交通运输加权复杂网络的骨干网络提取方法、系统及设备技术方案

本发明专利技术提供了一种交通运输加权复杂网络的骨干网络提取方法、系统及设备，涉及复杂网络和统计物理领域。该方法包括：建立交通运输加权复杂网络的统计物理模型，确定统计物理模型中的热力学量；基于热力学量，将德拜模型映射到交通运输加权复杂网络上，确定交通运输加权复杂网络中边权的概率密度函数；根据边权的概率密度函数确定边权的联合分布函数；基于边权的联合分布函数，利用最大期望算法确定交通运输加权复杂网络中边权的最优阈值；根据边权的最优阈值过滤交通运输加权复杂网络的边权值，提取交通运输加权复杂网络的骨干网络；骨干网络用于描述交通运输加权复杂网络。本发明专利技术能够准确提取出骨干网络，提高交通运输加权复杂网络分析的准确性。杂网络分析的准确性。杂网络分析的准确性。

【技术实现步骤摘要】
交通运输加权复杂网络的骨干网络提取方法、系统及设备


[0001]本专利技术涉及复杂网络和统计物理领域，特别是涉及一种交通运输加权复杂网络的骨干网络提取方法、系统及设备。

技术介绍

[0002]交通运输作为国民经济发展的一个重要物质生产部门，它能够将社会的生产、交换、分配以及消费等诸多环节联系在一起，是中国社会经济生活各个方面能够正常运行的基础前提。使用复杂网络描述交通运输，认识其拓扑结构特性，能够为交通运输加权复杂网络的规划、设计和维护提供重要的参考依据。但随着技术的不断进步，现在的交通运输加权复杂网络越来越复杂，想要快速的掌握交通运输加权复杂网络主要特征是几乎不可能的，并且密集的网络以及不重要边的存在会导致交通运输复杂网络的测量和研究出现偏差。提取网络的骨干可以简化网络，删除部分边和节点，保留最有价值的信息，可以以简单的网络结构映射和探索抽象的交通运输加权复杂网络。因此，提取交通运输加权复杂网络的骨干网络方法越来越受到研究人员的关注。
[0003]已有的提取骨干网络的方法主要包括粗粒化方法和阈值方法。粗粒化方法将共享公共属性的节点合并在一起，并用抽象网络中的单个新节点替换它们，从而达到了提取骨干网络的目的。文章“Spectral coarse graining ofcomplex networks”描述了一种保持随机游动的粗粒化方法，它将具有大致相同的邻居的节点进行分组，然而，由于大多数与交通地理相关的研究问题都需要保留原始节点和边缘，那么粗粒化方法对交通运输加权复杂网络是不适用的。
[0004]对边权取阈值一般有两种方法，第一种方法是基于权值的方法，用固定值进行阈值化，当边权值超过某个常数值时，该边就存在，该方法的问题是使用这种方法生成的网络通常具有可变的边数，导致二进制邻接矩阵的密度发生变化，从而所观察到的运输网路的结构特性也是在不断变化的。另一种方法是基于密度的阈值方法，保持最强连接的百分比不变，具有固定数量的边连接，但其缺点是使得显示出的拓扑更随机，那么对运输网络的结构特性展现也是随机的。

技术实现思路

[0005]本专利技术的目的是提供一种交通运输加权复杂网络的骨干网络提取方法、系统及设备，以解决无法准确提取出骨干网络以描述交通运输加权复杂网络结构，导致交通运输加权复杂网络分析准确性低的问题。
[0006]为实现上述目的，本专利技术提供了如下方案：
[0007]一种交通运输加权复杂网络的骨干网络提取方法，包括：
[0008]建立交通运输加权复杂网络的统计物理模型，确定所述统计物理模型中的热力学量；
[0009]基于所述统计物理模型中的热力学量，将德拜模型映射到所述交通运输加权复杂
网络上，确定所述交通运输加权复杂网络中边权的概率密度函数；
[0010]根据所述边权的概率密度函数确定所述边权的联合分布函数；
[0011]基于所述边权的联合分布函数，利用最大期望算法确定所述交通运输加权复杂网络中边权的最优阈值；
[0012]根据所述边权的最优阈值过滤所述交通运输加权复杂网络的边权值，提取所述交通运输加权复杂网络的骨干网络；所述骨干网络用于描述交通运输加权复杂网络。
[0013]可选的，建立交通运输加权复杂网络的统计物理模型，确定所述统计物理模型中的热力学量，具体包括：
[0014]将统计中的能量定义为所述交通运输加权复杂网络中的所有边权值的和；
[0015]根据所有边权值的和确定所述热力学量；所述热力学量为温度。
[0016]可选的，所述边权的概率密度函数为：
[0017][0018]其中，p
d
(ω)为边权的概率密度函数，ω为边权值，T为所述交通运输加权复杂网络的温度。
[0019]可选的，根据所述边权的概率密度函数确定所述边权的联合分布函数，具体包括：
[0020]将所述边权的概率密度函数分解为两个伽马分布函数，确定所述边权的伽马概率密度函数；
[0021]根据所述边权的伽马概率密度函数确定所述边权的联合分布函数。
[0022]可选的，所述边权的联合分布函数为：
[0023][0024]其中，p(W|Θ)为联合分布函数，E为边的集合，W为所述交通运输加权复杂网络的熵，Θ为形状参数α以及逆尺度参数β的集合，p
d
(ω
i
|α,β)为伽马分布的二元组合形式，ω
i
为第i个交通运输加权复杂网络节点的边权值。
[0025]一种交通运输加权复杂网络的骨干网络提取系统，包括：
[0026]热力学量确定模块，用于建立交通运输加权复杂网络的统计物理模型，确定所述统计物理模型中的热力学量；
[0027]德拜模型映射模块，用于基于所述统计物理模型中的热力学量，将德拜模型映射到所述交通运输加权复杂网络上，确定所述交通运输加权复杂网络中边权的概率密度函数；
[0028]联合分布函数确定模块，用于根据所述边权的概率密度函数确定所述边权的联合分布函数；
[0029]最优阈值确定模块，用于基于所述边权的联合分布函数，利用最大期望算法确定所述交通运输加权复杂网络中边权的最优阈值；
[0030]骨干网络提取模块，用于根据所述边权的最优阈值过滤所述交通运输加权复杂网络的边权值，提取所述交通运输加权复杂网络的骨干网络；所述骨干网络用于描述交通运
输加权复杂网络。
[0031]可选的，热力学量确定模块，具体包括：
[0032]定义单元，用于将统计中的能量定义为所述交通运输加权复杂网络中的所有边权值的和；
[0033]热力学量确定单元，用于根据所有边权值的和确定所述热力学量；所述热力学量为温度。
[0034]可选的，所述边权的概率密度函数为：
[0035][0036]其中，p
d
(ω)为边权的概率密度函数，ω为边权值，T为所述交通运输加权复杂网络的温度。
[0037]一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述任一项所述的交通运输加权复杂网络的骨干网络提取方法。
[0038]一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的交通运输加权复杂网络的骨干网络提取方法。
[0039]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：本专利技术提供了一种交通运输加权复杂网络的骨干网络提取方法、系统及设备，使用统计方法建立交通运输加权复杂网络的统计物理模型，以保持结构之间的联系，确定边权的最优阈值，从而根据最优阈值过滤交通运输加权复杂网络中虚假连接的边，提取出骨干网络，进而能够准确提取出骨干网络，提高交通运输加权复杂网络分析的准确性。
附图说明
[0040]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种交通运输加权复杂网络的骨干网络提取方法，其特征在于，包括：建立交通运输加权复杂网络的统计物理模型，确定所述统计物理模型中的热力学量；基于所述统计物理模型中的热力学量，将德拜模型映射到所述交通运输加权复杂网络上，确定所述交通运输加权复杂网络中边权的概率密度函数；根据所述边权的概率密度函数确定所述边权的联合分布函数；基于所述边权的联合分布函数，利用最大期望算法确定所述交通运输加权复杂网络中边权的最优阈值；根据所述边权的最优阈值过滤所述交通运输加权复杂网络的边权值，提取所述交通运输加权复杂网络的骨干网络；所述骨干网络用于描述交通运输加权复杂网络。2.根据权利要求1所述的交通运输加权复杂网络的骨干网络提取方法，其特征在于，建立交通运输加权复杂网络的统计物理模型，确定所述统计物理模型中的热力学量，具体包括：将统计中的能量定义为所述交通运输加权复杂网络中的所有边权值的和；根据所有边权值的和确定所述热力学量；所述热力学量为温度。3.根据权利要求1所述的交通运输加权复杂网络的骨干网络提取方法，其特征在于，所述边权的概率密度函数为：其中，p
d
(ω)为边权的概率密度函数，ω为边权值，T为所述交通运输加权复杂网络的温度。4.根据权利要求1所述的交通运输加权复杂网络的骨干网络提取方法，其特征在于，根据所述边权的概率密度函数确定所述边权的联合分布函数，具体包括：将所述边权的概率密度函数分解为两个伽马分布函数，确定所述边权的伽马概率密度函数；根据所述边权的伽马概率密度函数确定所述边权的联合分布函数。5.根据权利要求4所述的交通运输加权复杂网络的骨干网络提取方法，其特征在于，所述边权的联合分布函数为：其中，p(W|Θ)为联合分布函数，E为边的集合，W为所述交通运输加权复杂网络的熵，Θ为形状参数α以及逆尺度参数β的集合，p
d
(ω
i
|α,β)为伽马分布的二元组合形式，ω

【专利技术属性】
技术研发人员：王健嘉，赵欣，毛浩地，姜雨彤，赵勋达，刘坤，
申请(专利权)人：上海大学，
类型：发明
国别省市：