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！

龙图腾网恭喜南京航空航天大学申请的专利一种基于时空卷积网络的OD市场航空客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：CN114118508B 。

龙图腾网通过国家知识产权局官网在2025-05-30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：202110878862.4，技术领域涉及：G06Q10/04；该发明授权一种基于时空卷积网络的OD市场航空客流量预测方法是由吴薇薇;林思奇;季灵;张皓瑜设计研发完成，并于2021-08-02向国家知识产权局提交的专利申请。

本一种基于时空卷积网络的OD市场航空客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时空卷积网络的OD市场航空客流量预测方法，属于大数据技术领域，包括统计、整理并存储区域多机场系统内各出发机场到目的机场的航空客流量数据，搭建基于时空卷积网络的OD市场航空客流量的预测模型，确定不同数据集下预测模型最优的超参数设置，根据航空客流量历史数据，预测数个OD市场的航空客流量，解决了采用时空卷积网络对航空客流量进行预测，实现同一区域多个出发机场到同一目的机场多个OD市场客流量的同时预测的技术问题，本发明首度将时空卷积网络应用于航空客流量预测领域，实现同一区域多个出发机场到同一目的机场多个OD市场客流量的同时预测，给航空客流量预测提供了一种新思路。

本发明授权一种基于时空卷积网络的OD市场航空客流量预测方法在权利要求书中公布了：1.一种基于时空卷积网络的OD市场航空客流量预测方法，其特征在于：包括：通过客户端服务器选定某一个区域多机场系统，统计、整理并存储区域多机场系统内各出发机场到目的机场的航空客流量数据；预测模型服务器获取航空客流量数据，并对航空客流量数据预处理，构建OD客流网格图和外部影响因素特征向量，搭建基于时空卷积网络的OD市场航空客流量的预测模型，形成预测模型相应的训练集；OD市场是指从出发机场OriginAirport到目的机场DestinationAirport的航空旅客运输市场；通过调节数据特性和预测模型的网络结构，确定不同数据集下预测模型最优的超参数设置；超参数包括网络结构的超参数和数据特性的超参数，网络结构的超参数包括卷积层数、卷积核大小和卷积核数量，数据特性的超参数包括趋势性片段选取的样本长度和周期性片段选取的样本长度；中心服务器根据航空客流量历史数据，同时预测数个OD市场的航空客流量；预测模型服务器利用Python的Keras神经网络库中的函数化模块，搭建基于时空卷积网络的OD市场航空客流量的预测模型，通过已知的m个历史观察值XM＝{Xt|t＝1，2，…，m}，预测k个月的数个OD市场的航空客流量XK＝{Xt|t＝m+1，m+2，…，m+k}；通过改变网络结构和数据特性这两部分超参数，来确定预测模型最适合的超参数设置，利用Adam优化器对预测模型进行训练优化，并在训练过程中采用早停策略来避免模型过拟合；中心服务器预测数个OD市场的航空客流量的具体步骤包括：步骤B1：提取OD客流网格图的片段，根据客流量在时间维度上的依赖性，针对预测时间点分别按不同时间间隔提取两个时间片段：分别为趋势性网格图片段XTre和周期性网格图片段XPer，具体提取形式如下： 其中，ltre和lper作为预测模型中的可调节的数据特性超参数，分别表示趋势性片段选取的样本长度和周期性片段选取的样本长度；步骤B2：构建时空卷积网络，基于提取的两个不同时间间隔的网格图片段，分别构建结构相同的时空卷积网络分支捕获OD客流量的时空特性，时空卷积网络分支以S+1，S≥1个卷积层为基础；以趋势性部分的时空卷积网络分支为例，用表示趋势性网格图片段，通过第一个卷积层C1将XTre0转换成一个新的张量XTre1，转换公式如下： 其中，和是第一个卷积层的学习参数，在卷积层C1操作之后按上式继续加入S-1个卷积层，在第S个卷积层后，再经过一个只包含一个卷积核的卷积层CS+1，最终得到趋势性部分的输出结果XTreS+1；同理，用上述相同的操作构建周期性部分的时空卷积网络分支，得到输出结果XPerS+1；步骤B3：构建外部影响因素网络，预测模型考虑的外部影响因素包括月份属性和是否包括节假日两个方面，基于第t个预测时间点，得到相应的外部影响因素特征向量Et，利用一个两层全连接神经网络分支作为外部影响因素网络，第一层可被视为嵌入层，将外部因素定量化加入到预测模型，第二层则是将第一层得到的特征映射成高维张量，其大小应和Xt一致以便与时空卷积网络的输出结果融合，得到输出结果XExt；步骤B4：融合获取预测结果，以学习参数的形式赋予时空卷积网络输出结果XTreS+1和XPerS+1不同的权重矩阵，并进行聚合得加权后的输出结果，计算公式如下：XCon＝WTre*XTreS+1+WPer*XPerS+1；其中，*表示哈达马乘积；WTre和WPer分别表示趋势性和周期性部分的权重，即两部分输出分别对最终预测结果的影响程度，进一步通过tanh函数将计算结果XCon和外部影响因素网络输出结果XExt映射到[-1,1]之间，得最终预测结果XK，计算公式如下：XK＝tanhXCon+XExt；以最小化预测值矩阵XK和真实值矩阵之间的均方误差为目标训练预测模型： 其中，θ表示模型的所有学习参数。

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南京航空航天大学，其通讯地址为：210000 江苏省南京市秦淮区御道街29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”。