-
题名复杂网络中节点度增量的预测研究
- 1
-
-
作者
余文斌
钱铭
杨泽俊
沈鑫禹
李琪
张成军
-
机构
南京信息工程大学
南京信息工程大学计算机学院
南京信息工程大学数字取证教育部工程研究中心
-
出处
《信息技术》
2024年第5期30-37,共8页
-
基金
国家自然科学基金(61501247,61703212,61802197)。
-
文摘
节点的度属性是复杂网络的拓扑性质,因此对节点度增量的预测在复杂网络的未来趋势预测中具有重要意义。文中设计了基于链路预测相似性算法的节点度增量预测方法,并分析复杂网络中节点度增量的预测准确性。通过对比连边和度增量的预测结果,表明两者之间不存在相关性。进一步实验,文中分析了节点自身度属性和未来度增量之间的关系,实验表明:大度节点的度增量预测准确性较高,小度节点的准确性较低。由此可知,大度节点之间的差异性使得未来度增量的预测结果更加准确,同时表明链路预测结果存在异质性。
-
关键词
复杂网络
链路预测
度增量
度属性
异质性
-
Keywords
complex network
link prediction
degree increment
degree attribute
heterogeneity
-
分类号
TP393.2
[自动化与计算机技术—计算机应用技术]
-
-
题名基于CBAM&ConvLSTM的短时交通拥塞预测
- 2
-
-
作者
余文斌
沈鑫禹
钱铭
冯昊
王苏勋
张成军
-
机构
南京信息工程大学
南京信息工程大学计算机学院
南京信息工程大学数字取证教育部工程研究中心
-
出处
《信息技术》
2024年第6期1-7,共7页
-
基金
国家自然科学基金(61501247,61703212,61802197)。
-
文摘
短时交通拥塞预测是智能交通的重点问题,其难点在于时空序列的数据处理和特征提取。卷积长短期记忆网络(Convolutional Long Short-Term Memory, ConvLSTM)适合处理兼具时间和空间相关性的交通数据。而卷积注意力机制(Convolutional Block Attention Module, CBAM)在空间和时间维度引入注意力机制,使模型对于数据的变化更加敏感。文中结合ConvLSTM和CBAM,设计了一种新模型,对短时交通拥塞进行预测。实验基于百度地图实时数据,并与其他主流模型进行了比较。结果表明,该模型在交通数据的适应性方面优于其他模型,为解决交通拥塞的预测问题提供了一种新的思路和方法。
-
关键词
深度学习
短时交通拥塞预测
卷积长短期记忆网络
卷积注意力机制
时空预测
-
Keywords
deep learning
short-term traffic congestion prediction
Convolutional Long Short-Term Memory Network
Convolutional Block Attention Module
spatiotemporal prediction
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
-
