网络流驱动的复杂输运网络演化模型

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (24): 15-19.

网络流驱动的复杂输运网络演化模型

李周平1，2，韩景倜1

1.上海财经大学信息管理与工程学院，上海 200433
2.上海理工大学管理学院，上海 200093

出版日期:2012-08-21 发布日期:2012-08-21

Modeling evolution of complex transportation networks driven by networks flow

LI Zhouping1，2, HAN Jingti1

1.School of Information Management and Engineering, Shanghai University of Finance and Economics, Shanghai 200433, China
2.Business School, University of Shanghai for Science and Technology, Shanghai 200093, China

Online:2012-08-21 Published:2012-08-21

摘要/Abstract

摘要： 传统复杂网络演化模型在网络拓扑结构与边权演化的机制设计中，未考虑网络流对于输运网络演化的驱动作用。引入网络流的动态驱动机制，分析网络流的规模增长、空间距离的制约与最短路径的配流策略三种因素，在输运网络的演化过程中所发挥的作用。发现这三种因素并不足以改变复杂网络的无标度性；基于最短路径的配流机制是网络流分布不均的关键影响因素；空间距离抑制作用对于网络相配性具有关键影响作用。

关键词: 输运网络, 网络流, 空间距离, 规模效应

Abstract: In terms of the mechanism design of network topology and weight dynamical evolution, the traditional evolution model of complex network doesn’t take into account the network flow’ driving function to evolution of transportation network. This paper introduces the dynamic system of network flow and analyzes the role played by three factors in the process of evolution of transportation network which are scale growth of network flow, constraints of spatial distance and flow distribution mechanism based on shortest path. It finds that these three factors can’t change the connectivity power -law behavior; flow distribution mechanism based on shortest path is the important factor to effect network flow maldistribution and the spatial distance plays a key role to effect the network assortative mixing.

Key words: transportation networks, networks flow, spatial distance, scale effect

李周平1，2，韩景倜1. 网络流驱动的复杂输运网络演化模型[J]. 计算机工程与应用, 2012, 48(24): 15-19.

LI Zhouping1，2, HAN Jingti1. Modeling evolution of complex transportation networks driven by networks flow[J]. Computer Engineering and Applications, 2012, 48(24): 15-19.

[1]	武自强，周建涛，赵大明，柳林. 数据中心基于服务满足度的网络流避让方法[J]. 计算机工程与应用, 2021, 57(19): 116-122.
[2]	王彦，董育宁，葛军. 实现网络视频流多分类的迁移学习算法[J]. 计算机工程与应用, 2021, 57(14): 164-168.
[3]	康梦轩，宋俊平，范鹏飞，高博文，周旭，李琢. 基于深度学习的网络流量预测研究综述[J]. 计算机工程与应用, 2021, 57(10): 1-9.
[4]	顾兆军，吴优，赵春迪，周景贤. 流量的集成学习与重采样均衡分类方法[J]. 计算机工程与应用, 2020, 56(6): 86-91.
[5]	洪征，龚启缘，冯文博，李毅豪. 自适应聚类的未知应用层协议识别方法[J]. 计算机工程与应用, 2020, 56(5): 109-117.
[6]	李松，周亚同，池越，何静飞，张世立. 高斯过程混合模型应用于网络流量预测研究[J]. 计算机工程与应用, 2020, 56(5): 186-193.
[7]	董育宁，朱善胜，赵家杰. 基于[t]分布混合模型的半监督网络流分类方法[J]. 计算机工程与应用, 2018, 54(10): 31-38.
[8]	殷荣网. 基于FCM-LSSVM网络流量预测模型[J]. 计算机工程与应用, 2016, 52(1): 105-109.
[9]	梁银，董永权. 最优有序路径关键词查询[J]. 计算机工程与应用, 2015, 51(4): 138-141.
[10]	陈鸿星. 基于ELM-LSSVM的网络流量预测[J]. 计算机工程与应用, 2015, 51(24): 73-77.
[11]	黄芳1，刘元君1，陈波2. 组合核函数高斯过程的网络流量预测模型[J]. 计算机工程与应用, 2015, 51(19): 93-97.
[12]	陈鹏，司健，于子桓，王蔚旻. 基于信息熵的网络流异常监测和三维可视方法[J]. 计算机工程与应用, 2015, 51(12): 88-93.
[13]	王军玲1、2，王士同1，包芳2，周建林3. 基于空间距离的快速模糊C均值聚类算法[J]. 计算机工程与应用, 2015, 51(1): 177-183.
[14]	尹向东，杨杰，屈长青. CPSO算法优化神经网络重构的网络流量预测[J]. 计算机工程与应用, 2014, 50(9): 65-68.
[15]	张显江1，刘小强2. 一种参数联合优化的网络流量非线性预测模型[J]. 计算机工程与应用, 2014, 50(6): 64-67.