Oct, 2008

从时间序列到复杂网络：可见性图

PDF
TL;DR本文提供了一种简单快速的计算方法，即可将时间序列转换为图形，该方法称为可视性算法。生成的图形在结构上继承了系列的多个特性，如周期系列转换为规则图形，随机系列则转换为随机图形。 此外， 分形系列转化为无标度网络，这增强了幂律分布与分形性相关的事实。 可以利用这种新方法来从新的角度表征时间序列。
visibility algorithmtime seriesgraphpower law degree distributioncomplex network theory
发现论文，激发创造
  • 利用复杂网络方法进行基于重复出现的时间序列分析

    本文概述了基于复杂网络的时间序列分析方法，着重介绍了以复归图为基础的方法，探讨了各个方法的潜力和局限性，并通过动力系统和实际时间序列的典型例子说明了复杂网络测量可以提供其他线性和非线性方法所未能提供的结构特征信息。

    Oct, 2010

  • 对图中时间马尔可夫动态进行编码以用于可视化和挖掘时间序列数据

    利用一阶马尔可夫过程基于复杂网络来可视化时间序列，以更好地保留时间依赖性和频率结构，并提供更好的可视化探索和统计分析。

    Oct, 2016

  • 时变图和动态网络

    本文旨在将分布式计算文献中的各种概念、形式主义和结果整合到一个统一框架中，我们将其称为时间变化图表（TVG），并概括性地介绍它们的分类和应用。

    Nov, 2010

  • AttentionFlow: 时间序列网络影响力可视化

    AttentionFlow 是一种新系统，用于可视化一系列网络和它们之间的动态影响，支持交互操作并且能够解释一些现象。

    Feb, 2021

  • 循环网络 - 非线性时间序列分析的新方法

    本文介绍了一种新方法，将时间序列转化为复杂网络，从而分析复杂系统的结构特性，并发现了递归网络的拓扑属性与底层动态系统相统一的关系，这为了解时间序列的动态复杂度提供了新的定量特征。

    Aug, 2009

  • 随机网络中的规模出现

    许多大型网络的连接特性满足幂律分布，这是由于网络持续扩展且新的节点倾向于连接到已经存在的高度连接节点，远超个体系统的特定机制，因此大型网络的发展是受到自组织现象的稳健规律支配的。

    Oct, 1999

  • 动态网络的随机图模型

    本文提出了一些标准网络模型的概括，包括随机网络、配置模型和随机块模型，将它们推广到时变网络的情况。我们假设边缘的存在和缺失受节点属性的连续时间马尔可夫过程的速率参数控制，并演示了这些模型在数据分析和统计推断中的应用。我们的方法可以通过观察边缘出现和消失的特征动态，以及节点对边缘连接的时间上的概率来估计网络演化的时间常量或推断出社区结构，我们演示了这些方法在计算机生成的测试网络和实际数据中的应用。

    Jul, 2016

  • 从城市到系列：利用复杂网络和深度学习改进空间和时间分析

    将复杂网络和机器学习技术相结合，提出了新的神经网络架构以及用于分析和预测人类流动的算法，并开发了用于追踪城市规划中的缺陷和关键节点的技术。

    Jun, 2022

  • 无标度随机网络的平均场理论

    研究复杂拓扑随机网络的新的 scale-free 模型，开发平均场方法预测个体顶点生长动态并计算其连通性分布和比例指数。

    Jul, 1999

  • 基于引用动态的复杂网络模型

    该研究使用一种新模型生成网络结构，此模型可模拟复杂网络的主要属性，例如节点度数不同，度相关性不同等，并且具有应用于引用网络的实际意义。

    Mar, 2013