一种移动社交网络中基于K阶马尔科夫链的节点中心性预测方法技术

一种移动社交网络中基于K阶马尔科夫链的节点中心性预测方法，针对具有N个移动节点的移动社交网络，其中i∈{1,2,...,N}；在移动社交网络中，节点间的接触描述为网络连通图G(V,E)，其中节点对i,j∈V之间的随机接触过程建模成连通图中的边eij∈E。假设观测的网络开始时间为Ts＝0,结束时间为Te＝T。将过去的观测时间T按照窗口大小w划分为n＝T/w个时间窗口，基于过去的n个时间窗口的数据来预测未来的第n+1个时间窗口的节点中心性值。本发明专利技术预测方法考虑从暂态的角度利用马尔科夫链模型来对节点的未来中心性进行预测，其预测方法不仅可以提高预测的准确率，而且具有更强的普适性。

【技术实现步骤摘要】
一种移动社交网络中基于K阶马尔科夫链的节点中心性预测方法
本专利技术涉及移动社交网络中节点中心性的建模和预测
，具体是一种移动社交网络中基于K阶马尔科夫链的节点中心性预测方法。
技术介绍
近年来，随着装备有Wi-Fi接口或者蓝牙接口的移动智能设备(如：智能手机、Ipad等)的普及和流行，基于移动社交网络方面的应用得到了蓬勃的发展。虽然移动社交网络本质上是一个拓扑时变的动态连通网络，但是具有这种特性的网络中用户的活动并非无规律的移动。在移动社交网络中，节点的移动特性主要依赖于人的行为模式，而人类的个体或者群体的活动一般具备规律性、集聚性和社会性等特性。人类内在的活动规律性使人们的行为具有高预测性。若能对移动社交网络中的活动规律进行分析，并对网络中用户未来的行为作出准确预测，对移动网络的切换、数据传递及人们的日常生活都有着非常重要的作用，有很大的商业价值和社会意义。社交网络分析(SocialNetworkAnalysis，SNA)是一种对关系进行量化的社会学研究方法，通过对网络中的各种关系进行量化表示，来揭示网络的结构和属性特征，分析个人、群体乃至整个网络的特征，从而对某种社会现象进行解释。目前比较有代表性的分析角度包括：拓扑、社区和中心性等(参见GaoW.,LiQ.,ZhaoB.,etal.Multicastingindelaytolerantnetworks:Asocialnetworkperspective[C],inProceedingsofACMMobiHoc,2009.)。研究表明，移动社交网络中只要5％-10％的重要节点同时失效就将导致整个网络瘫痪(参见LaiY.C.,MotterA.E.,andNishikawaT.AttacksandCascadesinComplexNetworks[J].LectureNotesinPhysics,2004,650(650):299-310.)。因此，准确评价移动社交网络中节点的重要性相当重要。移动社交网络中已提出多种中心性指标来度量节点的重要程度，如度中心性、介数中心性、接近中心性、特征向量中心性等。目前应用较多的为前三种，即度中心性、介数中心性、接近中心性(参见FreemanL.C..Centralityinsocialnetworksconceptualclarification[J].SocialNetworks,1978,1(3):215–239.)。虽然研究人员已经对移动社交网络中的中心性指标进行了广泛的研究，但主要集中在分析不随时间变化的静态网络，或一段时间内的静态聚合网络。然而，移动社交网络的本质是动态的，动态分析节点之间关系的功能非常重要。随着时间的推移，节点所属的网络结构，以及和其他节点之间的接触关系都会经常变动，即节点在网络中的中心性是时变的。因此，本专利技术考虑从暂态角度出发，对移动社交网络中节点的未来中心性进行预测。目前，对于移动社交网络中节点中心性的建模和预测，已经取得一定的研究成果。Kim，Zhou等通过对真实数据中节点中心性进行分析，分别提出了几种直观和综合的中心性预测方法来预测节点未来的中心性值(参见KimH.,TangJ.,AndersonR.,etal..CentralityPredictioninDynamicHumanContactNetworks[J].ComputerNetworks,2012,56(3):983-996；ZhouH.,LeungVictorC.M.,ZhuC.,XuS.,andFanJ..PredictingTemporalSocialContactPatternsforDataForwardinginOpportunisticMobileNetworks,IEEETransactionsonVehicularTechnology,66(11):10372-10383,2017.)。但是，Kim,zhou等提出的几种直观和综合的中心性预测方法在不同特点的数据集中预测方法的性能具有较大的差异。这是因为它们未能充分的利用离散时间序列信息，而马尔科夫过程是研究事物的状态及其转移概率的理论，它既适用于时间和空间序列，同时又能充分的表现随机性。
技术实现思路
本专利技术提供一种移动社交网络中基于K阶马尔科夫链的节点中心性预测方法，考虑从暂态的角度利用马尔科夫链模型来对节点的未来中心性进行预测，其预测方法不仅可以提高预测的准确率，而且具有更强的普适性。本专利技术采取的技术方案为：一种移动社交网络中基于K阶马尔科夫链的节点中心性预测方法，针对具有N个移动节点的移动社交网络，其中i∈{1,2,...,N}；在移动社交网络中，节点间的接触描述为网络连通图G(V,E)，其中节点对i,j∈V之间的随机接触过程建模成连通图中的边eij∈E。假设观测的网络开始时间为Ts＝0,结束时间为Te＝T。将过去的观测时间T按照窗口大小w划分为n＝T/w个时间窗口，基于过去的n个时间窗口的数据来预测未来的第n+1个时间窗口的节点中心性值。一种移动社交网络中基于K阶马尔科夫链的节点中心性预测方法，包括以下步骤：步骤1：每个节点都利用自己的缓存记录和其它节点的历史接触，包括接触次数和接触时间间隔等。每个节点和其他节点接触时，不仅记录彼此的接触情况，而且交换彼此缓存中的历史接触记录，这样每个节点就可以得到整个网络中节点的历史接触情况。步骤2：利用缓存中存储的接触历史记录，每个节点可以构建一个时间序列网络拓扑图。根据构建的时间序列网络拓扑图，每个节点计算在每个时间窗口内的中心性值。具体地，将过去的观测时间T按照窗口大小w划分为n＝T/w个时间窗口，利用缓存中存储的接触历史记录构建时间序列网络拓扑图。对于网络中的每个节点，计算其在每个时间窗口中的中心性值，这样可以得到一系列的基于时间序列的中心性值，对于节点i可以表示为这里用节点i作为例子，来介绍如何计算节点i在某个时间窗口的度中心性(DegreeCentrality)计算方法，具体如下：其中：N是网络中节点的数量，e(i,j)代表节点对i和j是否直接接触，如果e(i,j)＝1代表节点对i和j直接接触。步骤3：构建K阶状态转移矩阵：基于K阶马尔科夫链的预测方法中，对节点中心性的预测是通过当前已知的历史状态信息计算其所有可能出现的状态的概率，其中概率最大的状态就是所求的状态，即为预测的中心性值。状态转移概率矩阵是由状态的概率组成，基于K阶马尔科夫链的中心性预测方法主要是对状态转移概率矩阵的求解。在求解K阶状态概率转移矩阵M时，通过距离当前时间窗口的邻近的K个时间窗口中的中心性来预测下一个时间窗口中节点的中心性。在状态转移概率矩阵M中，矩阵元素表示从一个状态d，经过k个时间单位后到达状态e的概率，成为k步状态转移概率：md,e＝P(Xn+1＝e|X(n-k+1,n)＝d)(2)其中，d表示(d0,d1,...,dK-1)中任意连续的K个中心性值，e表示一个独立的中心性值。状态转移矩阵M的求解是由节点的大量中心性的历史数据而得到的，可以用节点中心性值出现过的频率来近似其概率：式中：N(d)表示的是历史数据序列中某一状态d出现的次数，即K个中心性值连续出现的次数，N(e,d)表示的是历史数据序列本文档来自技高网...

【技术保护点】
1.一种移动社交网络中基于K阶马尔科夫链的节点中心性预测方法，其特征在于：针对具有N个移动节点的移动社交网络，其中i∈{1,2,...,N}；在移动社交网络中，节点间的接触描述为网络连通图G(V,E)，其中节点对i,j∈V之间的随机接触过程建模成连通图中的边eij∈E；假设观测的网络开始时间为Ts＝0,结束时间为Te＝T；将过去的观测时间T按照窗口大小w划分为n＝T/w个时间窗口，基于过去的n个时间窗口的数据来预测未来的第n+1个时间窗口的节点中心性值。

【技术特征摘要】
1.一种移动社交网络中基于K阶马尔科夫链的节点中心性预测方法，其特征在于：针对具有N个移动节点的移动社交网络，其中i∈{1,2,...,N}；在移动社交网络中，节点间的接触描述为网络连通图G(V,E)，其中节点对i,j∈V之间的随机接触过程建模成连通图中的边eij∈E；假设观测的网络开始时间为Ts＝0,结束时间为Te＝T；将过去的观测时间T按照窗口大小w划分为n＝T/w个时间窗口，基于过去的n个时间窗口的数据来预测未来的第n+1个时间窗口的节点中心性值。2.根据权利要求1所述一种移动社交网络中基于K阶马尔科夫链的节点中心性预测方法，其特征在于包括以下步骤：步骤1：每个节点都利用自己的缓存记录和其它节点的历史接触，包括接触次数和接触时间间隔，每个节点和其他节点接触时，不仅记录彼此的接触情况，而且交换彼此缓存中的历史接触记录，这样每个节点就能够得到整个网络中节点的历史接触情况；步骤2：利用缓存中存储的接触历史记录，每个节点可以构建一个时间序列网络拓扑图；根据构建的时间序列网络拓扑图，每个节点计算在每个时间窗口内的中心性值；步骤3：构建K阶状态转移矩阵；步骤4：对步骤2中得到的节点i的中心性值序列进行离散化，得到一个有限的状态空间，表示为S；K阶状态转移概率的马尔可夫链用来估计对于所有a∈S和b∈S，其中：b＝(b1,b2,...,bk)，记nba为状态b在序列中跟在值a后的次数，记nb为状态b在序列中出现的次数，pb,a表示从状态b到状态(b2,...,bk,a)的状态转移概率的估计；基于构建的K阶状态转移矩阵，K阶马尔科夫链的最大似然估计量的状态转移概率为：具体地，记bi表示节点i在K阶马尔科夫链中的当前状态；节点i在下一时间窗口的中心性值计算为：3.根据权利要求1所述一种移动社交网络中基于K阶马尔科夫...

【专利技术属性】
技术研发人员：周欢，陈鑫，江恺，吴桐，
申请(专利权)人：三峡大学，
类型：发明
国别省市：湖北,42