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！

龙图腾网获悉中国石油大学(华东)申请的专利基于混合神经网络的蜂窝网络流量时空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：CN121173693B 。

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：202511715496.5，技术领域涉及：H04L41/147；该发明授权基于混合神经网络的蜂窝网络流量时空预测方法及系统是由肖军弼;郭美玲;赵梦菲;吕晓璐设计研发完成，并于2025-11-21向国家知识产权局提交的专利申请。

本基于混合神经网络的蜂窝网络流量时空预测方法及系统在说明书摘要公布了：本发明提供了一种基于混合神经网络的蜂窝网络流量时空预测方法及系统，属于智能通信技术领域；本发明采用分层深度神经网络架构，包括数据嵌入层、时空编码层、特征融合层和输出层。数据嵌入层将历史流量序列、跨域外部数据及元数据映射为高维特征；时空编码层通过时间与空间建模分支，分别融合一维因果卷积与Mamba神经网络提取多尺度时间特征，密集连接卷积与多头注意力机制捕获多尺度空间特征；特征融合层利用门控融合机制，实现时空特征、跨域特征与元数据特征的自适应加权融合；输出层对融合特征进行线性变换，生成最终预测结果。本发明对业务流量的时空动态捕捉精准，预测曲线与真实值高度贴合，实现了蜂窝网络多业务流量的精准预测。

本发明授权基于混合神经网络的蜂窝网络流量时空预测方法及系统在权利要求书中公布了：1.一种基于混合神经网络的蜂窝网络流量时空预测方法，其特征在于，包括以下过程： S1、获取蜂窝网络流量历史数据、跨域外部数据和元数据，并进行预处理得到历史流量序列、跨域数据矩阵和元数据向量； S2、将处理后的历史流量序列、跨域数据矩阵和元数据向量分别输入至数据嵌入层，分别得到高维时空序列特征、高维跨域特征和高维元数据特征； S3、将高维时空序列特征输入时间建模分支，通过一维因果卷积神经网络与Mamba神经网络，提取并融合短期和长期时间特征得到多尺度时间特征； 将高维时空序列特征输入空间建模分支，通过一个密集连接的卷积神经网络与多头注意力机制，提取并融合局部和全局空间特征得到多尺度空间特征； 具体包括：将数据嵌入层输出的高维时空序列特征输入一维因果卷积神经网络，捕捉流量序列中的短期时间特征； 将高维时空序列特征输入到Mamba神经网络，建模序列中的长期时间依赖关系，得到输出特征； 将与进行融合，生成多尺度时间特征； 将数据嵌入层输出的高维时空序列特征输入密集连接卷积神经网络，提取网络流量在空间维度上的局部特征； 将输入到多头注意力机制，计算所有空间位置间的关联权重，捕获全局空间依赖特征； 将与进行融合，生成多尺度空间特征； 其中，多尺度时间特征提取由一维因果卷积神经网络与Mamba神经网络协同完成：一维因果卷积神经网络通过有限感受野与因果约束，专注于捕捉相邻时间点间的局部突变与短期模式；Mamba神经网络先通过层归一化抑制特征分布偏移，再执行两次卷积提取局部时序信息并引入残差连接缓解梯度消失，随后再次进行层归一化稳定中间特征；此外，Mamba神经网络内部通过线性层维度映射、卷积特征变换、激活函数非线性增强，结合选择性状态空间模型SSM的动态状态更新机制，协同建模序列的长周期宏观趋势与周期性规律； 多尺度空间特征的提取由密集连接卷积神经网络与多头注意力机制协同完成：其中，密集连接卷积神经网络由多组“批量归一化+ReLU激活+卷积”模块级联而成，模块间通过密集连接实现特征重用，同时引入残差连接保障特征有效传递；多头注意力模块通过多个并行注意力头，经查询、键、值投影、缩放点积计算、层归一化及前馈神经网络处理，捕获全局空间依赖； 最终，时间和空间的两类特征分别通过门控融合模块自适应加权，两类特征分别作为输入1和输入2，每个输入先经tanh激活生成特征表示，输入1先经Sigmoid激活函数生成自适应权重，该权重同时经“1-”运算得到另一路权重；随后，两路权重分别与输入1、输入2进行加权运算，最终将加权后的结果求和输出，实现对网络流量动态时间特性和空间特性的统一表征与建模； S4、将多尺度时间特征与多尺度空间特征进行融合，通过全连接层生成统一的时空编码特征； S5、将时空编码特征、高维跨域特征与高维元数据特征，利用门控融合机制进行自适应融合，得到最终融合特征； S6、将最终融合特征经输出层线性变换，生成最终蜂窝网络流量预测结果。

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中国石油大学(华东)，其通讯地址为：266580 山东省青岛市黄岛区长江西路66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。