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！

龙图腾网获悉中国海洋大学申请的专利一种基于延迟建模的交通流量预测方法及系统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：CN120199081B 。

龙图腾网通过国家知识产权局官网在2025-09-12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：202510685568.X，技术领域涉及：G08G1/01；该发明授权一种基于延迟建模的交通流量预测方法及系统是由于彦伟;曹凌啸;王斌;齐建鹏;董军宇设计研发完成，并于2025-05-27向国家知识产权局提交的专利申请。

本一种基于延迟建模的交通流量预测方法及系统在说明书摘要公布了：本发明涉及交通流量预测技术领域，尤其是涉及一种基于延迟建模的交通流量预测方法及系统。方法，包括获取交通历史时序数据和道路拓扑结构；基于交通历史时序数据和道路拓扑结构定义交通流量预测问题；构建延迟建模的交通流量预测模型，其中包括数据嵌入层建模、动态图神经网络层建模、时空编码层建模、延迟建模和时空编码的多层堆叠以及数据输出层构建；与传统的统计模型和机器学习方法相比较，基于延迟建模的深度学习方法可以有效处理现实交通数据中的非线性和复杂的动态变化，同时弥补了机器学习计算效率低，扩展性差的问题。

本发明授权一种基于延迟建模的交通流量预测方法及系统在权利要求书中公布了：1.一种基于延迟建模的交通流量预测方法，其特征在于，包括： 获取交通历史时序数据和道路拓扑结构； 基于交通历史时序数据和道路拓扑结构定义交通流量预测问题； 构建延迟建模的交通流量预测模型，其中包括数据嵌入层建模、动态图神经网络层建模、时空编码层建模、延迟建模和时空编码的多层堆叠以及数据输出层构建；其中，所述延迟建模包括在每个时间步根据延迟特征动态更新邻接矩阵，并将当前时间步的节点特征与前一时刻邻居特征拼接后输入动态图卷积网络，以建模时变传播延迟； 基于定义的交通流量预测问题进行模型训练； 利用训连好的模型进行交通流量预测； 所述获取交通历史时序数据和道路拓扑结构，包括将交通网络定义为有向图，其中表示由城市交通路网中的传感器节点组成的节点集合，每个节点对应于路网中特定位置的交通监测设备，表示节点间连接关系的边集合；为邻接矩阵，用于表示节点之间的连接强度或相互作用强度；并将历史交通时序数据表示为三维张量，其中表示历史观测时间步长，为节点数量，为每个节点的交通特征维度； 所述基于交通历史时序数据和道路拓扑结构定义交通流量预测问题，包括设已知历史交通时序数据，其中为历史观测窗口长度，为节点总数，为节点特征维度，预测任务的目标是构建一个预测函数，利用历史观测数据和交通网络结构，来预测未来的交通流量数据，即预测未来个时间步的数据，表示为： ， 其中，表示对第个未来时间步交通流量的预测结果，且； 所述数据嵌入层建模，包括利用融合时间信息和空间信息的数据嵌入方法，生成每个节点在每个时间步的高维嵌入表示，其中，在时间维度上将原始输入通过全连接层MLP转换为，其中为指定的嵌入维度，通过对离散时间变量进行独热编码，并经过全连接层处理，生成初始的时间嵌入表示；在空间维度上基于邻接矩阵构造归一化拉普拉斯矩阵，并对其进行特征分解，获取特征值与特征向量；最后将嵌入表示与张量在维度对齐后进行元素级加和操作，得到数据嵌入层的输出； 所述动态图神经网络层建模，包括设计动态图神经网络实现延迟感知建模，首先在图神经网络中使用归一化的邻接矩阵，采用对称归一化的方法让每个邻居的贡献被调整为平均权重，在延迟建模的输入数据上，构造延迟版本，令每一时间步对应前一时刻的节点特征，并与原始序列在特征维度拼接，得到组合输入；然后在每一个时间步上独立构建图结构，提取每个时间步的输入特征矩阵，并使用图卷积神经网络GCN进行图特征提取，最后基于每个时间步的输出得到输出序列，使用全连接映射层将隐藏特征维度还原为输入特征维度； 所述时空编码层建模，包括构建多头自注意力机制提取交通数据的时空特征，其中，在时间编码注意力中，通过多头自注意力将输入数据在时间维度的特征映射到参考点表示空间，再利用参考点捕捉各个时间片之间的长期动态关联；在空间编码注意力中，将输入数据在空间维度的特征映射到参考点表示空间，从而捕捉节点之间的空间关联；最后，通过一个MLP融合两个注意力机制的输出，形成统一的时空编码输出表示： ， 其中，是可学习的参数，是激活函数，即为时空编码层的最终输出表示； 所述延迟建模和时空编码的多层堆叠，包括在延迟建模层根据交通网络的动态特性，通过动态图卷积网络DGCN捕捉不同时间步长之间的信息传递延迟特征；再将延迟建模层的输出作为时空编码层的输入，时空编码层分别在时间维度和空间维度上并行地计算注意力，通过Transformer的多头自注意力机制挖掘节点之间和时间步的内在相关性，输出统一的时空特征表示；在每一堆叠单元的输出特征之上再接入下一层堆叠单元，进行连续的迭代建模，从而逐层抽取更加抽象和高阶的时空延迟特征表示； 所述数据输出层构建，包括通过多层堆叠后获得的高级特征表示，以及将每一层的输出相加，得到最终的隐藏状态；最终为了进行多步预测，直接使用输出层将最终隐藏状态转换为所需的维度，通过两个1×1的卷积核来得到所预测的步交通流量数据，即最终交通流量预测结果； 所述基于定义的交通流量预测问题进行模型训练，包括将输入数据分为训练集和测试集，采用了批量梯度下降算法，将训练集中的数据分成多个小批量，逐批地对模型参数进行更新，每轮训练遍历训练集中的所有数据，并计算损失函数的值，然后根据损失函数的梯度来调整模型参数，其中，选择平均绝对误差作为损失函数，通过计算预测值与真实值之间差的绝对值的平均值来衡量模型的预测误差， 表达式为： ， 其中表示模型中节点在时刻预测的交通流量，表示节点在时刻实际的交通流量。

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中国海洋大学，其通讯地址为：266100 山东省青岛市崂山区松岭路238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”。