复杂网络和时间序列分析是统计物理学中重要的研究方法,用于研究复杂系统中个体特征及个体间相互作用的性质。人类社会关系及人类行为动力学的量化研究是复杂系统领域的重要前沿课题之一。本文通过对中国春秋和战国时期的大量历史事件进行定量统计,利用复杂网络和时间序列分析的方法量化研究历史人物及历史事件的统计规律。主要研究内容和结果包括:1.构建历史人物关系网络及其拓扑特性的分析。研究发现,历史人物关系网络具有两个共同特性,分别由节点度幂律分布所表述的无标度特性和由较短路径长度所描述的小世界特性。同时,网络具有同配性和很好的层级关系。利用社团检测算法,发现网络中同一时期的历史人物出现在同一社团,春秋时期社团结构中连接度较大的节点是君王和大夫,而战国时期则是君主和将士,表明春秋时期多议和,战国时期多战争。2.重要历史人物及重要历史事件的挖掘。利用复杂网络中的关键节点挖掘算法,量化研究重要历史人物及重要历史事件。通过比较分析不同的算法,发现半局部中心性算法能更好的挖掘历史人物的重要性特征。同时,利用重要历史人物的排名,并结合事件的参与人数,提出了历史事件重要性参量S,进而挖掘重要的历史事件。3.历史人物及历史事件时间统计特性的研究。结果表明,历史人物参与历史事件的时间间隔符合幂律特性,历史事件数及参与历史事件的人物数随时间的演化均满足Heaps定律,历史人物参与历史事件的频数满足Zipf定律。通过分析人物重要性分别与人物参与事件频数及人物参与事件时间间隔的关联性,发现人物节点重要性和人物参与事件频数的相关性更强。