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！

龙图腾网获悉北京鼎兴达信息科技股份有限公司申请的专利一种基于深度学习的班列到港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：CN121352140B 。

龙图腾网通过国家知识产权局官网在2026-03-27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：202511893537.X，技术领域涉及：G06Q10/04；该发明授权一种基于深度学习的班列到港预测方法是由李慧;王海燕;傅卫国;时圣师;纪彩庆设计研发完成，并于2025-12-16向国家知识产权局提交的专利申请。

本一种基于深度学习的班列到港预测方法在说明书摘要公布了：本发明公开了一种基于深度学习的班列到港预测方法，包括：步骤一：采集班列运行轨迹数据与运行环境数据；步骤二：进行特征编码，生成轨迹特征序列和环境特征序列；步骤三：将轨迹特征序列和环境特征序列输入至改进型AttentionTTE网络提取轨迹特征并融合环境语义，生成环境‑轨迹特征向量；步骤四：基于环境‑轨迹特征向量进行多任务预测；步骤五：基于多任务预测结果，执行调度控制操作；步骤六：实时采集反馈数据，并通过预测误差损失与目标感知对比损失联合优化改进型AttentionTTE网络和模型参数；步骤七：将优化后的模型参数进行版本并部署。本发明提升了班列到港预测的准确性与调度响应的智能化水平。

本发明授权一种基于深度学习的班列到港预测方法在权利要求书中公布了：1.一种基于深度学习的班列到港预测方法，其特征在于，包括如下步骤： 步骤一：采集班列运行轨迹数据与运行环境数据； 步骤二：将班列运行轨迹数据与运行环境数据进行特征编码，分别生成轨迹特征序列和环境特征序列； 步骤三：将轨迹特征序列和环境特征序列输入至改进型AttentionTTE网络提取轨迹特征并融合环境语义，生成环境-轨迹特征向量，所述改进型AttentionTTE网络包括分段注意力模块、段间因果相似性模块和环境调制模块； 其中，所述分段注意力模块将轨迹特征序列进行划分并执行注意力建模与特征压缩，生成轨迹注意力特征矩阵，具体为： 将轨迹特征序列按照预设的物理运行区段进行划分，获得多个轨迹子序列，所述物理运行区段包括调度控制边界区段、路网等级转换区段和站点密集区段； 将每个轨迹子序列通过线性映射计算查询矩阵、键矩阵和值矩阵，并基于查询矩阵、键矩阵和值矩阵进行自注意力运算，生成轨迹注意力特征矩阵； 将每个轨迹注意力特征矩阵沿轨迹时间步维度执行平均池化，压缩轨迹点级别特征，生成轨迹注意力特征向量，并将所有轨迹注意力特征向量按照轨迹子序列的物理运行顺序进行纵向堆叠拼接，形成轨迹注意力特征矩阵； 其中，所述段间因果相似性模块对轨迹注意力特征矩阵执行段间相似性建模与因果约束，生成段间因果轨迹矩阵，具体为： 通过余弦相似度函数计算任意两个轨迹注意力特征向量之间的相似度，获得段间相似度矩阵，所述段间相似度矩阵维度与轨迹子序列数量一致； 通过Softmax函数对段间相似度矩阵的每一行执行归一化操作，获得段间权重矩阵； 引入因果掩码矩阵，所述因果掩码矩阵与段间权重矩阵维度一致，当因果掩码矩阵的列索引不超过行索引时，所述因果掩码矩阵中对应元素设置为1，否则设置为0； 将段间权重矩阵与因果掩码矩阵执行元素级乘法，生成因果权重矩阵； 将因果权重矩阵与轨迹注意力特征矩阵执行矩阵乘法操作，生成段间因果轨迹矩阵； 其中，所述环境调制模块基于环境特征序列对段间因果轨迹矩阵进行通道级调制，生成环境-轨迹特征向量，具体为： 通过平均池化方式将环境特征序列沿时间步维度进行压缩，生成全局环境特征向量； 将全局环境特征向量输入至全连接网络，执行线性映射与GELU激活操作，生成中间特征向量； 将中间特征向量通过Sigmoid进行归一化生成通道调制因子向量，通过tanh激活函数生成通道调节偏移向量； 将通道调制因子向量与段间因果轨迹矩阵中每个轨迹通道向量执行元素级乘法，并与通道调节偏移向量相加，生成环境-轨迹特征向量； 步骤四：基于环境-轨迹特征向量进行多任务预测，输出多任务预测结果，具体为： 所述多任务预测结果包括班列到港状态标签、到港时间预测值与到港时间置信区间； 通过共享特征编码层对环境-轨迹特征向量执行维度压缩和语义重构，生成共享特征向量，所述共享特征编码层采用一层全连接网络进行线性变换，通过ReLU激活函数进行非线性映射； 将共享特征向量输入至一层状态预测全连接层，并通过Softmax激活函数进行归一化，输出状态标签概率分布向量，并将状态标签概率分布向量中最大概率对应的索引作为班列到港状态标签； 所述班列到港状态标签包括L0：正常到港、L1：轻度延误、L2严重延误、L3：提前到港； 将共享特征向量输入至一层回归预测全连接层，执行线性变换并输出到港时间预测值； 将共享特征向量输入至两个预测子网络，分别生成到港时间预测均值向量与预测标准差向量； 基于到港时间预测均值向量与预测标准差向量，通过正态置信生成到港时间置信区间； 步骤五：基于多任务预测结果，执行调度控制操作； 步骤六：实时采集反馈数据，并通过预测误差损失与目标感知对比损失联合优化改进型AttentionTTE网络和模型参数，具体为： 所述反馈数据包括历史班列到港状态标签、历史到港时间预测值、历史到港时间置信区间、实际到港状态标签、实际到港时间与实际调度执行结果； 所述预测误差损失为到港时间预测值与实际到港时间之间的均方误差； 所述目标感知对比损失采用InfoNCE损失形式，其中，正样本对为历史班列到港状态标签中标签相同的环境-轨迹特征向量，负样本对为标签不同的环境-轨迹特征向量； 所述模型参数包括分段注意力模块中用于生成查询矩阵、键矩阵和值矩阵的线性映射权重与偏置项，段间因果相似性模块中用于计算段间相似度、归一化权重与因果掩码调整的参数，环境调制模块中用于生成通道调制因子向量与通道调节偏移向量的全连接网络权重与偏置项，多任务预测网络中共享特征编码层、状态预测全连接层、回归预测全连接层、预测子网络的线性映射权重与偏置项； 步骤七：将优化后的模型参数进行版本更新，并部署在嵌入式终端。

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鼎兴达信息科技股份有限公司，其通讯地址为：100070 北京市丰台区汽车博物馆东路1号院3号楼2107；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。