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！

龙图腾网获悉深圳大学申请的专利融合多源时空数据和联邦图学习的城市多维画像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：CN119831115B 。

龙图腾网通过国家知识产权局官网在2025-10-24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：202510324310.7，技术领域涉及：G06Q10/04；该发明授权融合多源时空数据和联邦图学习的城市多维画像预测方法是由涂伟;余俊娴;陈夏娜;李明晓;夏吉喆;李清泉设计研发完成，并于2025-03-19向国家知识产权局提交的专利申请。

本融合多源时空数据和联邦图学习的城市多维画像预测方法在说明书摘要公布了：本发明涉及城市画像预测技术领域，具体是涉及融合多源时空数据和联邦图学习的城市多维画像预测方法。本发明在各个数据持有方上利用其本地样本城市数据训练图神经网络，也就是本发明将被训练的图神经网络共享至各个数据持有方，每个数据持有方将训练所得的本地参数再共享至中心服务器，由中心服务器融合各个本地参数，得到最终的图联邦学习模型。由于本发明是共享被训练的图神经网络而不是本地样本城市数据，因此可以防止数据泄密。而采用各个数据持有方上的本地样本城市数据，能够扩大数据维度，从而提高了模型训练精度，进而提高了模型预测精度。

本发明授权融合多源时空数据和联邦图学习的城市多维画像预测方法在权利要求书中公布了：1.一种融合多源时空数据和联邦图学习的城市多维画像预测方法，其特征在于，包括： 获取各个数据持有方发送的本地参数，所述本地参数为所述数据持有方基于本地样本城市数据训练图神经网络得到的模型参数，各个所述数据持有方的本地样本城市数据构成多源时空数据，各个所述数据持有方的所述本地样本城市数据包括卫星影像、街景图片、手机信令、车辆轨迹,各个所述数据持有方以单元的编号进行交互，以实现所述本地样本城市数据的对齐，所述单元为城市的组成部分，所述图神经网络的图结构的各个节点为城市的各个单元，当两个所述单元的特征相似性大于阈值时，在两个所述节点之间建立边，边的初始权重：，为节点的特征，为之外的节点索引号，为与的余弦相似度，代表二范数计算，各个数据持有方使用相同单元上的本地样本城市数据训练图神经网络； 基于各个所述本地参数，得到图联邦学习模型； 将所述图联邦学习模型的最终参数发送至各个所述数据持有方，获取各个所述数据持有方发送的本地预测嵌入，所述本地预测嵌入为所述数据持有方基于本地城市数据和所述最终参数生成的所述图联邦学习模型的嵌入，并对各个所述本地预测嵌入应用所述图联邦学习模型，得到城市画像的预测结果，所述城市画像包括人口画像和交通画像和环境画像； 获取各个数据持有方发送的本地参数，之前还包括： 向各个所述数据持有方发送所述图神经网络的初始化参数； 获取各个所述数据持有方发送的本地初始嵌入，所述本地初始嵌入为所述数据持有方基于所述初始化参数生成的所述图神经网络的嵌入； ； ； 式中，是节点在上一层的嵌入，节点是节点的邻居节点，节点在未输入至图卷积之前的嵌入为，即为节点未进入图卷积之前的嵌入，为激活函数，为平均聚合函数，为节点的邻居节点集合，邻居节点即两个节点之间存在连接关系，其中，，为未输入至图卷积之前的权重矩阵，为每层图卷积的权重矩阵，为每层图卷积的偏置项； 融合各个所述本地初始嵌入，得到初始融合嵌入，并将所述初始融合嵌入发送至各个所述数据持有方； 获取各个所述数据持有方发送的本地梯度：，各个所述数据持有方发送的本地梯度为加密之后的梯度,所述本地梯度为所述数据持有方基于预测值和所述本地样本城市数据所对应的真值生成的梯度，所述预测值为具有所述初始融合嵌入的所述图神经网络基于所述本地样本城市数据而输出的值； 融合各个所述本地梯度，得到融合梯度，并将所述融合梯度发送至各个所述数据持有方，以使得各个所述数据持有方基于所述融合梯度更新所述初始化参数，直至各个所述数据持有方上的所述图神经网络收敛，参数包括权重矩阵和偏置项：，，代表第卷积层的，代表第卷积层的，代表学习率。

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深圳大学，其通讯地址为：518060 广东省深圳市南山区粤海街道南海大道3688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”。

以上内容由龙图腾AI智能生成。