特征在于,
所述计算机程序指令由所述处理器加载并运行时,所述处理器执行权利要求1至3中任一项所述的多层交通网络MRWC节点重要性排序方法。
6.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器加载并运行时,所述处理器执行权利要求1至3中任一项所述的多层交通网络MRWC节点重要性排序方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011602569.7A CN112700124B (zh) | 2020-12-29 | 2020-12-29 | 多层交通网络mrwc节点重要性排序方法、***、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011602569.7A CN112700124B (zh) | 2020-12-29 | 2020-12-29 | 多层交通网络mrwc节点重要性排序方法、***、电子设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112700124A CN112700124A (zh) | 2021-04-23 |
CN112700124B true CN112700124B (zh) | 2023-10-24 |
Family
ID=75512208
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011602569.7A Active CN112700124B (zh) | 2020-12-29 | 2020-12-29 | 多层交通网络mrwc节点重要性排序方法、***、电子设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112700124B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113315656B (zh) * | 2021-05-25 | 2022-06-14 | 中国电子科技集团公司第二十九研究所 | 基于图传播的节点重要性评估方法、***及可读存储介质 |
CN113284555B (zh) * | 2021-06-11 | 2023-08-22 | 中山大学 | 一种基因突变网络的构建方法、装置、设备及存储介质 |
CN114866437B (zh) * | 2022-04-19 | 2023-11-21 | 北京博睿宏远数据科技股份有限公司 | 一种节点检测方法、装置、设备及介质 |
CN115563400B (zh) * | 2022-09-19 | 2023-06-13 | 广东技术师范大学 | 一种基于模体加权聚合的多路网络社区检测方法及装置 |
CN116094943B (zh) * | 2023-04-07 | 2023-06-06 | 湖南快乐阳光互动娱乐传媒有限公司 | 一种pcdn节点重要性排名方法、装置和设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105550191A (zh) * | 2015-07-10 | 2016-05-04 | 成都信息工程大学 | 一种多层网络节点重要性排序的方法 |
CN107590243A (zh) * | 2017-09-14 | 2018-01-16 | 中国人民解放军信息工程大学 | 基于随机游走和多样性图排序的个性化服务推荐方法 |
CN108009710A (zh) * | 2017-11-19 | 2018-05-08 | 国家计算机网络与信息安全管理中心 | 基于相似度和TrustRank算法的节点测试重要度评估方法 |
CN109005055A (zh) * | 2018-07-16 | 2018-12-14 | 西安交通大学 | 基于多尺度拓扑空间的复杂网络信息节点重要度评价方法 |
CN109446628A (zh) * | 2018-10-22 | 2019-03-08 | 太原科技大学 | 基于复杂网络的多层城市交通网构建及关键节点识别方法 |
CN110033048A (zh) * | 2019-04-18 | 2019-07-19 | 西南交通大学 | 一种轨道交通关键节点及关键路段识别方法 |
CN111079058A (zh) * | 2019-12-16 | 2020-04-28 | 武汉大学 | 一种基于节点重要性的网络节点表示方法及装置 |
CN111431755A (zh) * | 2020-04-21 | 2020-07-17 | 太原理工大学 | 基于复杂网络的多层时序网络模型构建及关键节点识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10579684B2 (en) * | 2014-01-31 | 2020-03-03 | MAX-PLANCK-Gesellschaft zur Förderung der Wissenschaften e.V. | Computer-implemented method and apparatus for determining a relevance of a node in a network |
WO2018152534A1 (en) * | 2017-02-17 | 2018-08-23 | Kyndi, Inc. | Method and apparatus of machine learning using a network with software agents at the network nodes and then ranking network nodes |
-
2020
- 2020-12-29 CN CN202011602569.7A patent/CN112700124B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105550191A (zh) * | 2015-07-10 | 2016-05-04 | 成都信息工程大学 | 一种多层网络节点重要性排序的方法 |
CN107590243A (zh) * | 2017-09-14 | 2018-01-16 | 中国人民解放军信息工程大学 | 基于随机游走和多样性图排序的个性化服务推荐方法 |
CN108009710A (zh) * | 2017-11-19 | 2018-05-08 | 国家计算机网络与信息安全管理中心 | 基于相似度和TrustRank算法的节点测试重要度评估方法 |
CN109005055A (zh) * | 2018-07-16 | 2018-12-14 | 西安交通大学 | 基于多尺度拓扑空间的复杂网络信息节点重要度评价方法 |
CN109446628A (zh) * | 2018-10-22 | 2019-03-08 | 太原科技大学 | 基于复杂网络的多层城市交通网构建及关键节点识别方法 |
CN110033048A (zh) * | 2019-04-18 | 2019-07-19 | 西南交通大学 | 一种轨道交通关键节点及关键路段识别方法 |
CN111079058A (zh) * | 2019-12-16 | 2020-04-28 | 武汉大学 | 一种基于节点重要性的网络节点表示方法及装置 |
CN111431755A (zh) * | 2020-04-21 | 2020-07-17 | 太原理工大学 | 基于复杂网络的多层时序网络模型构建及关键节点识别方法 |
Non-Patent Citations (2)
Title |
---|
Evaluation method for node importance based on node condensation in terrorism networks;Ben-xian L.等;2012 IEEE International Conference on Intelligence and Security Informatics;全文 * |
基于节点相似性有偏游走的多层时序网络节点重要性评估;付艳君 等;科学技术与工程;第第20卷卷(第第25期期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112700124A (zh) | 2021-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112700124B (zh) | 多层交通网络mrwc节点重要性排序方法、***、电子设备及计算机可读存储介质 | |
CN109446628B (zh) | 基于复杂网络的多层城市交通网构建及关键节点识别方法 | |
CN109065173B (zh) | 知识路径的获取方法 | |
CN114463977A (zh) | 一种基于车路协同多源数据融合交通流预测的路径规划方法 | |
CN112381171B (zh) | 一种基于组合模型的多传感器节点缺失数据填充方法 | |
CN116402002B (zh) | 一种用于芯片布局问题的多目标分层强化学习方法 | |
CN113779264A (zh) | 基于专利供需知识图谱的交易推荐方法 | |
CN112580902B (zh) | 对象数据处理方法、装置、计算机设备和存储介质 | |
Cipolla et al. | Nonlocal pagerank | |
CN116485029A (zh) | 油田开发动态数据准确性检测方法、装置、设备及介质 | |
CN113742870A (zh) | 一种基于局部异构影响力的多模式公共交通网络关键站点识别方法 | |
Liu et al. | Simga: A simple and effective heterophilous graph neural network with efficient global aggregation | |
Wang et al. | Redundancy allocation for reliability design of engineering systems with failure interactions | |
CN116822742A (zh) | 一种基于动态分解-重构集成处理的电力负荷预测方法 | |
CN113360716B (zh) | 一种燃气管网结构逻辑化处理方法及*** | |
CN111104722A (zh) | 一种考虑重叠社团的电力通信网络建模方法 | |
CN115130044A (zh) | 一种基于二阶h指数的影响力节点识别方法和*** | |
CN107248923A (zh) | 一种基于局部拓扑信息和社团相关性的链路预测方法 | |
CN115146524A (zh) | 一种基于代理辅助进化算法的公交专用道仿真优化方法 | |
CN112288007A (zh) | 一种基于多元关系表示的跨域身份关联方法和*** | |
Xiao et al. | A new method research for knowledge-match and trust-based large-scale group decision making with incomplete information context | |
Zhang et al. | Link Value Estimation Based Graph Attention Network for Link Prediction in Complex Networks | |
Huang et al. | Social network coalescence based on multilayer network model | |
CN113674869B (zh) | 一种基于人工智能医疗大数据数据共享方法及*** | |
Wang et al. | [Retracted] The Theoretical Topology and Implementation of Enterprise Social Security in the Digital Age Based on Big Data and Artificial Intelligence |
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 |