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(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉中國海洋大學申請的專利一種基于延遲建模的交通流量預測方法及系統(tǒng)獲國家發(fā)明授權專利權，本發(fā)明授權專利權由國家知識產(chǎn)權局授予，授權公告號為：CN120199081B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權局官網(wǎng)在2025-09-12發(fā)布的發(fā)明授權授權公告中獲悉：該發(fā)明授權的專利申請?zhí)?專利號為：202510685568.X，技術領域涉及：G08G1/01；該發(fā)明授權一種基于延遲建模的交通流量預測方法及系統(tǒng)是由于彥偉;曹凌嘯;王斌;齊建鵬;董軍宇設計研發(fā)完成，并于2025-05-27向國家知識產(chǎn)權局提交的專利申請。

本一種基于延遲建模的交通流量預測方法及系統(tǒng)在說明書摘要公布了：本發(fā)明涉及交通流量預測技術領域，尤其是涉及一種基于延遲建模的交通流量預測方法及系統(tǒng)。方法，包括獲取交通歷史時序數(shù)據(jù)和道路拓撲結構；基于交通歷史時序數(shù)據(jù)和道路拓撲結構定義交通流量預測問題；構建延遲建模的交通流量預測模型，其中包括數(shù)據(jù)嵌入層建模、動態(tài)圖神經(jīng)網(wǎng)絡層建模、時空編碼層建模、延遲建模和時空編碼的多層堆疊以及數(shù)據(jù)輸出層構建；與傳統(tǒng)的統(tǒng)計模型和機器學習方法相比較，基于延遲建模的深度學習方法可以有效處理現(xiàn)實交通數(shù)據(jù)中的非線性和復雜的動態(tài)變化，同時彌補了機器學習計算效率低，擴展性差的問題。

本發(fā)明授權一種基于延遲建模的交通流量預測方法及系統(tǒng)在權利要求書中公布了：1.一種基于延遲建模的交通流量預測方法，其特征在于，包括： 獲取交通歷史時序數(shù)據(jù)和道路拓撲結構； 基于交通歷史時序數(shù)據(jù)和道路拓撲結構定義交通流量預測問題； 構建延遲建模的交通流量預測模型，其中包括數(shù)據(jù)嵌入層建模、動態(tài)圖神經(jīng)網(wǎng)絡層建模、時空編碼層建模、延遲建模和時空編碼的多層堆疊以及數(shù)據(jù)輸出層構建；其中，所述延遲建模包括在每個時間步根據(jù)延遲特征動態(tài)更新鄰接矩陣，并將當前時間步的節(jié)點特征與前一時刻鄰居特征拼接后輸入動態(tài)圖卷積網(wǎng)絡，以建模時變傳播延遲； 基于定義的交通流量預測問題進行模型訓練； 利用訓連好的模型進行交通流量預測； 所述獲取交通歷史時序數(shù)據(jù)和道路拓撲結構，包括將交通網(wǎng)絡定義為有向圖，其中表示由城市交通路網(wǎng)中的傳感器節(jié)點組成的節(jié)點集合，每個節(jié)點對應于路網(wǎng)中特定位置的交通監(jiān)測設備，表示節(jié)點間連接關系的邊集合；為鄰接矩陣，用于表示節(jié)點之間的連接強度或相互作用強度；并將歷史交通時序數(shù)據(jù)表示為三維張量，其中表示歷史觀測時間步長，為節(jié)點數(shù)量，為每個節(jié)點的交通特征維度； 所述基于交通歷史時序數(shù)據(jù)和道路拓撲結構定義交通流量預測問題，包括設已知歷史交通時序數(shù)據(jù)，其中為歷史觀測窗口長度，為節(jié)點總數(shù)，為節(jié)點特征維度，預測任務的目標是構建一個預測函數(shù)，利用歷史觀測數(shù)據(jù)和交通網(wǎng)絡結構，來預測未來的交通流量數(shù)據(jù)，即預測未來個時間步的數(shù)據(jù)，表示為： ， 其中，表示對第個未來時間步交通流量的預測結果，且； 所述數(shù)據(jù)嵌入層建模，包括利用融合時間信息和空間信息的數(shù)據(jù)嵌入方法，生成每個節(jié)點在每個時間步的高維嵌入表示，其中，在時間維度上將原始輸入通過全連接層MLP轉(zhuǎn)換為，其中為指定的嵌入維度，通過對離散時間變量進行獨熱編碼，并經(jīng)過全連接層處理，生成初始的時間嵌入表示；在空間維度上基于鄰接矩陣構造歸一化拉普拉斯矩陣，并對其進行特征分解，獲取特征值與特征向量；最后將嵌入表示與張量在維度對齊后進行元素級加和操作，得到數(shù)據(jù)嵌入層的輸出； 所述動態(tài)圖神經(jīng)網(wǎng)絡層建模，包括設計動態(tài)圖神經(jīng)網(wǎng)絡實現(xiàn)延遲感知建模，首先在圖神經(jīng)網(wǎng)絡中使用歸一化的鄰接矩陣，采用對稱歸一化的方法讓每個鄰居的貢獻被調(diào)整為平均權重，在延遲建模的輸入數(shù)據(jù)上，構造延遲版本，令每一時間步對應前一時刻的節(jié)點特征，并與原始序列在特征維度拼接，得到組合輸入；然后在每一個時間步上獨立構建圖結構，提取每個時間步的輸入特征矩陣，并使用圖卷積神經(jīng)網(wǎng)絡GCN進行圖特征提取，最后基于每個時間步的輸出得到輸出序列，使用全連接映射層將隱藏特征維度還原為輸入特征維度； 所述時空編碼層建模，包括構建多頭自注意力機制提取交通數(shù)據(jù)的時空特征，其中，在時間編碼注意力中，通過多頭自注意力將輸入數(shù)據(jù)在時間維度的特征映射到參考點表示空間，再利用參考點捕捉各個時間片之間的長期動態(tài)關聯(lián)；在空間編碼注意力中，將輸入數(shù)據(jù)在空間維度的特征映射到參考點表示空間，從而捕捉節(jié)點之間的空間關聯(lián)；最后，通過一個MLP融合兩個注意力機制的輸出，形成統(tǒng)一的時空編碼輸出表示： ， 其中，是可學習的參數(shù)，是激活函數(shù)，即為時空編碼層的最終輸出表示； 所述延遲建模和時空編碼的多層堆疊，包括在延遲建模層根據(jù)交通網(wǎng)絡的動態(tài)特性，通過動態(tài)圖卷積網(wǎng)絡DGCN捕捉不同時間步長之間的信息傳遞延遲特征；再將延遲建模層的輸出作為時空編碼層的輸入，時空編碼層分別在時間維度和空間維度上并行地計算注意力，通過Transformer的多頭自注意力機制挖掘節(jié)點之間和時間步的內(nèi)在相關性，輸出統(tǒng)一的時空特征表示；在每一堆疊單元的輸出特征之上再接入下一層堆疊單元，進行連續(xù)的迭代建模，從而逐層抽取更加抽象和高階的時空延遲特征表示； 所述數(shù)據(jù)輸出層構建，包括通過多層堆疊后獲得的高級特征表示，以及將每一層的輸出相加，得到最終的隱藏狀態(tài)；最終為了進行多步預測，直接使用輸出層將最終隱藏狀態(tài)轉(zhuǎn)換為所需的維度，通過兩個1×1的卷積核來得到所預測的步交通流量數(shù)據(jù)，即最終交通流量預測結果； 所述基于定義的交通流量預測問題進行模型訓練，包括將輸入數(shù)據(jù)分為訓練集和測試集，采用了批量梯度下降算法，將訓練集中的數(shù)據(jù)分成多個小批量，逐批地對模型參數(shù)進行更新，每輪訓練遍歷訓練集中的所有數(shù)據(jù)，并計算損失函數(shù)的值，然后根據(jù)損失函數(shù)的梯度來調(diào)整模型參數(shù)，其中，選擇平均絕對誤差作為損失函數(shù)，通過計算預測值與真實值之間差的絕對值的平均值來衡量模型的預測誤差， 表達式為： ， 其中表示模型中節(jié)點在時刻預測的交通流量，表示節(jié)點在時刻實際的交通流量。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術，可聯(lián)系本專利的申請人或?qū)＠麢嗳?a target="_blank" rel="noopener noreferrer nofollow" href="https://iptop.www.hzsmkbearing.com.cn/list?keyword=%E4%B8%AD%E5%9B%BD%E6%B5%B7%E6%B4%8B%E5%A4%A7%E5%AD%A6&temp=1">中國海洋大學，其通訊地址為：266100 山東省青島市嶗山區(qū)松嶺路238號；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)”。