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！

龙图腾网获悉北京科技大学申请的专利一种时空数据预测方法及数据采集监控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：CN117171543B 。

龙图腾网通过国家知识产权局官网在2025-11-04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：202311026579.4，技术领域涉及：G06F18/213；该发明授权一种时空数据预测方法及数据采集监控系统是由王玲;贾高峰设计研发完成，并于2023-08-15向国家知识产权局提交的专利申请。

本一种时空数据预测方法及数据采集监控系统在说明书摘要公布了：本发明提供一种时空数据预测方法及数据采集监控系统，所述方法包括：根据采集的时空数据，建立拓扑空间图，记录不同时刻拓扑空间图各节点的图信号序列；构建基于时空生成对抗网络的时空数据预测模型，以历史图信号序列作为训练集，对时空数据预测模型进行训练；时空生成对抗网络包括生成器和判别器，生成器用于建模时空数据中的时空依赖关系，判别器用于对时空生成对抗网络进行正则化；利用训练后的模型进行时空数据预测，得到未来预设时间步各节点的图信号序列。本发明在预测模型的目标函数中引入对抗损失，以建模数据中的不确定性，并通过对抗过程学习真实时空数据分布，强化预测模型学习数据表征的能力，从而缓解多步预测误差增长过快的问题。

本发明授权一种时空数据预测方法及数据采集监控系统在权利要求书中公布了：1.一种时空数据预测方法，其特征在于，包括以下步骤： 根据采集的时空数据，建立拓扑空间图，记录不同时刻拓扑空间图各节点的图信号序列；所述时空数据为城市道路网络中采集的交通数据； 构建基于时空生成对抗网络的时空数据预测模型，以历史图信号序列作为训练集，对所述时空数据预测模型进行训练； 其中，所述时空生成对抗网络包括生成器和判别器，所述生成器用于建模时空数据中的时空依赖关系，对于给定的输入数据，预测得到生成数据；所述判别器用于对所述时空生成对抗网络进行正则化，将所述生成器输出的生成数据与真实数据进行采样输入所述判别器中，当所述判别器无法区分两者时，认为所述时空数据预测模型收敛； 所述生成器的描述如下： 给定历史图信号序列Xin作为输入，生成器G的任务在于生成未来Tp个时间步下，图G中各节点的目标数据并且所生成的数据逼近真实数据Y； 对输入的时空数据首先对拓扑空间图G中每个时刻的各节点信号向量使用卷积核大小为1×1的卷积操作Conv1×1·映射到高维空间Femb表示映射后的特征维度； 为了获取输入序列的顺序信息，在数据中添加位置嵌入；对输入数据Xin，将可学习的时态编码矩阵添加到Xemb中，得到输入层的输出 X*＝Conv1×1Xin+P 拓扑空间图中的信息传播能够表示为扩散过程，该扩散过程具有马尔可夫性；利用随机游走理论得到局部化时空图AST∈RτN×τN来模拟时空数据中的时空依赖关系，τ表示扩散步长，AST中包含τN个时空节点，每个时空节点既具有空间属性，又具有时间属性； 在局部化时空图的基础上，进一步提出时空图注意力模块来同步捕获节点间复杂的时空依赖关系；针对不同组件第l层子网络层中时空图注意力模块的输入其中，Tl-1为输入数据的时间维度，N为空间维度即节点个数，Fl-1为特征维度，时空图注意力模块首先使用三个不同的全连接层捕获输入数据各节点的长序列时态依赖，得到Q＝WQHl-1、K＝WKHl-1和其中，WQ、WK和考虑局部时空关联性，使用多头注意力机制，将Q、K和沿时间维切分为多个头，对每个头计算注意力以提取局部时空依赖特征： Z*＝Concathead1,…,heads,…,headS 其中，表示多头注意力的输出，通过矩阵变换：将时间维度恢复为Tl-1＝Sτ，空间维度恢复为N；对Z*，使用一个1×3卷积核的卷积层得到时空图注意力模块的输出Concat·表示拼接多个头的操作，每个对应一组τ个连续时间步的图信号数据；其对应的时空图注意力的输入数据为和通过Q与K做矩阵乘法计算得到注意力系数矩阵M∈RτN×τN，矩阵M的第i行注意力系数向量Mi∈RτN对应qi与K＝{k1,…,kj,…,kτN}的点积计算结果；其中，Mij表示时空节点i对时空节点j的注意力系数； 将局部化时空图AST作为注意力的掩膜矩阵，即Mask＝AST，以降低模型的学习难度；其中，矩阵Mask的第i行第j列的元素Maskij表示时空节点j，j＝1,2,…,τN，与时空节点i之间是否存在依赖关系，Maskij＝0表示无依赖，Maskij≠0表示存在依赖；在时空图注意力模块中，时空节点i的信息通过聚合与其存在依赖关系的时空节点j的信息vj来得到更新，Maskij≠0； 生成器G的输入包含两种时间段的历史图信号序列：近期输入和周期输入对近期时间段输入数据，首先通过时空图注意力模块提取Xrecent中的时空特征，然后利用自注意力模块引入周期输入Xweek数据中的周期特征信息；最后，通过全连接层生成预测的未来图信号 具体的生成器G网络架构包含堆叠的三层子网络层，近期输入Xrecent经过输入层处理得到输出将其作为第一层模式迁移层的输入；在模式迁移层中，输入数据首先经过时空图注意力模块提取数据中的复杂时空依赖；时空图注意力模块的输出经过残差和层标准化后，输入到自注意力模块并经全连接层映射后得到Qs，同时将Xweek经输入层的得到的输入到自注意力模块，经两个不同的全连接层映射后得到Ks和Vs；利用得到的Qs、Ks和Vs，计算自注意力得到输出；经过残差和层标准化后输入到前馈层，前馈层的输出经过残差和层标准化得到输出O1，将输出O1作为第二层模式迁移层的输入，对应得到输出O2，同理得到第三层模式迁移层的输出O3；在该组件的最后，O3通过一个全连接层得到生成器的输出 利用训练后的时空数据预测模型进行时空数据预测，得到未来预设时间步各节点的图信号序列。

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北京科技大学，其通讯地址为：100083 北京市海淀区学院路30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。