复杂网络的双曲空间表征学习方法

复杂网络在现实场景中无处不在,高效的复杂网络分析技术具有广泛的应用价值,比如社区检测、链路预测等.然而,很多复杂网络分析方法在处理大规模网络时需要较高的时间、空间复杂度.网络表征学习是一种解决该问题的有效方法,该类方法将高维稀疏的网络信息转化为低维稠密的实值向量,可以作为机器学习算法的输入,便于后续应用的高效计算.传统的网络表征学习方法将实体对象嵌入到低维欧氏向量空间中,但复杂网络是一类具有近似树状层次结构、幂率度分布、强聚类特性的网络,该结构更适合用具有负曲率的双曲空间来描述.针对复杂网络的双曲空间表征学习方法进行系统性的介绍和总结.

基于空间合作关系的基站流量预测模型

针对传统的自回归积分移动平均(ARIMA)模型和长短时记忆(LSTM)单元在基站流量预测中没有利用基站(BS)间合作关系的问题,提出一种利用由用户群体在不同基站下访问产生的基站合作关系的流量预测(TPBC)算法。首先,通过基站之间的合作关系构建基站合作网络,并对此合作网络进行社区划分得到基站社区;然后,通过格兰杰因果关系检验方法寻找与目标基站同一社区且关系最紧密的若干基站,作为目标基站的合作基站;最后,使用LSTM和词嵌入层(Embedding)搭建混合神经网络,并根据目标基站和合作基站的流量信息进行流量预测。实验结果表明,TPBC在基站流量预测上的均方根误差(RMSE)相比ARIMA和LSTM分别减小了29. 19%和27. 47%。TPBC能有效提高基站流量预测准确率,在流量卸载和绿色节能等领域具有重要意义。

基于用户移动网络接入位置的高效分布式相似矩阵计算方法

研究了一种基于用户移动网络接入位置的高效分布式相似矩阵计算方法,利用Hadoop生态系统中的MapReduce计算框架,依据地理位置信息对用户进行划分并进行相似度计算。实验结果表明,该方法在计算效率上相较于现有相似矩阵计算方法最大提升了近25倍。将相似矩阵计算结果应用于用户社区发现,该方法与现有相似矩阵计算方法得到的相似矩阵有几乎一致的社区发现结果,一致率高达99.9%。

面向多业务用户体验的基站节能策略研究

随着ICT行业的快速发展,无线通信网络的密集部署和应用普及,随之带来的高能耗和碳排放问题给环境造成了巨大影响。用户关联的基站关闭策略能有效减少能耗,现有策略主要针对用户接收服务质量进行方法设计,并未充分考虑具体业务特征以及用户体验。引入了用户体验质量指标QoE,提出了一种面向多业务用户体验的基站节能策略ES-MSUE。采用非线性整数规划对问题进行建模,实现了用户体验和能耗之间的均衡。通过与其他相关基站关闭策略进行对比实验,结果表明提出的方法具有较好的节能效果和用户体验质量。

基于双曲空间嵌入的极小值社区划分算法

真实复杂网络节点度分布服从幂律分布,而双曲空间能够完整表现这一特性。为此,提出一种基于双曲空间嵌入与极小值聚类的社区划分算法MHE。将建模后的复杂网络嵌入庞加莱圆盘模型,保留复杂网络的全局拓扑信息。根据庞加莱圆盘中的角度统计节点分布关系,得到θ曲线,并以最优模块度选择曲线极小值作为最优社区的划分依据。使用中国移动用户的真实访问数据对算法进行有效性评估,结果表明,与Louvain、SLPA和正则化谱聚类算法相比,该算法无需选择聚类中心并且计算复杂度较小,在真实复杂网络中能够获得较好的社区划分效果。