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！

龙图腾网恭喜南京邮电大学申请的专利基于时空交通流预测的充电站负荷不确定性量化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：CN119602261B 。

龙图腾网通过国家知识产权局官网在2025-06-20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：202510127552.7，技术领域涉及：H02J3/00；该发明授权基于时空交通流预测的充电站负荷不确定性量化方法是由窦春霞;李厚俊;岳东设计研发完成，并于2025-02-05向国家知识产权局提交的专利申请。

本基于时空交通流预测的充电站负荷不确定性量化方法在说明书摘要公布了：本发明公开了基于时空交通流预测的充电站负荷不确定性量化方法，该方法包括从道路两侧的传感器节点收集交通流数据，包括交通流量数据和车流平均速度数据；构建基于分位数时空网络的交通流不确定性预测模型，并利用该模型和交通流数据进行交通流量不确定性的预测；考虑到充电站充电电价、交通流量及道路拥堵因素，构建改进的充电站排队模型，将交通流量的不确定性预测结果转化为充电站负荷的不确定性结果。本发明充分挖掘了交通流数据的时空耦合特征，有效地提升了交通流量不确定性预测的准确率，另一方面，本发明综合考虑了交通流量、充电电价等因素对于充电站负荷的影响，进一步提高了充电站负荷不确定性预测的精度。

本发明授权基于时空交通流预测的充电站负荷不确定性量化方法在权利要求书中公布了：1.基于时空交通流预测的充电站负荷不确定性量化方法，其特征在于，包含以下步骤：1从道路两侧的传感器节点收集交通流数据，包括交通流量数据和车流平均速度数据；2构建并训练基于分位数时空网络的交通流不确定性预测模型，并利用该模型和交通流数据进行交通流量不确定性的预测；3构建考虑到充电站充电电价、交通流量及道路拥堵因素的充电站电动汽车排队模型，将交通流量不确定性预测结果转化为充电站负荷不确定性预测结果；步骤1具体为：从道路两侧的传感器节点中收集交通流数据，包括交通流量数据和车流平均速度数据，具体表示为X＝[x1，x2，…，xT]∈RT×N×H，其中X为总交通流量数据，x1，x2，…，xT表示t＝1，2，...，T时的交通流量数据，N为节点个数、T为时间长度、H为各个节点的交通流量数据特征数量，R表示实数集；步骤2具体为：2.1构建基于分位数时空网络的交通流不确定性预测模型，包括构建交通流数据时序特性提取模块、交通流数据空间特性提取模块、交通流数据时空融合模块及基于分位数的交通流量不确定性预测量化模块：2.1.1构建交通流数据时序特性提取模块：该模块由LSTM网络构成，在t时刻时序特性提取模块得到ht，将不同时刻的ht进行拼接得到时序特性XT，2.1.2构建交通流数据空间特性提取模块：该模块由静态特征提取模块和动态特征提取模块组成，静态特征提取模块具体表示为： 其中，YS表示静态空间特征，x′代表交通流量数据，IN表示单位对角矩阵，Wl和Wl+1表示第l层和第l+1层神经网络的权重矩阵，σ为非线性激活函数，LayerNorm·表示层归一化，A为邻接矩阵，用来表示传感器节点间的道路距离和连接关系，动态特征提取模块具体表示为：YD＝LayerNormσSx'Wl+x′其中YD表示动态空间特征，S为动态空间关联矩阵，S＝softmaxVs·σx′W1W2W3x′T+bs，x′代表交通流量数据，Vs,W1，W2，W3，bs是可学习的权重，将静态特征提取模块和动态特征提取模块进行融合，得到交通流数据空间特性提取模块的输出Y，具体表示为，Y＝FCFCYs+FCYD，其中FC表示全连接神经网络，2.1.3构建交通流数据时空融合模块：交通流数据时空融合模块具体表示为： x″′＝WOconcatc1,c2，...,cn其中，Wqi，Wki，Wvi就是第i个head的可学习的权重参数，Qi，Ki，Vi表示数据矩阵，ci表示第i个head的输出，dm，dq，dk，dv为对应的矩阵维度，softmax为激活函数，Wo表示输出权重，concat表示拼接函数，x″′表示交通流数据时空融合模块的输出，T表示矩阵转置，为实数集，2.1.4交通流量不确定性预测量化模块：为将交通流的不确定性进行量化，将交通流数据时空融合模块转化为不同分位水平下的分位数预测结果，具体表示为： 式中，为第i个样本在第r个分位水平κr下的分位数预测结果，mi，j指交通流数据时空融合模块第i个样本的第j个输出结果，为此，交通流量不确定性预测量化的目标表示为损失最小，表示为： 其中，yc，i表示第i个样本的真实值，κr为分位水平，η是一个任意小的正数，为数据集的索引聚合，为分位数的索引集合，|·|表示基数函数，为分位数的重要程度，Lr表示在分位水平κr下的交通流量不确定性预测量化模型损失，2.2训练2.1中基于分位数时空网络的交通流不确定性预测模型，并利用训练完成的模型和数据进行交通流不确定性的预测，2.2.1训练2.1中基于分位数时空网络的交通流不确定性预测模型：利用交通流数据对不确定性预测模型进行训练，训练目标为2.1.4中所述的损失最小，2.2.2利用训练完成的模型和数据进行交通流不确定性的预测，实现交通流不确定性的预测。

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南京邮电大学，其通讯地址为：210003 江苏省南京市鼓楼区新模范马路66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”。