ScholarGate
Assistent
Machine learningNetwork science

Dynamisk närhetscentralitet

Dynamisk närhetscentralitet utvidgar klassisk närhetscentralitet till temporala nätverk genom att beräkna tidsrespekterande kortaste vägar — vägar som traverserar kanter i kronologisk ordning — och genomsnittliga inversa avstånd över alla tidsfönster. Den avslöjar vilka noder som mest effektivt nås inom ett utvecklande nätverk, och spårar hur en nods centralitet stiger och faller när kopplingar uppstår och försvinner över tid.

Öppna i MethodMindSnartVideoSnartLadda ner bildspel

Läs hela metoden

Endast för medlemmar

Logga in med ett kostnadsfritt konto för att läsa avsnittet.

Logga in

Metodkarta

Närområdet av besläktade metoder — välj en nod för att utforska.

Källor

  1. Tang, J., Musolesi, M., Mascolo, C., Latora, V. & Nicosia, V. (2010). Analysing information flows and key mediators through temporal centrality metrics. Proceedings of the 3rd Workshop on Social Network Systems (SNS '10). ACM. DOI: 10.1145/1852658.1852661
  2. Holme, P. & Saramäki, J. (2012). Temporal networks. Physics Reports, 519(3), 97–125. DOI: 10.1016/j.physrep.2012.03.001

Så citerar du den här sidan

ScholarGate. (2026, June 3). Dynamic Closeness Centrality in Temporal Networks. ScholarGate. https://scholargate.app/sv/network-analysis/dynamic-closeness-centrality

Vilken metod?

Placera den här metoden bredvid sina närmaste släktingar och läs dem sida vid sida — biblioteket lägger fram böckerna på bordet; valet är ditt.

Jämför sida vid sida
ScholarGateDynamic Closeness Centrality (Dynamic Closeness Centrality in Temporal Networks). Hämtad 2026-06-15 från https://scholargate.app/sv/network-analysis/dynamic-closeness-centrality · Datamängd: https://doi.org/10.5281/zenodo.20539026