（三）典型应用

复杂网络的典型应用体现在如下场景中。

1.复杂网络和区块链技术在传染病预警研究中的应用

复杂网络是具有复杂拓扑结构的大规模网络，将客观世界或复杂系统中的个体抽象为节点，将节点之间的联系抽象为边，复杂网络由这些节点和连接节点的边组成，对复杂系统进行结构化的表示。与传统的静态方法相比，复杂网络建模可以动态地捕捉网络中的异常现象。^[35]

如图2-9所示，这是智慧医疗领域里的一个复杂网络。在这一网络中，我们将不同类型的对象建立联系，包括患者自身、病症的病理特征与医院的医疗资源等。而这些不同的对象通过构建复杂网络联系起来，就使得医疗资源得以合理并精准地分配。同时，对这一大型图结构的挖掘与学习，可以发现一些可作为范式的模式供卫生工作者和有关部门参考。相关领域的研究在医疗的智能化等领域有着广泛前景。

图2-9　复杂网络在医疗领域的应用

2.复杂网络在交通治理方面的应用

随着人民生活水平的不断提高，城市机动车保有量快速增长，交通拥塞逐渐成为影响城市交通系统正常运行、居民出行效率及居民生活质量的主要因素，科学治理交通拥塞刻不容缓。国内外学者对于交通拥塞的影响因子开展了很多研究。在交通领域，复杂网络理论也取得了诸多成果：Wu等（2011）^[36]利用复杂网络的SIR模型描述道路交通拥塞的传播；Zhang等（2019）^[37]基于复杂网络理论，分析交通网络复杂性的表征参数并建立拥塞疏散路径选择模型；雷凯等（2016）^[38]将复杂网络传播动力学理论引入多式联运网络风险传播问题，进一步揭示了风险传播的内在复杂规律；Ribalta等（2016）^[39]基于复杂网络中出现的临界现象，通过识别城市道路网络中的拥塞热力点（重要节点），分析拥塞热力点的传播作用和扩散范围。综上，现有交通拥塞因子的研究集中于先分析关键因素，再制定相应的管控策略，没有考虑交通拥塞因子的风险传播特性以及因子之间的网络连接特性。而通过分析相关研究成果可知，利用复杂网络理论研究城市交通拥塞因子风险传播机理是十分有效的。^[40]

图2-10为使用Gelphi软件依据交通网络节点度渲染的Pearson相关系数网络。在这一网络中，每个节点表示影响交通的因素，网络中的边表示不同因子之间的相互作用关系。该网络通过计算Pearson相关系数分析影响因子间的相关性，确定节点间的边。通过对这一网络拓扑结构的分析，可以清晰地了解不同因素对交通拥塞影响的协同效应与作用机理。这一研究验证了复杂网络理论在城市交通拥塞因子风险传播领域的可行性和适用性，为实际的城市交通管理提供了一定的参考。同时，在网络上应用系统动力学理论能够进行良好的仿真模拟。

最后，引用复杂网络领域的专家的一句话来结束本节：“还原论作为一种范式已经寿终正寝，而复杂性作为一个领域也已疲惫不堪。基于数据的复杂系统的数学模型正以一种全新的视角快速发展成为一个新科学：网络科学。”^[41]

对于复杂网络的研究，目前比较多地集中于网络的社团特性挖掘，尤其是基于演化聚类的社团发现。^[42]近年来，随着深度学习技术的发展，越来越多的研究也采用了深度学习来进行复杂网络的建模。^[43]

图2-10　依据交通网络节点度渲染的Pearson相关系数网络^[44]

【注释】

[1]Liu Y，Ma S，Aafer Y，et al.Trojaning Attack on Neural Networks［C］.Department of Computer Science Technical Reports，2017：1781.

[2]Gilpin L H，Bau D，Yuan B Z，et al.Kagal，Explaining Explanations：An Overview of Interpretability of Machine Learning［C］.2018 IEEE 5th International Conference on Data Science and Advanced Analytics（DSAA），2018：80-89.

[3]Wei W，et al.Emotion-Aware Chat Machine：Automatic Emotional Response Generation for Human-like Emotional Interaction［G］.Proceedings of the 28th ACM International Conference on Information and Knowledge Management，2019：1401-1410.

[4]Padmakumari K，Mohandas K P，Thiruvengadam S.Long Term Distribution Demand Forecasting Using Neuro Fuzzy Computations［J］.International Journal of Electrical Power&Energy Systems，Volume 21，Issue 5，1999.

[5]李彦冬，郝宗波，雷航.卷积神经网络研究综述［J］.计算机应用，2016，36（9）：2508-2515.

[6]Dai L，Wu L，Li H，et al.A Deep Learning System for Detecting Diabetic Retinopathy Across the Disease Spectrum［J］.Nature Communication，2021：3242

[7]李彦冬，郝宗波，雷航.卷积神经网络研究综述［J］.计算机应用，2016，36（9）：2508-2515.

[8]廖路.探析智能化时代新闻媒体的生产模式［J］.新闻前哨，2021（11）：54-55.

[9]Wang Yaqing，et al.EANN：Event Adversarial Neural Networks for Multi-Modal Fake News Detection［J］.Applied Doita Scieuce Track Paper，2018（8）：19-23.

[10]Mayer-Schinberger V，Cukier K.Big Data：A Revolution That Will Transform How We Live，Work，and Think［M］.Harper Businss，2014.

[11]马建光，姜巍.大数据的概念、特征及其应用［J］.国防科技，2013，34（2）：10-17.

[12]王桂芹，黄道.数据挖掘技术综述［J］.电脑应用技术，2007（69）：9-14.

[13]Meng X F，Ci X.Big Data Management：Concepts，Techniques and Challenges［J］.Journal of Computer Research and Development，2013，50（1）：146-169.②Li G J，Cheng X Q.Research Status and Scientific Thinking of Big Data［J］.Bulletin of Chinese Academy of Sciences，2012，27（6）：647-657.③Han J W，Kamber M，Pei J.Data Mining：Concepts and Techniques［M］.3rded.Burlington：Elsevier Science，2011.④Feng D G，Zhang M，Li H.Big Data Security and Privacy Protection［J］.Chinese Journal of Computers，2014，37（1）：246-258.⑤Liu Z H，Zhang Q L.Research Overview of Big Data Technology［J］.Journal of Zhejiang University：Engineering Science，2014，48（6）：957-959.

[14]Liu W Q.Modeling Data Quality Control System for Chinese Public Database and its Empirical Analysis［J］.Science China：Information Science，2014，44（7）：835-856.

[15]TsoukatosⅠ，Gunopulos D.Efficient Mining of Spatio Temporal Patterns［M］.Berlin，Heidelberg：Springer，2001.(https://www.daowen.com)

[16]Pelekis N，Kopanakis I，Kotsifakos E E，et al.Clustering Trajectories of Moving Objects in an Uncertain World［C］.Proceedings of the 9th IEEE International Conferenceon Data Mining，Miami，USA，Dec6-9，2009.Washington，DC，USA：IEEE Computer Society，2009：417-427.③Rosswog J，Ghose K.Efficiently Detecting Clusters of Mobile Objects in the Presence of Densenoise［C］//Proceedings of the 2010 ACM Symposiumon Applied Computing，Switzerland，Mar22-26，2010.New York，NY，USA：ACM，2010：1095-1102.

[17]Adam N R，Janeja V P，AtluriV.Neighborhood Based Detection of Anomalie sin High Dimensional Spatio Temporal Sensor Datasets［C］//Proceedings of the 2004 ACM Symposiumon Applied Computing，Nicosia，Cyprus，Mar14-17，2004.New York，NY，USA：ACM，2004：576-583.⑤Kut A，Birant D.Spatio-temporal Outlier Detection Inlarge Databases［J］.Journal of Computing and Information Technology，2006，14（4）：291-297.

[18]Liu D Y，Chen HL，Qi H，et al.Advance Sinspatio Temporal Datamining［J］.Journal of Computer Research and Development，2013，50（2）：225-239.

[19]了解数据挖掘［EB/OL］.（2016-10-27）.https：//blog.csdn.net/qq_32146369/article/details/52942413.

[20]杨欧亚，龚婕，魏松杰.面向互联网上网服务行业的用户画像系统设计［J］.计算机与数字工程，2021，49（9）：1782-1787.

[21]杨欧亚，龚婕，魏松杰.面向互联网上网服务行业的用户画像系统设计［J］.计算机与数字工程，2021，49（9）：1782-1787.

[22]周爱华.数据挖掘技术在智慧城市建设中的应用［J］.电子技术，2021，50（11）：94-95.

[23]周爱华.数据挖掘技术在智慧城市建设中的应用［J］.电子技术，2021，50（11）：94-95.

[24]Newman M.The Structure and Function of Complex Networks［J］.Siam Review，2003，45（2）：167-256.②许超.复杂网络研究综述［J］.2018，8（33）：242-244.

[25]Xia Y，Fan J，Hill D.Cascading Failure in Watts-Strogatz Small-World Networks［J］.Physica A：Statistical Mechanics and its Applications，2010，389（6）：1281-1285.

[26]Watts D J，Strogatz S H.Collective Dynamics of Small-World Networks［J］.Nature，1998，393（6684）：440.

[27]Barabási A，Albert R.Emergence of Scaling in Random Networks［J］.Science，1999，286（5439）：509-512.

[28]Wang Xiaofan.Complex Networks：Topology，Dynamics and Synchronization［J］.International Journal of Bifurcation&Chaos in Applied Sciences&Engineering，2002，12（5）：885-916.

[29]朱涵，王欣然，朱建阳.网络“建筑学”［J］.物理，2003，32（6）：364-369.

[30]吴金闪，狄增如.从统计物理学看复杂网络研究［J］.物理学进展，2004，24（1）：18-46.

[31]周涛，傅忠谦，牛永伟，等.复杂网络上传播动力学研究综述［J］.自然科学进展，2005，15（5）：513-518.

[32]刘涛，陈忠，陈晓荣.复杂网络理论及其应用研究概述［J］.系统工程，2005，23（6）：1-7.

[33]史定华.网络——探索复杂性的新途径［J］.系统工程学报，2005，20（2）：115-119.

[34]数据派.一文读懂复杂网络（应用、模型和研究历史）［EB/OL］.（2017-11-03）.https：//developer.aliyun.com/article/231424.

[35]颜嘉麒，宋金倍，达婧玮，等.基于区块链的传染病预警系统：融合复杂网络的风险度量［J］.信息资源管理学报，2021，11（04）：90-99.

[36]Wu J，Gao Z，Sun H.Simulation of Traffic Congestion with SIR Model［J］.Modern Physics Letters B，2011，18（30）：1537-1542.

[37]Zhang G，Jia H，Yang L，et al.Research on a Model of Node and Path Selection for Traffic Network Congestion Evacuation Based on Complex Network Theory［J］.IEEE Access，2019（8）：7506-7517.

[38]雷凯，朱晓宁，侯键菲.多式联运网络风险传播建模与仿真［J］.交通运输系统工程与信息，2016，16（3）：21-27.

[39]Sole-Ribalta A，Góme S，Arenea A.A Model to Identify Urban Traffic Congestion Hotspots in Complex Networks［J］.Royal Society Open Science，2016，3（10）：160098.

[40]胡立伟，范仔健，张苏航，等.基于复杂网络的城市交通拥塞因子风险传播机理及其应用研究［J］.交通运输系统工程与信息，2021，21（2）：224-230.

[41]汪小帆，李翔，陈关荣.网络科学导论［M］.北京：高等教育出版社：2012.

[42]李辉，陈福才，张建朋，等.复杂网络中的社团发现算法综述［J］.计算机应用研究，2021，38（6）：1-9.

[43]汪黎明.基于深度强化学习的复杂网络关键节点识别［D］.蚌埠：安徽财经大学，2020.

[44]Sole-Ribalta A，Góme S，Arenea A.A Model to Identify Urban Traffic Congestion Hotspots in Complex Networks［J］.Royal Society Open Science，2016，3（10）：160098.