买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜武汉大学申请的专利基于时空上下文注意力网络的网约车订单需求预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN112150207B 。

龙图腾网通过国家知识产权局官网在2025-01-14发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202011061820.3，技术领域涉及：G06Q30/0202；该发明授权基于时空上下文注意力网络的网约车订单需求预测方法是由乐鹏;颜哲人;黄立;刘广超;姜良存设计研发完成，并于2020-09-30向国家知识产权局提交的专利申请。

本基于时空上下文注意力网络的网约车订单需求预测方法在说明书摘要公布了：为了更合理的分配网约车资源，降低网约车空驶率，提高网约车运营效率，本发明提供了基于时空上下文注意力网络的网约车订单需求预测方法，该方法中构建的网络模型包括堆叠的时空块和一个输出块，每一个时空块包括TRELLIS‑GRU和GAT，TRELLIS‑GRU为门控循环网格网络，GAT为图注意力网络，TRELLIS‑GRU层用于融合时空特征，GAT层用于挖掘不同的时间片段中的空间依赖。本发明充分考虑了城市区域自身的空间位置、不同区域间的相互关系以及多个时间段历史订单的时间依赖对网约车订单需求的影响，从而提高城市区域网约车订单需求的准确性。

本发明授权基于时空上下文注意力网络的网约车订单需求预测方法在权利要求书中公布了：1.基于时空上下文注意力网络的网约车订单需求预测方法，其特征在于，包括：S1：获取城市区域网约车历史出行需求数据；S2：根据预设划分规则将城市区域划分为等尺度的网格区域；S3：构建时空上下文注意力网络预测模型，并利用训练数据对构建的预测模型进行训练，其中，时空上下文注意力网络预测模型包括堆叠的时空块和一个输出块，每一个时空块包括TRELLIS-GRU和GAT，TRELLIS-GRU为门控循环网格网络，GAT为图注意力网络，TRELLIS-GRU层用于融合时空特征，GAT层用于挖掘不同的时间片段中的空间依赖，训练数据基于获取的历史出行需求数据和划分的网格区域获得，为各网格区域对应的乘车需求数据；S4：采用训练好的时空上下文注意力网络预测模型预测新的订单数据；其中，S2具体包括：S2.1：按照预设划分规则将城市区域划分为H×W个等尺度的网格区域L[H,W]，则L[H,W]代表第H行，第W列的网格区域；S2.2：将网格区域定义为节点V，两个网格区域的关系定义为边E，使用图G＝V,E'表示区域间交通连接矩阵，其中V表示节点，E表示边，G∈RN′×N′，R表示实数域，N′＝H×W，N′代表网格数量；S2.3：根据预设时间间隔将一天划分为若干个时间段，根据获取的网约车历史出行需求数据统计各区域各时间段内的乘车需求量和到达量并基于出发地和目的地构建区域间交通连接矩阵G；S2.4：使用zero-score方法对乘车需求量和到达量进行标准化处理：X代表乘车需求量或到达量，μ＝EX代表X的均值，代表X的方差，X*代表标准化后的乘车需求量或到达量；S3中训练过程中，损失函数选择均方误差函数其中，Wθ为模型参数，X′是原始值，是预测值；S3中的时空上下文注意力网络预测模型的具体处理方法包括：S3.1：使用位置注意力机制对每一时段的外部输入提取位置相关性，强化输入信息的特征，其计算公式如下：B＝reshapeConv2dA,W1C＝reshapeConv2dA,W2 D＝reshapeConv2dA,W3X＝reshapeS·D+A其中，A∈RT×N×2代表输入特征图，T代表时间序列长度，N代表区域节点数量，{B,C,D}∈RM×2代表中间层特征图，M＝T×N′，S∈RM×M代表空间注意力图，X∈RT×N×2代表经过位置注意力机制强化后的特征图，W1、W2、W3表示需要学习卷积核权重参数，reshape函数可将A’维度的尺寸变成B’维度的尺寸，exp表示指数函数；S3.2：使用TRELLIS-GRU层融合时空特征，其中TRELLIS-GRU层由Trellis网络和GRU门控机制组成，TRELLIS-GRU层的计算公式如下： 其中，xt∈RN×2代表时间段t的各区域节点乘车需求量和到达量，代表在t时间段，Trellis网络第j层隐层值，W′1,W′2,W′3,W4代表需要学习的卷积核权重参数，σ代表sigmoid激活函数，表示中间的输出向量；S3.3：通过GAT使用注意力机制确定每个相邻临近区域对中心节点的重要性，从而学习到节点间的空间特征，GAT层计算公式如下： 其中，代表节点p和节点q之间的相关系数，代表节点p和节点k之间的相关系数，代表在t时间段节点p在第h层的隐藏值，Np代表t时间段与节点p相邻的节点，参数W对顶点特征增维，[·||·]代表将节点p和节点q增维后特征拼接，a·将拼接后的特征映射至一个实数，代表归一化后的注意力系数，代表经过GAT网络融合了t时间段节点p相邻节点特征的信息的输出特征；S3.4：采用自注意力机制对所有时空层输出的隐藏变量进行选择以提高模型对长时间依赖的挖掘，拼接每一层时空层的隐藏变量得到特征图E＝CatZ1,Z2,…,Zi…Zd,E∈RT×N×C，其中Zi代表第i层时空层输出的隐藏变量，d代表时空层的层数，T代表时间序列长度，C代表拼接后特征图的通道数目；利用线性函数作用E生成和其中R表示实数域，dk,dv代表通道数，Q、K、V分别表示查询向量、键向量和值向量，QKT代表关联关系；使用自注意力机制获得特征图S3.5：将特征图AttentionQ,K,V输入至输出层得到最终预测结果，输出层由两层全连接层组成，其计算公式如下： 其中，fci′代表第i′层全连接层，σ代表LeakyRelu激活函数，代表N个区域节点未来L个时间段的乘车需求量预测值；S4包括：S4.1：将待预测的订单数据输入至训练好的时空上下文注意力网络预测模型，得到输出结果S4.2：对输出结果进行反归一化获得最终的乘车需求量预测结果,其中σ′,μ为数据标准化处理时统计获得的方差和均值。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人武汉大学，其通讯地址为：430072 湖北省武汉市武昌区珞珈山武汉大学；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。