買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉中國科學技術大學申請的專利一種基于圖神經網絡的有樁共享單車出入數量預測方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN116167512B 。

龍圖騰網通過國家知識產權局官網在2025-09-09發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202310103289.9，技術領域涉及：G06Q10/04；該發明授權一種基于圖神經網絡的有樁共享單車出入數量預測方法是由馮家輝;劉和福設計研發完成，并于2023-02-13向國家知識產權局提交的專利申請。

本一種基于圖神經網絡的有樁共享單車出入數量預測方法在說明書摘要公布了：本發明公開了一種基于圖神經網絡的有樁共享單車出入數量預測方法，其步驟包括：1獲取城市中所有共享單車站點的出入站數據；2建立基于圖神經網絡的共享單車預測模型；3構建樣本數據，訓練建立的自適應共享單車數量預測模型；4利用建立好的模型實現預測，以達到預測所有共享單車站點進出站車輛數的目的。本發明構建局部時空信息提取模塊和全部時空信息提取模塊，獲取共享單車系統中全局和局部的共享單車站點車輛變化，充分挖掘共享單車站點之間潛在的關聯模式，從而能進一步提升共享單車系統中每個站點的預測精度。

本發明授權一種基于圖神經網絡的有樁共享單車出入數量預測方法在權利要求書中公布了：1.一種基于圖神經網絡的有樁共享單車出入數量預測方法，其特征在于，包括以下步驟： 步驟1：獲取所有共享單車站點的進、出站車輛數據并進行預處理： 步驟1.1：獲取共享單車的騎行記錄，且每條騎行記錄包含：初始站點、終止站點、開始時間、終止時間； 步驟1.2：根據預測的時間間隔，構建圖結構數據集G，其中，第t個時間間隔的圖結構數據記為，表示第t個時間間隔的共享單車站點集合，表示第t個時間間隔內各共享單車站點之間的鄰接矩陣；在第t個時間間隔中，若從共享單車站點i到共享單車站點j有單車騎行記錄，則令中第i行第j列的元素取值為1，否則，令取值為0；表示第t個時間間隔內所有共享單車站點特征，其中，表示第t個時間間隔內共享單車站點j的特征，包括：共享單車站點j的進站車輛數和共享單車站點j的出站車輛數； 步驟1.3：設置滑動窗口的寬度為T’，并通過滑動窗口對所述圖結構數據集G進行樣本劃分，得到樣本集，其中，表示第n個樣本，表示第n個滑動窗口的歷史數據，且，表示第n個滑動窗口的歷史數據中第t個時間間隔的圖結構數據，表示第n個歷史數據中第t個時間段的鄰接矩陣，表示第n個歷史數據中第t個時間段所有共享單車站點的特征，表示共享單車站點的數目，表示第n個滑動窗口的歷史數據中第t個時間段共享單車站點i的特征；表示第n個滑動窗口的歷史數據所預測的第n+1個時間間隔內所有共享單車站點的出、入站車輛數；表示樣本總數； 步驟2：搭建時空圖神經網絡，包括：局部時空信息提取模塊、全局時空信息提取模塊、輸出層；其中，所述局部時空信息提取模塊包括：動態圖注意網絡和時間卷積網絡；所述全局時空信息提取模塊包括：共享全連接網絡和共享圖神經網絡； 步驟2.1：定義當前迭代次數為z，并初始化z＝1，定義迭代閾值為Z；初始化所述神經網絡中的參數； 步驟2.2：所述局部時空信息提取模塊對第n個滑動窗口的歷史數據進行處理，第n個滑動窗口的歷史數據中所有時間間隔的共享單車站點更新后的局部時空特征； 步驟2.3：所述全局時空信息提取模塊對局部時空特征進行處理，得到第n個滑動窗口的歷史數據的全局時空特征； 步驟2.4:所述輸出層采用式13對輸出特征的維度進行壓縮，得到第n個滑動窗口的歷史數據的最終輸出結果： 13 式13中，是兩個待學習的權重參數，是兩個待學習的偏置參數；表示非線性激活函數； 步驟2.5：利用式14構建自適應目標函數，并利用梯度下降算法訓練時空圖神經網絡，并以損失函數最小化為目標，通過時間反向傳播算法對時空圖注意力網絡中的參數進行優化更新，直到z＞Z為止停止訓練，從而得到訓練好的時空圖注意力網絡模型，用于預測未來時間段的共享單車進、出站車輛數目； 14 式14中，是權重參數。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人中國科學技術大學，其通訊地址為：230026 安徽省合肥市包河區金寨路96號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。