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！

龙图腾网获悉兰州理工大学申请的专利交互动态图卷积及概率稀疏注意力的交通流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：CN117290707B 。

龙图腾网通过国家知识产权局官网在2025-08-26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：202311424813.9，技术领域涉及：G06F18/213；该发明授权交互动态图卷积及概率稀疏注意力的交通流预测方法是由张红;陈林彪;陈林龙;张玺君;侯亮;陈作汉设计研发完成，并于2023-10-31向国家知识产权局提交的专利申请。

本交互动态图卷积及概率稀疏注意力的交通流预测方法在说明书摘要公布了：交互动态图卷积及概率稀疏注意力的交通流预测方法，所述的交通流预测方法，IDG‑PSAtt方法由交互式动态图卷积网络IDGCN和时空卷积块ST‑ConvBlock以及概率稀疏自注意力机制ProbSSAttBlock构成；步骤一、IDGCN将交通流时间序列按间隔划分，并交互共享捕捉的动态时空特征；步骤二、ST‑ConvBlock捕获同一位置交通流的复杂时间依赖性和同一时间步长上邻近位置交通流的动态空间相关性；步骤三、ProbSSAttBlock捕获动态时空特征以提高IDG‑PSAtt方法的中长期预测性能；步骤四、构建一种由自适应邻接矩阵和可学习邻接矩阵融合生成的动态图卷积网络，以学习道路网络节点间隐藏的动态关联；步骤五、通过预测层进行交通流预测。

本发明授权交互动态图卷积及概率稀疏注意力的交通流预测方法在权利要求书中公布了：1.交互动态图卷积及概率稀疏注意力的交通流预测方法，其特征在于，包括如下步骤： 步骤1、通过将原始数据馈送到开始卷积层StartConv，通过StartConv获得高维空间表示的数据； 步骤2、将高维空间表示的数据输入到交互式动态图卷积IDGCN中，IDGCN对输入的高维数据使用交错采样递归生成两个大小相等的子序列，IDGCN对两个子序列进行交互学习并共享各自学到的特征； 步骤3、将DGCN嵌入到交互式学习结构中，在动态图卷积DGCN的基础上以交互学习策略对StartConv层提取到的高维特征进行处理，IDGCN提取时空特征之后，输出两个子序列； 步骤4、输出的子序列通过串联融合模块，所有的输出子序列按时间索引顺序重组，然后馈送至扩散图卷积DiffusionGraphConv； 步骤5、将DiffusionGraphConv输出的动态空间特征输入到多头概率稀疏自注意力层ProbSSAttBlock，用于提取动态时空特征； 步骤6、将ProbSSAttBlock输出的动态时空特征输入到ST-Conv中，用于提取时间特征； 步骤7、将ST-Conv输出的时空特征输入到多层感知机MLP中； 步骤8、构建预测层，将MLP输出的动态时空特征输入到预测层，通过预测层进行交通流预测； 步骤9、配置模型的超参数、模型的优化器、损失函数和迭代次数； 步骤2所述交通流预测方法构建步骤为： 步骤一、准备交通流原始数据，通过将原始数据馈送到开始卷积层StartConv，通过StartConv获得高维空间表示的数据，捕获更深层次得到交通流依赖关系； 步骤二、将高维空间表示的数据输入到交互式动态图卷积IDGCN中，IDGCN对输入的高维数据使用交错采样递归生成两个大小相等的子序列，子序列长度减半，IDGCN对两个子序列进行交互学习，两个子序列共享各自学到的交通流特征； 步骤三、将DGCN嵌入到交互式学习结构中，在动态图卷积DGCN的基础上，通过使用交互学习策略对StartConv层提取到的高维特征进行处理，利用IDGCN提取时空特征，提取时空特征之后，输出两个子序列； 步骤四、输出的子序列通过串联融合模块Concatenation，在Concatenation中所有的输出子序列按时间索引顺序重组，将重组后的序列馈送至扩散图卷积DiffusionGraphConv； 步骤五、将DiffusionGraphConv输出的动态空间特征输入到多头概率稀疏自注意力层ProbSSAttBlock，用于提取动态时空特征； 步骤六、将ProbSSAttBlock输出的动态时空特征输入到ST-Conv中，通过ST-Conv提取时间特征； 步骤七、将ST-Conv输出的时空特征输入到多层感知机MLP中，通过MLP聚合所提取的动态时空特征； 步骤八、构建预测层，将MLP输出的动态时空特征输入到预测层，通过预测层进行交通流预测； 步骤九、配置模型的超参数、模型的优化器、损失函数和迭代次数； 所述步骤3的具体步骤为： 步骤3.1、以图G＝V,E,A表示交通道路网络，其中|V|＝N是节点的集合，每个节点表示道路网络中的观测传感器；E是节点间的边的集合，其权重由节点间的距离表示；表示图G生成的初始邻接矩阵，若vi,vj∈V且vi,vj∈E，则Aij为1，否则为0；以原始交通网络生成的初始邻接矩阵A作为先验知识，通过历史时间序列来预测未来交通流其中表示图G在t时刻的观察值，C表示特征通道数，T′表示给定历史时间序列长度，T表示被预测的未来交通序列长度；交通流预测问题的映射关系可表示如下： 其中，f表示能够通过给定的历史时间序列预测未来交通流的预测函数； 步骤3.2、通过卷积神经网络CNN和图卷积网络GCN来实现交互式学习模块，采用交错采样的方法对原始数据进行处理以实现多分辨率分析和扩大感受野；交互式学习模块由三个相同的交互式动态图卷积IDGCN构成，在IDGCN中，两个子序列交互学习各自的动态时空特征，每个子序列通过一个卷积来对特征进行预处理，以扩大接受域；两个子序列在DGCN中的参数权值共享，并捕获彼此间的动态时空特征； 步骤3.3、以表示IDGCN的输入，X通过交错采样之后，得到两个子序列，分别为奇序列偶序列交互式动态图卷积中的Conv1，Conv2，Conv3，Conv4表示1Dconvolution运算；IDGCN的第一次交互式学习的输出为X′odd和X′even通过进一步的交互式学习得到最终输出序列交互式动态图卷积中的具体计算如下： Xeven,Xodd＝SplitX2 X′odd＝tanhDGCNConv1Xeven⊙Xodd3 X′even＝tanhDGCNConv2Xodd⊙Xeven4 Xodd_out＝X′odd+tanhDGCNConv3X′even5 Xeven_out＝X′even+tanhDGCNConv4X′odd6 ⊙表示哈达玛乘积，tanh表示激活函数，DGCN表示IDGCN中的动态图卷积网络； 所述步骤4的具体步骤为： 步骤4.1、动态图卷积DGCN主要由扩散图卷积网络和图生成模块构成，DGCN利用扩散图卷积和图生成模块更好地学习深层次的动态空间特征，DGCN将隐藏特征和预定义的初始邻接矩阵作为输入馈送至扩散图卷积网络，将其馈送至图生成器和多层感知机层生成含有时空信息的离散矩阵A′的表示如下： A′＝SoftMaxMLPGCNH,A7 其中，GCN表示扩散卷积和图生成器运算，MLP表示多层感知机； 步骤4.2、采用Gumbel重新参数化在训练过程中保证采样过程可导： 其中g～Gumbel0,1表示随机变量，τ是softmax温度参数，值为0.5，Alearn表示由图生成器生成的可以模拟节点间的动态依赖关系的邻接矩阵； 步骤4.3、构建一个自适应邻接矩阵如下所示： 其中表示可学习参数，Aapt的初始值为基于原始图数据预定义的邻接矩阵 步骤4.4、通过将自适应融合模块将Alearn和Aapt融合，然后将得到的动态邻接矩阵馈送至扩散图卷积网络来提取交通道路中隐藏的动态时空相关性，该融合模块的计算如下： Adyn＝αAapt+1-αAlearn10 其中α表示可学习的自适应参数因子； 步骤4.5、在图生成器网络、融合图卷积和串联融合模块均使用了扩散图卷积，并统一将扩散图卷积的输入定义为在图生成器网络中，扩散图卷积定义为： 其中，k为扩散步长，K为最大扩散步数，W表示参数矩阵；在融合图卷积模块中，Adyn是融合图卷积的输入的邻接矩阵，其中的扩散图卷积表示如下： IDG-PSAtt模型通过将交互式学习结构中提取到的动态时空特征，在串联模块中按时间索引顺序重新组合后，馈送至DiffusionGraphConv，以实现对整个时间序列特征的捕获和校正； 步骤4.6、在扩散图卷积网络中，同时采用预定义的初始邻接矩阵和由交互式学习结构生成的动态邻接矩阵对于初始邻接矩阵A，使用有向图并同时分别使用Pf＝ArowsumA和Pb＝ATrowsumAT表示A的前向和后向转移矩阵；在串联融合模块中的扩散图卷积的表示如下： DGCN模块不仅能够通过探索交通网络中节点间不可见的依赖关系，进而提取深层次的隐藏空间特征，同时还能基于输入的交通流时间序列模拟生成数据间的动态关联；此外，通过将DGCN嵌入到交互式学习框架中，能够实现在训练的过程中充分利用GCN捕获到的动态空间信息来增强对交通流的复杂时间依赖关系的捕获； 所述步骤5的具体步骤为： 步骤5.1、构建一个由三个卷积核组成的时空卷积模块，三个卷积核分别对应时间、空间和时空的三个角度捕捉来自扩散图卷积模块提取的时空特征，捕捉交通流的拓扑图结构中多个节点特征对单一节点特征的影响；时间核捕捉同一位置的不同时间的交通流的依赖性，空间核捕捉同一时间步长上临近位置的交通流的空间相关性；每个时空卷积块将前一个时空注意力块的输出作为输入可计算得输出 其中，是f×1的时间核，是1×f的空间核，是f×f的时空核，LeakyReLU·表示Leaky修正线性单元函数，*表示卷积运算；将三个卷积核的输出连接起来，并使用1×1卷积来压缩特征，并限制通道数； 所述步骤6的具体步骤为： 步骤6.1、自注意力机制输入形式为Q,K,V，点积计算如下： 其中，和d分别表示输入的查询、键、值以及维度；第i个查询的注意力系数Aqi,K,V如下： 其中，qi，ki和vi分别是Q、K和V中的第i行；和kqi,kl使用非对称指数核 步骤6.2、时空卷积概率稀疏自注意力机制STC-ProbSSAtt采用Mqi,K表示第i个查询的稀疏性，KL散度来衡量查询的稀疏性，如下所示： 其中，第一项是所有键上qi的对数和指数，第二项所有键的算术平均值，概率稀疏自注意力机制计算如下： 其中，表示与q维度相同的稀疏矩阵，仅由Mq,K评估的稀疏度下的前u个查询构成，u＝c·lnLQ由恒定采样因子c控制；概率稀疏自注意力机制每次查询的复杂度仅为OlnLQ，采用多头概率稀疏自注意力机制，该机制能够生成不同的稀疏查询密钥对，以避免严重的信息损失； 所述步骤7的具体步骤为： 步骤7.1、通过构建预测层，将多层感知机MLP输出的动态时空特征输入到预测层，通过预测层进行交通流预测。

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兰州理工大学，其通讯地址为：730050 甘肃省兰州市七里河区兰工坪路287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”。