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！

龙图腾网获悉东莞理工学院申请的专利一种基于大核注意力交通流预测的时空图对比学习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：CN120472686B 。

龙图腾网通过国家知识产权局官网在2026-02-03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：202510648010.4，技术领域涉及：G08G1/065；该发明授权一种基于大核注意力交通流预测的时空图对比学习方法是由任斌;张永发;何春红设计研发完成，并于2025-05-19向国家知识产权局提交的专利申请。

本一种基于大核注意力交通流预测的时空图对比学习方法在说明书摘要公布了：本发明的一种基于大核注意力交通流预测的时空图对比学习方法，包括：步骤S1：将交通流数据组织成时间序列格式，构建路网时空图；步骤S2:对交通流数据进行特征级、拓扑级和时间插值数据增强；步骤S3:对路网时空图进行编码，采用大核注意力机制，通过大尺度卷积和自适应特征融合提取时空特征；步骤S4:在步骤S3的编码处理后的时空表示基础上，分别设计时间和空间两个维度的对比学习任务；步骤S5:将经过编码器对比学习任务后的时空表示输入解码器中；步骤S6:解码器采用多层感知机结构,通过全连接层将特征还原为未来多个时间步的流量预测值；步骤S8:返回到步骤S1，继续开始训练；本发明优点：提升数据缺失和异常适应能力、动态路网变化建模能力和建模精度。

本发明授权一种基于大核注意力交通流预测的时空图对比学习方法在权利要求书中公布了：1.一种基于大核注意力交通流预测的时空图对比学习方法，其特征在于，其包括如下步骤： 步骤S1：将收集到的交通流数据组织成时间序列格式，构建路网时空图； 步骤S2:对交通流数据进行特征级、拓扑级和时间插值数据增强，生成增强特征矩阵作为后续步骤的输入； 步骤S3:对路网时空图进行编码，采用大核注意力机制，通过大尺度卷积和自适应特征融合提取时空特征，增强空间依赖性和时序一致性； 步骤S4:在步骤S3的编码处理后的时空表示基础上，分别设计时间和空间两个维度的对比学习任务，增强表示学习； 步骤S5:将经过编码器对比学习任务后的时空表示输入解码器中； 步骤S6:解码器采用多层感知机结构,通过全连接层将特征还原为未来多个时间步的流量预测值； 步骤S8:返回到步骤S1，继续开始训练； 在步骤S1中，路网时空图为，其用于刻画城市路网的拓扑结构和时序特征，其构建过程为： 子步骤S11:节点集合：图中每个节点表示一个监测单元，节点的特征为该监测单元在不同时间步的交通流量序列； 子步骤S12:边集合：图中每条边表示两个监测单元之间的空间关联，基于道路拓扑结构或节点间的欧氏距离构建； 子步骤S13：邻接矩阵：表示实数集，矩阵描述节点之间的邻接关系，其中，城市空间在经纬度划分为，=1表示节点和节点之间存在边连接，否则=0； 其中,交通流数据，表示流入流出车流量的时空张量； 在步骤S2中，对交通流数据进行特征级、拓扑级和时间插值数据增强，并形成增强特征矩阵的处理过程包括如下子步骤： 子步骤S21:特征级数据增强通过随机掩码不同粒度的流量信息，模拟实际中由于事故、设备故障或停电原因导致的数据缺失，以下为掩码机制： ； 其中，，是一个值0到1范围内的随机掩码，是一个可调的数值，t表示当前时间步，T表示历史时间窗口的长度，为原始输入特征矩阵，为特征级数据增强矩阵； 子步骤S22:拓扑级数据增强通过扰动图的邻接矩阵A，引入随机拓扑变化，其包括以下两种扰动方式： 1局部空间增强：对预定义的邻接矩阵A进行随机扰动，对应于公式： ； 其中，为初始化矩阵，为局部增强矩阵,是哈达玛乘积； 2全局空间增强：自学习一个扰动矩阵并叠加至原邻接矩阵，对应于公式: ； 其中，为初始化矩阵，为全部增强矩阵,为矩阵元素相加； 子步骤S23：沿时间轴移动数据以利用两个连续时间步骤之间的中间状态,在两个连续的时间步骤之间进行加权平均，以确保插值精度，公式如下： ； 其中，是在0~1的超参数调整，表示通过插值生成的新时间序列数据，表示原始时间序列数据，表示向后移动一个时间步的时间序列数据； 在步骤S6和S8之间，还包括步骤S7：构建知识蒸馏与增量学习框架，步骤S1-S6形成一种基于大核注意力交通流预测的时空图对比学习模型，步骤S7用于实现该模型的持续优化。

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莞理工学院，其通讯地址为：523808 广东省东莞市松山湖科技产业园区大学路1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。