响应位置感知网络数据的不断挑战spatiosocial网络和交通网络数据,网络数据处理技术发生革命性的变化在每个阶段包括数据收集、清洗、组织、解释、分析、利用和可视化。这些变化导致全球范围内的趋同与大数据框架的发展趋势,网络分析建模、链接或路线预测和推荐系统。这个特殊的问题旨在提供一个论坛,目前最近的进步收敛研究大型复杂网络数据。挑战包括实时事件检测在一个城市,交通拥堵交通网络,发现社会用户的位置预测、社会用户的行为识别在物理世界,统一处理多维复杂网络数据的系统。健壮的解决方案要求高度创新技术领域包括,但不限于,机器学习、遗传算法、混沌、遗传算法、元胞自动机、神经网络、进化博弈论。位置感知的特殊问题会吸引高质量的提交大型复杂网络数据从全球研究人员在机器学习领域,人工智能、数据挖掘、自然语言处理、数据和网络挖掘,大数据管理利用他们的专长和匹配开发更高效和实用算法或模型获得从每日生成智能知识无价的社交网络数据和交通网络数据。

潜在的主题包括但不限于以下:

• 新颖的遗传算法来处理复杂性问题位置感知的社交网络
• 复杂的神经网络结构预测复杂事件位置感知的社交网络
• 机器学习或深度学习在获得社会活动和行为指标
• 模糊建模和控制混沌系统应对数据的不确定性
• 空间社会影响学习建模技术
• 平行的大数据处理基础设施实现实时响应数据分析请求
• 动态网络数据建模利用进化博弈理论
• 学习社会链接预测和重新预测方法在交通网络
• 应用程序的任何上述方法和技术