کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
10481166 933057 2013 10 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Characterizing traffic time series based on complex network theory
ترجمه فارسی عنوان
مشخص کردن سری زمانی ترافیک بر اساس نظریه شبکه پیچیده
کلمات کلیدی
شبکه پیچیده بازسازی سریهای زمان، توزیع درجه ضریب خوشه بندی، ساختار جامعه،
ترجمه چکیده
یک شبکه پیچیده یک ابزار قدرتمند برای تحقیق در مورد سیستم های پیچیده است، جریان ترافیک یکی از پیچیده ترین سیستم ها است. در این مقاله، ما از تئوری شبکه پیچیده برای مطالعه سریهای زمان بندی ترافیک استفاده می کنیم که بینش جدیدی را در تحلیل جریان ترافیک ارائه می دهند. اولا فاز فاز، که تکامل رفتار یک سیستم غیرخطی را توصیف می کند، با استفاده از قضیه تعبیه تاخیر، بازسازی می شود. ثانیا، برای تبدیل سری زمانی جدید به یک شبکه پیچیده، آستانه انتقادی با ویژگی های یک شبکه پیچیده، که شامل توزیع درجه، توزیع درجه تجمعی، و ضرایب خوشه بندی و تراکم است، برآورد می شود. ما دریافتیم که توزیع درجه یک شبکه پیچیده مرتبط می تواند با یک تابع گاوسی ترکیب شود و توزیع درجه تجمعی می تواند با یک تابع نمایشی تطبیق یابد. سپس ضرایب تراکم و خوشه ای برای نشان دادن تغییر اتصالات بین گره ها در شبکه پیچیده مورد بررسی قرار می گیرند و نتایج مطابق با مشاهدات طرح ماتریس مجاور است. در نتیجه، بر اساس تجزیه و تحلیل شبکه پیچیده، محدوده مناسب آستانه انتقالی تعیین می شود. در نهایت، برای گره هایی که نزدیکترین روابط را در یک شبکه پیچیده می شناسند، مدولاسیون با افزایش آستانه انتقادی محاسبه می شود و ساختار جامعه بر اساس نوع مدولاسیون مطلوب تشخیص داده می شود. کار در مقاله ما راه جدیدی برای درک پویایی سریهای زمان بندی ترافیک است.
موضوعات مرتبط
مهندسی و علوم پایه ریاضیات فیزیک ریاضی
پیش نمایش مقاله
مشخص کردن سری زمانی ترافیک بر اساس نظریه شبکه پیچیده
چکیده انگلیسی
A complex network is a powerful tool to research complex systems, traffic flow being one of the most complex systems. In this paper, we use complex network theory to study traffic time series, which provide a new insight into traffic flow analysis. Firstly, the phase space, which describes the evolution of the behavior of a nonlinear system, is reconstructed using the delay embedding theorem. Secondly, in order to convert the new time series into a complex network, the critical threshold is estimated by the characteristics of a complex network, which include degree distribution, cumulative degree distribution, and density and clustering coefficients. We find that the degree distribution of associated complex network can be fitted with a Gaussian function, and the cumulative degree distribution can be fitted with an exponential function. Density and clustering coefficients are then researched to reflect the change of connections between nodes in complex network, and the results are in accordance with the observation of the plot of an adjacent matrix. Consequently, based on complex network analysis, the proper range of the critical threshold is determined. Finally, to mine the nodes with the closest relations in a complex network, the modularity is calculated with the increase of critical threshold and the community structure is detected according to the optimal modularity. The work in our paper provides a new way to understand the dynamics of traffic time series.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Physica A: Statistical Mechanics and its Applications - Volume 392, Issue 18, 15 September 2013, Pages 4192-4201
نویسندگان
, , ,