本技术提出了一种利用多模态时空数据进行建模的多层网络状态预测方法。该方法首先收集多层动态网络中的时空多模态数据,这些数据能够揭示节点间的交互关系。随后,利用这些数据,通过贝叶斯网络模型来预测网络状态,以实现对网络动态的准确预测。
背景技术
如今,网络数据在多个领域中广泛应用,比如交通网络系统等。在现代网络系统中,实体之间存在交互,且这些交互常以多种形式呈现。实体之间的大量交互可以表示为多层动态网络,每一层对应于一种特定的交互形式。例如,在现代地铁系统中,某时间段和车站的客流情况,如流入和流出量,反映了车站之间人流的流通情况。除了每个单独网络层内实体之间的相关性外,多层动态网络,如地铁客流流入量网络和流出量网络,在层与层之间也表现出显著的相关性。全面描述多层动态网络中实体之间的交互,有助于提供深入见解,推动网络系统的有效决策。
随着信息科学和数据采集技术的快速发展,可用网络数据的情景变得更加多样化,能够被用来充分理解多层网络中不同实体之间存在的交互关系。具体来说,探索多层网络涉及多模态数据的收集,包括静态数据、动态数据以及来自自然、人工和人为因素的其他类型数据。来自多模态数据的信息通过网络在各层的时间和空间维度上进行传输,形成多层动态网络作为一个多模态时空系统,具有以下特点:
多层动态网络表现出涉及多模态变量的交互时空特征。其中,事件频率作为一种多模态数据,用于记录在网络各个实体、时间段和层的动态计数数据。除了层间的相关性外,反映在事件频率数据上的网络还表现出复杂的时空特征。由于系统的空间相关结构布局,从不同实体采集的事件频率数据呈现空间相关性,即在空间域中彼此接近的事件频率数据具有相互依赖关系。由于实体发生的事件随时间而演变,从相邻时间点收集的频率数据表现出时间自相关。例如,客流流入和流出是两种高度相关的交互变量构成了城市地铁网络系统的两层。客流是相邻站点的动态计数数据,具有相似的模式,并随时间动态变化。
除了事件频率数据外,网络还包括表征实体属性的属性数据,这些属性数据属于另一种模态数据类型,即静态数据。收集到的属性数据具有实体的多样化和多尺度特征,可以从多个角度描述网络结构特征。例如在城市地铁网络系统中,每个站点的属性变量涉及酒店服务式公寓、休闲购物、主要建筑、公共设施服务、住宅区、学校、公共交通等,这些属性变量都具有每个站点实体的独特特征。属性信息有助于全面反映系统实体之间的交互关系。
因此,通过从多模态变量中充分捕获实体和层之间的交互时空特征来建立多层动态网络模型至关重要。该领域仍然存在挑战:第一,尽管来自网络系统的数据在时间和空间维度上提供了全面的信息,但数据的计数型性质和复杂的时空特征给建模方法的开发带来了挑战。第二,多层网络建模有望捕获每层网络的信息和不同层之间的相关性。具体来说,对于不同层之间的相关性,网络中的个体实体经常表现出形成紧密结合的子群体(称为群组)的趋势。与来自不同群组的实体相比,属于同一群组的实体之间的互动频率往往更高。群组结构在所有层都是共享的。第三,多模态数据为网络建模提供了深层次的信息,但多变量间模态的差异和多种交互特征给网络特征融合带来了挑战。
实现思路