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！

龙图腾网获悉福建工程学院申请的专利一种基于时空图小波卷积神经网络的交通流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：CN114626607B 。

龙图腾网通过国家知识产权局官网在2026-02-10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：202210260593.X，技术领域涉及：G06Q10/04；该发明授权一种基于时空图小波卷积神经网络的交通流预测方法是由毛国君;赵世豪;王翔设计研发完成，并于2022-03-16向国家知识产权局提交的专利申请。

本一种基于时空图小波卷积神经网络的交通流预测方法在说明书摘要公布了：本发明涉及一种基于时空图小波卷积神经网络的交通流预测方法。包括：S1、交通流数据预处理；S2、交通流预测模型的建立；S3、交通流预测模型训练及参数调优；S4、基于参数调优的交通流预测模型进行交通流预测。本发明方法建立模型具有特点：结构上，STGWCNN模型采用两头大中间小的“三明治”结构以充分应用瓶颈策略，由图小波卷积神经网络层对通道进行下缩放和上缩放，实现尺度压缩和特征压缩。功能上，STGWCNN模型设计的图小波卷积神经网络层捕捉时空序列数据的空间拓扑结构，可以有效地学习局部化的、稀疏的特征表达，同时提升网络的表达效果和网络的灵活性；时间门控卷积层通过门控线性单元堆叠因果卷积，能够较好实现提取时空序列的时间依赖性目的。

本发明授权一种基于时空图小波卷积神经网络的交通流预测方法在权利要求书中公布了：1.一种基于时空图小波卷积神经网络的交通流预测方法，其特征在于，包括： S1、交通流数据预处理； S2、交通流预测模型的建立； S3、交通流预测模型训练及参数调优； S4、基于步骤S3参数调优的交通流预测模型进行交通流预测； 交通流预测模型，包括时空特征提取层、预测输出层；时空特征提取层包括两个时空卷积块，每个时空卷积块中包含两个时间卷积层和一个空间卷积层；预测输出层包括依次连接的时间卷积层、全连接层、Sigmoid层、全连接层； 空间卷积层：以“*G”表示图卷积操作，Θ表示卷积核，对于一个输入信号x，应用小波ψs＝ψs1,ψs2,…,ψsn作为基底的图小波卷积定义如下： x*GΘ＝ψsψs-1x⊙ψs-1Θ ⊙表示哈达玛乘积，用对角矩阵gθ代替ψs-1Θ，信号x∈Rn经过gθ之后谱图卷积等价表示为： x*GΘ＝ψsgθψs-1x ψs-1为ψs的逆变换； 对于输入由H帧具有图结构的时间序列数据，每一帧的Ci表示输入数据的维度，对于H的每一个步长t以同样的卷积核进行并行图小波卷积运算，图卷积进一步推广到三维变量中，即用表示x*GΘ； 时间卷积层：对于输入为因果卷积的卷积核为Kt，每通过一次因果卷积时间序列的长度缩减Kt-1即设时间卷积层的卷积核为则时间卷积层表示为： *c表示时间卷积操作； 时空卷积块：为融合空间和时间域的特征，构造时空卷积块来联合处理图结构时间序列门控线性单元，区块本身能够根据特定情况的规模和复杂性进行堆叠或扩展，对于输入经过两个时空卷积块的输出为表示为： 其中分别表示第l时空卷积块中第一个时间卷积层和第二个时间卷积层的卷积核大小，Θl是空间卷积层的卷积核大小；ReLU·表示激活函数； 预测输出层：输入的时空图序列数据在经过两层堆叠的时间卷积层之后输入到一个额外的时间卷积层映射其为单步预测；最后对模型的输出Z进行通道c的线性变换的到最终预测结果其中w∈Rc为权向量，b为偏差。

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福建工程学院，其通讯地址为：350118 福建省福州市闽侯县大学新区学府南路33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。