Document
拖动滑块完成拼图
个人中心

预订订单
商城订单
发布专利 发布成果 人才入驻 发布商标 发布需求

请提出您的宝贵建议,有机会获取IP积分或其他奖励

投诉建议

在线咨询

联系我们

龙图腾公众号
专利交易 积分商城 国际服务 IP管家助手 科技果 科技人才 商标交易 会员权益 需求市场 关于龙图腾 更多
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 西南交通大学杜圣东获国家专利权

西南交通大学杜圣东获国家专利权

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!

龙图腾网获悉西南交通大学申请的专利一种基于时空序列深度学习的交通流量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:CN117116045B

龙图腾网通过国家知识产权局官网在2026-02-24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:202311070477.2,技术领域涉及:G08G1/01;该发明授权一种基于时空序列深度学习的交通流量预测方法及装置是由杜圣东;吴秋池;胡节;苏敏;杨涛设计研发完成,并于2023-08-24向国家知识产权局提交的专利申请。

一种基于时空序列深度学习的交通流量预测方法及装置在说明书摘要公布了:本发明涉及一种基于时空序列深度学习的交通流量预测方法及装置,包括:获取道路形状以及道路的交通流量历史数据;对交通流量历史数据按照相关的时间关联顺序进行预处理,并按照批的形式进一步整理为张量的形式,构建交通流量历史数据的多变量时空序列数据集;将多变量时空序列数据集划分为训练数据集、验证数据集和测试数据集;利用训练数据集对交通流量预测模型进行训练;采集当前时刻的交通流量数据,将采集的当前时刻的交通流量数据输入训练好的交通流量预测模型,预测未来时刻的时序值。本发明能够在实际的交通流量预测应用中,预测出交通流量的有效变化情况,可以辅助交通流量的管理人员对当前交通流量情况提供参考和安全风险评估。

本发明授权一种基于时空序列深度学习的交通流量预测方法及装置在权利要求书中公布了:1.一种基于时空序列深度学习的交通流量预测方法,其特征在于,包括: 获取道路形状以及道路的交通流量历史数据; 对交通流量历史数据按照相关的时间关联顺序进行预处理,并按照批的形式进一步整理为张量的形式,构建交通流量历史数据的多变量时空序列数据集; 将多变量时空序列数据集划分为训练数据集、验证数据集和测试数据集,并将其中的数据按照样本的每个属性进行标准化; 构建交通流量预测模型;所述交通流量预测模型包括卷积网络层、时间卷积网络层、spaceblock块层、LayerNorm层、时间卷积网络层、LayerNorm层、两个卷积层,所述时间卷积网络层由时间Embedding层、时间MLP层、空洞卷积层和GRN层构成,所述spaceblock块层由3部分组成,第一部分为基于切比雪夫公式的自适应图卷积网络层,第二部分为基于自注意力机制的多头attention层,第三部分为过滤信息的GRN层; 利用训练数据集对交通流量预测模型进行训练; 所述交通流量预测模型的训练步骤包络: 将训练数据集作为输入,输入到交通流量预测模型内进行预测; 设置损失函数Loss对交通流量预测模型进行迭代更新训练,直至训练条件终止,生成训练好的交通流量预测模型,可用于预测未来时刻的时序值; 将训练数据集作为输入,输入到交通流量预测模型内进行预测包括: S1、将训练数据集输入一个卷积核为1×1,通道数为embed_size的卷积网络层,丰富输入张量语义; S2、将数据输入时间卷积网络层,得到有关于时间的隐藏状; S21、将特有的时间信息经过时间Embedding层和输入数据相加,增强时间信息; S22、利用时间MLP层对时间维度进行扩维,利于后续扩散卷积的操作,再将结果输入到扩散卷积层中; S23、将得到的结果输入到GRN层中,过滤无用信息; S24、重复步骤S22-S23,并将每次步骤S22输出的结果做一次卷积并累加; S25、将步骤S24的结果和步骤S22的结果相加并通过一个LayerNorm层,得到时间卷积网络层的整体输出; S3、将数据输入到一个构建的spaceblock块层; S31、将邻接矩阵标准化后同输入数据一起输入自适应图卷积网络层; S32、输入一个GRN网络层; S33、输入基于自注意力机制的多头attention层并将步骤S32的结果和输出相加相继输入到一个LayerNorm层和Dropout层; S34、再次输入到另一个GRN网络层,并将步骤S31的结果和输出相加相继输入到一个LayerNorm层和Dropout层; S4、多次重复步骤S2,并重复用Relu函数激活; S5、将步骤S3的结果和步骤S2的结果相加输入到一个LayerNorm层; S6、再次输入到一个时间卷积网络层,并将步骤S1的结果和输出项加入到一个LayerNorm层; S7、重复步骤S2-S6,并重复用Relu函数激活; S8、将得到的数据结果送入两个卷积层达到降维和减少样本属性的效果; 采集当前时刻的交通流量数据,将采集的当前时刻的交通流量数据输入训练好的交通流量预测模型,预测未来时刻的时序值。

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西南交通大学,其通讯地址为:610031 四川省成都市二环路北一段;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。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。