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！

龙图腾网获悉东南大学申请的专利一种基于独热编码的交通流量动态预测及精度优化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：CN118314728B 。

龙图腾网通过国家知识产权局官网在2026-01-06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：202410512673.9，技术领域涉及：G06Q10/04；该发明授权一种基于独热编码的交通流量动态预测及精度优化方法是由李志斌;黄心尧设计研发完成，并于2024-04-26向国家知识产权局提交的专利申请。

本一种基于独热编码的交通流量动态预测及精度优化方法在说明书摘要公布了：本发明公开了一种基于独热编码的交通流量动态预测及精度优化方法，首先，采集实时交通数据，提出雷磁感应误差消融算法优化部署节点；利用独热编码和特征工程方法，输出高质量交通数据；再使用时间序列分析的卷积神经网络模型，多尺度处理空间特征；基于模糊注意力的交通流波动影响因子算法自动识别并赋予附加权重；然后采用交叉验证和实时反馈机制，调整模型参数；通过结合改进卷积神经网络模型，实时接收交通和环境数据进行流量预测，基于反馈信息自动调整相应管控措施。本发明具备实时性强、准确度高和泛化能力优良的优点，提高了系统决策自主性和智能化水平，为交通监管系统提供即时有效的决策支持。

本发明授权一种基于独热编码的交通流量动态预测及精度优化方法在权利要求书中公布了：1.一种基于独热编码的交通流量动态预测及精度优化方法，其特征在于，针对目标高速公路，执行如下步骤S1-步骤S6，完成目标高速公路的交通流量预测，并相应调整交通管控措施： 步骤S1：实时采集高速公路上的交通数据，交通数据包括车辆速度数据、环境数据、特殊事件信息、车辆类型分布，以及车辆流量数据，基于雷磁感应误差消融算法，以消融车辆数据误差，引入边缘计算技术，将数据采集和初步分析任务分布在道路沿线的边缘节点上； 步骤S1的具体步骤包括： 步骤S1.1：采用传感器沿高速公路预定位置分布采集车辆速度数据，各传感器每隔t秒记录一次车辆通过传感器的速度v，其中t为时间间隔，v为车辆速度； 步骤S1.2：收集环境数据，包括温度Te、湿度H、风速W，以及是否为假期Hd、发生特殊事件E； 步骤S1.3：特殊事件信息的收集，通过公安和交通管理部门的信息系统获取特殊事件类型ET和特殊事件持续时间D； 步骤S1.4：通过在高速公路的入口和出口处设置流量监测装置采集车辆流量数据，每隔t秒统计通过的车辆数N，其中N表示特定时间段内通过监测点的车辆总数； 步骤S1.5：通过图像识别技术识别并记录经过的车辆类型T，以及特定时间段内各类型车辆的数量NT，应用雷磁感应误差消融算法以消融车辆数据误差： 其中，Mit表示第i辆车在时刻t的数据信息矩阵，n表示在时刻t的车辆总数，VehMit表示第i辆车在时刻t的精确数据信息矩阵，RVehi表示第i辆车在时刻t雷达设备采集的数据信息矩阵，表示第i辆车在时刻t雷达设备采集的初始数据信息矩阵，VVehi表示第i辆车在时刻t路侧视频监控设备采集的数据信息矩阵，表示第i辆车在时刻t路侧视频监控设备采集的初始数据信息矩阵，δ表示雷达设备精度系数，表示路侧视频监控设备精度系数； 步骤S1.6：在边缘节点上运行机器学习模型或规则引擎，用于初步分析交通数据； 步骤S2：针对所采集的交通数据进行预处理，包括噪声过滤和平滑处理、异常值检测和修正、编码转换、归一化和数值化处理，将交通数据转化为适配于卷积神经网络模型要求的数据格式； 步骤S3：针对预处理后的交通数据，使用结合空间特征提取和时间序列分析的卷积神经网络模型，引入具有多尺度卷积核的卷积层、池化层、循环神经网络层，提取空间特征、与时间相关的动态变化特征，获得预测的交通流量； 步骤S3的具体步骤包括： 步骤S3.1：采用卷积神经网络模型对交通数据进行特征提取，卷积神经网络模型的卷积层使用多个卷积核对交通数据进行滤波，提取空间特征： 其中，Foutx,y表示在位置x,y的输出特征图的像素值，Finx+i,y+j是输入特征图在位置x+i,y+j的像素值，Ki,j是卷积核在i,j位置的权重，b是偏置项，k是卷积核的半径大小； 步骤S3.2：通过池化层对卷积后的特征图进行降维处理，降低特征维度和计算量，同时保留重要特征： Poutx,y＝max{Finx+i,y+j|i∈[-r,r],j∈[-r,r]}； 其中，Poutx,y表示在输出特征图中位置x,y的像素值，Finx+i,y+j表示输入特征图在相对位置x+i,y+j的像素值，r表示池化窗口的半径，该操作在每个2r+1×2r+1的窗口内选择最大值作为输出，实现特征压缩同时保留特征图中的重要特征； 步骤S3.3：引入循环神经网络层，以捕捉与时间相关的动态变化特征，获得预测的交通流量： ft＝σWf·[ht-1,xt]+bf； it＝σWi·[ht-1,xt]+bi； εt＝tanhWC·[ht-1,xt]+bC； Ct＝ft*Ct-1+it*εt； ot＝σWo·[ht-1,xt]+bo； ht＝ot*tanhCt； 其中，ft表示时间步t的遗忘门输出，Wf、Wi、WC、Wo，分别代表遗忘门、输入门、单元状态更新以及输出门的权重参数，ht-1表示前一时间步的隐藏状态，xt表示当前时间步的输入特征，bf、bi、bC、bo，分别是遗忘门、输入门、单元状态更新以及输出门的偏置项，it为时间步t的输入门输出，εt表示时间步t的单元状态候选值，Ct表示时间步t更新后的单元状态，ot表示时间步t的输出门输出，ht表示当前时间步的隐藏状态； 步骤S4：采用基于模糊注意力的交通流波动影响因子赋权算法，通过模糊集合和隶属函数，将定性的交通流量影响因素转换为可计算的模糊数值，针对交通流量影响因素赋予不同的权重； 步骤S4的具体步骤包括： 步骤S4.1：通过可训练的权重向量w，结合特征向量x，使用softmax函数计算每个特征的重要性权重： 其中，αi表示第i个特征的重要性权重，wi为与第i个特征相对应的权重向量中的权重，xi为输入特征向量中的第i个特征； 步骤S4.2：通过计算得到的每个特征的重要性权重，对原始输入特征进行加权组合，生成加权后的特征表示： x′＝∑iαi·xi； 其中，x′表示加权后的特征表示，αi为第i个特征的重要性权重，xi为原始输入特征向量中的第i个特征； 步骤S4.3：将加权后的特征表示x′输入到卷积神经网络模型的第一个卷积层中，利用该卷积层对重要性加权的特征进行空间特征提取； 步骤S5：采用交叉验证和实时反馈机制对卷积神经网络模型进行训练，训练过程中自适应调整模型参数，分析模型预测误差，对卷积神经网络模型进行学习优化，以适应不同交通场景与环境条件； 步骤S6：将训练好的卷积神经网络模型部署于交通管控系统中，实时接收交通数据，进行交通流量预测，并根据预测结果自动调整交通管控措施。

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东南大学，其通讯地址为：210096 江苏省南京市玄武区四牌楼2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。