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！

龙图腾网获悉南京理工大学申请的专利基于神经组件分解和动态自适应融合的交通流预测方法、系统及设备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：CN121260013B 。

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：202511814820.9，技术领域涉及：G08G1/01；该发明授权基于神经组件分解和动态自适应融合的交通流预测方法、系统及设备是由戚湧;范俊杰;魏林铎设计研发完成，并于2025-12-04向国家知识产权局提交的专利申请。

本基于神经组件分解和动态自适应融合的交通流预测方法、系统及设备在说明书摘要公布了：本发明属于智能交通系统技术领域，公开了一种基于神经组件分解和动态自适应融合的交通流预测方法、系统及设备。本发明包括：对输入的多元交通数据进行可逆实例归一化，通过神经分解模块将归一化后的数据自适应地分解为趋势、季节性和残差分量；利用独立的循环神经网络为各通道提取时间特征，通过共享的通道混合网络生成各分量；获得各分量的预测值，对其动态加权，得到组合后的预测张量；对组合后的预测张量执行可逆实例归一化的逆过程，生成关于未来交通状况的最终预测结果。本发明能有效降低预测模型的学习难度，并能捕捉各分量间非线性时变关系，从而显著提升交通流预测的准确性和可靠性，为实现高效的交通疏导和信号灯控制提供技术支撑。

本发明授权基于神经组件分解和动态自适应融合的交通流预测方法、系统及设备在权利要求书中公布了：1.一种基于神经组件分解和动态自适应融合的交通流预测方法，用于预测长度维度为H的交通流数据，其特征在于，包括： 预处理：接收输入的历史多元交通流数据，所述历史多元交通流数据维度为B×S×C，其中B为一个批量中所包含的样本数量，S为时间序列数据长度，C为通道数；对所述历史多元交通流数据进行可逆实例归一化处理，得到归一化后的输入数据； 分解预测：通过一个可学习的神经分解预测模块，将所述归一化后的输入数据分解并预测为趋势预测分量、季节性预测分量和残差预测分量； 动态自适应融合权重：对于每个通道c，c=1,...,C，动态地计算所述趋势预测分量、季节性预测分量和残差预测分量的融合权重并进行加权求和，融合成该通道c的最终预测结果；组合所有通道的最终预测结果，得到一个组合后的预测张量；对所述组合后的预测张量执行所述可逆实例归一化处理的逆过程，将其恢复至原始数据尺度，作为关于未来交通状况的最终预测结果； 将所述归一化后的输入数据分解并预测为趋势预测分量、季节性预测分量和残差预测分量的步骤包括： 2-1通道独立阶段：为每个通道独立地提取包含时间上下文信息的特征，并生成原始趋势张量； 2-2通道混合阶段：利用所述原始趋势张量合成趋势预测分量；利用所述归一化后的输入数据和所述趋势预测分量合成所述季节性预测分量；根据加法分解关系，通过以下代数运算得到残差预测分量： ； 其中，是对所述归一化后的输入数据进行维度对齐以匹配所述预测长度维度为H的交通流数据表征； 所述对于每个通道c，c=1,...,C，动态地计算所述趋势预测分量、季节性预测分量和残差预测分量的最终的融合权重并进行加权求和，融合成该通道c的最终预测结果包括； 3-1将该通道c的趋势预测分量、季节性预测分量和残差预测分量逐元素相加，形成一个上下文特征向量； 3-2采用残差门控机制将静态基准权重、动态权重调整项相加，计算得到所述最终的融合权重， ， 其中，所述静态基准权重是一个可学习的参数向量，包含三个值，分别对应趋势、季节性和残差分量的全局基础权重，所述静态基准权重在所有通道和所有样本间共享；所述动态权重调整项是一个针对当前样本和当前通道的动态调整项，具有的维度，其中B为所述批量大小，H为设定的未来长度，3对应三个分量；所述动态权重调整项由将所述上下文特征向量输入到共享的门控网络而生成； 3-3使用所述最终的融合权重对所述趋势预测分量、季节性预测分量和残差预测分量进行加权求和，得到通道c的最终预测结果： ， 其中，⊙表示逐元素相乘；为趋势预测分量，为季节性预测分量，为残差预测分量；为通道c的、对应分量k的最终的融合权重；为通道c的、对应分量k的预测值。

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南京理工大学，其通讯地址为：210094 江苏省南京市玄武区孝陵卫街200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。