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！

龙图腾网获悉重庆大学;重庆数字交通产业集团有限公司申请的专利基于特征注意力分解和图卷积网络的交通流量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：CN118470968B 。

龙图腾网通过国家知识产权局官网在2025-12-16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：202410587767.2，技术领域涉及：G06Q10/04；该发明授权基于特征注意力分解和图卷积网络的交通流量预测方法是由郑林江;刘玉莽;唐毅;罗伟;代振;邓媛园;杨洁设计研发完成，并于2024-05-13向国家知识产权局提交的专利申请。

本基于特征注意力分解和图卷积网络的交通流量预测方法在说明书摘要公布了：本发明涉及交通运输技术领域，公开了一种基于特征注意力分解和图卷积网络的交通流量预测方法，将流量数据分解为季节项、趋势和余项，采用多头注意力机制来表示卷积核大小在提取趋势方面的适应性；随后，利用时空注意力来模拟交通数据的动态时空相关性；最后，使用时空卷积来提取交通数据的局部时空依赖性。通过实验分析，本发明提出的DFAGCN模型具有最先进的性能，将时间序列分解应用于交通数据可以显着提高交通预测的准确性。

本发明授权基于特征注意力分解和图卷积网络的交通流量预测方法在权利要求书中公布了：1.一种基于特征注意力分解和图卷积网络的交通流量预测方法，其特征在于，包括以下步骤： S1.采集过去一段时间内的车辆GPS数据和交通传感器数据，确定交通网络和交通数据； 交通网络：表示为图G＝V,E,A，其中，V表示N个交通传感器的集合；E表示每个传感器之间连接的边的集合；A∈RN×N表示邻接矩阵，其中每个元素aij′是表示第i个传感器vi和第j′个传感器vj′之间的距离； 交通数据：将时刻t的观测交通状态表示为图信号其中，表示时刻t时第i个传感器记录的交通状态；N表示传感器数量；F表示交通状态的数量； S2.构建DFAGCN模型，所述DFAGCN模型包括特征注意力分解模块、时空多头注意力模块和时空卷积模块； S3.输入交通数据，通过特征注意力分解模块将流量数据分解为季节项、趋势和余项； S3.1通过特征注意力过滤余项； 特征注意力采用软阈值和Sigmoid函数实现门控机制，门控机制表示为： rf＝sigmoidNUReLUNDgp 式中，表示门控机制；ND和NU分别是特征降维和特征升维运算符；全局平均池化gp被用于表示整个交通数据的统计信息，全局平均池化将大小从减小到如下： X＝LinearXP 式中，Xfi,j是交通数据X中第n个传感器在时刻t的特征值；T表示输入的时间长度； 获取余项 Xr＝X-rf×X＝X-Xts 式中，表示趋势和季节项的组合； S3.2自适应感知趋势； 采用具有一组c卷积核的平均池化来提取趋势 Xt′＝AvgPool1Xts,AvgPool2Xts,...,AvgPoolkXts 获取与趋势多头注意力对应的查询值Qt、键值Kt和值值Vt； 式中，是可学习的参数；是重塑后的输出；获取趋势多头注意力分数 式中，d代表隐藏维度，是个超参数； 最后，获取趋势 式中，⊙表示逐元素的哈达玛积； S3.3从交通数据中移除余项和趋势，得到季节项 XS＝X-Xr-Xt S4.通过时空多头注意力模块捕获交通数据之间的动态时空相关性； S4.1空间多头注意力； 输入数据XS+X，获取空间多头注意力分数Aspa∈RK×N×N； 式中，K是空间注意力头的数量；是可学习的参数； S4.2时间多头注意力； 获取时间多头注意力分数 式中，H是时间注意力头的数量；是可学习的参数； 计算时间注意力 式中，是可学习的参数； 最终，得到 Xs1＝LayerNormLinearTatt 式中，Xs1表示经过时间注意力计算后的值； S5.通过时空卷积模块进一步利用交通数据中的邻近信息，预测交通流量； S5.1空间图卷积； 使用基于谱图理论的图卷积直接处理信号并挖掘交通数据在空间维度上的局部空间依赖关系，通过分析拉普拉斯矩阵及其特征值，获取图结构的性质； 谱分析中，图卷积表示为： gθ*GXs1＝gθLXs1 式中，gθ和*G分别表示近似卷积核和卷积操作；L表示拉普拉斯矩阵； 当图较大时，用K个切比雪夫多项式进行表示： 式中，θk表示第k个切比雪夫多项式系数；表示切比雪夫多项式的缩放拉普拉斯矩阵；IN表示单位矩阵；表示第k个切比雪夫多项式；表示第k个头的空间注意力分数；λmax表示拉普拉斯矩阵的最大特征值； S5.2时间卷积； 使用卷积层后跟激活函数来整合相邻时间片的信息： Xs′＝ReLU*Φgθ*GXs1 Xt′＝ReLU*ΦXt Xr′＝ReLUXr 式中，*Φ表示卷积操作； 利用卷积提取时空上下文中相邻元素的本地信息，捕捉时空上下文中相邻元素之间的依赖关系，融合处理的最终预测结果表示为： Xt+1:t+Q＝LinearXs′+Xt′+Xr′ 式中，Xt+1:t+Q＝XQ，代表未来Q时刻所有传感器的交通数据。

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重庆大学;重庆数字交通产业集团有限公司，其通讯地址为：400044 重庆市沙坪坝区正街174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。