基于多源数据和改进链路预测的新能源汽车技术机会研究

[研究目的]在绿色低碳发展的背景下,旨在识别新能源汽车领域的技术机会,为未来新能源汽车的技术研发与商业化方向提供借鉴参考,助力新能源汽车的发展。[研究方法]搜集反映新能源汽车领域基础研究、应用研究和商业化的多源数据,采用三螺旋模型,将基于改进链路预测方法得到的预测结果“节点链”进行融合对比分析,得到最终细化的新能源汽车技术机会。[研究结论]验证了基于多源数据融合思想和改进链路预测的方法识别新能源汽车技术机会的可行性。研究结果表明:新能源汽车未来技术机会主要集中在动态无线充电技术、磁悬浮技术与自动驾驶技术的结合;通过碳化硅材料等改进的驱动技术;通过光催化等改进的电池技术;制氢与车载储氢等。

基于离散时间量子漫步的链路预测算法

量子漫步算法能模拟游走粒子在图上的量子相干演化,粒子的运动状态由量子态的相干叠加而成.与经典随机游走算法相比,量子漫步算法具有寻找目标节点时间少和源节点扩散至其他节点时间少的优点.提出一种基于离散时间量子漫步的链路预测(link predictionbased on discrete time quantum walk,简称LP-DTQW)算法.研究结果表明:相对于其他7种算法,LP-DTQW算法有更高的预测精度;LP-DTQW算法的时间复杂度远低于经典RWR(random walk with restart)链路预测算法的时间复杂度.因此,LP-DTQW算法具有更强的预测性能.

基于时序图卷积的动态网络链路预测

动态网络链路预测广泛的应用前景,使得其逐渐成为网络科学研究的热点.动态网络链路演化过程中具有复杂的空间相关性和时间依赖性,导致其链路预测任务极具挑战.提出一个基于时序图卷积的动态网络链路预测模型(dynamic network link prediction based on sequential graph convolution, DNLP-SGC).针对网络快照序列不能有效反映动态网络连续性的问题,采用边缘触发机制对原始网络权重矩阵进行修正,弥补了离散快照表示动态网络存在时序信息丢失的不足.从网络演化过程出发,综合考虑节点间的特征相似性以及历史交互信息,采用时序图卷积提取动态网络中节点的特征,该方法融合了节点时空依赖关系.进一步,采用因果卷积网络捕获网络演化过程中潜在的全局时序特征,实现动态网络链路预测.在2个真实的网络数据集上的实验结果表明,DNLP-SGC在precision, recall, AUC指标上均优于对比的基线模型.

阿尔茨海默病的多层脑网络链路预测重构

功能脑网络的构建工作是阿尔茨海默病辅助诊断中的基础任务.针对基于全频域的单层网络构建方法难以处理小频段间的异质性特征以及脑网络中可能存在错误边或缺失边的问题,提出一种基于多层网络链路预测的功能脑网络模型.利用多层网络框架使节点间存在多个频段描述下的连接关系,并设计融合层间相似性和节点重要性的局部相似性指标,进而基于多层网络拓扑结构进行链路预测,以重构网络结构.实验结果表明,与当前先进的脑网络模型相比,该模型在阿尔茨海默病分类诊断中性能表现更好,证明所提模型能有效提升网络表达的精准性,且在计算机辅助诊断中具有良好的应用价值.

参照零模型的加权网络链路预测因素研究

基于零模型,文章研究了如何量化分析加权复杂网络中链路预测的影响因素。通过对1阶零模型、权重置乱零模型,结构置乱零模型在拓扑结构和权重相关性两个方面分别进行研究。以美国航空网络为实证网络,针对加权网络中的权重特性,分析不同权重连边的可预测性和对于链路预测的影响。结果表明,美国航空网中存在拓扑权重相关性,并且破环拓扑结构比破坏权重相关性对于链路预测的影响更大。

基于节点相似性的二阶链路预测方法

复杂网络中基于节点相似性的链路预测算法通常根据两个节点之间的相似度,预测节点对之间是否存在链路。提出基于节点相似性的二阶链路预测方法,判别节点对之间是否存在未连接的节点,并补全节点对之间的二阶链路。同时,提出二阶链路预测指标,计算已知节点与其他并不存在链路的节点之间的相似性,并构建二阶可达网络保留原始网络中的二阶链路信息。实验结果表明,该方法能够在真实的网络数据中找到节点对之间的缺失节点,并补全可能存在的二阶链路。不同的链路预测指标在4个不同网络中的性能表现有所不同,所有实验中的最佳精确率达83.7%。

融合节点重要性的通信系统无特征网络链路预测方法

通信系统的无特征网络链路中,由于忽略了节点的特征属性,导致预测评估结果的曲线下面积(Area Under Curve,AUC)值较低。针对上述现象,提出融合节点重要性的通信系统链路预测方法。提取无特征网络中节点的局部特征,构建节点的时间序列数据。计算每个节点的重要性,利用节点的重要性和时间序列数据,通过特定的算法,获取每个节点的预测值,从而实现无特征网络链路的预测。实验结果表明,该方法预测评估结果的AUC值较高,能够更准确地预测网络中的链路连接。

中国工业碳排放网络结构演化特征与链路预测

将经济投入产出生命周期评价与最小流分析方法结合构建了中国工业碳排放网络.结合社会网络分析方法,从网络整体特征、节点中心性以及块结构3个方面分析了中国工业碳排放网络结构特征,并基于链路动态变化的建模思想,在有向加权网络形式下预测了2022年中国工业碳排放网络.结果表明:1997~2017年之间,中国工业各子行业之间碳排放关联越来越密切,普通机械制造业等行业在网络中体现出较强“桥梁”作用,黑色金属冶炼及压延加工业等行业在网络中扮演“中心行动者”角色.块模型结果显示,因不同行业在工业系统中的产业链位置不同,在整个网络中的块结构中扮演的角色不同.链路预测得到的2022年中国工业碳排放网络密度显著下降,板块结构进一步复杂化,黑色金属冶炼及压延加工业等5个行业的中介中心性与接近中心性均排名前5位.在碳减排政策的制定、完善和实施过程中,要重视发挥碳排放网络节点特征对跨行业协同减排的作用,充分捕捉利用碳排放网络中聚类特征与碳转移路径等信息,制定具有差异化的行业部门分类管理政策,以达到节约减排成本与提高减排效率的效果.

结合邻居影响和资源分配的链路预测算法

传统的资源分配算法在进行链路预测时只考虑了共同邻居对资源分配的影响,却忽略了两个节点之间的二级节点对资源分配的影响。为了探究共同邻居和二级节点对预测两个节点之间连边存在可能性的影响,提出了一种结合邻居影响和资源分配的链路预测算法。实验结果表明,在多数网络中若两个节点接收更多由共同邻居分配给它们的资源,则可以提升预测它们之间连边存在可能性的准确率。在四个生态网络和一些平均聚类系数较低的网络中,若两个节点接收更多通过二级节点分配给它们的资源,则可以提升预测它们之间连边存在可能性的准确率。

基于节点交互度的社会网络链路预测

链路预测是通过已知的网络拓扑和节点属性挖掘未来时刻节点潜在关系的重要手段,是预测缺失链路和识别虚假链路的有效方法,在研究社会网络结构演化中具有现实意义.传统的链路预测方法基于节点信息或路径信息相似性进行预测,然而,前者考虑指标单一导致预测精度受限,后者由于计算复杂度过高不适合在规模较大网络中应用.通过对网络拓扑结构的分析,本文提出一种基于节点交互度(interacting degree of nodes,IDN)的社会网络链路预测方法.该方法首先根据网络中节点间的路径特征,引入了节点效率的概念,从而提高对于没有公共邻居节点之间链路预测的准确性;为了进一步挖掘节点间共同邻居的相关属性,借助分析节点间共同邻居的拓扑结构,该方法还创新性地整合了路径特征和局部信息,提出了社会网络节点交互度的定义,准确刻画出节点间的相似度,从而增强网络链路的预测能力;最后,本文借助6个真实网络数据集对IDN方法进行验证,实验结果表明,相比于目前的主流算法,本文提出的方法在AUC和Precision两个评价指标上均表现出更优的预测性能,预测结果平均分别提升22%和54%.因此节点交互度的提出在链路预测方面具有很高的可行性和有效性.

基于多演化特征的社交网络链路预测算法

社交网络链路预测旨在根据已知的网络信息预测未来的链接关系,在推荐系统和合著网络中具有重要作用.然而,现有链路预测算法往往忽视社交网络的多元演化特点,训练时间复杂度较高,限制其执行效率.针对上述问题,文中提出基于多演化特征的社交网络链路预测算法(Multi-evolutionary Features Based Link Prediction Algorithm for Social Network,MEF-LP).首先,设计一种简单高效的时间极限学习机模型,利用门控网络和极限学习机自编码器传递与聚合社交网络快照序列的时间信息.然后,构建多个深度极限学习机,对时间特征进行多角度映射,挖掘社交网络不同的演化特征,并最终融合成综合演化特征.最后,使用基于极限学习机的分类器完成链路预测.在6个真实社交网络上的实验表明,MEF-LP能合理学习社交网络的多演化特征,并获得较优的预测性能.

RLR:一种基于资源负荷率的链路预测算法

近年来,复杂网络得到了广泛的研究,链路预测作为复杂网络研究的一个重要分支,其本质是根据已观测到的信息预测网络中缺失的链路或未来可能出现的链路.解决链路预测问题的关键是如何高效地计算网络中节点之间的相似度,研究者们提出了许多基于节点相似性的链路预测算法,但算法准确性仍有待提高.本文提出一种基于资源负荷率(Resource Load Ratio)的链路预测算法.首先,根据节点拓扑属性与网络全局属性的占比量化节点资源储备,并将资源储备作为衡量节点重要性的主要因素.其次,根据两个节点的共同邻居数量与所有邻居数量占比量化节点间密集度,并上升到二阶节点.最后,基于节点间资源储备和密集度提出相应的链路预测算法.在8个真实网络上的实验结果表明,该算法在准确性和鲁棒性方面均取得了最优.

基于SCL-CMM模型的超网络链路预测方法

图为建模现实系统的内在交互提供了一种有效的方式,但却无法显示捕获的多个实体之间广泛存在的高阶异质性,超图则可以很好地突破低阶关系的限制。超网络的链路预测就是根据观测到的超图结构来预测未知的超链路,因其可以充分地刻画复杂系统的关联模式而成为网络科学中的热点问题。现有的方法通常针对整个拓扑结构设计推理模型,忽略了网络中隐含的聚集特性,导致预测的超链路类别不全面。针对上述问题,提出了基于超图谱聚类解析器的协调矩阵最小化(coordination matrix minimization based on hyper graph spectral clustering parser,SCL-CMM)模型的超网络链路预测方法。该方法将高阶超网络映射到具有一定语义的异质超图上,然后利用谱聚类解析器来提取超链路的结构特征,将原始超图重构为多个同质子图,进而在子图的观测空间而不是整个网络的邻接空间推断潜在超链路的分布情况,还原完整的超网络结构。该方法联合学习超网络的结构特征与集聚属性来建模各个子图的高阶非线性行为,解决了异构超图链路预测类别单一、精度低的问题。在9个真实数据集上进行了大量的对比实验表明,该方法在AUC(area under curve)评分和召回率方面都显著优于现有方法。

基于双融合图注意力网络多模态知识图谱链路预测

知识图谱链路预测是一种根据知识图谱已存在的事实去预测缺失事实的任务,旨在解决知识图谱不完整性问题。但是现有的知识图谱链路预测有一定的缺陷,传统方法只使用单一的数据模态,没有充分利用不同数据模态的丰富信息,并且在图神经网络中孤立地看待实体和关系,没有考虑到不同邻域实体关系权重的不同。为了解决上述缺陷,提出了基于双融合图注意力网络的多模态知识图谱链路预测模型。首先,使用了图像、文本和属性3种模态,同时为了保证数据模态特征的一致性和互补性,设计了一个基于早期融合和晚期融合结合的双融合机制对多模态信息进行融合;然后,为了加强知识图中实体关系的融合以及邻域关系,同时考虑了实体以及关系的多样性,融合了实体表示和关系表示,并通过图注意力网络进行聚合以加强实体的特征表示。通过在4个公开的数据集FB15K-237、WN18RR、DB15K以及YAGO15K进行模拟实验,结果表明,提出的多模态知识图谱链路预测方法具有较好的性能。

链路预测的若干基础问题探讨

链路预测是网络科学最具活力的分支之一,其目标是基于已知的网络拓扑结构估计未观察到的链接的存在可能性。该文对链路预测中仍需重点关注的4个基础性问题——网络选取、链路抽样、模型训练和算法评价进行了研究,报告了这4个方面目前的研究进展,并指出尚未解决的关键问题。最后,对亟待解决的一些关键研究问题进行了总结。

基于改进随机分块模型的电商网络链路预测算法

通过改进的随机分块模型(SBM)链路预测算法,研究电子商务网络的演化过程与社团结构。针对原始SBM模型块之间的度分布为二项式分布,引入度衰减参数使得随机分块模型中块之间的度分布遵循幂律分布。针对原始SBM模型中节点之间的连接仅仅取决于节点所属块的假设,引入度控制参数使其更接近真实网络的度数分布。基于此提出优化后的随机分块模型,并利用阿里巴巴淘宝数据集验证该算法,结果显示该算法精确度高于随机分块模型(SBM)、度修正的随机分块模型(DCSBM)以及层次结构模型(HBM)。说明改进后的算法能较好地刻画电商网络中的社团结构,准确地发现网络中的缺失链接。

融合社团信息的时序图链路预测算法

时序图旨在表示现实世界中实体之间的时序交互关系,而时序图链路预测是建模这种关系的重要方法。现有基于表示学习的时序图链路预测方法通常基于时序图神经网络建模节点之间交互,并将时间信息融入到图神经网络的消息传递机制中以捕捉交互中的时序关联。时序图神经网络输出的节点嵌入作为时序图表示学习的结果被用于链路预测任务。然而,现有的方法仅考虑了节点之间的交互,而忽视了时序图中广泛存在的社团结构。为解决这一问题,提出一种融合社团信息的时序图链路预测算法(TLPC)。不同于传统社区划分的方法,该方法关注节点邻域社团的表示学习。在节点特征的基础上,引入对比学习技术,使用邻域结构特征采样出正样本和负样本进行对比学习约束,以编码节点所在邻域社团。所学习到的节点邻域社团编码可以有效提升节点嵌入的表示能力,从而提升链路预测的有效性。在四个真实数据集上的时序链路预测任务的实验结果表明,TLPC的准确率相比现有方法平均提升6.47%,F1平均提升6.77%,同时训练时间平均减少62.27%。

面向强稀疏性移动社交网络的链路预测深度学习方法

链路预测是利用深度学习技术分析网络数据,挖掘网络中潜在的节点关系,通常应用于网络安全、信息挖掘等领域。通过预测网络中节点间的链路,可以识别社交工程攻击、欺诈行为和隐私泄露风险。但移动社交网络的拓扑结构随时间变化,链路稀疏,影响预测准确性。为了解决移动社交网络中链路预测的强稀疏性问题,提出基于深度学习的预测方法,即面向强稀疏性移动社交网络的链路预测深度学习方法(deep learning-based method for mobile social networks with strong sparsity for link prediction,DLMSS-LP)。该方法综合运用了图自编码器(graph auto-encoder,GAE)、特征矩阵聚合技术以及多层长短期记忆网络(long short-term memory,LSTM),旨在降低了模型的学习成本,更有效地处理高维和非线性的网络结构,并且捕捉移动社交网络中的时序动态变化,进而增强模型对现有链路生成可能性的预测能力。对比其他方法在AUC(area under curve)和ER(error rate)指标上有明显提升,体现了模型对不确定链路预测的高准确率和强鲁棒性。

基于链路预测和能量感知的机会路由协议研究

在无线传感器(Wireless Sensors Networks,WSN)中,由于节点能量有限,可能导致节点过早死亡,引起网络结构发生变化,链路稳定性变差。针对该问题文中提出了一种基于链路预测和能量感知的机会路由协议ELPOR(Opportunistic Routing Protocol Based on Link Prediction and Energy Sensing,ELPOR).该协议综合考虑节点能量和各节点之间链路连接的概率,从潜在的候选转发集中选择一个中继节点,以实现能量的高效利用和数据的可靠传输。仿真结果表明,该协议能够有效均衡网络能耗、提高吞吐量和延长网络生存周期。

基于二阶共同邻节点的链路预测算法

针对链路预测共同邻居算法(CN算法)预测精确度偏低且不适用于多类型网络的缺点,在CN算法的基础上,提出一种将共同邻居的概念扩展到二阶的链路预测算法,算法将待预测节点的邻节点分为3种类型,不同类型的邻居点被赋予不同的权重,建立基于二阶共同邻节点的链路预测算法(CN2算法)。以7个真实网络为例,通过计算分析AUC值(ROC曲线下的面积)测试算法预测精确度,将测试集数据划分为5%~50%的不同比例以测试算法的鲁棒性。综合得出CN2算法的链路预测准确性较CN算法在7个网络中平均提升9.9%左右,并且鲁棒性更优。