时序网络的时间序列分析
社会与信息网络
2016-02-17 v1 物理与社会
摘要
所有现实世界网络的一个重要特征是网络结构随时间变化。由于这种动态特性，很难提出能够解释这些网络各种重要特征属性的合适增长模型。事实上，在许多面向应用的研究中，仅了解这些属性就足够了。我们在本文中表明，即使未来时间点的网络结构不可用，仍可以设法估计其属性。我们提出一种新方法，将时序网络映射为一组时间序列实例，对其进行分析，并利用标准的时间序列预测模型，尝试预测时序网络在稍后时间实例的属性。我们主要关注人际面对面接触的时序网络，并观察到它代表一个具有记忆的随机过程，可建模为ARIMA。我们使用交叉验证技术来求得预测的百分比准确率。一个重要的观察是，由谱图分析获得的时间序列的频域属性可用于改进预测框架，通过提前识别预测误差可能较高的情形。这使得在所有数据集上平均预测准确率提高了7.96%（对于误差水平<=20%）。作为一个应用，我们展示了这种预测方案如何用于时序网络上的定向攻击。
引用
@article{arxiv.1512.01344,
title = {Time series analysis of temporal networks},
author = {Sandipan Sikdar and Niloy Ganguly and Animesh Mukherjee},
journal= {arXiv preprint arXiv:1512.01344},
year = {2016}
}