机会网络链路的预测方法、装置及可读存储介质制造方法及图纸

本发明专利技术涉及一种机会网络链路的预测方法、装置及可读存储介质，该方法包括如下步骤：采用时间序列分析方法，对通讯数据进行切片处理，并将通讯数据中的节点连接时间以及节点断开时间进行数据转化以得到节点连接属性信息，根据节点标志、节点连接时间、节点断开时间以及节点对连接状态信息映射成连续的实数向量，并将实数向量按时间顺序转化为时序向量序列；建立初始循环神经网络模型，将时序向量序列输入至初始循环神经网络模型中，经迭代训练测试得到目标模型，以对机会网络链路进行预测。本发明专利技术提出的机会网络链路的预测方法，可实现对机会网络链路的有效预测。

【技术实现步骤摘要】
机会网络链路的预测方法、装置及可读存储介质
本专利技术涉及通讯数据处理
，特别涉及一种机会网络链路的预测方法、装置及可读存储介质。
技术介绍
机会网络是一种不需要源节点和目的节点之间存在完整链路，利用节点移动带来相遇机会实现通信的自组织网络。近年来，机会网络已在车辆自组织网络、移动数据分流、信息分享以及移动计算等领域有着较为广泛的应用。具体的，机会网络以“存储-携带-转发”的路由模式实现节点间的数据传输，具有网络拓扑结构时变，节点间通信存在时变性以及节点资源受限等特点，因此自主组网方式更符合实际环境中的组网需求。然而，机会网络的时变性，导致机会网络的链路在时域上演变规律难以捕捉，进而导致对机会网络链路难以预测的问题。
技术实现思路
基于此，本专利技术的目的是为了解决现有技术中，对机会网络链路难以预测的问题。本专利技术提出一种机会网络链路的预测方法，其中，所述方法包括如下步骤：采用时间序列分析方法，对通讯数据进行切片处理，并将所述通讯数据中的节点连接时间以及节点断开时间进行数据转化以得到节点连接属性信息，其中所述节点连接属性信息至少包括节点标志以及节点对连接状态信息；根据所述节点标志、所述节点连接时间、所述节点断开时间以及所述节点对连接状态信息映射成连续的实数向量，并将所述实数向量按时间顺序转化为时序向量序列；建立初始循环神经网络模型，将所述时序向量序列输入至所述初始循环神经网络模型中，经迭代训练测试得到目标模型，以对所述机会网络链路进行预测。本专利技术提出的机会网络链路的预测方法，首先将原始的通讯数据进行切片，并对通信数据进行数据转化，将转化后的节点标志、节点连接时间、节点断开时间以及节点对连接状态信息映射成连续的实数向量，并将实数向量按时间顺序转化为时序向量序列，利用特征提取能力强、数据表征效果好的循环神经网络模型，自发地提取机会网络中，节点间链路在时域上的高阶特征，从而对机会网络链路进行有效预测。本专利技术提出的机会网络链路的预测方法，可实现对机会网络链路的有效预测，提高了预测精度。另外，本专利技术提出的机会网络链路的预测方法，还可以具有如下附加的技术特征：所述机会网络链路的预测方法，其中，所述对通讯数据进行切片处理的方法包括如下步骤：将所述节点连接时间以及所述节点断开时间切片划分到对应的网络快照中，将对应转化成预设时间格式。所述机会网络链路的预测方法，其中，所述方法还包括：当判断到所述节点连接时间与所述节点断开时间的时间间隔，与所述网络快照对应的时间段存在交集，则确定节点对存在链路。所述机会网络链路的预测方法，其中，所述网络快照可表示为：G＝(G1,G2,G3,...Gt-1,Gt)其中，Gt＝(Vt,Et),Gt表示t时刻的网络拓扑结构图，Vt表示t时刻节点的集合，Et表示t时刻的边的集合。所述机会网络链路的预测方法，其中，所述实数向量可表示为：其中,Ni为节点i的序号，Nj为节点j的序号，Ts为某节点对<Ni,Nj>产生连接的时间点，Te为某节点对<Ni,Nj>断开连接的时间点，S为节点对<Ni,Nj>的连接状态，其以0表示节点对无连接，1表示节点对有连接。所述机会网络链路的预测方法，其中，所述将所述时序向量序列输入至所述初始循环神经网络模型中的方法包括如下步骤：将所述时序向量序列按预设比例进行分割成训练集以及测试集，其中所述训练集用于训练所述初始循环神经网络模型的参数，所述测试集用于测试在预设参数下所述初始循环神经网络模型的性能；将所述训练集中的所述时序向量序列输入至所述初始循环神经网络模型中。所述机会网络链路的预测方法，其中，所述初始循环神经网络模型对应的超参数包括输入序列长度以及初始权值，所述输入序列长度为5。所述机会网络链路的预测方法，其中，所述初始循环神经网络模型采用以长短期记忆网络为单元的循环神经网络，所述初始循环神经网络的模型结构包括输入层、LSTM隐藏层以及输出层，对应的激活函数为LogisticRegression分类器。本专利技术还提出一种机会网络链路的预测装置，其中，所述装置包括：数据预处理模块，用于采用时间序列分析方法，对通讯数据进行切片处理，并将所述通讯数据中的节点连接时间以及节点断开时间进行数据转化以得到节点连接属性信息，其中所述节点连接属性信息至少包括节点标志以及节点对连接状态信息；数据转化模块，用于根据所述节点标志、所述节点连接时间、所述节点断开时间以及所述节点对连接状态信息映射成连续的实数向量，并将所述实数向量按时间顺序转化为时序向量序列；模型建立模块，用于建立初始循环神经网络模型，将所述时序向量序列输入至所述初始循环神经网络模型中，经迭代训练测试得到目标模型，以对所述机会网络链路进行预测。本专利技术还提出一种可读存储介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如上所述的机会网络链路的预测方法。本公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本公开的上述技术即可得知。为使本专利技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。附图说明为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术第一实施例提出的机会网络链路的预测方法的流程图；图2为本专利技术第一实施例中机会网络链路演化过程的状态图一；图3为本专利技术第一实施例中机会网络链路演化过程的状态图二；图4为本专利技术第一实施例中机会网络链路演化过程的状态图三；图5为本专利技术第一实施例中的链路通信时间在时间轴上的划分图；图6为本专利技术第一实施例中的长短期记忆网络单元的结构图；图7为本专利技术第一实施例中不同序列长度下的预测精度结果图；图8为本专利技术第一实施例中以LSTM为单元循环神经网络的模型结构图；图9为本专利技术第二实施例中机会网络链路的预测装置的结构示意图。具体实施方式为了便于理解本专利技术，下面将参照相关附图对本专利技术进行更全面的描述。附图中给出了本专利技术的首选实施例。但是，本专利技术可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本专利技术的公开内容更加透彻全面。除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。本文中在本专利技术的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本专利技术。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。现有技术中，由于机会网络的时变性，导致机会网络的链路在时域上演变规律难以捕捉，进而导致对机会网络链路难以预测的问题。为了解决这一技术问题，本专利技术提出一种机会网络链路的预测方法，请参阅图1至图8，对于本专利技术第一实施例提出的机会网络链路的预测方法，包括如下步骤：S101，采用时间序列分析方法，对通讯数据进行切片处理，并将通讯数据中的节点连接时间以及节点断开时间进行数据转化以得到节点连本文档来自技高网...

【技术保护点】
1.一种机会网络链路的预测方法，其特征在于，所述方法包括如下步骤：采用时间序列分析方法，对通讯数据进行切片处理，并将所述通讯数据中的节点连接时间以及节点断开时间进行数据转化以得到节点连接属性信息，其中所述节点连接属性信息至少包括节点标志以及节点对连接状态信息；根据所述节点标志、所述节点连接时间、所述节点断开时间以及所述节点对连接状态信息映射成连续的实数向量，并将所述实数向量按时间顺序转化为时序向量序列；建立初始循环神经网络模型，将所述时序向量序列输入至所述初始循环神经网络模型中，经迭代训练测试得到目标模型，以对所述机会网络链路进行预测。

【技术特征摘要】
1.一种机会网络链路的预测方法，其特征在于，所述方法包括如下步骤：采用时间序列分析方法，对通讯数据进行切片处理，并将所述通讯数据中的节点连接时间以及节点断开时间进行数据转化以得到节点连接属性信息，其中所述节点连接属性信息至少包括节点标志以及节点对连接状态信息；根据所述节点标志、所述节点连接时间、所述节点断开时间以及所述节点对连接状态信息映射成连续的实数向量，并将所述实数向量按时间顺序转化为时序向量序列；建立初始循环神经网络模型，将所述时序向量序列输入至所述初始循环神经网络模型中，经迭代训练测试得到目标模型，以对所述机会网络链路进行预测。2.根据权利要求1所述的机会网络链路的预测方法，其特征在于，所述对通讯数据进行切片处理的方法包括如下步骤：将所述节点连接时间以及所述节点断开时间切片划分到对应的网络快照中，将对应转化成预设时间格式。3.根据权利要求1所述的机会网络链路的预测方法，其特征在于，所述方法还包括：当判断到所述节点连接时间与所述节点断开时间的时间间隔，与所述网络快照对应的时间段存在交集，则确定节点对存在链路。4.根据权利要求3所述的机会网络链路的预测方法，其特征在于，所述网络快照可表示为：G＝(G1,G2,G3,...Gt-1,Gt)其中，Gt＝(Vt,Et),Gt表示t时刻的网络拓扑结构图，Vt表示t时刻节点的集合，Et表示t时刻的边的集合。5.根据权利要求1所述的机会网络链路的预测方法，其特征在于，所述实数向量可表示为：其中,Ni为节点i的序号，Nj为节点j的序号，Ts为某节点对<Ni,Nj>产生连接的时间点，Te为某节点对<Ni,Nj>断开连接的时间点，S为节点对<Ni,Nj>的连接状态，其以0表示节点对无连...

【专利技术属性】
技术研发人员：舒坚，蔡许林，刘琳岚，
申请(专利权)人：南昌航空大学，
类型：发明
国别省市：江西,36