为了响应地位感知网络数据的不断增加的挑战，如自适应网络和业务网络数据，网络数据处理技术正在遇到每个阶段的革命性变化，包括数据收集，清洁，组织，解释，分析，利用和可视化。这些变化导致全球显着的发展趋势，具有大数据框架，网络分析建模，链路或路线预测和推荐系统。这一特别问题旨在提供一个论坛，以提出关于大复杂网络数据的融合研究的最新进步。挑战包括在城市中的实时事件检测，交通网络中的拥塞发现，社会用户位置预测，物理世界中的社会用户的行为识别，以及处理多维复杂网络数据的统一系统。强大的解决方案呼叫领域的高度创新技术，包括但不限于机器学习，遗传算法，混沌，遗传算法，蜂窝自动机，神经网络和进化博弈论。特殊问题将吸引从世界范围的研究人员吸引高质量的地点意识大型网络数据，在机器学习，人工智能，数据挖掘，自然语言处理，数据和网站挖掘以及大数据管理方面利用他们的专业知识和匹配，以开发更高效和实用的算法或模型，以获取日常生成的宝贵社交网络数据和业务网络数据的智能知识。

潜在主题包括但不限于以下内容：

• 新颖的遗传算法，处理地点感知社交网络中的问题复杂性
• 复杂的神经网络结构预测位置感知社交网络中的复杂事件
• 机器学习或深入学习在衍生社交活动和行为指标
• 混沌系统的模糊建模与控制数据不确定性
• 空间社会影响学习建模技术
• 并行大数据处理基础设施，实现数据分析请求的实时响应
• 使用进化博弈论的动态网络数据建模
• 社交链路预测和Revisit预测的学习方法
• 任何上述方法和技术的应用