为解决目前基于节点采样的图池化方法中所存在的评估节点重要性的策略过于简单以及子结构特征信息大量丢失等问题,提出了基于节点采样的子结构代表层次池化模型(sub-structure representative hierarchical pooling model based on node...为解决目前基于节点采样的图池化方法中所存在的评估节点重要性的策略过于简单以及子结构特征信息大量丢失等问题,提出了基于节点采样的子结构代表层次池化模型(sub-structure representative hierarchical pooling model based on node sampling,SsrPool)。该模型主要包括子结构代表节点选择模块和子结构代表节点特征生成模块2个部分。首先,子结构代表节点选择模块同时考虑了节点特征信息以及结构信息,利用不同方法评估节点重要性并通过不同重要性分数协作产生鲁棒的节点排名以指导节点选择。其次,子结构代表节点特征生成模块通过特征融合保留局部子结构特征信息。通过将SsrPool与现有神经网络相结合,在不同规模公共数据集上的图分类实验结果证明了SsrPool的有效性。展开更多
现有5G(5th GenerationMobile Communication Technology)核心网异常检测主要基于信令流量深度解析,但较少利用核心网网络功能交互关系的作用。针对上述问题,提出一种基于交互的5G核心网网络功能异常检测模型。首先,该模型以行为分析为...现有5G(5th GenerationMobile Communication Technology)核心网异常检测主要基于信令流量深度解析,但较少利用核心网网络功能交互关系的作用。针对上述问题,提出一种基于交互的5G核心网网络功能异常检测模型。首先,该模型以行为分析为驱动,基于信令流量和网络功能注册数据提取多维属性,通过行为画像来表征网络功能行为模式,并采用集成学习算法RFECV(Recursive Feature Elimination with Cross-Validation)进行属性特征选择,降低特征维度的同时筛选出与区分网络功能行为模式高度相关的属性特征。然后,模型基于网络功能交互关系对核心网进行图建模,建模后的图数据融合了网络功能属性信息和交互信息。最后,模型通过基于空间域的图卷积网络聚合邻域节点属性信息和结构信息来融合行为模式特征,新生成的节点表示用于分类,从而将核心网网络功能异常检测问题转化为图节点分类问题。通过在free5GC仿真平台上采集数据,并在搭建的异常检测系统中的实验表明,该模型的异常检测性能优于基于属性特征分析的传统机器学习模型、基于结构特征分析的图嵌入模型及部分5G核心网异常检测模型。10%数据集作为训练集时,所提模型的准确率比支持向量机模型提高6.6%,比Struc2vec模型提高13%,比深度神经网络模型提高8%。展开更多
随着城市轨道交通的快速发展,客流量的准确预测对于改善运营服务至关重要。为了解决当前地铁客流预测存在的时空特性挖掘不充分等问题,进一步提高预测的精度与效率,研究了基于动态图神经常微分方程模型(multivariate time series with d...随着城市轨道交通的快速发展,客流量的准确预测对于改善运营服务至关重要。为了解决当前地铁客流预测存在的时空特性挖掘不充分等问题,进一步提高预测的精度与效率,研究了基于动态图神经常微分方程模型(multivariate time series with dynamic graph neural ordinary differential equations,MTGODE)的地铁短时客流预测方法。该方法通彭颢1贺玉过学习地铁站点间的动态关联强度构建动态拓扑图结构,基于学习得到的动态图进行连续图传播以传递时空信息、挖掘客流的依赖关系,并采用残差卷积提取多时间尺度下的周期性模式,实现了对站点间时空动态的连续表征,克服了传统图卷积网络模型难以刻画动态空间依赖的局限性。此外,为了充分挖掘不同站点间客流分布的时空规律,综合利用北京地铁自动售检票系统(auto fare collection,AFC)刷卡数据、天气数据、空气质量数据以及车站周边用地属性数据构建多源融合的客流预测模型。通过选取地铁北京站和积水潭站-东直门站的历史数据开展进站客流和OD客流预测实验,结果表明:与多个基准模型相比,该模型在平均绝对误差、均方根误差和平均百分比误差这3个指标中均取得了更优的预测效果,相较最优基准模型扩散卷积循环神经网络(diffusion convolutional recurrent neural network,DCRNN)分别降低了9.93%,12.30%,9.23%,对地铁客流时空分布的拟合程度更好,模型具有更好的预测精度、稳定性和拟合能力。展开更多
We study a mathematical model of biological neuronal networks composed by any finite number N ≥ 2 of non-necessarily identical cells. The model is a deterministic dynamical system governed by finite-dimensional impul...We study a mathematical model of biological neuronal networks composed by any finite number N ≥ 2 of non-necessarily identical cells. The model is a deterministic dynamical system governed by finite-dimensional impulsive differential equations. The statical structure of the network is described by a directed and weighted graph whose nodes are certain subsets of neurons, and whose edges are the groups of synaptical connections among those subsets. First, we prove that among all the possible networks such as their respective graphs are mutually isomorphic, there exists a dynamical optimum. This optimal network exhibits the richest dynamics: namely, it is capable to show the most diverse set of responses (i.e. orbits in the future) under external stimulus or signals. Second, we prove that all the neurons of a dynamically optimal neuronal network necessarily satisfy Dale’s Principle, i.e. each neuron must be either excitatory or inhibitory, but not mixed. So, Dale’s Principle is a mathematical necessary consequence of a theoretic optimization process of the dynamics of the network. Finally, we prove that Dale’s Principle is not sufficient for the dynamical optimization of the network.展开更多
文摘为解决目前基于节点采样的图池化方法中所存在的评估节点重要性的策略过于简单以及子结构特征信息大量丢失等问题,提出了基于节点采样的子结构代表层次池化模型(sub-structure representative hierarchical pooling model based on node sampling,SsrPool)。该模型主要包括子结构代表节点选择模块和子结构代表节点特征生成模块2个部分。首先,子结构代表节点选择模块同时考虑了节点特征信息以及结构信息,利用不同方法评估节点重要性并通过不同重要性分数协作产生鲁棒的节点排名以指导节点选择。其次,子结构代表节点特征生成模块通过特征融合保留局部子结构特征信息。通过将SsrPool与现有神经网络相结合,在不同规模公共数据集上的图分类实验结果证明了SsrPool的有效性。
文摘现有5G(5th GenerationMobile Communication Technology)核心网异常检测主要基于信令流量深度解析,但较少利用核心网网络功能交互关系的作用。针对上述问题,提出一种基于交互的5G核心网网络功能异常检测模型。首先,该模型以行为分析为驱动,基于信令流量和网络功能注册数据提取多维属性,通过行为画像来表征网络功能行为模式,并采用集成学习算法RFECV(Recursive Feature Elimination with Cross-Validation)进行属性特征选择,降低特征维度的同时筛选出与区分网络功能行为模式高度相关的属性特征。然后,模型基于网络功能交互关系对核心网进行图建模,建模后的图数据融合了网络功能属性信息和交互信息。最后,模型通过基于空间域的图卷积网络聚合邻域节点属性信息和结构信息来融合行为模式特征,新生成的节点表示用于分类,从而将核心网网络功能异常检测问题转化为图节点分类问题。通过在free5GC仿真平台上采集数据,并在搭建的异常检测系统中的实验表明,该模型的异常检测性能优于基于属性特征分析的传统机器学习模型、基于结构特征分析的图嵌入模型及部分5G核心网异常检测模型。10%数据集作为训练集时,所提模型的准确率比支持向量机模型提高6.6%,比Struc2vec模型提高13%,比深度神经网络模型提高8%。
文摘随着城市轨道交通的快速发展,客流量的准确预测对于改善运营服务至关重要。为了解决当前地铁客流预测存在的时空特性挖掘不充分等问题,进一步提高预测的精度与效率,研究了基于动态图神经常微分方程模型(multivariate time series with dynamic graph neural ordinary differential equations,MTGODE)的地铁短时客流预测方法。该方法通彭颢1贺玉过学习地铁站点间的动态关联强度构建动态拓扑图结构,基于学习得到的动态图进行连续图传播以传递时空信息、挖掘客流的依赖关系,并采用残差卷积提取多时间尺度下的周期性模式,实现了对站点间时空动态的连续表征,克服了传统图卷积网络模型难以刻画动态空间依赖的局限性。此外,为了充分挖掘不同站点间客流分布的时空规律,综合利用北京地铁自动售检票系统(auto fare collection,AFC)刷卡数据、天气数据、空气质量数据以及车站周边用地属性数据构建多源融合的客流预测模型。通过选取地铁北京站和积水潭站-东直门站的历史数据开展进站客流和OD客流预测实验,结果表明:与多个基准模型相比,该模型在平均绝对误差、均方根误差和平均百分比误差这3个指标中均取得了更优的预测效果,相较最优基准模型扩散卷积循环神经网络(diffusion convolutional recurrent neural network,DCRNN)分别降低了9.93%,12.30%,9.23%,对地铁客流时空分布的拟合程度更好,模型具有更好的预测精度、稳定性和拟合能力。
文摘We study a mathematical model of biological neuronal networks composed by any finite number N ≥ 2 of non-necessarily identical cells. The model is a deterministic dynamical system governed by finite-dimensional impulsive differential equations. The statical structure of the network is described by a directed and weighted graph whose nodes are certain subsets of neurons, and whose edges are the groups of synaptical connections among those subsets. First, we prove that among all the possible networks such as their respective graphs are mutually isomorphic, there exists a dynamical optimum. This optimal network exhibits the richest dynamics: namely, it is capable to show the most diverse set of responses (i.e. orbits in the future) under external stimulus or signals. Second, we prove that all the neurons of a dynamically optimal neuronal network necessarily satisfy Dale’s Principle, i.e. each neuron must be either excitatory or inhibitory, but not mixed. So, Dale’s Principle is a mathematical necessary consequence of a theoretic optimization process of the dynamics of the network. Finally, we prove that Dale’s Principle is not sufficient for the dynamical optimization of the network.