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！

龙图腾网恭喜湖北武荆高速公路发展有限公司;长沙理工大学申请的专利一种基于多维度时间和空间依赖挖掘的交通流量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：CN115953900B 。

龙图腾网通过国家知识产权局官网在2025-02-18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：202211721955.7，技术领域涉及：G08G1/01；该发明授权一种基于多维度时间和空间依赖挖掘的交通流量预测方法是由范文东;宋云;白鑫科;杨选正;罗雨;杜克金;许方怡;孙军;祝昕云;肖卓龙;亢军杰设计研发完成，并于2022-12-30向国家知识产权局提交的专利申请。

本一种基于多维度时间和空间依赖挖掘的交通流量预测方法在说明书摘要公布了：本发明涉及一种基于多维度时间和空间依赖挖掘的交通流量预测方法，在交通流量预测模型中引入时空间关系捕捉，利用基于时间卷积网络TemporalConvolutionNetwork，TCN和基于自注意力的序列注意力抓取网络，构建模型的时间依赖提取子模型，优化模型对隐含在交通数据中的时间依赖关系的提取能力。空间特征构建过程利用基于静态图和生成图的图卷积神经网络GraphConvolutionNetwork进行，针对道路的显性空间关系和隐性空间关系分别进行建模分析，再将其融合生成完整的空间关系表征。

本发明授权一种基于多维度时间和空间依赖挖掘的交通流量预测方法在权利要求书中公布了：1.一种基于多维度时间和空间特征依赖挖掘的交通流量预测方法，其特征在于：在交通流量预测模型中，引入了异构组件自适应时间特征提取模块，利用基于时间卷积网络TemporalConvolutionNetwork，TCN的自适应时间特征提取模块和基于自注意力机制的多元时间特征融合模块Self-attentionFeaturesMergeModule，SFMM，扩张模型对关键时间特征的感受空间，提高模型在时间维度的特征抽取能力： 其中，为输入的原始数据，其中Th表示输入数据的长度，N表示路网交通节点的个数，Ci表示输入数据的通道数，模块SATCN是自适应时间卷积网络Self-adaptionTemporalConvolutionNetwork，SATCN，为该模块的输出，Ch为高维特征的通道数；SATCN用来获取数据的高维时间特征，因此Xh即为交通数据在时间维度的高维特征表示，SFMM是自注意力特征混合模块Self-attentionFeaturesMergeModule，SFMM，为获取到的混合交通时间特征，Tp为预测目标时段的时间片个数；具体的，上述运算过程中的SATCN模块分解为如下运算过程，首先定义多层时间卷积来在时间维度进行特征提取： 其中是当前层的输入，Tl为当前时间序列的长度，在模型的第一层Xl＝Xi，为当前层的输出，Conv*k为卷积核大小为k的1D卷积，n为输入和输出的序列长度差，根据k值的不同n值也有所不同，因为k为一个大于1的正值，因此Tl-n总小于Tl，当Tl-n的小于k时，此时若Tl-n等于1，则卷积过程结束，否则将SATCN自适应地将卷积核尺寸调整为Tl-n做最后一次卷积运算得到尺寸为1的高维时间特征表示Xh；SFMM来为模型提供交通序列在时间维度的全局视角，进一步扩充模型对时间维度交通特征的提取能力，SFMM内部使用多头自注意力机制来进行对不同维度的特征进行融合的工作，一般来说自注意力机制使用单一输入的不同变换形式作为Query，Key和Value来计算输出，Query和Key被用来计算注意力分，注意力分和Value的乘积即为最终的输出结果，在这里SFMM使用原始输入序列Xi作为Query，使用高维时间特征Xh作为Key和Value，这样做的好处是模型在对特征进行融合时从不同维度上同时获取时间特征信息，增强了模型的时间特征感知能力，在执行注意力分计算之前将Xh的序列长度通过Conv1x1转换为Th，将Xi的特征数通过Conv1x1从Ci转换为Ch； 其中和是经过Conv1x1转换后的高维特征和原始输入序列，Conv1x1表示卷积核大小为1x1的卷积操作，将3式的结果送入自注意力机制的运算如式4所示： 其中是X′i通过线性变化的结果，为线性变换矩阵，K和是X′h通过线性变化的结果，线性变换矩阵分别为和Softmax负责对注意力分进行归一化处理，同时使用多头机制进一步扩展了模型的时间特征提取能力： 其中Qi，Ki和Vi是第i个注意力头部所对应的Query，Key和Value，然后通过一层线性层将交通流数据的长度转换为需要预测的长度； 其中即为SFMM的输出结果，Linear·为线性变换层，将交通流数据的长度从Th转换为Tp，ReLU为激活函数，Xp即为提取到的包含局部和非局部时间特征的多元时空特征矩阵；在获得包含局部和非局部时间特征的多元时空矩阵Xp之后，采用基于多空间域特征提取的复合图卷积模块CompoundGraphConvolutionModule，CGCM来提取数据的空间特征，具体步骤如下：1使用基于图傅里叶变换将原始的时空图结构数据从空域转换到谱域来进行图卷积运算： 其中为可学习的参数，X为图结构数据，为傅里叶偏置，是归一化图拉普拉斯算子的特征向量矩阵，是单位矩阵，是对角度矩阵，其中Dii＝∑jAij，A是表示图节点间关系的邻接矩阵，是L的特征值对角矩阵，同时采用切比雪夫多项式简化上述操作的时间复杂度： 其中λmax为拉普拉斯矩阵L的最大特征值，表示缩放拉普拉斯矩阵；2将上述操作作用于两路不同的图卷积操作中，两者主要的区别在于在图卷积过程中所使用的邻接矩阵分别来源于不同的特征空间之中，节点空间拓扑信息包含在邻接矩阵中，该矩阵的构建基于收集的真实交通节点特征和节点间关联，如节点之间的距离等现实要素； 其中Xs表示包含现实拓扑关联的交通流量特征矩阵；在另一复合单元中，通过节点嵌入来学习数据自身所表现出的节点互作用模式，其中节点嵌入可表示为其中e表示节点嵌入的维数，该维数的选取取决于需要预测的交通节点的数量，按照公式10进行选取；e＝min{e|2e≥N}10之后用以表示交通数据内含的节点间空间关联表征可根据公式11得到； 其中Al表示包含数据内生节点间空间关联矩阵，Xl表示包含从数据中直接学习到的节点空间关联的流量特征矩阵；3更进一步，为避免现实拓扑关系矩阵中包含的人工误差以及从噪声数据中学习的到干扰空间关联影响最终的预测结果，采用一门控单元来融合Xs和Xl，并通过将Xl再次直接和门控单元的输出结果相加构成残差网络来提升模型的非线性程度，进而提高预测的准确性； 其中Xg即为时空特征表示矩阵，其通过输出线性层即可得到最终的预测结果； 其中为预测层的参数矩阵，为预测层的偏置，为输出层的参数矩阵，为输出层的偏置，为预测的未来时段交通状况。

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湖北武荆高速公路发展有限公司;长沙理工大学，其通讯地址为：441000 湖北省襄阳市自贸区(襄阳片区)米芾路陆港保税物流中心综合楼三楼(9-12轴交D-F轴)；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”。