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！

龙图腾网获悉成都信息工程大学申请的专利基于图卷积神经网络自编码器的交通异常检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：CN116776269B 。

龙图腾网通过国家知识产权局官网在2025-12-30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：202310746435.X，技术领域涉及：G06F18/2433；该发明授权基于图卷积神经网络自编码器的交通异常检测方法是由李孝杰;任治羽;史沧红;吴锡;陈垦;吕建成设计研发完成，并于2023-06-25向国家知识产权局提交的专利申请。

本基于图卷积神经网络自编码器的交通异常检测方法在说明书摘要公布了：本发明涉及一种基于图卷积神经网络自编码器的交通异常检测方法，设计一种结合交通异常和深度学习的一维卷积及上下文编码网络，所述网络主要包括镜像时域卷积模块和依次级联的两个图卷积门控循环模块，通过提取交通特征像是速度和流量来预测交通状况和可能发送的异常，在镜像时域卷积模块之前使用了自适应方法来适应不同的路段，通过镜像传入更多的特征给时间卷积模块，通过时间卷积模块获取更多的信息，让网络不断地学习这种交通网络，图卷积门控循环模块使用了高斯核函数模块，让分布更加集中于高维空间，再利用图卷积网络架构的特点捕获了隐藏的空间相关性结合图卷积神经网络捕获可能的异常点发生，更加准确，大大提高了预测异常的可靠性。

本发明授权基于图卷积神经网络自编码器的交通异常检测方法在权利要求书中公布了：1.基于图卷积神经网络自编码器的交通异常检测方法，其特征在于，所述方法具体包括： 步骤1：获取NYCTaxi数据集，同时在服务器上编写异常注入脚本来构造异常数据，通过对所述数据集注入不同的异常比例，获得不同位置的异常位置数据集，所述异常位置数据集的数据内容是结构化的文本，记录的是出租车的通行信息； 步骤2：将所述异常位置数据集按照约定比例划分为训练集X和测试集； 步骤3：对所述异常位置数据集进行预处理得到适合参数网络的结构； 步骤4：构建镜像时域图自编码器，将步骤3预处理后的训练集X送入自编码器网络进行预训练，以调整网络参数，所述镜像时域图自编码器包括编码器和解码器： 所述编码器部分包括依次连接的自适应过程、镜像时域卷积模块、依次级联的图卷积门控循环模块、图嵌入模块和全连接模块，其中，所述镜像时域卷积模块用来预测交通空间时间网络中的时间，所述图卷积门控循环模块来预测所述交通空间时间网络的空间以及对异常点进行预测； 所述解码器包括双线性插值和全连接网络，用于对所述编码器的输出结果进行解析； 步骤5：基于步骤4获取的优化参数训练的所述镜像时域图自编码器，获取网络最优权重，具体包括： 步骤51：在将所述训练集X中的原始数据x输入所述镜像时域卷积模块MTCM之前，通过一个自适应操作获得动态长度的路段，对不同长度路段做适配处理； 步骤52：在所述镜像时域卷积模块中，将适配后的数据作镜像翻转后得到xm，并拼接原始数据x获得2倍特征后，再通过时间卷积网络进行卷积获得隐藏特征，同时将镜像反转后的2倍特征转换为原有的特征长度，从而获得具有原始数据相同维数的隐藏信息H； 步骤53：将所述隐藏信息H和原始数据x输入第一个图卷积门控循环模块，依次通过所述图卷积门控循环模块中的高斯核模块和图卷积模块，得到第一时空特征具体的： 步骤531：所述高斯核模块通过输入的隐藏信息H获得隐藏异常特征gHapt；高斯模块在一定程度上能够有助于进一步判断当前是否是异常数据； 步骤532：将所述隐藏异常特征gHapt分别输入图卷积1模块和图卷积2模块，通过图卷积1模块和图卷积2模块构建空间特征变量rt，分别输出更新门st和重置门zt；将所述隐藏异常特征gHapt和更新门st连接获得高层语义异常特征将所述异常特征与重置门zt输入图卷积3模块，完成第一次时空特征提取，得到第一时空特征 步骤54：将所述第一时空特征和隐藏信息H作为第二个图卷积门控循环模块的输入，模块具有和第一个图卷积门控循环模块的结构一致，提取高层次时空特征语义，完成第二次更高层次的时空特征提取，最终得到第二时空特征 步骤55：将所述第二时空特征输入所述编码器的图嵌入模块，所述图嵌入模块包含两个将整数序列映射为低维向量的层和全连接层，将时间信息和空间信息作为输入，然后使用基于矩阵分解的嵌入方法将输入转换为向量表示，并拼接在一起，得到最终的时空嵌入向量 步骤56：将所述时空嵌入向量输入所述解码器，所述解码器包含一个双线性插值模块和全连接模块，双线性插值模块根据已有的数据点估计出缺失交通信息，然后对所述时空嵌入向量进行平滑处理，以分析时序数据的变化趋势和异常预测，最后通过全连接模块将估计出的缺失交通信息与时空嵌入向量进行组合，从而得到更准确的预测结果； 步骤57：按一个批大小等于256的数据为一次迭代训练网络，不断更新训练网络，判断迭代次数，满足条件则验证模型和保存模型； 步骤58：判断是否达到训练迭代总次数，若满足条件则结束训练，否则返回步骤57； 步骤59：通过损失函数判断异常点，将预测结果和测试结果作为输入，通过损失函数计算它们之间的差异，并将差异较大的点视为异常点； 步骤6：将训练好的网络保存参数，输入测试集进行测试，得到测试结果。

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成都信息工程大学，其通讯地址为：610200 四川省成都市西南航空港经济开发区学府路1段24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。