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！

龍圖騰網獲悉南京大學申請的專利一種用于行人流量實時預測的深度神經網絡在線集成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：CN120031189B 。

龍圖騰網通過國家知識產權局官網在2025-09-26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：202510087483.1，技術領域涉及：G06Q10/04；該發明授權一種用于行人流量實時預測的深度神經網絡在線集成方法是由趙鵬;周志華設計研發完成，并于2025-01-20向國家知識產權局提交的專利申請。

本一種用于行人流量實時預測的深度神經網絡在線集成方法在說明書摘要公布了：本發明公開一種用于行人流量實時預測的深度神經網絡在線集成方法，首先利用離線數據初始化一個基于深度神經網絡的行人流量預測模型，然后在線部署模型預測行人流量，同時收集在線數據更新模型，讓模型快速適應實時變化的復雜場景。多分辨率更新策略把深度神經網絡分為多個子模塊，采用不同分辨率的歷史數據訓練不同的子模塊，讓子模塊的行人流量預測能力具有多樣性；在線集成策略根據實時數據分布的變化，動態選擇與組合最能適應當前場景的子模塊，生成實時預測結果。與現有方法相比，本發明在實時行人流量預測的精度和響應速度上顯著提升，尤其適用于交通監控、公共安全管理等需要實時數據處理的場景。

本發明授權一種用于行人流量實時預測的深度神經網絡在線集成方法在權利要求書中公布了：1.一種用于行人流量實時預測的深度神經網絡在線集成方法，其特征在于，包含多分辨率更新策略和在線集成策略；首先利用離線數據初始化一個基于深度神經網絡的行人流量預測模型，之后部署模型預測行人流量，同時收集在線數據更新模型； 所述的多分辨率更新策略指的是，把深度神經網絡分為多個子模塊，采用不同分辨率的歷史數據訓練不同的子模塊； 所述的在線集成策略指的是，根據實時數據分布的變化，動態選擇與組合最能適應當前場景的子模塊，生成實時預測結果； 所述利用離線數據初始化一個基于深度神經網絡的行人流量預測模型，具體步驟為： 步驟101：采集行人流量預測的離線數據集，；其中，，是維實數空間，是的所有可能取值構成的集合，是用于預測行人流量的特征，共有個維度，每個維度是一個實數值，數據共有條；，是對應的真實行人流量，共有種； 步驟102：利用離線數據集初始化行人流量預測模型；模型把維實數的特征映射為維實數的置信度，行人流量預測模型預測的類別是置信度最高的維度對應的類別，如果有多個維度置信度都是最高則任選其一；每個模型包括兩部分，是深度神經網絡模型，把維實數的特征映射為維實數的希爾伯特空間表征，其中是深度神經網絡參數，共有個實數參數；是線性分類模型，把維實數的希爾伯特空間表征映射為維實數的置信度，其中是線性分類模型參數，是一個的實數矩陣； 步驟103：利用梯度下降技術確保步驟102中的初始化行人流量預測模型對于離線數據集和損失函數收斂；其中損失函數，用于衡量行人流量預測模型的輸出和真實行人流量之間的差，進而用于訓練和更新和； 所述多分辨率更新策略，具體步驟為： 步驟201：把深度神經網絡分為個子模塊，第個子模塊用掩碼表示；掩碼是一個n維的僅由0和1構成的數組，如果的第位是1則表明第j個子模塊包含深度神經網絡的第個實數參數，否則不包含；對于每個，，指的是個子模塊應該互不相交而且覆蓋深度神經網絡的所有參數；劃分子模塊需要選擇的數值，取，并且分配每個子模塊覆蓋的參數的個數，對于每個，； 步驟202：采用不同分辨率的歷史數據訓練不同的子模塊，指的是使用連續區間的歷史數據訓練第個子模塊，區間的起始端點是，區間的終止端點是，其中是在線部署行人流量預測模型之后模型預測并收集在線數據的次數；越大，第個子模塊使用的歷史數據所屬的區間越短、分辨率越高；恰當的分配歷史數據的分辨率指的是盡可能的差異化不同子模塊使用的歷史數據的分辨率，在時，對于每個，或者，指的是第個子模塊使用的歷史數據所屬的區間的長度是關于的指數函數或者是關于的線性函數； 步驟203：讓子模塊的行人流量預測能力具有多樣性，指的是在步驟201中恰當的劃分子模塊以及在步驟202中恰當的分配歷史數據的分辨率。

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南京大學，其通訊地址為：210023 江蘇省南京市棲霞區仙林大道163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”。