[发明专利]一种基于高通滤波器和改进RNN的机会网络链路预测方法

权利要求书

1.一种基于高通滤波器和改进RNN的机会网络链路预测方法，其特征在于，包括如下步骤：

S1，根据机会网络中节点间的链接时长的概率分布，通过线性组合多个高斯密度函数，实现应用于机会网络数据处理的高通滤波器模块f(·)；

S2，将机会网络数据集切分为连续的时间快照G＝{G₁,G₂,…,G_k}，G_i＝(V,E,W)，其中V为节点集合，E＝{u,v|u,v∈N，u≠v}为该快照内的边集，其中u,v为机会网络中两个不同的节点，N为机会网络中节点个数，W表示各边的权值，此处特指链接时长，W_uv为u,v节点间的当前链接时长，然后将G输入到步骤S1的高通滤波器中，对重要的信息进行特征增强，得到G′＝f(G)；

S3，将经过高通滤波器处理后的数据，输入到在循环神经网络基础上改进得到的神经网络中，捕获节点间的时空依赖关系，通过不断迭代和反向传播更新网络参数，最终得到一个预测下个时刻网络链路状态的预测模型；

步骤S1具体包括：

S11，统计机会网络中节点间的链接时长的概率分布，按分布密度大小排序，得到前n个密集分布区间s₁,s₂,…,s_n；

S12，为n个密集分布区间分别设计高斯密度函数:

其中，t节点对间的当前链接时长，T_s为每个区间的平均链接时长，σ为超参数；

S13，将上一个步骤中得到的n高斯密度函数做线性组合得到最终的高通滤波器模块f(·):

其中0α_i，且随着f_i(·)中T_s的增大而增大，δ(·)为阶跃函数，T_min为超参数，其表示默认最短链接时长；

步骤S3具体包括：

S31，将通过处理高通滤波器处理后的数据，输入到改进后的循环神经网络中，其中，改进的循环神经网络会同时捕获节点和其邻居的时空依赖关系，改进的循环神经网络中节点i的邻居经由循环神经网络的输出会作为节点i的输入的一部分与节点i的信息一同输入到改进的循环神经网络中；

S32，设计改进的循环神经网络的公式定义如下:

其中u、w_i、w为权重，x_i^t+1为当前节点i的输入，h_i^t为上一时刻的存储信息，为节点i当前时刻的邻居，h_u^t为上一时刻节点u经由RNNCell()的输出，h_i^t+1为下一时刻节点i的输出。

2.根据权利要求1所述的基于高通滤波器和改进RNN的机会网络链路预测方法，其特征在于，改进的循环神经网络的RNNCell()单元是对循环神经网络进行改进，或者对循环神经网络的变体形式进行改进，循环神经网络的变体形式包括长短期记忆网络、门控循环单元。