1.一种基于网络结构和时序的机会网络链路预测方法,其特征在于,包括:S1,在原矩阵森林指数的基础上从连接次数和连接时长两个方面重定义矩阵森林指数;
S2,分别计算原矩阵森林指数和重定义的矩阵森林指数的相似性矩阵;
S3,构建混合矩阵森林指数,采用量子粒子群优化算法为原矩阵森林指数和重定义的矩阵森林指数寻找最优权重分配,通过加权得到混合矩阵森林指数相似性矩阵,进而得到预测结果;
步骤S1中具体采用步骤计算公式重定义矩阵森林指数:原矩阵森林指数的计算公式如下:
‑1
S=(I+L)
其中,S为网络中各节点的矩阵森林指数所组成的矩阵,I为单位矩阵,L为网络的拉普拉斯矩阵,L等于网络的度矩阵与邻接矩阵的差;
重定义的矩阵森林指数,原计算公式中的网络的拉普拉斯矩阵L中的元素lxy使用下面的公式进行计算:其中,x和y表示网络中的节点,lxy表示拉普拉斯矩阵的元素,p表示节点x和y的第p次连接,t表示节点x和y第p次连接的连接时长;
步骤S2具体包括:
S21,依据机会网络数据的采样频率,采用原矩阵森林指数的计算公式计算每次采样网络的原矩阵森林指数的相似性矩阵,再使用下面的公式计算它们的平均值,得到最终的原矩阵森林指数的相似性矩阵;
其中, 为每次采样网络的原矩阵森林指数的相似性矩阵求平均值后所得到的原矩阵森林指数的相似性矩阵,Si为第i次采样网络的原矩阵森林指数的相似性矩阵,n为采样的次数;
S22,采用重定义的矩阵森林指数的计算公式计算机会网络的重定义的矩阵森林指数的相似性矩阵S';
步骤S3具体包括:
S31,通过量子粒子群算法的寻优,得到原矩阵森林指数和重定义的矩阵森林指数的最优权重w1和w2;
S32,使用下面的公式计算得到混合矩阵森林指数的相似性矩阵:MixIndex=w1×S+w2×S'
其中,MixIndex为混合矩阵森林指数的相似性矩阵,S和S'分别为原矩阵森林指数和重定义的矩阵森林指数的相似性矩阵。