本发明涉及节点重要性预测，具体是一种基于高阶依赖关系的轨迹流动态节点重要性预测方法。
背景技术：
1、随着全球化的深入发展，交通、通讯等运输系统已成为现代社会的血脉和神经中枢。其中，保障行人、船只、邮件等实体的正常流动是运输系统中最基础、重要的功能。与此同时，当代运输系统愈发复杂、多变，管理者的认知与决策的难度不断提升，正确地认识运输系统内部结构对设计、管理等决策均具有重要的应用价值。研究者通常将复杂系统的内在关联抽象成复杂网络，进而分析其组件或全局性质以及动力学过程。其中，关键节点识别、预测是复杂网络领域中的兼具理论和应用价值的方向。运输系统常被建模为运输网络，即双层网络，如图1所示，包含表示实际地点及其通路的静态网络拓扑层以及表示实时流量分布的时序有向加权网络负载层。
2、运输网络中关键节点识别的已有方法可分为针对拓扑层或负载层两类。目前，较多研究针对拓扑层，基于图论或者图的挖掘方法识别关键节点，大致可将其分为三类：第一类是通过节点自身以及邻居的拓扑信息量化其重要性，如度中心性、聚集系数等；第二类是基于节点在网络中的位置信息量化其重要性，如接近中心性、介数中心性等。第三类是通过模拟粒子在网络上游走的量化方法，如pagerank，hits以及salsa等一系列不断改进的算法。此外，部分研究综合考虑上述多类属性混合设计指标，或基于熵理论，以及采用机器学习方法等识别出关键的节点。针对拓扑层的方法计算得到的节点重要性，能够一定程度上预测节点在运输网络的重要程度，但具有静态等局限性。因此，基于拓扑的方法往往与真实情况存在偏差，特别是重要性排序靠前的节点偏差较大。
3、部分研究针对负载层上的边或节点的流量进行预测，从而评估其重要程度，可以分为三类：第一类是统计方法，如卡尔曼滤波器和自回归移动平均模型(arima)；第二类是机器学习方法，如k-近邻算法以及线性回归向量机等；第三类是深度学习方法，如含残差层的卷积神经网络、长短期记忆递归神经网络以及门控神经网络等。目前，针对负载层上的流量预测方法准确率较高。然而，为了训练有效模型，研究者们需要将较长时间尺度且样本量大的数据投入训练，较少在小尺度上分析载具的动力学属性，从而预测关键节点。
技术实现思路
1、针对上述现有技术中的不足，本发明供一种基于高阶依赖关系的轨迹流动态节点重要性预测方法，能够有效解决运输网络中拓扑层上评估方法难以预测真实流量分布以及在负载层上进行流量预测需要大样本数据的问题和现状。
2、为实现上述目的，本发明提供一种基于高阶依赖关系的轨迹流动态节点重要性预测方法，包括如下步骤：
3、基于轨迹流中的高阶依赖关系动态构建动力学模型；
4、在所述动力学模型的基础上，基于载体粒子过往游走的轨迹流信息以及最大匹配原则，预测得到运输网络中各个节点的重要性。
5、在其中一个实施例，所述动力学模型的构建过程为：
6、步骤101，将载体粒子的轨迹流表示为其中，nodej表示载体粒子在j时刻所位于的节点，lmax为轨迹流的长度，j＝1～lmax；
7、步骤102，将载体粒子的轨迹流拆分为多段长度为2、3、…、lmax的连续片段，即长度为lmax的连续片段即轨迹流本身，长度为lmax-1的连续片段存在2条，以此类推，长度为2的连续片段存在lmax-1条；
8、步骤103，计算每个连续片段在所有轨迹流拆分后的连续片段集合中出现的次数count，并将连续片段记为(nodet-k,nodet-k+1,…,nodet；nodet+1)with count，表示一条载体粒子从nodet-k依次游走至nodet+1的轨迹，其中，k表示为该条规则的阶数，且1＜k＜1max-1，t+k+1≤lmax；
9、步骤104，将连续片段按照节点nodet进行分类，获得集合表示该节点所对应的高阶依赖关系规则集合，对于含有n个节点的运输网络，对应有n个集合snodei(i＝1,2,3,...,n)，所有集合即为该运输网络的动力学模型
10、在其中一个实施例，步骤2具体包括：
11、步骤201，获取用于节点重要性预测的m个载体粒子过往游走的轨迹流信息，将运输网络中每个节点的重要性记为并初始化为0，其中，n为运输网络中节点的数量；
12、步骤202，将第m个载体粒子的轨迹流过往游走的轨迹流信息拆分为含节点且长度为1至lmax-1的连续序列数据，得到lmax-1条序列，并将其记为序列集合
13、步骤203，将序列集合中最长的序列在节点对应的高阶依赖关系规则集合中进行匹配，判断节点对应的高阶依赖关系规则集合中是否存在与序列匹配点的高阶依赖关系规则：
14、若是，进行步骤204；
15、否则，将序列从序列集合sseqm中删除，并再次进行步骤203；
16、步骤204，获取序列在高阶依赖关系规则集合中的所有匹配序列，并对各匹配序列对应的预测节点进行重要性更新；
17、步骤205，重复步骤202至步骤204，直至m个载体粒子的轨迹流分析完毕，得到节点重要性
18、在其中一个实施例，步骤204具体为：
19、获取序列在高阶依赖关系规则集合中的所有匹配序列，表示为：
20、
21、对于匹配到的节点将其重要性累加上其中，g＝1～k。
22、与现有技术相比，本发明具有如下有益技术效果：
23、1.本发明基于运输系统中普遍存在的高阶依赖关系，挖掘轨迹流内涵的动力学模型，在粒子尺度上预测节点的重要性，能够动态地拟合实际负载层上的流量分布，从而为管理者提供新的视角，帮助其更有效地运营运输系统的基础功能；
24、2.本发明适用于真实世界中非马尔可夫性较强的运输系统，能够动态、有效地挖掘轨迹流中的高阶依赖关系，并在此基础上预测节点重要性，同时适用于对时间尺度短、样本量不充足的轨迹流进行分析和预测。
1.一种基于高阶依赖关系的轨迹流动态节点重要性预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于高阶依赖关系的轨迹流动态节点重要性预测方法，其特征在于，所述动力学模型的构建过程为：
3.根据权利要求2所述的基于高阶依赖关系的轨迹流动态节点重要性预测方法，其特征在于，步骤2具体包括：
4.根据权利要求3所述的基于高阶依赖关系的轨迹流动态节点重要性预测方法，其特征在于，步骤204具体为：
