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！

龙图腾网恭喜浙江大学申请的专利基于多尺度联合时空超图神经网络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：CN118966479B 。

龙图腾网通过国家知识产权局官网在2025-03-25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：202411448361.2，技术领域涉及：G06Q10/04；该发明授权基于多尺度联合时空超图神经网络的交通流量预测方法是由陈岭;黄建龙设计研发完成，并于2024-10-17向国家知识产权局提交的专利申请。

本基于多尺度联合时空超图神经网络的交通流量预测方法在说明书摘要公布了：本发明公开了一种基于多尺度联合时空超图神经网络的交通流量预测方法，包括：根据交通流量数据构建训练样本，基于每批训练样本为每个空间尺度构建图邻接矩阵；构建多尺度联合时空超图神经网络模型，在时空金字塔建模模块中基于图邻接矩阵和构建的空间金字塔图从训练样本中提取多尺度时空特征；在自适应超图建模模块中通过学习超图结构并执行三阶段超图传播，以建模多尺度时空特征间的高阶依赖；在融合和输出模块中将更新后的多尺度时空特征进行融合并输出预测结果；利用训练样本进行模型训练后用于交通流量预测。本发明引入超图神经网络显式地建模了多尺度时空特征间的交互，即联合建模了多尺度时空依赖，能够提升交通流量的预测精度。

本发明授权基于多尺度联合时空超图神经网络的交通流量预测方法在权利要求书中公布了：1.一种基于多尺度联合时空超图神经网络的交通流量预测方法，其特征在于，包括以下步骤：（1）对给定的交通流量数据进行预处理并构建训练样本，基于每批训练样本为每个空间尺度构建图邻接矩阵；（2）构建包括时空金字塔建模模块、自适应超图建模模块、以及融合和输出模块的多尺度联合时空超图神经网络模型，在时空金字塔建模模块中基于图邻接矩阵和构建的空间金字塔图从训练样本中提取多尺度时空特征；其中，在时空金字塔建模模块的空间金字塔图学习子模块中，基于初始化的图分配矩阵构建空间金字塔图，其中，表示以监测传感器为节点的从空间尺度上节点到空间尺度上节点的分配概率，表示空间尺度数量；其中，在时空金字塔建模模块的多尺度时空特征提取子模块中，给定输入训练样本中的历史观测值和空间金字塔图，提取得到在多个时间尺度和多个空间尺度上建模了时间和空间依赖的多尺度时空特征，包括：将定义为空间尺度和时间尺度的特征，则历史观测值表示为空间尺度和时间尺度的特征，将和空间金字塔图输入多尺度时空特征提取子模块中；在多尺度时空特征提取子模块中，首先利用时序卷积网络粗化时间维度的信息，从而提取多尺度时间特征，时序卷积网络包含一个核大小为的一维卷积层和一个的平均池化层来处理，公式如下： ，其中，表示在空间尺度和时间尺度上的特征，表示时间尺度的时间特征数量，表示从时间尺度到时间尺度的时间特征池化比例，表示卷积操作，表示池化操作，照此方式得到个时间尺度的特征序列，表示所有监测传感器节点的总数；之后，多尺度时空特征提取子模块通过时空编码器提取多尺度时空特征，时空编码器为基于图卷积循环单元GCRUs，公式如下： ，其中，表示在空间尺度和时间尺度上的时空特征，表示特征维度，表示空间尺度的图邻接矩阵；根据空间金字塔图表示的不同空间尺度节点间的依赖，通过将初始特征输入到GCRUs中，由当前空间尺度的时空特征得到下一个空间尺度的时空特征，公式如下： ，其中，表示在空间尺度和时间尺度上的时空特征，上标表示转置，由于GCRUs采用循环建模的方式，的最后一个隐状态用于记住历史信息，通过将每个时间尺度的最后一个隐状态的特征与特定空间尺度的记忆项匹配，得到记忆网络增强的时空特征，公式如下： ，其中，表示空间尺度和时间尺度的查询矩阵，表示空间尺度对应的线性投影矩阵，表示空间尺度对应的偏置向量，表示空间尺度特有的记忆项集合，表示经过基于注意力的记忆读取操作更新后的时空特征，表示以监测传感器为节点的空间尺度的节点数量，表示空间图池化比例，表示记忆项的数量，表示节点嵌入的维度，上标表示转置，表示Softmax函数，在此之后，通过串接和的特征维度，得到记忆网络增强的时空特征，表示拼接操作；最后，时空金字塔建模模块输出的多尺度时空特征为，为时间尺度的数量，为空间尺度的数量；（3）在自适应超图建模模块中将多尺度时空特征中的每一个特征作为超图中的节点，通过学习超图结构并执行包括节点到超边、超边到超边和超边到节点的三阶段超图传播，以建模多尺度时空特征间的高阶依赖，包括：将多尺度时空特征中的每一个特征视为超图中的节点，超图中节点的数量为，表示空间尺度上以监测传感器为节点的节点总数，表示空间尺度上节点的总数，表示空间尺度数量，表示时间尺度数量；通过超图关联矩阵反应学习得到的超图结构，为超边的数量，定义如下： ，其中，的取值范围为，表示从节点到超边的分配概率；首先，通过选取超图关联矩阵每一行最大的若干个分配概率，将超图关联矩阵做稀疏化处理，稀疏化之后的超图关联矩阵表示为，其次，通过节点到超边、超边到超边以及超边到节点的三阶段超图传播，联合地交互多尺度时空特征，得到建模了多尺度时空特征间的高阶依赖的更新后的多尺度时空特征；（4）在融合和输出模块中将经过自适应超图建模模块更新后的多尺度时空特征进行融合并输出交通流量的预测结果；（5）利用训练样本对多尺度联合时空超图神经网络模型进行训练，利用训练好的多尺度联合时空超图神经网络模型进行交通流量预测。

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浙江大学，其通讯地址为：310058 浙江省杭州市西湖区余杭塘路866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”。