[发明专利]机会网络链路的预测方法、装置及可读存储介质

权利要求书

1.一种机会网络链路的预测方法，其特征在于，所述方法包括如下步骤：

基于随机游走算法以及二阶邻居信息，重构马尔科夫转移概率矩阵，根据马尔科夫转移概率矩阵得到改进的重启随机游走相似性指标；

根据时间序列分析法，对机会网络数据进行切分得到多个网络快照，根据所述改进的重启随机游走相似性指标，对切分后的各个所述网络快照进行随机游走得到对应的相似性矩阵；

建立深度信念网络模型，将所述相似性矩阵作为模型输入，经迭代训练测试后得到最优深度信念网络预测模型，以对机会网络链路进行预测；

所述基于随机游走算法以及二阶邻居信息，重构马尔科夫转移概率矩阵，根据马尔科夫转移概率矩阵得到改进的重启随机游走相似性指标包括如下步骤：

基于所述随机游走算法，根据二阶邻居节点以及各个节点的度计算得到所述马尔科夫转移概率矩阵；

根据所述马尔科夫转移概率矩阵计算随机游走粒子到达各节点的概率向量，并根据各个所述概率向量得到重启随机游走相似度值；

所述马尔科夫转移概率矩阵包括多个概率矩阵元素，所述概率矩阵元素的表达式为：

所述概率向量的表达式为：

q_x＝cP^Tq_x(t)+(1-c)e_x

其中，P_xy为概率矩阵元素，k_y为节点y的度，τ_x为节点x的二阶邻居数，q_x为节点x到达各节点的概率向量，P^T为概率转移矩阵的转置，c为随机游走粒子重启的概率，e_x为初始向量，q_x(t)表示t时刻随机游走粒子从节点x处到达网络快照各个节点的概率向量。

2.根据权利要求1所述的机会网络链路的预测方法，其特征在于，所述重启随机游走相似性指标的表达式为：

S_xy＝q_xy+q_yx

相似性矩阵集合的表达式为：

{S₁,S₂,...S_n}

其中，q_xy为从节点x出发的粒子到达节点y的概率，q_yx为从节点y出发的粒子到达节点x的概率，S_i为第i个时间片的相似性矩阵，n为网络切片后的快照总数。

3.根据权利要求1所述的机会网络链路的预测方法，其特征在于，所述深度信念网络模型的表达式为：

其中，θ＝{W_ij,a_i,b_j}为受限玻尔兹曼机的参数，W_ij为可见层第i个神经元与隐含层第j个神经元之间的连接权重，a_i和b_j分别表示可视层神经元i和隐含层神经元j的偏置，v_i表示v的第i个神经元的状态，h_j表示h的第j个神经元的状态，n为可见层神经元数，m为隐含层神经元数。

4.根据权利要求1所述的机会网络链路的预测方法，其特征在于，所述深度信念网络模型的结构包括输入层、叠加的受限玻尔兹曼机隐藏层以及输出层，所述深度信念网络模型还对应有超参数，所述超参数包括网络隐含层数以及隐含层节点数。

5.根据权利要求4所述的机会网络链路的预测方法，其特征在于，所述网络隐含层数由重构误差Rerror进行确定，所述重构误差Rerror表示为：

其中，n为样本个数，m为维数，p_i,j为网络重构值，d_i,j为真实值，p_x为取值个数或范围。

6.根据权利要求4所述的机会网络链路的预测方法，其特征在于，所述隐含层节点数可表示为：

其中，m为输入特征维度，n为输出节点个数，a为区间[1,10]内的整数。