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！

龍圖騰網獲悉長江空間信息技術工程有限公司(武漢)申請的專利基于時間點過程神經網絡模型的道路交叉口擁堵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：CN116311887B 。

龍圖騰網通過國家知識產權局官網在2025-09-12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：202211673867.4，技術領域涉及：G08G1/01；該發明授權基于時間點過程神經網絡模型的道路交叉口擁堵預測方法是由王建龍;義崇政;張力;馬瑞;吳學宇;張航;祝憲章;劉成堃設計研發完成，并于2022-12-26向國家知識產權局提交的專利申請。

本基于時間點過程神經網絡模型的道路交叉口擁堵預測方法在說明書摘要公布了：本發明公開了一種基于時間點過程神經網絡模型的道路交叉口擁堵預測方法。它包括如下步驟，首先，在空間關聯建模過程中，通過將多個交叉口的空間區域擁堵變化模式融合到單個交叉口級，構建空間關聯模塊；其次，在雙粒度時間關聯建模過程中，通過時間點過程捕獲擁堵事件時間粒度，并進一步與門控循環網絡單元集成、構建新的神經點過程門控循環單元，通過新的神經點過程門控循環單元，分別對擁堵在不同時間粒度下建模，得到雙粒度時間關聯模塊；最后，基于序列得到序列架構和時空關聯模塊建立時空點過程神經網絡模型，進行參數優化，實現擁堵事件的多步預測。本發明具有針對精細化的城市交叉口車道間、信號周期內擁堵事件預測，預測精度高的優點。

本發明授權基于時間點過程神經網絡模型的道路交叉口擁堵預測方法在權利要求書中公布了：1.基于時間點過程神經網絡模型的道路交叉口擁堵預測方法，其特征在于：基于時間點過程理論和深度學習方法，通過時間點過程神經網絡模型在信號燈周期的精細時間尺度下，預測交叉口車道級擁堵事件級的發生、發展和消散的全生命周期過程， 具體方法為： 首先，在空間關聯建模過程中，通過將多個交叉口的空間區域擁堵變化模式融合到單個交叉口級，構建空間關聯模塊，輔助路口車道之間、信號燈周期粒度精細化擁堵預測，實現局部路口和區域路網級動態關聯；同時，在信控交叉口級空間關聯建模時，將信號周期變化和局部交叉口的圖卷積網絡集成，捕獲固定信號周期下的局部交叉口車道級粒度的動態空間關聯； 其次，在雙粒度時間關聯建模過程中，通過時間點過程捕獲擁堵事件時間粒度，并進一步與門控循環網絡單元集成、構建新的神經點過程門控循環單元，通過新的神經點過程門控循環單元，分別對擁堵在不同時間粒度下建模，得到雙粒度時間關聯模塊；通過空間關聯模塊和雙粒度時間關聯模塊構成時空關聯模塊； 最后，基于序列到序列架構和時空關聯模塊建立時間點過程神經網絡模型，進行參數優化，實現擁堵事件的多步預測； 具體預測方法，包括如下步驟， 步驟一：基礎資料整理； 步驟二：定義擁堵事件； 步驟三：基于交叉口圖結構的空間關聯建模； 步驟四：集成時間點過程的時間關聯建模； 步驟五：基于序列到序列架構和時空關聯模塊建立時間點過程神經網絡模型； 步驟六：模型的損失函數表示； 模型的損失函數表示，具體方法為： 給定一個包含區域級交通流特征χg、和交叉口級交通流特征χl的時間不規則性交通狀態集合，一個離散的歷史和未來時間內部因素事件特征集合和通過設kc＝1表示當前時刻發生擁堵，當前時刻未發生擁堵，則為kc為0；通過最大化聯合對數似然估計更新模型參數，模型的損失函數表示為： 其中，tc∈0,P]表示第c次擁堵事件發生的時間戳；表示此次擁堵事件標值信息；mj∈[1,2,…,K],K∈Z+表示在歷史時間間隔0,p]個信號周期內發生擁堵事件累計次數；P表示歷史時間； 步驟七：輸出預測結果； 時間關聯模塊基于序列到序列的框架結構，通過遞歸計算，學習歷史擁堵事件編碼表示，通過公式14選擇條件概率最大的最優參數θ、生成未來多步擁堵事件輸出； 在時間關聯模型學習擁堵模式過程中，歷史多步時刻的事件和交通流數據被輸入到堆疊的NPPGRU單元中，實現雙時間粒度的信息編碼； 而在解碼預測階段，前一個NPPGRU單元的輸出將作為下一個單元的輸入，計算未來多步時刻下是否發生擁堵和擁堵標值。

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長江空間信息技術工程有限公司(武漢)，其通訊地址為：430010 湖北省武漢市漢口解放大道1863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”。