一种信息-半岛BOB·(中国)官方网站

文档序号:34131600发布日期:2023-11-28阅读:519来源:国知局


1.本发明属于介质传播模型领域,种信息具体涉及一种信息-介质-社交三层网络耦合传播模型分析方法。种信息


背景技术:

2.对于社会网络与物理网络耦合的种信息传播网络,网络之间的种信息关联节点表示个体处在不同网络上,具有不同的种信息特征:社会网络上人与人之间是传递信息,物理网络上是种信息传播介质,而信息的种信息传播和介质的传播互相影响。
3.当前的种信息研究只考虑了相对于单层网络的介质传播,由于多层耦合网络结构的种信息复杂性,其中的种信息动力学行为更加复杂。单层网络上的种信息动力学行为必定会影响其它层网络,与此同时,种信息其它层网络的种信息变化也将反作用于这个网络,产生交互影响。种信息现在的种信息研究还尚未综合考虑人群接触结构、信息传播特性与介质传播等特征相结合建立多层耦合网络的统一的疾病时空传播模型。


技术实现要素:

4.本发明所要解决的技术问题在于:针对现有技术中只考虑单层网络的介质传播,未考虑多层耦合网络结构的复杂性的问题,提供了一种信息-介质-社交三层网络耦合传播模型分析方法,更好地利用人群的流动接触将介质传播特性和信息传播特性结合起来。为解决以上技术问题,本发明提供如下技术方案:一种信息-介质-社交三层网络耦合传播模型分析方法,包括如下步骤:
5.s1、构建信息-介质-社交三层网络模型,定义节点对于介质的传播状态集,以及节点对介质的意识状态集;其中,信息层为基于基站覆盖范围与个体位置的拓扑结构,介质为物理传播层,是基于介质传播半径和个体位置的最近邻耦合网络,社交层为基于er随机网络建立节点之间的交流拓扑结构;
6.s2、根据所述传播状态集、意识状态集,以及信息层、物理传播层、以及社交层的结构,分别计算获得信息层、物理传播层、社交层的状态转移概率表达式;
7.s3、根据所述状态概率表达式,结合传播状态集、意识状态集,建立三层网络耦合关系式,基于微观马尔可夫链建立节点的状态转移概率树;
8.s4、根据所述状态转移概率树,基于传播稳定时节点的状态,获得感染态的个体占总数的比例的表达关系式。
9.进一步地,前述的步骤s1中,节点对于介质的传播状态集为易感态s,密接态c,感染态i与抵抗态r,代表节点对介质感染的四个阶段,节点对介质的意识状态集为意识态a和非意识态u。
10.进一步地,前述的步骤s1中,基于介质传播半径rv与个体位置建立物理传播网络的邻接矩阵,如下:
[0011][0012]
其中,
[0013][0014]
其中,为节点i与节点j之间的物理距离。
[0015]
进一步地,前述的步骤s2中,在物理传播层中,处于易感态下的节点i与密接态或感染态的节点接触后,转变为密接态的概率p
i,s
,如下式:
[0016][0017]
其中,a
ij
表示t时刻传播网络中邻接矩阵的元素,β为与感染态或密接态节点接触后转变为密接态的概率,与节点的意识状态有关,和为节点j在传播网络中的邻居节点为感染态i和密接态c的概率;
[0018]
处于密接态的节点变为感染态的概率表示为p
ci

[0019]
处于密接态的节变为易感态的概率表示为p
cs

[0020]
处于感染态的节点变为抵抗态的概率表示为p
ir

[0021]
处于抵抗态下的节点变为易感态的概表示为率p
rs

[0022]
进一步地,前述的,步骤s2中,社交层的状态转移概率表达式按如下步骤获得:s201、设置节点数n、连边概率p,其中,0<p<1;
[0023]
s202、随机选择一对没有连边的不同节点,生成一个随机数r,其中,0<r<1,如果r<p,则在该节点对之间添加一条边,如果r≥p,则不添加边;
[0024]
s203、重复步骤s202,直到遍历了所有的节点;
[0025]
s204、当n无穷大时,计算平均度为《k》=p(n-1)≈pn,度分布为poisson分布;
[0026]
s205、在社交层,非意识态的节点i在与意识态节点交流后,转变为意识形态的概率为μi(t),如下式:
[0027][0028]
其中b
ij
表示t时刻社交网络中邻接矩阵的元素,为节点j在社交网络中的邻居节点为意识态(a)的概率,λ为接触后的意识转变概率;
[0029]
s206、用u转变a的平均概率表示节点的转变概率:
[0030][0031]
s207、将意识态的节点转变为非意识态节点的概率表示为σ,非意识态节点通过自
我意识转变为意识态的概率表示为r。
[0032]
进一步地,前述的步骤s1中,信息层为基于基站覆盖范围与个体位置的拓扑结构,具体为:基于基站覆盖范围,容量与人群流动模型,规划基站的位置,结合终端连接,基站容量,基站位置,基站覆盖范围和人群流动所产生的约束,构建基站位置规划的最优化问题如下式,得到的基站位置与个体位置,如下式:
[0033][0034]
其中,γi为终端的覆盖状态,若终端被覆盖则取1,否则取0,(xj,yj)为微基站j的坐标,n
sbs
为微基站数量,为宏基站最多服务人数,为微基站最多服务人数,c1表示所有终端的覆盖需求,c2表示宏基站覆盖范围内的总人数需要小于宏基站和覆盖范围内微基站的总容量,c3表示微基站需要部署在给定的区域内。
[0035]
进一步地,前述的步骤s2中,定义信息层中未意识态转变为意识态的概率为k(t),其为当前基站统计到的密接态和感染态节点数的占比,表示为下式:
[0036][0037]
其中n为节点总数,nc(t)和ni(t)表示当前密接态和感染态节点的总数,c为基站对区域的覆盖率,与人群流动的模型以及基站布置的位置相关。
[0038]
进一步地,前述的步骤s3中,基于已经建立的三层网络内部状态转移概率表达式,结合与介质传播相关的状态以及与意识相关的状态,建立三层网络之间的耦合关系式,基于微观马尔可夫链建立个体的八种状态的转移概率树,如下:
[0039][0040][0041][0042]
[0043][0044][0045][0046][0047]
进一步地,前述的步骤s4中,感染态的个体占总数的比例的表达关系式如下式:
[0048][0049]
相较于现有技术,本发明采用以上技术方案的有益技术效果如下:本发明提出的一种信息-介质-社交三层网络耦合传播模型分析方法,相对于以往的研究只考虑了介质传播这类单层模型,综合考虑了人群接触结构、信息传播特性与介质传播等特征相结合的统一的疾病时空传播模型,考虑的影响因素更为全面,分析结果更加符合传播特性。
附图说明
[0050]
图1是多层网络示意图。
[0051]
图2与介质传播相关的节点的状态转移示意图。
[0052]
图3与意识相关的节点的状态转移示意图。
[0053]
图4是节点状态转移树结构图。
具体实施方式
[0054]
为了更了解本发明的技术内容,特举具体实施例并配合所附图式说明如下。
[0055]
在本发明中参照附图来描述本发明的各方面,附图中示出了许多说明性实施例。本发明的实施例不局限于附图所述。应当理解,本发明通过上面介绍的多种构思和实施例,以及下面详细描述的构思和实施方式中的任意一种来实现,这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外,本发明公开的一些方面可以单独使用,或者与本发明公开的其他方面的任何适当组合来使用。
[0056]
本发明提出一种信息-介质-社交三层网络耦合传播模型分析方法,包括如下步骤:s1、构建信息-介质-社交三层网络模型,定义节点对于介质的传播状态集,以及节点对介质的意识状态集;其中,信息层为基于基站覆盖范围与个体位置的拓扑结构,介质为物理传播层,是基于介质传播半径和个体位置的最近邻耦合网络,社交层为基于er随机网络建立节点之间的交流拓扑结构;
[0057]
本发明所建立的信息-介质-社交三层网络模型如图1所示,将介质的传播模型分为了三层,分别是信息层,社交网络层和物理传播层,定义了与介质传播相关的四种状态(易感态s,密接态c,感染态i,抵抗态r)和与意识相关的两种状态(意识态a和非意识态u)。
[0058]
步骤s1中,基于介质传播半径rv与个体位置建立物理传播网络的邻接矩阵,如下:
[0059][0060]
其中
[0061][0062]
其中,为节点i与节点j之间的物理距离。
[0063]
信息层为基于基站覆盖范围与个体位置的拓扑结构,具体为:基于基站覆盖范围,容量与人群流动模型,规划基站的位置,结合终端连接,基站容量,基站位置,基站覆盖范围和人群流动所产生的约束,构建基站位置规划的最优化问题如下式,得到的基站位置与个体位置,如下式:
[0064][0065]
其中,γi为终端的覆盖状态,若终端被覆盖则取1,否则取0,(xj,yj)为微基站j的坐标,n
sbs
为微基站数量,为宏基站最多服务人数,为微基站最多服务人数,c1表示所有终端的覆盖需求,c2表示宏基站覆盖范围内的总人数需要小于宏基站和覆盖范围内微基站的总容量,c3表示微基站需要部署在给定的区域内。
[0066]
s2、根据所述传播状态集、意识状态集,以及信息层、物理传播层、以及社交层的结构,分别计算获得信息层、物理传播层、社交层的状态转移概率表达式。与介质传播相关的状态转移图如图2所示,与意识相关的状态转移图如图3所示,
[0067]
在物理传播层中,处于易感态下的节点i与密接态或感染态的节点接触后,转变为密接态的概率p
i,s
,如下式:
[0068][0069]
其中,a
ij
表示t时刻传播网络中邻接矩阵的元素,β为与感染态或密接态节点接触后转变为密接态的概率,与节点的意识状态有关,和为节点j在传播网络中的邻居节点为感染态i和密接态c的概率;
[0070]
同样的,处于密接态的节点也有一定概率转变为感染态或者回到易感态,分别用p
ci
和p
cs
表示,处于感染态的节点也有一定概率康复并获得抵抗能力变为抵抗态,用p
ir
表示。处于抵抗态下的节点也有概率丢失抵抗力,回到易感态,用p
rs
表示,这些概率的取值与节点自身情况以及介质有关。
[0071]
步骤s2中,社交层的状态转移概率表达式按如下步骤获得:
[0072]
s201、设置节点数n、连边概率p,其中,0<p<1;
[0073]
s202、随机选择一对没有连边的不同节点,生成一个随机数r,其中,0<r<1,如果r<p,则在该节点对之间添加一条边,如果r≥p,则不添加边;
[0074]
s203、重复步骤s202,直到遍历了所有的节点;
[0075]
s204、当n无穷大时,计算平均度为《k》=p(n-1)≈pn,度分布为poisson分布;
[0076]
s205、在社交层,非意识态的节点i在与意识态节点交流后,转变为意识形态的概率为μi(t),如下式:
[0077][0078]
其中b
ij
表示t时刻社交网络中邻接矩阵的元素,为节点j在社交网络中的邻居节点为意识态(a)的概率,λ为接触后的意识转变概率;
[0079]
s206、由于er随机网络是一种同质网络,用u转变a的平均概率表示节点的转变概率:
[0080][0081]
s207、将意识态的节点转变为非意识态节点的概率表示为σ,非意识态节点通过自我意识转变为意识态的概率表示为r。
[0082]
步骤s2中,定义信息层中未意识态转变为意识态的概率为k(t),其为当前基站统计到的密接态和感染态节点数的占比,表示为下式:
[0083][0084]
其中n为节点总数,nc(t)和ni(t)表示当前密接态和感染态节点的总数,c为基站对区域的覆盖率,与人群流动的模型以及基站布置的位置相关。
[0085]
s3、根据所述状态概率表达式,结合传播状态集、意识状态集,建立三层网络耦合
关系式,基于微观马尔可夫链建立节点的状态转移概率树;建立了模型中的8种状态转移树如图4所示。如下:
[0086][0087][0088][0089][0090][0091][0092][0093]
[0094]
s4、根据所述状态转移概率树,基于传播稳定时节点的状态,获得感染态的个体占总数的比例的表达关系式,如下式:
[0095]
虽然本发明已以较佳实施例阐述如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视权利要求书所界定者为准。
网友询问留言已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
技术分类