買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉西華大學(xué)申請(qǐng)的專利車路云一體化復(fù)雜時(shí)間序列實(shí)時(shí)異常檢測(cè)方法與系統(tǒng)獲國(guó)家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN120354889B 。

龍圖騰網(wǎng)通過(guò)國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-08-26發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請(qǐng)?zhí)?專利號(hào)為：202510839378.9，技術(shù)領(lǐng)域涉及：G06N3/045；該發(fā)明授權(quán)車路云一體化復(fù)雜時(shí)間序列實(shí)時(shí)異常檢測(cè)方法與系統(tǒng)是由陳鵬;謝雪蓮;單文煜;吳磊;李曦;邊昂設(shè)計(jì)研發(fā)完成，并于2025-06-23向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專利申請(qǐng)。

本車路云一體化復(fù)雜時(shí)間序列實(shí)時(shí)異常檢測(cè)方法與系統(tǒng)在說(shuō)明書(shū)摘要公布了：本發(fā)明公開(kāi)了車路云一體化復(fù)雜時(shí)間序列實(shí)時(shí)異常檢測(cè)方法與系統(tǒng)，涉及車聯(lián)網(wǎng)領(lǐng)域，方法包括S1、構(gòu)建初始的異常檢測(cè)模型；S2、獲取訓(xùn)練數(shù)據(jù)集；S3、訓(xùn)練數(shù)據(jù)集導(dǎo)入初始的異常檢測(cè)模型，對(duì)其進(jìn)行訓(xùn)練優(yōu)化，獲得優(yōu)化后的異常檢測(cè)模型；S4、獲取待預(yù)測(cè)的數(shù)據(jù)；S5、利用優(yōu)化后的異常檢測(cè)模型對(duì)待預(yù)測(cè)的數(shù)據(jù)進(jìn)行異常檢測(cè)，獲得異常檢測(cè)結(jié)果；本方法引入時(shí)間池化和通道注意力機(jī)制用于提取特征維度和時(shí)間維度之間的復(fù)雜交互關(guān)系；加入基于通道權(quán)重調(diào)整機(jī)制的模塊通過(guò)動(dòng)態(tài)調(diào)節(jié)通道權(quán)重降低模型的計(jì)算復(fù)雜度，提升模型對(duì)關(guān)鍵特征的表達(dá)能力；集成交互卷積模塊用于捕捉多維空間中的依賴關(guān)系，并支持多種類型異常事件的同時(shí)檢測(cè)。

本發(fā)明授權(quán)車路云一體化復(fù)雜時(shí)間序列實(shí)時(shí)異常檢測(cè)方法與系統(tǒng)在權(quán)利要求書(shū)中公布了：1.車路云一體化復(fù)雜時(shí)間序列實(shí)時(shí)異常檢測(cè)方法，其特征在于，包括： S1、構(gòu)建初始的異常檢測(cè)模型，異常檢測(cè)模型包括嵌入編碼模塊、多個(gè)編碼器、重構(gòu)模塊及異常分析模塊，嵌入編碼模塊的輸出分別作為多個(gè)編碼器的輸入，多個(gè)編碼器的輸出均作為重構(gòu)模塊的輸入，重構(gòu)模塊的輸出作為異常分析模塊的輸入；嵌入編碼模塊用于對(duì)輸入的多維時(shí)間序列數(shù)據(jù)進(jìn)行降維和加入位置編碼；編碼器用于特征提取生成編碼序列；重構(gòu)模塊用于從編碼序列中重構(gòu)輸入序列；異常分析模塊用于計(jì)算每個(gè)時(shí)間步的異常分?jǐn)?shù)，并與閾值δ比較得到異常檢測(cè)結(jié)果；每個(gè)編碼器包括異常注意力模塊、時(shí)間上下文感知模塊、第一殘差連接和層歸一化模塊、通道自適應(yīng)增強(qiáng)模塊、第二殘差連接和層歸一化模塊、交互卷積模塊、第三殘差連接和層歸一化模塊、前向傳播模塊及第四殘差連接和層歸一化模塊，異常注意力模塊采用異常注意力機(jī)制來(lái)量化關(guān)聯(lián)差異來(lái)有效區(qū)分正常點(diǎn)和異常點(diǎn)，并放大異常點(diǎn)特征；時(shí)間上下文感知模塊用于提取全局特征和局部特征，并生成時(shí)間特征矩陣；通道自適應(yīng)增強(qiáng)模塊用于強(qiáng)化關(guān)鍵特征；交互卷積模塊用于捕捉短期異常和長(zhǎng)期趨勢(shì)，并對(duì)短期異常和長(zhǎng)期趨勢(shì)進(jìn)行拼接；時(shí)間上下文感知模塊包括注意力池化層、平均池化層、共享全連接層、兩個(gè)卷積激活層和第一融合層，異常注意力模塊的輸出分別作為注意力池化層和平均池化層的輸入，注意力池化層用于提取局部特征，平均池化層用于提取全局特征；局部特征經(jīng)過(guò)加權(quán)和后與全局特征共同輸入共享全連接層進(jìn)行特征存儲(chǔ)和融合；兩個(gè)卷積激活層計(jì)算通道間的交互關(guān)系，動(dòng)態(tài)調(diào)整各通道的重要性，強(qiáng)化時(shí)間動(dòng)態(tài)信息，共享全連接層的輸出分別作為兩個(gè)卷積激活層的輸入，兩個(gè)卷積激活層的輸出作為第一融合層的輸入，第一融合層使用加法融合策略對(duì)兩個(gè)卷積激活層強(qiáng)化后的特征和異常注意力模塊的輸出進(jìn)行融合，生成增強(qiáng)后的時(shí)間特征矩陣； S2、獲取訓(xùn)練數(shù)據(jù)集； S3、訓(xùn)練數(shù)據(jù)集導(dǎo)入初始的異常檢測(cè)模型，對(duì)其進(jìn)行訓(xùn)練優(yōu)化，獲得優(yōu)化后的異常檢測(cè)模型； S4、獲取待預(yù)測(cè)的數(shù)據(jù)； S5、利用優(yōu)化后的異常檢測(cè)模型對(duì)待預(yù)測(cè)的數(shù)據(jù)進(jìn)行異常檢測(cè)，獲得異常檢測(cè)結(jié)果。

如需購(gòu)買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請(qǐng)人或?qū)＠麢?quán)人西華大學(xué)，其通訊地址為：610039 四川省成都市金牛區(qū)土橋金周路999號(hào)；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。