问题—— 数字化转型加速推进的背景下，交通系统、物联网、工业设备群等场景普遍依赖复杂网络来刻画“人—车—路”“设备—部件—工序”“节点—链路—权重”等关系。但在实际运行中，网络的连接结构与权重常常随时间变化：传感器数据会有噪声，链路状态受环境影响，节点之间的潜在关联也不易被及时捕捉。传统权重计算方法在数据缺失、连接频繁变化或规模扩张时，容易出现计算开销大、更新滞后、权重偏差等问题，影响准实时分析与智能决策。 原因—— 业内主要面临三上挑战：一是原始网络数据质量不一，异常值、缺测与时延较常见，使权重估计基础不稳；二是网络结构并非静态，“未显性连接但存在关联”的节点对大量存在，如果只依赖已有边关系，往往会低估真实联系强度；三是模型预测得到的新连接需要可靠校验，否则可能引入虚假关联，影响后续调度、预测与控制的稳定性。如何在可靠性与计算效率之间取得平衡，成为网络计算技术演进的关键。 影响—— 此次公开的专利提出一套面向带权无向网络的节点间权重计算方法：首先获取并预处理原始网络图数据，生成“第一新图”，为后续计算提供更干净、结构更清晰的数据基础；随后将该图输入预先训练好的图注意力网络模型，生成同时包含原始边与预测边的“第二新图”，用于补充网络对潜在关系的表达。为降低预测误差对整体网络的影响，方法更将第二新图拆分为仅包含原始边的第一子图、仅包含预测边的第二子图，并基于第一子图引入多步随机游走机制，对第二子图中的预测边权重进行修正；最终将修正后的预测边与原始边融合，得到最终的带权无向网络图数据。 从技术逻辑看，该流程把“模型的表达能力”与“基于原始结构的统计校正”结合起来：图注意力网络用于从复杂拓扑与节点特征中学习潜在关联；随机游走校正则为预测边加入可解释的结构约束，使新增关联更贴近原始网络的传播路径与连通特性。专利所强调的“信息保真度提升”和“快速适应变化”，对应的是应用侧对可信、可用、可更新网络表示的直接需求。 对策—— 从落地角度看，该方法的意义不仅在于提出一条模型链路，更给出可工程化的处理框架：一是通过预处理提升数据可靠性，为后续预测与修正打好基础；二是通过子图拆分实现分层管理，便于在不同业务安全阈值下对“原始关系”和“预测关系”采取不同策略；三是利用随机游走对预测边再校准，有助于在部署阶段控制误报、避免“过度补边”对系统造成误导。在电梯、楼宇、园区等典型工业场景中，节点可对应设备与部件，边可对应交互与耦合关系，权重变化往往与故障征兆、负载波动、维护策略密切对应的。更可信的权重更新机制，有望为预测性维护、异常定位与调度优化提供更稳定的依据。 前景—— 随着数据要素价值进一步释放，复杂网络建模正从“离线分析”走向“在线更新”。在智能交通、城市治理、工业互联网、能源系统等领域，准实时、可靠的网络权重计算将成为态势感知、风险预警与资源配置的重要基础能力。可以预期，“预测补全+结构校正+融合更新”的路径将推动网络分析从静态描述走向动态演化刻画，并在大规模、多源异构数据条件下提升可用性。下一步，模型训练数据的覆盖范围、不同场景下权重校正的参数选择，以及与安全合规要求相匹配的部署方式，仍需在产业应用中持续验证与迭代。
在数字经济快速发展的背景下，核心技术的自主创新依然是关键支撑；中山大学这项成果聚焦行业共性难题，提出了可落地的技术方案，也为产学研协同创新提供了可参考的实践。未来，随着更多关键技术持续突破，我国在全球智能科技竞争中的主动权有望深入增强，并为数字中国建设提供更扎实的技术基础。这也提示我们，推动基础研究与企业需求更精准对接，有助于加快科技成果转化与规模化应用。