全局检索与知识浏览

我们研究了在几何非均匀随机图（GIRGs）上的多数投票意见动态，该模型是空间复杂网络的强大表征。与经典粗化动态中通常达成全局共识的情况不同，我们的模拟表明，足够大且局部集中的意见区域不会消失。相反，它们趋于稳定，导致竞争性意见的持续共存。为理解这种被抑制的粗化机制，我们构建并分析了一个两个意见区域界面的可处理均值场模型。我们的主要理论结果在均值场分析中严格证明了界面轮廓存在一个稳定且非平凡的极限分布。这表明意见边界处于静止状态，为复杂网络几何结构如何在社会系统中支持稳健的意见多样性提供了数学解释。

同步模式表征网络的一种状态，其中节点依据其同步动力学组织为若干簇。这些同步簇可进一步呈现活性或非活性状态。同步节点的活性簇与非活性簇同时保持不变，构成一种动力学约束：活性簇产生的涨落必须相互抵消，才能使某一特定簇维持非活性状态。我们通过利用网络结构中的置换对称性，并选取相空间中内部动力学与耦合函数均为奇函数的动力学形式，证明该结构与动力学的组合可产生由共存的活性簇与非活性簇构成的稳定不变模式。网络中的对称性导致活性簇彼此处于反同步状态，从而使与这些反同步簇相连的簇所受涨落相互抵消。我们利用全网络对称性确定同步簇，而利用商网络对称性识别簇的共存活性-非活性状态。结果表明，随着节点间耦合强度变化，各活性簇在不同耦合值处相继失去活性，网络由此在不同活动模式之间发生转变。文中以范德波尔（Van der Pol）振子与斯图尔特-兰道（Stuart-Landau）振子网络为例进行了数值模拟。最后，我们将主稳定性框架（master stability framework）推广至此类模式，并给出了其存在的稳定性条件。

出版日期：2026年5月15日；来源：《可持续城市与社会》（Sustainable Cities and Society），第142卷；作者：熊瑶、许攀岳、朱志鹏、李寅

出版日期：2026年5月15日；来源：《可持续城市与社会》（Sustainable Cities and Society），第142卷；作者：刘飞、徐国亮、李明

《计算机、环境与城市系统》；第70卷；第163-174页；2018年发表；出版商：Elsevier

从配送机器人到四足机器人的城市具身人工智能代理正日益遍布我们的城市，在复杂的街道环境中导航以提供最后一公里的连接服务。训练此类代理需要多样且高保真的城市环境以实现规模化，然而现有的人工构建或程序生成的仿真场景要么缺乏可扩展性，要么无法捕捉真实世界的复杂性。我们提出了UrbanVerse，一种数据驱动的真实世界到仿真系统，能够将众包的城市观光视频转化为具备物理感知和交互能力的仿真场景。UrbanVerse包含：(i) UrbanVerse-100K，一个包含超过10万项标注的城市三维资产库，具有语义与物理属性；(ii) UrbanVerse-Gen，一种自动化的流程，从视频中提取场景布局，并利用检索到的资产快速构建度量尺度的三维仿真环境。在IsaacSim中运行，UrbanVerse提供了来自24个国家的160个高质量构建场景，以及一组由艺术家精心设计的10个测试场景基准。实验表明，UrbanVerse场景保留了真实世界的语义与布局，其人类评估的逼真度与手工制作场景相当。在城市导航任务中，基于UrbanVerse训练的策略展现出显著的缩放规律和强泛化能力，在仿真环境中成功率提升6.3%，在零样本的仿真到现实迁移中提升30.1%，仅需两次干预即完成300米的真实世界任务。

《计算机、环境与城市系统》；第85卷；第101569页；2021年发表；出版机构Pergamon

快速城市化给可持续发展目标带来了巨大挑战，如资源过度开发和人口激增。传统的元胞自动机（CA）模型被广泛用于独立模拟空间特征的变化，例如土地利用、人口分布、经济产出等。然而，大多数CA模型依赖历史数据作为静态驱动因子来预测未来情景，忽略了发展过程中多种特征之间的相互耦合影响。为解决这一问题，本研究提出一种空间协同模拟（SCS）方法，用于模拟土地利用、人口与经济的变化。SCS方法首先通过独立的CA模型获取各特征的初始状态；随后，将其他两个特征的模拟结果作为动态更新的驱动因子，而非静态的历史数据，以捕捉多特征在发展过程中的相互耦合效应。该过程迭代进行，直至各特征变化收敛，最终输出模拟结果。在粤港澳大湾区的模拟实验表明，SCS方法能够有效捕捉多要素的协同演化过程，优于基准方法。该方法具备预测未来发展趋势的能力，有助于支持空间规划与基础设施协同发展。

该模型为空间经济学中若干经验观测现象提供了理论解释。通过将系统表征为由固定大小土地单元构成的复杂网络，各单元间通过港口活动间的贸易相互连接，从而导出城市规模与土地价值分布等高阶模式。模型预测了经验观测到的土地价值密度空间分布以及城市集群价格的空间分布。为将土地价值与人口（一种常见可观测量）关联起来，我们还证明：在城市集群层面，累积土地价值与人口之间存在线性关系。

基于地理信息系统（GIS）和元胞自动机技术，构建了城乡扩展现象的空间模拟模型。该模型揭示了建成区向周边农村地区扩张以满足现有城区发展需求的过程。通过结合地理信息系统方法，利用土地适宜性分析法，依据地形坡度、距市中心距离等地理与可达性因素，确定了优化发展区域的土地利用变化概率。

本文提出一种计算框架，通过将拓扑数据分析（Topological Data Analysis, TDA）与方程自由法（Equation-Free Method）相结合，探索并分析复杂基于智能体的网络模型的宏观动力学行为。为验证该方法的有效性，我们将其应用于Erdős–Rényi型随机网络。本方法的核心是基于TDA的滤波过程，该过程以激活网络节点（即智能体）的密度为驱动变量，并从中提取一个粗粒化的宏观拓扑可观测量；该可观测量由持续同调Betti数定义，从而在显著降低数据维度的同时保留关键拓扑特征。随后，在方程自由法框架下，我们首先证明可利用拓扑性质实现\textit{提升过程}（lifting procedure），其次构建一个数据驱动的演化律，用以刻画该宏观变量的动力学行为。最后，我们开展数值分岔与稳定性分析，以探究所涌现宏观动力学的整体行为及其定性转变。

在复杂系统中，事件以不规则的时间间隔发生，这些间隔本质上编码了系统的内在动力学。分析事件的时间聚类能够揭示非随机模式及时间演化特征。现有技术可通过全局统计量有效量化事件的整体聚类倾向，但这些宏观方法存在关键缺陷：未能深入探究单个聚类的动力学特性。分析单个聚类至关重要，因为它有助于理解主动驱动系统动态的局部相互作用，而这些作用可能被全局平均所掩盖，同时还能揭示涉及的时间尺度。为解决上述局限性，我们提出一种基于复杂网络的框架，用于分析不规则时间间隔下事件的聚类行为。该框架利用到达时间建立连接，将时间序列转化为网络结构，并通过网络属性量化聚类特征。此外，采用社区检测算法识别时间序列中的个体聚类。我们通过标准到达过程（如泊松过程和马尔可夫调制泊松过程）验证该方法的有效性。为进一步展示其适用范围，我们将该方法应用于两类不同系统：湍流中液滴到达的时间序列以及心电图（ECG）信号中的R-R间期序列。

链路预测对于揭示社交网络演化规律、节点间关系，以及理解复杂网络的典型机制具有核心意义。目前，针对融合时间演化、关系极性与边权重信息的复杂动态网络的链路预测研究仍显著不足，难以满足实际应用需求。本文面向动态符号加权网络，提出一种三重联合预测框架，以统一预测链路存在性、关系符号与边权重。首先，将动态网络分解为时序快照，并通过符号感知的加权随机游走生成节点语义嵌入；其次，设计多跳结构平衡特征与时序差异特征，分别刻画网络的结构性特征与动态演化规律；模型采用双通道特征解耦机制：节点语义嵌入用于链路存在性预测，而关系符号特征则输入Transformer编码器以建模时序依赖；最终，通过多任务单元协同输出预测结果。仿真实验表明，相较于基线方法，所提框架在链路存在性与关系符号预测性能上平均提升2%–4%，边权重预测误差显著降低40%–50%。

Landscape and urban planning；卷 177；页码 47-63；发表于 2018 年；出版机构 Elsevier。

城市内部土地利用变化的模拟研究逐渐受到关注，因其在决策制定与政策形成方面具有重要参考价值。尽管以往研究多集中于城市内部尺度模拟方法的开发，但针对驱动城市内部土地利用变化因素的研究仍较为匮乏。城市规划者高度关注城市内部结构的形成机制及其运行规律。为此，本文基于随机森林（RF）算法构建了元胞自动机（CA）模拟模型，旨在模拟多种城市内部土地利用变化情景，并识别不同驱动因素的贡献程度。本研究引入交通区位、环境条件、公共服务设施及人口密度等多类空间变量作为驱动因子，以深化对城市内部土地利用动态演变的理解。该模型以中国广东省惠州市惠城区2000—2010年实际历史土地利用数据进行验证，并基于验证后的模型模拟生成了2015年的多情景城市内部土地利用分布图。同时，采用随机森林算法的袋外（OOB）误差估计方法计算各空间变量的重要性指标（VIMs），进而评估并分析各驱动因素在该区域中的相对重要性。本研究为城市规划者及相关学者提供了详实、有针对性的信息，有助于制定面向不同类型城市内部土地利用的具体规划策略，并支持该地区未来的可持续发展。

基于时间序列测量，重构编码模型变量间影响关系的参数，是复杂网络耦合系统理论中一个尚未解决的重要问题。本文针对一类含噪声的领导者-跟随者共识算法，提出该问题的一种解决方案：仅可获取跟随者节点的测量数据，而无法观测领导者节点。利用此类系统的有向拉普拉斯耦合结构，我们推导出观测动力学的自回归展开式，并可根据领导者的记忆长度在不同阶数处截断。当领导者记忆较短时，在附加若干消除重构退化性的系统假设下，该方法可准确重构包含隐藏领导者智能体的完整动力学矩阵。我们通过数值模拟验证了该理论，分别考察了单个及多个隐藏领导者的情形。

在网络化工业系统（如供应链与电力网络）中，根因分析（RCA）因地理上分散的客户端之间存在未知且动态演化的互依关系而尤为困难。这些客户端表征异构的物理过程与工业资产，配备传感器并生成海量非线性、高维、异构的物联网（IoT）数据。经典RCA方法需依赖系统依赖图的部分或全部先验知识，而此类知识在上述复杂网络中通常不可获得。尽管联邦学习（FL）为去中心化场景提供了天然框架，但现有主流FL方法多假设客户端具有同质特征空间及可重训练的本地模型，这与本问题设定不兼容：不同客户端拥有不同的数据特征，且常运行固定、专有的模型，无法修改。本文提出一种面向特征划分型非线性时间序列数据的联邦跨客户端互依关系学习方法，无需访问原始传感器流数据，亦不修改客户端专有模型。各客户端专有本地模型均扩展一个机器学习（ML）模型，用以编码跨客户端互依关系；这些ML模型由全局服务器协调，通过注入经校准的差分隐私噪声，在保障隐私的同时强制表征一致性。RCA基于模型残差与异常标志执行。本文建立了理论收敛性保证，并在大量仿真及一个真实工业网络安全数据集上验证了所提方法的有效性。

我们提出了一种新颖的建模框架，用于描述随时间演化的网络，能够捕捉网络特征在连续时间中更新时的长期依赖性。动态网络增长通过带标记点过程的条件强度进行函数参数化。这一表征使得能够灵活地联合建模更新时机及网络更新本身，且二者均依赖于完整的左连续样本路径。我们提出了一种路径相关的非线性带标记霍克斯过程作为建模此类数据的表达性强的平台；其动态标记空间嵌入了随时间演化的网络。我们证明了该模型的适定性，并建立了充分的稳定性条件，通过数值研究展示了模拟方法以及后续可行的基于似然的推断，最后通过一个会议参会者社交网络数据的应用实例说明了该方法的有效性。所提出的公式为连续时间复杂网络演化提供了灵活且有理论基础的统计推断框架。

出版日期：2026年4月27日在线发表；来源：《可持续城市与社会》（Sustainable Cities and Society）；作者：张兰月、肖毅、陈永祥、杨浩楠、孔庆申