- 使用Newcomb-Benford定律检验中国2019冠状病毒的测试案例数;
- 使用PageRank和持续同调的图相似度;
- 多动力系统轨迹时序近似。互联网流量的预测和控制;
- 互联网平台用户声音动态的非混沌模型和可预测性;
- 复杂网络的最低度分解;
- 意见的形成和蔓延：行为和信息流的随机性是否重要？;
- 图傅立叶变换的神经网络逼近用于网络流量动态的稀疏采样;
- 使用MFD和有限交通数据估算城市交通状态;
使用Newcomb-Benford定律检验中国2019冠状病毒的测试案例数
原文标题： Testing Case Number of Coronavirus Disease 2019 in China with Law
地址： http://arxiv.org/abs/2002.05695
作者： Junyi Zhang
摘要： 2019冠状病毒两个月前在武汉的爆发已造成千余人死亡。在来自世界各地的帮助下，中国正在着力对抗疫情。另一方面，仍然存在对报告病例数怀疑。在这篇文章中，我们提出使用Newcomb-Benford定律检验中国2019冠状病毒的测试案例数。我们发现了检验的p值92.8％，表明累计病例数遵循Newcomb-Benford定律。尽管报告病例数可能由于种种原因小于受影响的真实人数，本次检验表明没有检出造假。
使用PageRank和持续同调的图相似度
原文标题： Graph Similarity Using PageRank and Persistent Homology
地址： http://arxiv.org/abs/2002.05158
作者： Mustafa Hajij, Elizabeth Munch, Paul Rosen
摘要： 的曲线图的PageRank是在节点集的图表，其编码节点的曲线图的中心性信息的定义的标量函数。在这项工作中，我们利用图表上的输入，持续的同源性研究图的相似问题的低星级过滤的PageRank功能。由表示每个图作为持久图，我们可以然后比较输出使用所述瓶颈距离。我们利用这两个状的网数据集显示了该方法的有效性。
多动力系统轨迹时序近似。互联网流量的预测和控制
原文标题： Time series approximation with multiple dynamical system's trajectories. Forecast and control of the Internet traffic
地址： http://arxiv.org/abs/2002.05326
作者： Victoria Rayskin
摘要： 动力系统模型的多个轨迹的利用为我们提供了在时间序列上的近似几个好处。这种方法可以采用相对低复杂度方程和产生更好的精度比传统的模型（ARIMA，VAR，霍尔特 - 温特斯）。该动力系统的相图分析帮助，看是否正确方程式描述的现实。相位肖像的不同极限点表征所述过程实现各种情景和行为模式（由外部影响）的开关。我们延长动力系统的方法（在所讨论的 举R5）与控制所述动力系统。我们描述一下这些观点与租金性质HOMES.mil平台数据的新的例子帮助。我们也比较HOMES.mil和Wikipedia.org平台的定性性质相的画像和这两个平台的差异相对应的用户。
互联网平台用户声音动态的非混沌模型和可预测性
原文标题： Nonchaotic Models and Predictability of the Users' Volume Dynamics on Internet Platforms
地址： http://arxiv.org/abs/2002.05330
作者： Victoria Rayskin
摘要： 互联网平台的流量定义的平台的重要特征，如服务，广告，高速操作的价格。交通通常与传统时间序列模型（ARIMA，霍尔特 - 温特斯，等等），这是成功的充分降噪的信号的短期推断的帮助下估计。我们提出的基本过程的建模动力系统的方法。该方法允许讨论动态阶段肖像和长期趋势的全局定性性质。所提出的模型非混沌中，长期预测是可靠的，并解释了基本性能和各类数字平台的发展趋势。由于这些特性，我们称这些机型的它走向流动的流动。利用这种新方法，我们构建了双面平台的车型，为用户的容量，可以应用到Amazon.com，Homes.mil或Wikipedia.org。我们认为，双面平台的模式，以多面平台的推广。如果等式是合作，流量趋势，并有助于了解平台的性能和可靠地预测长期行为。我们将展示如何重建从时间序列数据的控制微分方程。外部影响被建模为系统的参数（初始条件）。
复杂网络的最低度分解
原文标题： Lowest Degree Decomposition of Complex Networks
地址： http://arxiv.org/abs/2002.05358
作者： Yong Yu, Ming Jing, Na Zhao, Tao Zhou
摘要： 该异质结构意味着极少数节点可能在保持大规模网络的结构和功能特性发挥的关键作用。识别这些重要的节点是在网络科学最重要的任务，这使我们能够更好地进行成功的社交广告之一，免疫针对传染病网络，探索药物靶标候选人和必需的蛋白质，并防止电网，金融市场级联故障，生态系统。通过实际网络的嵌套性质的启发，我们提出了其中在每一步具有最低程度的节点被修剪的分解方法。我们已经严格证明，这种所谓的最低分解度（LDD）是著名的K-核心分解的细分。上疾病传播，同步和非线性动力学共生广泛数值分析表明，该LDD可以更准确地找出影响最大的传播者，最高效的控制器和最脆弱的物种比k-核分解等公知的指数。本方法只利用了本地拓扑信息，因而具有较高的潜力成为网络分析的有力工具。
意见的形成和蔓延：行为和信息流的随机性是否重要？
原文标题： Opinion formation and spread: Does randomness of behaviour and information flow matter?
地址： http://arxiv.org/abs/2002.05451
作者： Agnieszka Kowalska-Styczeń, Krzysztof Malarz
摘要： 我们提出了一种基于Latan 'E的社会影响理论的观点动力学模型。在这个模型中主体各异，除了意见，其特点是劝说和支持他们的不同级别。该模型被用于试剂中随机分布的两个和三个初始意见测试。我们研究行为的随机性和信息主体商之间的流动是如何影响的意见的形成和蔓延。我们的主要研究涉及舆论演化，认为集群的形成和维持研究意见的概率的过程。结果表明，意见形成和传播是通过信息主体（最近的邻居外的相互作用）和随机性之间的流量都在采用的意见的影响。
图傅立叶变换的神经网络逼近用于网络流量动态的稀疏采样
原文标题： Neural Network Approximation of Graph Fourier Transforms for Sparse Sampling of Networked Flow Dynamics
地址： http://arxiv.org/abs/2002.05508
作者： Alessio Pagani, Zhuangkun Wei, Ricardo Silva, Weisi Guo
摘要： 基础设施监控是安全运行和可持续发展的关键。配水管网（WDNs）是大型联网关键系统与复杂级联动力学这是很难预测的。无处不在监测是昂贵的，并且一个主要挑战是推断从部分稀疏监测数据污染物动力学。现有的方法使用多目标优化，以找到必要的监测点的最小集合，但缺乏业绩的保证，一个理论框架。在这里，我们首先开发图傅立叶变换（GFT）运营商网络压缩蔓延的污染与动力学性能的推理保证，以确定的基本原则，数据采集点。然后，我们构建自动编码器（AE）的启发神经网络（NN），以从所述初始采样集进一步概括GFT采样处理和下采样，从而允许非常小的组的数据点，以在很大程度上重建在真实和虚拟WDNs污染动力学。污染的各种源被测试并且我们得到使用5-10％左右的样本集的高精确度重建。通过神经网络的压缩和欠采样恢复的这种一般方法可应用于很宽范围的网络基础设施，以使数字双胞胎。
使用MFD和有限交通数据估算城市交通状态
原文标题： Estimating the urban traffic state with limited traffic data using the MFD
地址： http://arxiv.org/abs/2002.05532
作者： Victor L. Knoop, Marianthi Mermygka, Hans van Lint
摘要： 城市化导致城市增加流量。宏观基本图（MFD）建议描述城市交通在纬向的水平，以测量和控制流量。然而，对于一个适当的估计，所有数据必须是可用的。本文讨论的主要问题是：如何获得一个全网业务状态估计是多少？我们跟进文献暗示到基座上的有限的样本汽车共享浮动汽车数据（FCD）的速度操作的估计。我们提出了通过基于FCD，然后将其在步骤2中使用的，操作交通状态估计构建MFD的初始步骤。对于操作流量状态估计，即，实时交通状态估计，普及率是未知的。对于这两个步骤，我们评估错误的估计的影响。中的错误的光，我们还制定一个指示器，其显示了当所述方法将产生昏迷的结果，例如在发生事故的情况下该方法已经使用微观测试。在所估计的平均密度A 26％的误差是发现为1％的FCD普及率;增加渗透率至30 ％降低估计的平均密度误差〜7％。
声明：Arxiv文章摘要版权归论文原作者所有，由本人进行翻译整理，未经同意请勿随意转载。本系列在微信公众号“网络科学研究速递”（微信号netsci）和个人博客 https://www.complexly.cn （提供RSS订阅）进行同步更新。个性化论文阅读与推荐请访问 https://arxiv.complexly.cn 平台。
网友评论