在当今信息化时代,数据量呈指数规模上涨,分析数据的手段和工具层出不穷,如何有针对性的计算数据的统计特征、发现海量复杂数据中隐藏的数据演化规律始终是数据分析领域中的热点研究问题。复杂网络理论作为近年来表征数据结构、数据统计特征计算、推演未来发展方向的重要数据分析方法在各领域中被广泛应用。而复杂网络中的连通性预测理论更是对真实网络的演化发展提供了一个便捷有效的计算工具,一方面,网络连通性预测有助于推动网络内部结构的研究,促进复杂网络理论的进一步发展和健全。另一方面,对于真实世界的网络数据来说,连通性预测具有一定实用性,通过预测方法找出网络中缺失的或未来可能产生的连边对于揭示网络的发展规律有积极作用。随着经济的不断发展,原始的道路已经远不能满足当下城市对运输能力的需求,建设新型便利的交通网络是每个发展中的城市的必经之路,而网络的连通性预测以给出网络中可能缺失的边的方式对道路网络的调整提供参考。针对真实城市道路网络的结构复杂、数据规模庞大、道路数据较为稀疏等特点,本文使用复杂网络相关理论对数据进行处理和分析,采用了一种将网络嵌入算法和数据特征提取算法相结合的方法来预测网络中可能缺失的连边。本文的具体工作如下:(1)从OpenStreetMap收集各个城市的真实道路数据,将数据经过归纳和处理后映射成了道路复杂网络。(2)针对传统邻接矩阵的较高计算时间和空间复杂度,以及道路网络较强的稀疏性导致的网络处理效率较低等问题,本文采用一种节点随机游走的方式来获得节点间的连接信息。为了强调大度节点在网络表示中的作用,将传统的等概率随机的节点选择方式进行了改进,结合语言模型学习节点的嵌入向量。(3)引入深度学习中的自编码网络理论,但单层的自编码网络处理能力有限,本文采用堆叠自编码的方式对节点表示向量进行特征提取,并在自编码网络中加入去躁因子来提高模型的健壮性,最后将结果用于网络的连通性预测。(4)本文分别进行算法的参数敏感性实验及与经典算法的对比实验,得到的结果显示,与传统的网络连通性预测算法相比,文本采用的算法在处理大规模路网数据时的预测精度有明显优势。