1.一种面向复杂网络的时序链路预测方法，其特征在于，包括如下步骤：步骤1，对网络中所有出现过的节点进行编号，并将编号作为节点自身的id，每个节点的编号唯一；

步骤2，获取预测时刻过去一段时间内，网络中所有节点之间的交互行为以及每次交互行为发生的时间；

步骤3，将步骤2所述过去一段时间划分为多个时间片，并将每个交互行为划分到对应的时间片中，每个交互行为生成一个链路，链路的端点分别为交互的两个节点，且链路为无向边；

步骤4，统计每个时间片内相同链路的出现次数，作为该链路的权重，利用每个时间片内所有带权重的链路形成一个对应于该时间片的带权网络，最终得到带权网络序列；

步骤5，对带权网络序列进行压缩，压缩过程为：从带权网络序列中取出所有相同链路以及链路的权重信息，根据设定的时序影响系数δ计算压缩后链路的时序权重，计算公式为：其中，wx,y表示链路(x,y)压缩后的权重，Ci表示第i个时间片中链路(x,y)的权重，i＝1,

2,…,t，t为时间片的数量；得到带有时序权重的链路的集合，并将时序权重小于0的链路过滤掉，进入步骤6；

步骤6，将带有时序权重的链路的集合构造成带权时序网络，初始化带权时序网络中的每个节点，在每个节点上生成一个“标签”，标签为一个键值对，该键值对以当前所在节点的id为键，以1为值；

步骤7，每个节点将自身的初始化标签传播给其邻居节点，传播过程中利用标签经过的连边的权重与标签中值的乘积对标签中的值进行更新，传播完成后，每个节点将接收到的所有标签放到一个集合中，用该集合替换原来的初始化标签并保存；

步骤8，每个节点将经步骤7传播后接收到的标签集合再次向邻居节点传播，传播过程中利用经过的连边的权重与标签中值的乘积的α次方对标签中的值进行更新，α为修正系数，传播完成后，每个节点将接收到的所有标签放到一个集合中，并将该集合合并到步骤7保存的集合中；

步骤9，对每个节点中的标签按“键”聚合“值”，聚合后的值就是其所在节点和其对应的键代表的节点两者之间形成的链路的评分；

步骤10，对所有的链路评分进行排序，将排名前m的链路作为预测链路，m为设定值。

2.根据权利要求1所述面向复杂网络的时序链路预测方法，其特征在于，步骤5所述链路的权重，对于不存在链路(x,y)的时间片，将链路(x,y)在该时间片的权重设为0。

3.根据权利要求1所述面向复杂网络的时序链路预测方法，其特征在于，步骤5所述时序影响系数δ的权值为0～1。

4.根据权利要求1所述面向复杂网络的时序链路预测方法，其特征在于，步骤8所述修正系数α的权值为0～1。

5.根据权利要求1所述面向复杂网络的时序链路预测方法，其特征在于，步骤9所述按“键”聚合“值”的方法为：将相同键对应的值相加求和。

6.根据权利要求1所述面向复杂网络的时序链路预测方法，其特征在于，所述步骤7和8的分布式实现方式为：采用标签传播算法，结合整体同步并行计算模型，将每次标签传播过程拆分为针对每个链路的分别计算，链路的端点分别为传播源点、传播目标点，每个链路的传播过程如下：步骤a，初始化一个空的集合dstArr；

步骤b，若传播源点中只有一个标签且标签的键为传播源点的id，则转步骤c，否则转步骤d；

步骤c，将以传播源点的id为“键”，传播源点中标签的值和链路连边权重的乘积为“值”的新标签添加到dstArr中，转步骤f；

步骤d，遍历传播源点中的标签，如果该标签的“键”不等于传播目标点的id，则创建一个以该标签的键为“键”，以该标签的值和链路连边权重乘积的α次方为“值”的新标签，并将该新标签添加到dstArr中；如果该标签的“键”等于传播目标点的id，则向dstArr添加一个空值，遍历结束后转步骤e；

步骤e，过滤掉dstArr中的空值，转步骤f；

步骤f，将dstArr发送给传播目标点。