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跨模态可迁移的人口出行需求预测方法及装置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：CN119648269B 。

龙图腾网通过国家知识产权局官网在2026-01-23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：202411672478.9，技术领域涉及：G06Q30/0202；该发明授权跨模态可迁移的人口出行需求预测方法及装置是由李明晓;涂既星;涂伟;朱家松;李清泉设计研发完成，并于2024-11-21向国家知识产权局提交的专利申请。

本跨模态可迁移的人口出行需求预测方法及装置在说明书摘要公布了：本申请涉及交通规划技术领域。本申请公开了一种跨模态可迁移的人口出行需求预测方法及装置，其能够提高人口出行需求全量的准确性。所述跨模态可迁移的人口出行需求预测方法包括获取待预测区域的公交出行需求数据、地铁出行需求数据和出租车出行需求数据；对所述公交出行需求数据、所述地铁出行需求数据和所述出租车出行需求数据进行预处理，获得交通出行需求特征矩阵；将所述交通出行需求特征矩阵输入出行需求预测模型，所述出行需求预测模型对所述交通出行需求特征矩阵进行分析处理，输出预测结果。

本发明授权跨模态可迁移的人口出行需求预测方法及装置在权利要求书中公布了：1.一种跨模态可迁移的人口出行需求预测方法，其特征在于，包括： 获取待预测区域的公交出行需求数据、地铁出行需求数据和出租车出行需求数据； 对所述公交出行需求数据、所述地铁出行需求数据和所述出租车出行需求数据进行预处理，获得交通出行需求特征矩阵； 将所述交通出行需求特征矩阵输入出行需求预测模型，所述出行需求预测模型对所述交通出行需求特征矩阵进行分析处理，输出预测结果； 所述出行需求预测模型的训练步骤包括：获取公交训练数据集、地铁训练数据集、出租车训练数据集和标签数据集；对目标公交训练数据、目标地铁训练数据和目标出租车训练数据进行预处理，获得交通训练特征矩阵，其中，所述目标公交训练数据为所述公交训练数据集中的任意一个元素，所述目标地铁训练数据为在所述地铁训练数据集中与所述目标公交训练数据属于同一时间序列的一个元素，所述目标出租车训练数据为在所述出租车训练数据集中与所述目标公交训练数据属于同一时间序列的一个元素；将所述交通训练特征矩阵输入循环神经网络模型，所述循环神经网络模型对所述交通训练特征矩阵进行分析处理，输出训练结果；基于所述训练结果和所述标签数据集计算第一损失函数；基于所述第一损失函数调整所述循环神经网络模型的第一模型参数，形成所述出行需求预测模型； 在所述基于所述第一损失函数调整所述循环神经网络模型的第一模型参数的步骤之后，所述出行需求预测模型的训练步骤还包括：设置重要性向量；基于所述重要性向量构建第二损失函数；基于所述第二损失函数调整所述出行需求预测模型的第二模型参数； 所述第一损失函数的计算公式为： ； ； 所述第二损失函数的计算公式为： ； 第三损失函数的计算公式为： ； 其中，为所述第一损失函数，为所述第一模型参数，所述第一模型参数是模型预测部分待定参数，所述模型预测部分待定参数包含循环神经网络隐藏层参数和输出层参数，为段最不相似的时间序列，，为第段时间序列的长度，为平方误差损失函数，为所述标签数据集中在第段时间序列的第个时间步的标签值，为所述训练结果，为所述交通训练特征矩阵中第段时间序列的第个时间步的特征向量；为所述第二损失函数，为第二模型参数，为所述重要性向量，为维的向量，也是个时刻隐藏层的重要性权重，为权衡项，为每个时序段之间的分布距离平均值，为第段时间序列，为第段时间序列，为第三损失函数，为第段时间序列的长度，为第四模型参数；为个时刻，，为时序段和在时刻的分布重要性，为距离度量方式，为时序段在时刻的隐藏状态，为时序段在时刻的隐藏状态，所述第四模型参数为模型迁移正则项部分待定参数，所述模型迁移正则项部分待定参数是时序分布匹配过程中的参数，所述模型迁移正则项部分待定参数包含经第一损失函数调整的循环神经网络隐藏层参数和距离度量过程中的参数。

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：518061 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。