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！

龙图腾网获悉北京建筑大学申请的专利基于时空深度卷积网络的网约车需求多步预测方法及系统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：CN120450128B 。

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：202510539056.2，技术领域涉及：G06Q10/04；该发明授权基于时空深度卷积网络的网约车需求多步预测方法及系统是由李之红;石卓雅;赵霞;吴梦琳;秦伊萌;刘剑锋设计研发完成，并于2025-04-27向国家知识产权局提交的专利申请。

本基于时空深度卷积网络的网约车需求多步预测方法及系统在说明书摘要公布了：本发明涉及交通运输信息工程领域，提供一种基于时空深度卷积网络的网约车需求多步预测方法及系统，方法包括：构建时空相关的网约车流量矩阵；提出基于时空深度卷积网络的网约车需求多步预测模型，进行网约车多步时空需求预测；将所提模型运用于一系列实证数据集上进行训练和测试，证实它能取得优于基线模型的良好需求预测性能，用以解决相关技术中网约车出行需求预测不准、多步预测性能较低的缺陷。

本发明授权基于时空深度卷积网络的网约车需求多步预测方法及系统在权利要求书中公布了：1.基于时空深度卷积网络的网约车需求多步预测方法，其特征在于，包括： 确定研究区域以及获取网约车数据集，以5分钟为时间步长对所述网约车数据集进行划分；采用栅格划分的方法对所述研究区域进行划分；以5分钟为时间步长统计每个栅格区域的网约车的需求量，形成时空相关的网约车流量矩阵； 基于时空深度卷积网络构建网约车需求多步预测模型，所述网约车需求多步预测模型以订单的起点的需求量为预测目标，完成模型的训练和测试；所述网约车需求多步预测模型包括上下文时间关联模块、时空交叉注意力机制模块以及时空融合模块，其中上下文时间关联模块用于学习网约车需求的时序关联特性，时空交叉注意力机制模块用于学习时空关联特性，时空融合模块用于全面学习网约车需求在时空和连续时间维度的关联模式； 将所述网约车数据集和所述网约车流量矩阵输入基于时空深度卷积网络的网约车需求多步预测模型中，进行网约车多步时空需求预测的实例验证； 所述基于时空深度卷积网络构建网约车需求多步预测模型，包括： 利用上下文时间关联模块，学习网约车需求的上下文时序关联特性； 利用时空交叉注意力机制模块，学习其时空关联特性； 利用时空融合模块，全面学习网约车需求在时空和连续时间维度的关联模式； 进行基于时空深度卷积网络的网约车需求多步预测模型的训练和测试过程，得到基于时空深度卷积网络的网约车需求多步预测模型； 所述利用上下文时间关联模块，学习网约车需求的上下文时序关联特性，包括： 规定所述多步预测之间的关联规则，符合如下公式1： ； 预测过程中，使用关联性调整预测结果，其中关联性高时，置信度高，符合如下公式2： ； 使用所述置信度进行需求量预测，符合如下公式3： ； 其中，为时间步t与时间步t+1之间的关联性；是和的协方差；和分别是和的标准差；为置信度；为初步预估需求量；为第步预测；、为动态调整的权重； 所述上下文时间关联模块还用于同时考虑网约车需求序列中每个位置的空间编码信息，符合如下公式： 4; 5; 6; 其中，表示正向输入需求矩阵；表示正向Transformer的输出；表示逆向输入需求矩阵；表示逆向Transformer的输出，表示空间编码信息； 所述上下文时间关联模块还用于采用拼接的方式来融合上下文时序关联信息和空间编码信息，从而形成时空融合特征； 所述时空交叉注意力机制模块包含时间交叉注意力模块和空间交叉注意力模块； 所述空间交叉注意力模块的源数据为融合后的时空需求特征，目标数据为空间特征，输入的时空融合特征为，空间特征为，对输入特征进行三次线性变换，分别生成查询、键和值的向量表示； 模型能够自动聚焦于与未来需求预测关联度较高的空间区域符合如下公式7： 7; 其中，是查询或键向量的维度，表示缩放因子； 所述利用时空融合模块，全面学习网约车需求在时空和连续时间维度的关联模式，包括： 时空融合模块通过时间解码器和空间解码器分别输出的时间特征和空间特征，实现时间特征和空间特征的深度交互； 在时间特征和空间特征的基础上，通过线性变换使时间特征和空间特征融合，符合如下公式8： 8; 其中，和是可学习的权重矩阵。

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北京建筑大学，其通讯地址为：100044 北京市西城区展览馆路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。