本發(fā)明涉及計算機，尤其涉及一種針對交通網(wǎng)絡關鍵節(jié)點挖掘的影響力優(yōu)化方法及系統(tǒng)。

背景技術：

1、復雜網(wǎng)絡是現(xiàn)實世界中普遍存在的一種系統(tǒng)模型，在人們的日常生活和各種專業(yè)領域中扮演著重要角色。無論是社交互動、城市交通的布局，還是互聯(lián)網(wǎng)的信息流動，都可以借助復雜網(wǎng)絡理論進行建模和分析。在這樣的網(wǎng)絡中，個體或元素被抽象為網(wǎng)絡中的節(jié)點，而它們之間的相互作用則通過邊或鏈接來表示。如果這些鏈接沒有特定的方向性，我們稱這種網(wǎng)絡為無向網(wǎng)絡；相反，如果鏈接具有明確的方向性，即信息或關系只能在特定方向上流動，則稱為有向網(wǎng)絡。通過這種模型，可以更深入地理解網(wǎng)絡結構的特性，以及節(jié)點和鏈接如何共同影響整個網(wǎng)絡的功能和穩(wěn)定性。

2、隨著全球化和城市化進程的加速，城市人口密集度不斷增加，城市交通問題日益成為制約城市發(fā)展的重要因素。城市交通網(wǎng)絡作為城市基礎設施的核心組成部分，是城市經(jīng)濟活力和環(huán)境可持續(xù)性的關鍵。然而，城市交通網(wǎng)絡的規(guī)模龐大、結構復雜，加之動態(tài)變化的交通流量和突發(fā)事件的影響，使得城市交通網(wǎng)絡管理和優(yōu)化面臨巨大挑戰(zhàn)。

3、傳統(tǒng)的城市交通網(wǎng)絡節(jié)點重要性評估方法，如度中心性、介數(shù)中心性等，雖然在某些情況下有效，但往往難以全面捕捉到關鍵節(jié)點的影響，尤其是在網(wǎng)絡結構動態(tài)變化的情況下。此外，這些方法在處理大規(guī)模網(wǎng)絡數(shù)據(jù)時計算效率較低，難以滿足實時性和準確性的要求。

4、為了應對這些挑戰(zhàn)，學者們提出了多種基于計算智能的優(yōu)化算法，如遺傳算法、模擬退火算法、粒子群優(yōu)化算法等。這些算法在解決復雜網(wǎng)絡問題時表現(xiàn)出了一定的搜索能力和收斂速度。然而，這些算法在城市交通網(wǎng)絡關鍵節(jié)點挖掘方面的應用仍存在局限性，包括但不限于：

5、(1)計算效率：現(xiàn)有算法在處理大規(guī)模城市交通網(wǎng)絡時，往往需要較長的計算時間，難以滿足實時性要求。

6、(2)解的質(zhì)量：現(xiàn)有算法可能在搜索過程中陷入局部最優(yōu)解，難以找到全局最優(yōu)或近似最優(yōu)解。

7、(3)適應性：現(xiàn)有算法在面對城市交通網(wǎng)絡的動態(tài)變化時，往往缺乏足夠的適應性，難以快速響應網(wǎng)絡狀態(tài)的變化。

8、盡管ma算法在多個領域展現(xiàn)出了其優(yōu)勢，但在城市交通網(wǎng)絡關鍵節(jié)點挖掘的應用中仍存在一些不足。例如，現(xiàn)有ma算法在處理大規(guī)模網(wǎng)絡時的計算效率有待提高，算法對網(wǎng)絡動態(tài)變化的適應性需要加強，且在評估節(jié)點影響力時可能未能充分利用網(wǎng)絡的結構信息。

技術實現(xiàn)思路

1、本發(fā)明實施例的主要目的在于提出一種高效且性能優(yōu)秀的，針對交通網(wǎng)絡關鍵節(jié)點挖掘的影響力優(yōu)化方法及系統(tǒng)，能夠挖掘復合城市交通網(wǎng)絡中的關鍵節(jié)點。

2、為實現(xiàn)上述目的，本發(fā)明實施例的一方面提出了一種針對交通網(wǎng)絡關鍵節(jié)點挖掘的影響力優(yōu)化方法，包括以下步驟：

3、獲取待處理的路網(wǎng)數(shù)據(jù)集；

4、對所述路網(wǎng)數(shù)據(jù)集進行文件預處理以及文本轉(zhuǎn)換，得到待輸入網(wǎng)絡的文本文件；

5、將所述文本文件輸入目標網(wǎng)絡進行影響力優(yōu)化處理，該過程包括以下步驟：

6、通過2-hop鄰域估計影響力評估因子對所述文本文件進行第一處理，以評估路網(wǎng)中從一個種子節(jié)點到另一個種子節(jié)點的重復影響力；

7、通過高級多點交叉算子自適應參數(shù)策略對所述文本文件進行第二處理；

8、基于rn-ma算法選擇影響力最優(yōu)的種子節(jié)點集方法對所述第一處理和第二處理后的文本文件進行迭代處理，輸出最優(yōu)解，確定影響力的優(yōu)化結果。

9、在一些實施例中，所述對所述路網(wǎng)數(shù)據(jù)集進行文件預處理以及文本轉(zhuǎn)換，得到待輸入網(wǎng)絡的文本文件，包括以下步驟：

10、根據(jù)所述路網(wǎng)數(shù)據(jù)集，依次執(zhí)行以下處理：路網(wǎng)簡化、生成緩沖區(qū)、分割點要素、折線生成交點、用度篩選重要節(jié)點、連接道路空間；

11、對路網(wǎng)中低效的節(jié)點進行篩除，對篩影響力較低的道路進行篩除；

12、根據(jù)簡化后的路網(wǎng)數(shù)據(jù)集，通過折線生成點要素來獲得路網(wǎng)交點，作為網(wǎng)絡中需要獲得的節(jié)點數(shù)據(jù)：

13、使用度指標來衡量，進行若干次篩除度小于三的節(jié)點，保證獲得節(jié)點具備高影響力；

14、將最終生成的節(jié)點轉(zhuǎn)換為所述文本文件。

15、在一些實施例中，所述2-hop鄰域估計影響力評估因子的表達式為：

16、

17、其中，代表2-hop鄰域估計影響力評估結果；cs表示種子s的1-hop鄰居，即為與節(jié)點直接相鄰的鄰居，p(c，s)為激活節(jié)點(s)到待激活節(jié)點(c)的激活概率，χ則表示新激活節(jié)點(c)與原始種子集(s)的重復影響力；為節(jié)點(c)的1-hop領域的范圍；的前項式用于評估初始種子節(jié)點的2-hop影響力范圍，后兩式評估從一個種子節(jié)點到另一個種子節(jié)點的重復影響力。

18、在一些實施例中，所述高級多點交叉算子自適應參數(shù)策略的表達式為：

19、kmin＝kstart+(kend-kstart)*(gen/maxgen)

20、k∈{i|kmin≤i≤k-1}

21、其中，gen為當前的迭代次數(shù)，maxgen為最大迭代次數(shù)；kstart和kend分別為設定的最小和最大交叉基因數(shù)量，kmin為隨機生成交叉基因數(shù)量的最小值；k為遺傳算法中一個個體所含有的基因數(shù)量；待交叉的基因數(shù)量k在kmin與(k-1)間隨機生成。

22、在一些實施例中，所述基于rn-ma算法選擇影響力最優(yōu)的種子節(jié)點集方法對所述第一處理和第二處理后的文本文件進行迭代處理，輸出最優(yōu)解，確定影響力的優(yōu)化結果，包括以下步驟：

23、執(zhí)行初始化算子，根據(jù)輸入網(wǎng)絡節(jié)點的適應度指標選擇候選節(jié)點，將節(jié)點集解作為一個個體，生成一定大小的初始種群；

24、評估所述初始種群中的所有個體，根據(jù)適應度性能指標對個體進行性能評估，得到適應度值；

25、執(zhí)行交叉算子，交換所述初始種群個體間的基因信息，提高種群個體的多樣性，擴寬搜索解空間；

26、執(zhí)行變異算子，向所述初始種群引入新基因，避免陷入局部最優(yōu)；

27、執(zhí)行局部鄰域搜索算子，并行化處理局部鄰域搜索算子，在單次搜索過程中同時處理種群中所有個體，結合禁忌搜索避免進行重復搜索，結合個體在網(wǎng)絡中的局部鄰域信息，遍歷搜索局部鄰域內(nèi)的所有可能解，直到找到局部最優(yōu)解；

28、進行全局搜索，并行化處理全局搜索算子，在種群個體內(nèi)篩選最高適應度的個體，依照適應度將篩選得到的個體與種群個體作對比，替換適應度較小的個體，用于替換種群個體基因；

29、執(zhí)行選擇算子和精英選擇策略，保留當前種群最優(yōu)解并同時篩選合適的個體傳遞到下一代；

30、重復執(zhí)行迭代處理步驟，直至滿足設定的迭代次數(shù)，并輸出結束時的種群最優(yōu)解。

31、本發(fā)明實施例的另一方面還提供了一種針對交通網(wǎng)絡關鍵節(jié)點挖掘的影響力優(yōu)化系統(tǒng)，包括：

32、第一模塊，用于獲取待處理的路網(wǎng)數(shù)據(jù)集；

33、第二模塊，用于對所述路網(wǎng)數(shù)據(jù)集進行文件預處理以及文本轉(zhuǎn)換，得到待輸入網(wǎng)絡的文本文件；

34、第三模塊，用于將所述文本文件輸入目標網(wǎng)絡進行影響力優(yōu)化處理，該模塊包括：

35、第一單元，用于通過2-hop鄰域估計影響力評估因子對所述文本文件進行第一處理，以評估路網(wǎng)中從一個種子節(jié)點到另一個種子節(jié)點的重復影響力；

36、第二單元，用于通過高級多點交叉算子自適應參數(shù)策略對所述文本文件進行第二處理；

37、第三單元，用于基于rn-ma算法選擇影響力最優(yōu)的種子節(jié)點集方法對所述第一處理和第二處理后的文本文件進行迭代處理，輸出最優(yōu)解，確定影響力的優(yōu)化結果。

38、在一些實施例中，所述2-hop鄰域估計影響力評估因子的表達式為：

39、

40、其中，代表2-hop鄰域估計影響力評估結果；cs表示種子s的1-hop鄰居，即為與節(jié)點直接相鄰的鄰居，p(c，s)為激活節(jié)點(s)到待激活節(jié)點(c)的激活概率，χ則表示新激活節(jié)點(c)與原始種子集(s)的重復影響力；為節(jié)點(c)的1-hop領域的范圍；的前項式用于評估初始種子節(jié)點的2-hop影響力范圍，后兩式評估從一個種子節(jié)點到另一個種子節(jié)點的重復影響力。

41、在一些實施例中，所述高級多點交叉算子自適應參數(shù)策略的表達式為：

42、kmin＝kstart+(kend-kstart)*(gen/maxgen)

43、k∈{i|kmin≤i≤k-1}

44、其中，gen為當前的迭代次數(shù)，maxgen為最大迭代次數(shù)；kstart和kend分別為設定的最小和最大交叉基因數(shù)量，kmin為隨機生成交叉基因數(shù)量的最小值；k為遺傳算法中一個個體所含有的基因數(shù)量；待交叉的基因數(shù)量k在kmin與(k-1)間隨機生成。

45、本發(fā)明實施例的另一方面還提供了一種電子設備，包括處理器以及存儲器；

46、所述存儲器用于存儲程序；

47、所述處理器執(zhí)行所述程序?qū)崿F(xiàn)如前面所述的方法。

48、本發(fā)明實施例的另一方面還提供了一種計算機可讀存儲介質(zhì)，所述存儲介質(zhì)存儲有程序，所述程序被處理器執(zhí)行實現(xiàn)如前面所述的方法。

49、本發(fā)明實施例還公開了一種計算機程序產(chǎn)品或計算機程序，該計算機程序產(chǎn)品或計算機程序包括計算機指令，該計算機指令存儲在計算機可讀存儲介質(zhì)中。計算機設備的處理器可以從計算機可讀存儲介質(zhì)讀取該計算機指令，處理器執(zhí)行該計算機指令，使得該計算機設備執(zhí)行前面的方法。

50、本發(fā)明實施例至少包括以下有益效果：本發(fā)明提供一種針對交通網(wǎng)絡關鍵節(jié)點挖掘的影響力優(yōu)化方法及系統(tǒng),該方案通過獲取待處理的路網(wǎng)數(shù)據(jù)集；對所述路網(wǎng)數(shù)據(jù)集進行文件預處理以及文本轉(zhuǎn)換，得到待輸入網(wǎng)絡的文本文件；將所述文本文件輸入目標網(wǎng)絡進行影響力優(yōu)化處理，該過程包括以下步驟：通過2-hop鄰域估計影響力評估因子對所述文本文件進行第一處理，以評估路網(wǎng)中從一個種子節(jié)點到另一個種子節(jié)點的重復影響力；通過高級多點交叉算子自適應參數(shù)策略對所述文本文件進行第二處理；基于rn-ma算法選擇影響力最優(yōu)的種子節(jié)點集方法對所述第一處理和第二處理后的文本文件進行迭代處理，輸出最優(yōu)解，確定影響力的優(yōu)化結果。本發(fā)明能夠挖掘復合城市交通網(wǎng)絡中的關鍵節(jié)點，效率高且優(yōu)化了自適應參數(shù)策略，提高了處理性能。