核心速递

基于网络的中国湖北省2019-nCoV疫情爆发预测;
建立一个分布式和无基础设施的车辆交通管理系统;
LoCEC：基于局部社区的大型在线社会网络边分类;
众包工作者和NLP工具在政治性推文命名实体识别和情感分析上的表现比较;
图像分析增强的有地理标记的推文流事件检测;
HGAT：层次图注意力网络用于假新闻的检测;
通过被动WiFi探测和数据挖掘了解社交活动中的人群行为;
使用深度卷积神经网络的交通数据插值;
层次传递性对齐的图核用于无属性图;
一种用于加权网络的边重叠的新推广;
基于用户和属性的数据加密;
网络上编码数据包的概率转发;
通过正则张量分解发现混合多层网络社区;
复杂网络的势能：一种新颖的视角;
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;

基于网络的中国湖北省

2019-nCoV疫情爆发预测

原文标题：

Network-Based Prediction of the 2019-nCoV Epidemic Outbreak in the Chinese Province Hubei

地址：

http://arxiv.org/abs/2002.04482

作者：

Bastian Prasse, Massimo A. Achterberg, Long Ma, Piet Van Mieghem

摘要： 本文撰写时（2020年2月11日），2019-nCoV病毒的未来演变尚不明晰。疫情下一步发展的预测决定了如何部署有针对性的疾病控制措施。我们考虑了基于网络的模型来描述湖北省2019-nCoV疫情。该网络包括湖北城市及其之间的相互作用（如交通流）。然而，城市之间的精确互动是未知的，必须通过观察疫情推断。我们提出了一个基于网络的方法来预测2019-nCoV病毒未来在每一个城市的感染率。研究结果表明，基于网络的建模准确预测疫情是有用的。

建立一个分布式和无基础

设施的车辆交通管理系统

原文标题：

Towards a distributed and infrastructure-less vehicular traffic management system

地址：

http://arxiv.org/abs/2002.04096

作者：

Ademar T. Akabane, Roger Immich, Luiz F. Bittencourt, Edmundo R.M.Madeira, Leandro A.Villas

摘要： 在过去的几年中，几个系统已经被提出来处理有关车辆交通管理问题。通常情况下，他们的解决方案包括计算技术，如车载网络中，中央服务器和路边单元的整合。大多数系统使用一种混合的方法，这意味着他们仍然需要一个中央实体（中央服务器或路边单元）与互联网连接，以获得航路事件以及车辆的替代路线。对于中央实体的这个需求这是很容易理解的，因为选择最适合的车辆进行上述程序是一项艰巨的任务。除此之外，据我们所知，很少有系统将利他方法（而非自私行为）应用于路由决策。因此，本研究所要解决的问题是，当侦测到途中事件时，如何以分布式的、可伸缩的且具成本效益的方式执行车辆交通管理。为了解决这些问题，我们提出了一个命名为dEASY（distributed vEhicle trAffic management SYstem）的分布式的车辆交通管理系统。dEASY是在三层体系结构上设计和实现的，即环境感知与车辆排序、形势生成与分发、形势消费。在dEASY架构的每一层都负责处理那些没有在相关的工程解决或改进的主要问题。仿真结果已经表明，与文献中其他系统相比，由于采用了车辆选择和广播抑制机制，我们提出的系统具有较低的网络开销。平均而言，在出行时间和时间损失指标方面，dEASY的表现也优于所有其他竞争对手。通过结果的分析，可以得出结论，我们的无基础设施系统具有可扩展性和成本效益。

LoCEC：大型在线社交网络

中基于局部社区的边分类

原文标题：

LoCEC: Local Community-based Edge Classification in Large Online Social Networks

地址：

http://arxiv.org/abs/2002.04180

作者：

Chonggang Song, Qian Lin, Guohui Ling, Zongyi Zhang, Hongzhao Chen, Jun Liao, Chuan Chen

摘要： 在线社交网络中存在的关系往往意味着在现实世界中的社会关系。对于关系类型的准确理解有利于许多应用，例如社交广告和推荐。最近有人提出利用预先标记的关系或关系上丰富的交互特性将用户关系分类为预定义的类型。不幸的是，在微信这样的社交平台上，关系特征数据和标签数据都非常稀少，使得现有的方法不适用。本文对微信关系进行了深入分析，以确定关系分类任务面临的主要挑战。为了应对挑战，我们提出了一个基于社区的局部边分类（LoCEC）框架，该框架将社交网络中的用户关系分类为现实世界中的社交连接类型。LoCEC实施了一个三阶段的处理，即本地社区检测、社区分类和关系分类，以解决关系特征和关系标签的稀疏性问题。此外，LoCEC通过允许并行和分布式处理来处理大规模网络。我们在拥有数千亿条边缘的现实微信网络上进行了广泛的实验，以验证LoCEC的有效性和效率。

众包工作者和NLP工具在

政治性推文命名实体识别

和情感分析上的性能比较

原文标题：

Performance Comparison of Crowdworkers and NLP Tools onNamed-Entity Recognition and Sentiment Analysis of Political Tweets

地址：

http://arxiv.org/abs/2002.04181

作者：

Mona Jalal, Kate K. Mays, Lei Guo, Margrit Betke

摘要： 我们报告了在解决两个重要的NLP任务，命名实体识别（NER）和实体层面的情绪（ELS）分析中众包工作者和七个自然语言处理（NLP）工具包的准确性的比较结果。我们将重点放在一个具有挑战性的数据集上，该数据是2016年2月美国总统大选期间收集的1000条政治推文。每条推文均指向四个总统候选人即四个具名实体中的至少一个。由政治传播专家建立的“基本真相”对推特中提到的每个候选人都有实体层面的情感信息。我们测试了几个商业和开源工具。实验表明，对于我们的政治推特数据集，最精确的NER系统Google Cloud NL的表现几乎与众包工作者不相上下，但最精确的ELS分析系统TensiStrength与众包工作者的准确率相差超过30%以上。

基于地理标记的推特流

的图像分析增强事件检测

原文标题：

Image Analysis Enhanced Event Detection from Geo-tagged Tweet Streams

地址：

http://arxiv.org/abs/2002.04208

作者：

Yi Han, Shanika Karunasekera, Christopher Leckie

摘要： 从社会媒体流中可以检测的事件通常包括意外事故，犯罪或灾害的早期迹象。因此，它们可以被相关方用于做出及时有效的应对。尽管从推特流中检测事件已经取得了重大进展，但是现有的大多数方法都没有考虑推特中发布的图像，这些图像提供了比文本更丰富的信息，并且有可能成为事件是否发生的可靠指标。本文采用无监督机器学习方法，设计了一种结合文本、统计和图像信息的事件检测算法。具体来说，该算法从语义分析和统计分析入手，得到一个推特簇列表，每个推特簇对应一个候选事件，然后进行图像分析，将事件和非事件分离开来——每个簇训练一个卷积自动编码器作为异常检测器，其中一部分图像用作训练数据，其余图像用作测试实例。我们在多个数据集上的实验证明，当一个事件发生时，训练图像和测试图像的平均重建误差比候选对象是非事件簇的情况要近得多。基于这一发现，如果差异大于阈值，算法将拒绝候选。数百万条推文的实验结果表明，这种图像分析增强方法可以显著提高查准率，对查全率的影响最小。

HGAT：用于虚假新闻

检测的层次图注意网络

原文标题：

HGAT: Hierarchical Graph Attention Network for Fake News Detection

地址：

http://arxiv.org/abs/2002.04397

作者：

Yuxiang Ren, Jiawei Zhang

摘要： 假新闻的爆炸性增长已经侵蚀媒体和政府的公信力。假新闻的检测已成为一项紧迫的任务。新闻文章以及其他相关组件，如新闻创建者和新闻主题，可以建模为一个异构信息网络（简称HIN）。本文主要研究基于HIN的虚假新闻检测问题。我们提出了一种新的虚假新闻检测框架，即层次图注意网络（HGAT），它采用一种新的层次注意机制，通过对HIN中的新闻文章节点进行分类来检测虚假新闻。该方法通过节点级和模式级的注意，可以有效地从不同类型的相关节点中学习信息。通过对真实世界虚假新闻数据的实验表明，我们的模型表现优于基于文本的模型和其他基于网络的模型。此外，实验也证明了HGAT在未来异构图形表示学习中的可扩展性和潜力。

通过被动WiFi探测和数据

挖掘了解社交活动中的人群行为

原文标题：

Understanding Crowd Behaviors in a Social Event by Passive WiFi Sensing and Data Mining

地址：

http://arxiv.org/abs/2002.04401

作者：

Yuren Zhou, Billy Pik Lik Lau, Zann Koh, Chau Yuen, Benny Kai Kiat Ng

摘要： 理解大型社交事件中的人群行为对于事件管理至关重要。通过收集来自移动设备的WiFi探针请求，被动WiFi感应提供了一种更好的方法来监控人群，与人工计数器和摄像头相比，它具有自由干扰、更大的覆盖范围、更低的成本和更多的人的移动信息的特点。然而，在现有的研究中，对收集到的数据进行深入的分析和挖掘并没有得到足够的重视。尤其是机器学习的力量还没有得到充分的发挥。因此，本文提出了一个综合的数据分析框架，利用统计学、可视化和无监督机器学习的方法，对收集到的探针请求进行全面分析，提取出三种与大型社会事件中人群行为相关的模式。首先，从探测请求中提取移动设备的运动轨迹，并对其进行分析，揭示人群运动的空间模式。采用层次聚类方法来寻找不同地点之间的相互联系。其次，应用k-means和k-shape聚类算法分别按天和地点提取人群的时间访问模式。最后，通过与时间相结合，将轨迹转化为时空模式，揭示轨迹持续时间是如何随长度改变的，以及人群运动的总体趋势是如何随时间变化的。所提出的数据分析框架已通过在大型社交事件中收集的真实数据得到充分证明。结果表明，人们可以从无源WiFi传感器网络收集的数据中提取详尽的模式。

使用深度卷积神经

网络的交通数据插值

原文标题：

Traffic Data Imputation using Deep Convolutional Neural Networks

地址：

http://arxiv.org/abs/2002.04406

作者：

Ouafa Benkraouda, Bilal Thonnam Thodi, Hwasoo Yeo, Monica Menendez, Saif Eddin Jabari

摘要： 我们提出了一种基于统计学习的交通速度估计方法，该方法使用稀疏的车辆轨迹信息。利用一种基于卷积编解码的结构，我们证明一个经过训练的神经网络可以从时空图中学习时空交通速度动态。我们使用模拟车辆轨迹对均质路段进行了模拟，然后使用来自NGSIM的真实数据对其进行了验证。我们的结果表明，在探查车辆穿透率低至5％的情况下，所提出的估计方法可以对宏观交通速度进行合理的重现，并再现逼真的冲击波模式，这意味着可以在各种交通条件下适用。我们进一步讨论了该模型的重现机制，并验证了其区分拥挤和自由流的交通状态、交通动力学和冲击波传播等各种交通行为的能力。

用于无属性图的层次

传递性对齐图内核

原文标题：

A Hierarchical Transitive-Aligned Graph Kernel for Un-attributed Graphs

地址：

http://arxiv.org/abs/2002.04425

作者：

Lu Bai, Lixin Cui, Edwin R. Hancock

摘要： 本文提出了一种新的图内核，即层次传递对齐内核，它通过一系列层次原型图传递对齐图之间的顶点。与现有的大多数最先进的图内核相比，该内核具有三个理论层面的优势。首先，它结合了图之间的位置对应信息到内核的计算，从而克服了大多数R卷积内核中出现的忽略结构对应的缺点。其次，它保证了大多数现有匹配内核所不具备的对应信息之间的传递性。第三，它融合了所有的图表对比下的信息到内核的计算过程，从而封装更丰富的特性。通过对C-SVM分类器进行传导性训练，实验证明了新的传递对齐内核的有效性。就分类精度而言，所提出的内核可以在基于标准图的数据集上胜过最新的图内核。

一种用于加权网络

的边重叠的新推广

原文标题：

A new generalization of edge overlap to weighted networks

地址：

http://arxiv.org/abs/2002.04426

作者：

Ali Choumane

摘要： 寻找网络中的边的强度一直是一个很大的需求。在社交网络的环境中，它允许估计用户之间的关系强度。熟知的边缘强度计算方法是邻域重叠。它计算边缘终端节点的公共邻居与所有邻居的比率。该方法最初是针对无权的网络提出的，后来又针对加权网络进行了扩展。这两种方法在数学上并不等价：事实上，无权网络通常被认为是加权的，所有边的权重都等于1。在这样的网络中使用两种现有的邻域重叠方法会产生完全不同的结果。本文针对这一问题，提出了一种新的邻域重叠泛化方法，该方法同样适用于无权和有权网络。在不同参数的网络上进行的实验表明，我们的方法与现有方法具有相似的性能。

基于用户和属性的数据加密

原文标题：

Data User-Based Attribute-Based Encryption

地址：

http://arxiv.org/abs/2002.04427

作者：

Ehsan Meamari, Hao Guo, Chien-Chung Shen, Rui Zhang

摘要： 基于属性的加密（ABE）是一种以信息为中心的公钥密码系统，它允许数据所有者根据访问策略，在不知道其身份的情况下，根据其拥有的属性与多个数据用户共享数据。在最初的ABE方案中，一个权威管理系统会根据数据用户的属性向其颁发密钥，所有者和用户都需要信任特定的CA证书。然而，在某些实际应用程序中，数据用户除了自己之外不会信任任何人。针对这种情况，我们引入了一种新的ABE去中心模型，称为基于数据用户的ABE（DU-ABE），它由数据用户共同管理。 DU-ABE是第一个去中心的ABE方案，它用数据用户代替权威机构，而无须引入任何其他实体。

网络上编码数据包的概率转发

原文标题：

Probabilistic Forwarding of Coded Packets on Networks

地址：

http://arxiv.org/abs/2002.04438

作者：

B. R. Vinay Kumar, Navin Kashyap

摘要： 我们考虑一种在通过无噪声通信链路连接的节点的网络上广播信息的方案。网络中的源节点广播一些数据包。它将这些数据包编码为n个编码的数据包，以使网络中任何接收n个编码的数据包中的k个的节点都可以检索所有原始数据包。源节点将n个编码的数据包传输到单跳邻居。网络中的每个其他节点都遵循概率转发协议，在该协议中，它以一定的概率p将先前未接收到的数据包转发到其所有邻居。我们说，如果接收至少n个编码数据包中的k个的节点的预期比例接近1，则来自源节点的信息进行了“近距离广播”。选择转发概率p以使近播所需的传输的预期总数最小。我们研究了对于给定的k，最小转发概率以及相关的预期分组传输总数如何随n变化。我们专门分析了二叉树和方格这两种网络拓扑上的编码数据包的转发概率。对于树，我们的分析表明，对于固定的k，预期的传输总数随n增加。另一方面，在网格上，小心地选择n可以显著减少近距离广播所需的预期传输总数。在其他良好连接的网络拓扑（例如随机几何图和随机正则图）中也观察到与网格相似的行为。

通过正则张量分解

检测混合多层网络社区

原文标题：

Community Detection on Mixture Multi-layer Networks via Regularized Tensor Decomposition

地址：

http://arxiv.org/abs/2002.04457

作者：

Bing-Yi Jing, Ting Li, Zhongyuan Lyu, Dong Xia

摘要： 我们研究了节点可以通过多种方式相关的多层网络社区检测问题。我们引入了一个总体框架，即混合多层随机块模型（MMSBM），其中包括许多早期型号作为特殊情况。我们提出了一个基于张量的算法（TWIST）来说明节点的全局/局部关系以及层级的关系。我们表明，TWIST过程可以精确检测社区，并且随着节点数目或网络层数增加，仍有很少的错误分类。数值研究证实了我们的理论成果。据我们所知，这是首个利用张量分解混合多层网络的系统研究。该方法应用在两张真实数据集：全球贸易网络和疟疾寄生虫的基因网络，从而产生新的和有趣的发现。

复杂网络的势能：

一种新颖的视角

原文标题：

Potential energy of complex networks: a novel perspective

地址：

http://arxiv.org/abs/2002.04551

作者：

Nicola Amoroso, Loredana Bellantuono, Saverio Pascazio, Angela Lombardi, Alfonso Monaco, Sabina Tangaro, Roberto Bellotti

摘要： 基于薛定谔方程的势，我们提出了复杂网络的一个新的特征。定义的势能被使得薛定谔方程的能谱与规范化拉普拉斯方程的能谱一致。关键信息被保留在重构的势能中，从而提供了网络结构特性的紧凑表示。通过一个类Landau函数对多个随机网络实现上的中位势进行拟合，发现其长度尺度随着临界连接概率的接近而发散。利用Higuchi分形维数对中值势能分布的强度进行了量化，该分形维数在临界连接概率处显示最大值。这表明该技术可以成功地应用于随机网络的研究中，作为渗流相变的一个替代指标。我们将所提出的方法应用于描述基础设施的真实网络（美国电网）的研究中。奇怪的是，虽然这种网络不能给出相变的概念，但中位势能的分形显示出临界性的特征。我们还表明，标准技术手段（例如最大的连接组件的规模特性）不会检测到任何显著的标志或残余的临界性。

使用Newcomb-Benford定律

检验中国2019冠状病毒的案例数

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，仍然存在着对报告病例数的怀疑。在这篇文章中，我们提出使用Newcomb-Benford定律检验中国2019冠状病毒的报道案例数。我们发现检验的p值为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感染的真实人数，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： 图的PageRank是定义在图的节点集的用于编码图中节点的中心性信息的标量函数。在这项工作中，我们利用图的低星级过滤的PageRank作为Persistent Homology的输入来学习图的相似性。通过将每个图表示为Persistence diagram，我们可以通过瓶颈距离来比较输出。我们在两个网状数据集上利用了该方法，显示了其有效性。

多动力系统轨迹时序近似

用于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的方程组比传统模型（ARIMA、VAR、Holt-Winters）具有更好的精度。动力系统的相位纵向分析有助于判断方程是否正确地描述了现实。相图的不同极限点描述了过程实现的各种场景和行为模式的切换（受外部性影响）。我们将动力系统方法（在{R5}中讨论）扩展到有控制的动力系统。借助于HOMES.mil平台数据的租赁属性的新示例来说明这些想法。同时还比较HOMES.mil和Wikipedia.org平台的相画像的质性，以及两个平台用户的相应差异。

互联网平台用户容量动态

的非混沌模型及可预测性

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了平台的重要特征，如服务价格、广告、运营速度等。一般的方法在传统时间序列模型（ARIMA，Holt-Winters等）的帮助下估算流量，这在短期内足够多的去噪信号下是可行的。我们提出了一种用于基础过程建模的动态系统方法。该方法允许使用动力学的相图和长期趋势的整体定性性质。所提出的模型是非混沌的，长期预测是可靠的，解释了各种数字平台的基本特性和发展趋势。由于这些属性，我们将这些模型的流称为{it trending flow}。利用这一新方法，我们构建了用户数量的双边平台模型，可以应用于Amazon.com、Homes.mil或Wikipedia.org。还考虑到将双边平台的模型推广到多边平台。如果方程是协同的，那么流就是趋势，它有助于理解平台的特性并可靠地预测长期行为。我们展示了如何从时间序列数据重建控制微分方程。并且把外部效应建模为系统参数（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： 异构结构意味着极少数节点可能在维持大规模网络的结构和功能特性方面发挥关键作用。识别这些关键节点是网络科学中最重要的任务之一，它使我们能够更好地进行成功的社会广告，免疫网络以抵御流行病，发现药物靶标候选人和关键蛋白，防止电网、金融市场和生态系统的连锁故障。受真实网络嵌套性质的启发，我们提出了一种分解方法，在每一步中对度最低的节点进行剪枝。我们严格证明了这种所谓的最低阶分解（LDD）是著名的k-核分解的一个分支。对传染病传播、同步和非线性互惠动力学的广泛数值分析表明，LDD比k-核分解和其他已知指标更能准确地找出最有影响的传播者、最有效的控制器和最脆弱的种群。该方法只利用局部拓扑信息，具有很高的潜力成为网络分析的有力工具。

意见的形成和传播：行为

和信息流动的随机性重要吗？

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，除了观点之外，他们的特点是不同程度的说服和支持。该模型对随机分布在多个主体之间的两个和三个初始意见进行了检验。我们研究行为的随机性和代理人之间的信息流动如何影响意见的形成和传播。本文的主要研究内容包括观点演化过程、观点聚类形成过程和观点维持概率的研究。结果表明，意见的形成和传播既受主体间信息流动（近邻外的相互作用）的影响，也受采纳意见的随机性的影响。

使用图傅立叶变换的神经网络

近似用于网络流动态的稀疏采样

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）是大规模网中关键系统且具有复杂级联动力学过程因此很难预测。普遍存在的监测费用昂贵，从部分稀疏的监测数据中推断污染物的动态过程是一个关键的挑战。现有的方法使用多目标优化来找到最小的基本监控点集，但是缺乏性能保证和理论框架。在这里，我们首先开发了图形傅里叶变换（GFT）算子来压缩网络污染扩散动力学，以识别具有推断性能保证的基本原理数据采集点。然后，我们建立自动编码器（AE）启发式神经网络（NN），以范化GFT采样过程，并从初始采样集进一步进行欠采样，从而允许极少量的数据点在很大程度上重建真实或者人工WDN上污染的动态过程。对各种污染源进行了测试，利用约5-10%的样本进行了高精度重建。这种通过神经网络进行压缩和欠采样恢复的一般方法可以应用于广泛的网络基础设施，以实现数字再生。

用MFD估计有限交通

数据下的城市交通状态

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： 城市化导致城市交通量的增加。宏观基础图（MFD）可以在区域层次上描述城市交通，以便对交通进行测量和控制。然而，为了正确估计，所有数据都要求可用。本文讨论的主要问题是：如何得到网络范围内的流量状态估计？我们对文献进行了后续研究，建议基于共享浮动车数据（FCD）的有限样本车的速度进行操作估计。我们提出了一个基于FCD构造MFD的初始步骤，然后在步骤2中使用该MFD，即业务流量状态估计。对于操作交通状态估计，即实时交通状态估计，渗透率是未知的。对于这两个步骤，我们都会评估估计错误的影响。根据这些误差，我们还制定了一个指标，用以显示该方法何时会产生不敏感的结果，例如在发生事故的情况下。该方法已经过微型模拟试验。当FCD渗透率为1%时，估算平均密度误差为26%；将渗透率提高到30%时，估算平均密度误差减小到7%。