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！

龙图腾网恭喜北京航空航天大学申请的专利基于时空图卷积网络的全国公路运输能力分布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：CN114580617B 。

龙图腾网通过国家知识产权局官网在2025-03-11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：202210235625.0，技术领域涉及：G06Q10/04；该发明授权基于时空图卷积网络的全国公路运输能力分布预测方法是由朱熙;石婉君;赵中亮;李宇萌设计研发完成，并于2022-03-11向国家知识产权局提交的专利申请。

本基于时空图卷积网络的全国公路运输能力分布预测方法在说明书摘要公布了：本发明公开了基于时空图卷积网络的全国公路运输能力分布预测方法，包括：获取全国各城市公路运力历史数据并进行预处理；对公路运力历史数据进行奇异谱分解，提取公路运力时序数据的趋势性、波动性和噪声信号；通过计算传递熵确定各城市间公路运力的因果矩阵；使用因果矩阵构造邻接矩阵，利用时空图卷积网络对公路运力的趋势性数据以及波动性数据进行学习预测；最后将趋势性预测值和波动性预测值进行融合，得到各城市公路运力的预测值。本发明的方法充分利用了公路运力变化的趋势性特征并考虑了运力分布的空间因果特性，对全国各城市公路运力分布有较好的预测能力，为全国交通运力分布时序预测提供了有效而稳定的解决方案。

本发明授权基于时空图卷积网络的全国公路运输能力分布预测方法在权利要求书中公布了：1.基于时空图卷积网络的全国公路运输能力分布预测方法，其特征在于，包括以下步骤：S1：数据获取及预处理；具体过程为：S1-1：对全国各城市编号，各城市公路运力值X＝[X1,X2,X3,…,Xc,…,XG]，其中，X1,X2,X3,…,Xc,…,XG分别为城市1,2,3,…,c,…,G的公路运力历史值，G为全国城市总数，获取城市c在预测时刻前N+1天内的每日公路运力值Xc＝[xc1,xc2,xc3,…,xcn,…,xcN+1]，其中，xc1,xc2,xc3,…,xcn,…,xcN+1分别为城市c在预测时刻前N+1天，前N天，前N-1天，…，前N+1-n天，…，前1天的公路运力值；S1-2：对公路运力值进行数据清洗，对于缺失数据通过线性插值补全；S1-3：对公路运力值进行差分计算：Δxcn＝xcn+1-xcnΔXc＝[Δxc1,Δxc2,Δxc3,…,Δxcn,…,ΔxcN]其中，Δxc1,Δxc2,Δxc3,…,Δxcn,…,ΔxcN分别为城市c在预测时刻前N天，前N-1天，前N-2天，…，前N+1-n天，…，前1天的公路运力变化值，ΔXc为城市c的公路运力历史变化值；S1-4：将ΔXc进行0-1归一化处理，得到归一化后的公路运力历史变化值ΔZc＝[Δzc1,Δzc2,Δzc3,…,Δzcn,…,ΔzcN]，其中，Δzc1,Δzc2,Δzc3,…,Δzcn,…,ΔzcN分别为归一化后城市c在预测时刻前N天，前N-1天，前N-2天，…，前N+1-n天，…，前1天的公路运力历史变化值；S1-5：重复步骤S1-1至S1-4得到各城市公路运力历史变化值ΔZ＝[ΔZ1,ΔZ2,ΔZ3,…,ΔZc,…,ΔZG]，其中，ΔZ1,ΔZ2,ΔZ3,…,ΔZc,…,ΔZG为归一化后的城市1,2,3,…,c,…,G的公路运力历史变化值；S2：确定奇异谱分析的参数即时间滑动窗的大小，将每个城市的归一化后公路运力历史变化值进行奇异谱分解，从分解后的分量中提取时序信号的趋势性信号、波动性信号及噪声；S3：计算不同城市之间的传递熵，构造全国各城市间公路运力的因果矩阵；S4：使用全国公路运力的因果矩阵构造邻接矩阵，将每个城市公路运力值的趋势性信号及波动性信号作为时空图卷积网络中不同时间片上各节点的值，搭建时空图卷积网络；S5：将通过时空图卷积网络后得到的趋势性信号预测值及波动性信号预测值融合，得到最终的城市公路运力分布预测值；所述步骤S2中，针对一个城市的归一化后公路运力历史变化值，选定奇异谱分解的时间窗长度为L，S2-1：将ΔZc转换为轨迹矩阵：其中，Xtr,c为城市c的轨迹矩阵，ΔzcL,ΔzcL+1,ΔzcN-L+1…,ΔzcN分别为城市c在预测时刻前N+1-L天，前N-L天，前L天，…，前1天的公路运力变化值；S2-2：对轨迹矩阵的协方差矩阵进行特征值分解得到特征值r1r2…rm…rL≥0及特征值对应的特征向量U＝U1,U2,…,Um,…,UL，通过特征值分解得到奇异谱分解为： 其中，m为Xtr,c的特征值序号，m＝1,2,…,L；S2-3：计算每个特征值下的信息熵： 其中，ΔEm为信息熵，j为从1到m的自然数，rj为Xtr,c的特征值；当信息熵ΔEmε1时，ε1为设定阈值，将m分量及之后的分量视为噪声Nc；第一个特征值对应的信号分量代表时序信号的趋势性信号Tc，第二个到第m-1个特征值对应的信号分量代表时序信号的波动性信号Wc；S2-4：重复步骤S2-1至步骤S2-3得到每个城市的趋势性信号、波动性信号、噪声信号，最终得到全国各城市的公路运力历史变化值的趋势性信号T＝[T1,T2,T3,...,Tc,...,TG]、波动性信号W＝[W1,W2,W3,...,Wc,...,WG]及噪声，其中，T1,T2,T3,...,Tc,...,TG和W1,W2,W3,...,Wc,...,WG分别为城市1,2,3,…,c,…,G的公路运力历史变化值趋势性信号及波动性信号；所述步骤S3的具体过程为：S3-1：城市q的公路运力历史变化值到城市p的公路运力历史变化值的传递熵为： 其中，Δxpn,Δxqn分别为预测时刻前N+1-n天城市p与城市q的公路运力变化值； 代表城市p在预测时刻前N+1-n天及往前顺延k天的公路运力变化值； 代表城市q在预测时刻前N+1-n天及往前顺延l天的公路运力变化值； 为联合概率，为条件概率；城市p的公路运力历史变化值到城市q的公路运力历史变化值的传递熵为TEΔXp→ΔXq，计算方式与TEΔXq→ΔXp相同，两者的差为：TEΔXp,ΔXq＝TEΔXq→ΔXp-TEΔXp→ΔXqS3-2：判断两个城市的公路运力有无因果关系：当TEΔXp,ΔXqε2时，ε2为设定阈值，表示城市q的公路运力值是城市p公路运力值的原因，将城市q确定为城市p的原因节点，记每个城市的原因节点数为d；S3-3：得到最终的因果矩阵TE为： 度矩阵D为： 将因果矩阵变形为：其中，TE1,1,TE1,2,…,TE1,G,TEG,G分别表示城市1公路运力历史变化值到自身的因果关系，城市2公路运力历史变化值到城市1公路运力历史变化值的因果关系，…，城市G到城市1公路运力历史变化值的因果关系，…，城市G到城市G公路运力变化值的因果关系；当TEΔXp,ΔXqε2时，即城市q是城市p的原因节点，令TEp,q＝1；当TEΔXp,ΔXq≤ε2时，即城市q不是城市p的原因节点，令TEp,q＝0；d1,d2,…,dG分别为城市1,2,…,G的原因节点数，A为因果矩阵的对称矩阵，即邻接矩阵，表示城市之间公路运力的连接关系；所述步骤S4中的时空图卷积网络表示为网络输入V包括G个城市在过去N天的公路运力历史值的趋势性信号T和波动性信号W，最终输出下一天全国各城市公路运力的预测值；所述时空图卷积网络包括至少一个时空图卷积块，每个时空图卷积块包含两个时间卷积块和一个空间卷积块，每个时空图卷积块的计算过程为： 其中，vl和vl+1分别为在第l个时空图卷积块和第l+1个时空图卷积块上全国各城市公路运力值，为第l个时空图卷积块中的时间卷积核，Θl为第l个时空图卷积块中的谱图卷积核，*τ为时间卷积算子，*g为图卷积算子，v1＝V；①空间卷积块计算过程为： 其中，L0＝D-A，Θ为谱图卷积核，θk为切比雪夫多项式，θ0为切比雪夫多项式第1项，θ1为切比雪夫多项式第2项，L0为拉普拉斯矩阵，D为度矩阵；②时间卷积块计算过程为：Γ*τv＝P⊙σQ 其中，Г为时间卷积核，P和Q为v与时间卷积核Г卷积后的值，⊙为哈达玛积；所述步骤S5中，通过时空图卷积网络对全国各城市公路运力进行预测： 其中，为t+1时刻全国各城市公路运力的预测值，vt-N+1为预测时刻前N天全国各城市公路运力的真实值，vt为t时刻全国各城市公路运力的真实值，分别为预测时刻全国各城市公路运力趋势性信号和波动性信号的预测值，二者融合，得到最终的城市公路运力分布预测值

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北京航空航天大学，其通讯地址为：100191 北京市海淀区学院路37号；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”。