时序链路预测新算法：融合局部拓扑与时间序列影响力

本文档探讨了一种融合局部拓扑影响力的时序链路预测算法，针对现实世界中的动态复杂网络，如航空交通、生物、文献引用、电力、社交和蛋白质网络等，这些网络随着时间的推移不断演变。链路预测作为理解网络结构和行为的关键技术，其目标是根据节点属性、连边属性和网络拓扑结构预测未来可能的连接。传统链路预测指标如CN、AA、RA、PA、LP和Katz基于节点间的相互联系和相似性进行计算，但这些方法主要适用于静态网络。 近年来，研究人员已经开始关注时序链路预测，它考虑了时间序列数据，比如通过计算节点对在不同时间点的相似性得分来提升预测准确性。例如，Huang等人提出的方法利用时间序列信息显著提高了动态网络预测的性能，而Güneş等人则结合静态拓扑结构相似性指标与ARIMA模型，进一步提升了预测效率。 然而，现有的时序链路预测方法往往忽略了网络演化过程中对网络本身的动态影响。刘继嘉等人引入了线性回归模型（LR），通过对改进后的相似性特征时间序列进行建模，来捕捉网络随时间变化的规律，从而实现了更精确的动态网络预测。这种方法不仅考虑了节点间的关系，还考虑了网络随时间的演变趋势，从而提高了预测的精准性和可靠性。 总结来说，这篇文档介绍了一种新颖的时序链路预测算法，它通过整合局部拓扑影响力和时间序列分析，能够更好地理解和预测动态网络中节点间连接的可能性，这对于复杂系统的理解和管理具有重要的理论和实践价值。这种算法的发展预示着未来在处理实时网络变化时，将会更加注重结合网络演化特性，提升预测精度。