电力通信网的节点重要性评估是电力通信研究的一个重要议题。针对目前电力通信网节点重要性评估存在 的连接权值单一以及评价指标单一等问题，利用电力通信网的带宽和距离作为权值，计算电力通信网节点的多种 评价指标：节点强度、节点紧密度以及节点的介数。基于电力通信网节点的多种评价指标，利用快速密度聚类方 法建立电力通信网的节点重要性评估模型，为电网通信的规划做支撑。通过快速密度聚类方法进行无监督的分类， 将节点分为若干个重要性等级。该方法可以有效地改善基于距离的无监督分类方法的不足。利用某省的实际电

在大数据时代，传感器网络，社交网络，互联网等不断且快速地生成大量数据。从大数据流中学习知识是一项重要任务，因为它可以支持在线决策。 预测是有用的学习任务之一，但是固定模型通常不能很好地工作，因为数据分布会随时间而变化。 本文提出了一种基于演化贝叶斯网络的流数据预测方法。 贝叶斯网络模型是基于高斯混合模型和EM算法来推导的。 为了支持基于流数据的演化模型结构和参数，提出了一种演化爬山算法，该算法基于到达新数据时分数度量的增量计算。 实验评估表明，该方法是有效的，并且优于流式数据预测的其他流行方法。