基于DeepWalk算法的电力系统错误数据注入网络攻击分类方法

为了准确、有效地识别错误数据注入攻击(FDIA)对电网造成危害的严重程度,提出了基于DeepWalk算法的FDIA分类新方法。根据FDIA的特点,构建电力系统的响应模型;提出批量随机边删减策略,将响应模型生成的攻击数据构造为攻击场景图;采用DeepWalk算法将攻击场景图中的节点映射为低维向量,并将其作为机器学习算法的输入对FDIA进行分类。以遭受FDIA的IEEE 39节点系统为例进行仿真,结果表明所提方法可以根据FDIA对电网造成危害的严重程度准确、有效地对FDIA进行分类。

面向动态交通流多步预测的时空图模型

为更好表征交通路网中节点之间的动态隐式关系,提出一种基于时空数据嵌入的动态图卷积交通流预测模型。基于路网中节点之间的共现关系,利用深度游走算法将时空数据映射到嵌入空间中学习节点的向量表示;引入时隙嵌入特征与二维空间嵌入特征共同构建三维嵌入邻接张量,用于捕获时空依赖关系;在图卷积网络中添加自适应更新机制,利用循环组件演化图卷积网络的参数,以捕获图序列的动态性。将所提模型应用于基于真实交通数据集的交通流预测,结果验证了其有效性和提取路网隐式关系的准确性。

融合网络结构特征的贷款违约预测研究

信贷违约风险是金融风险的重要组成部分,应用机器学习进行违约预测已成为研究重点。为提升机器学习模型在贷款违约中的预测能力,本文构建了贷款用户的社会网络。通过选取体现关联关系的网络结构特征,并应用DeepWalk算法和Stacking模型,将用户的社会网络拓扑结构信息作为特征加入机器学习模型进行训练。实验结果表明,该模型能够提高预测准确度,较基准模型AUC分别提高了1.38%、1.74%,对金融机构在贷前风险识别及制定信贷决策具有借鉴意义。

复杂网络上基于多维特征表示学习的推荐算法

网络表示学习可以有效解决推荐面临的数据稀疏问题.本文对网络表示学习中LINE算法和DeepWalk算法进行改进,提出混合推荐算法并应用于电影推荐场景.该算法通过学习用户喜好特征、厌恶特征和相似用户特征,生成三个低维特征向量.将三个低维特征向量线性组合拼接成用户表示向量,以余弦相似度作为相似性指标,将相似用户关联的电影推荐给目标用户,实现电影推荐.实验结果表明,所提出的推荐算法相较于次优算法,在MovieLens数据集上的准确率和F 1指标分别提升12%和7%,在MovieTweetings数据集上的准确率和F 1指标分别提升16%和18%.本文提出的基于多维特征表示学习的推荐算法在电影推荐类场景中,具有显著的优越性.