埃塞俄比亚奥罗米亚地区苏尔塔镇洪水易发性和脆弱性的地理空间评估：基于GIS和遥感技术的视角

《Scientific African》：Geospatial Evaluation of Flood Susceptibility and Vulnerability for Sustainable Urban Planning in Sululta Town, Oromia Region, Ethiopia: A GIS and Remote Sensing Perspective

提出基于多尺度信息融合的动态网络链接与移除预测模型LUComHT，通过非负矩阵分解整合微观结构、中观社区及时序信息，优化节点表示并计算相似性矩阵进行预测，实验表明其性能优于现有方法，尤其在稀疏和高密度网络中表现突出，为复杂系统演化分析提供新工具。

　　在复杂系统的研究中，网络被广泛用于描述实体之间的关系和依赖性。这些网络不仅包括静态网络，还涵盖了动态网络，即随着时间的推移，节点和链接的变化使得网络结构不断演进。动态网络的分析在多个领域中都具有重要意义，如推荐系统、教育系统、社交网络和生物系统等。随着数据采集技术的进步，动态网络的数据变得日益丰富，这使得对网络动态行为的预测和理解成为可能。然而，传统的网络预测方法主要集中在静态网络上，忽略了时间因素对网络演化的潜在影响。

动态网络的链接预测和解除链接预测是理解网络动态行为的两个关键任务。链接预测旨在估计未来某一时刻节点之间形成链接的可能性，而解除链接预测则关注现有链接消失的概率。这些任务不仅有助于预测网络的演变趋势，还能够为政策制定者提供数据驱动的策略，以加强合作网络、提升治理水平并支持具有韧性的系统。然而，现有研究多集中于单独的预测任务，未能充分考虑动态网络中微观、中观和时间信息的协同作用。

本研究提出了一种新型的模型，称为LUComHT，旨在通过整合微观结构、中观社区结构和时间信息来提高链接和解除链接预测的准确性。LUComHT模型分为三个主要步骤：首先，通过局部随机游走方法提取微观的高阶网络结构信息，并利用Louvain算法提取中观社区结构；其次，使用非负矩阵分解（NMF）方法对时间矩阵和全局矩阵进行初始化和优化，以生成更准确的节点表示；最后，计算节点间的相似性矩阵，用于预测未来链接的形成或消失。这种多尺度信息融合的方法在多个真实世界动态网络上的实验结果表明，LUComHT在链接和解除链接预测任务中均优于现有方法，验证了其有效性。

在链接预测任务中，LUComHT模型能够有效捕捉微观结构中的高阶信息，同时结合中观社区结构和时间信息，使得节点表示更具判别性。实验结果表明，LUComHT在几乎所有的数据集中都优于其他方法，尤其是在高稀疏度的网络中表现尤为突出。这表明，LUComHT模型在处理复杂网络结构时具有较强的适应能力，能够提取出对预测具有重要意义的微观和中观信息。对于解除链接预测任务，LUComHT同样表现出色，特别是在社区结构较为密集的网络中，其预测能力得到了进一步验证。实验结果表明，时间信息和社区信息在解除链接预测中起着关键作用，而现有的方法往往忽略了这些因素。

在实验分析中，LUComHT模型的收敛性得到了理论支持，其基于迭代交替更新策略，能够保证在优化过程中收敛到局部最优解。此外，模型的计算复杂度较低，尤其是在处理稀疏矩阵时，表现出更高的效率。这些特性使得LUComHT模型在实际应用中具有良好的扩展性和实用性。

LUComHT模型的提出不仅在技术上具有创新性，而且在实际应用中也具有重要价值。通过整合多尺度信息，它能够提供对网络演化的更全面的理解，支持政策制定者制定更有效的策略。此外，该模型的应用可以扩展到多个领域，如社会网络、通信网络和信息网络，为研究复杂动态系统提供了一种实用的工具。

总的来说，LUComHT模型通过整合微观结构、中观社区结构和时间信息，实现了对动态网络链接和解除链接预测的准确性和全面性。其在多个真实世界数据集上的表现表明，该模型能够有效捕捉网络演化的多方面特征，为网络分析和预测提供了一种新的方法。同时，该模型的高效性和可扩展性也使其在实际应用中具有广泛的可能性。