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！

龙图腾网获悉淮阴工学院申请的专利一种基于预定义时空联合图解码的交通流量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：CN120656315B 。

龙图腾网通过国家知识产权局官网在2026-04-10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：202510686931.X，技术领域涉及：G08G1/01；该发明授权一种基于预定义时空联合图解码的交通流量预测方法是由高尚兵;冯逸心;王浩;宁云瑞;高俊杰;柏安明;王媛媛;张海艳设计研发完成，并于2025-05-27向国家知识产权局提交的专利申请。

本一种基于预定义时空联合图解码的交通流量预测方法在说明书摘要公布了：本发明公开了一种基于预定义时空联合图解码的交通流量预测方法；属于公共交通数据分析预测技术领域，所述方法包括：采集轨道交通AFC闸机通行数据及列车运行时刻表，通过异常值过滤和行程链补全构建时空增强的OD矩阵，并利用动态时间规整算法构建时间维度异构图连接；设计时空物理编码模块，引入时间注意力机制与空间注意力机制，以特征拼接代替特征点乘的形式，保留通过两种注意力层后得到的有效信息，结合门控聚合结构平衡时空特征融合比例；构建时空物理解码模块，通过多层带掩码物理编码模块，在目标流量未知的情况下，对其在序列上的时空依赖性建模，并以卷积预定义与自适应的时空联合图，反应全面且动态的时空相关性。

本发明授权一种基于预定义时空联合图解码的交通流量预测方法在权利要求书中公布了：1.一种基于预定义时空联合图解码的交通流量预测方法，其特征在于，其操作步骤如下： 1AFC打卡数据收集与处理； 2构建多模态卷积特征图； 其构建过程是：采用现实轨道交通物理拓扑为基础，以动态时间规整前与后的OD数据为内容值，解耦为交通线中与交通站点的乘客流量信号，最终建立多模态卷积特征图； 所述建立的多模态卷积特征图包括物理拓扑特征图、客流相似性图与相关比图； 其中，物理拓扑特征图根据所选区域的地铁物理拓扑结构直接构建，其实现过程如下：通过构造物理连接矩阵，若在现实世界中对应的站点与相连通，则，不连通则，再确定物理连接矩阵后，对行归一化操作得到边权重矩阵，权重矩阵每个位置上的元素计算式如下： ；式中，表示站点与的连通关系； 客流相似性图由乘客流动的相似性构建，其实现过程如下：首先，使用DTW评价两个时间序列之间的偏离度，计算站点与之间的相似性得分，得到相似性评分矩阵，DTW的计算式如下：；式中，与表示站点与的完整客流时间序列，表示指数函数计算式； 然后，对进行归一化来计算边权重矩阵，其计算式如下：；式中，当包含连接节点和的边时，，否则； 相关比图由乘客的出发地与目的地分布进行构建，其实现过程如下：建立一个相关比矩阵，其计算式如下：；式中，表示由站点到的乘客总数，则即为从站点出发的乘客总数； 3构建时空物理编码模块； 所述时空物理编码模块由时间注意力层、空间注意力层、多头图卷积层与聚合门控层构成，对多头图卷积层前的各基础特征在通道上进行拼接，再由聚合门控层处理流出特征； 其中，时间注意力层采用多头注意力机制计算其相关性，其公式如下：；式中，表示在节点与时间节点之间的相关性，表示输入时间序列的总长度；此相关系数由检测站点在时间步与处的、向量的内积求得：；式中，与分别表示非线性变换函数中的与向量，表示内积算子，表示监测站的出入度； 计算出相关系数后，其头注意力由下式可得：；式中，表示头注意力中求向量的非线性变换函数，表示通道拼接操作，BN表示批归一化，表示最终时间注意力层的输出； 空间注意力层通过具有物理信息的多头注意力机制计算权重，其公式如下：；式中，表示在节点与时间节点之间的相关性，表示输入模块的监测点； 多头图卷积层关注监测点的不同子空间的交通流，其公式如下：；式中，表示带自连接的归一化邻接矩阵，表示带自连接的节点邻接矩阵； 使用门控融合方法将空间注意力的输出与多头图卷积的输出自适应融合，其公式如下：；式中，表示Sigmoid激活函数，为权重向量； 4构建时空物理解码模块； 所述时空物理解码模块包含带掩码机制的输入、自适应时空联合图卷积层、预定义时空联合图卷积层与聚合门控层； 自适应时空联合图卷积层与预定义时空联合图卷积层的实现过程如下：首先根据节点之间的时空距离预先定义预定义时空联合卷积图，再构建自适应时空联合图； 其中，预定义时空联合图基于成对道路网络距离定义空间邻接矩阵，其公式如下：；式中，表示站点与间的最短旅行距离，表示旅行距离标准偏差； 构造时空联合图通过连接两个时间步之间的不同节点，保留全面的时空相关性，其公式如下：；式中，表示两个时间步长之间的时间差,表示时间步长与处节点的边权重； 自适应时空联合图卷积的方式如下：；式中，表示步长与之间的自适应邻接矩阵，表示在时间步长处更新的特征，与表示可学习权重和偏置参数； 使用均方误差作为模型损失函数，平均绝对误差与平均绝对百分比误差作为最终预测结果评价指标，其公式如下：。

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淮阴工学院，其通讯地址为：223003 江苏省淮安市经济技术开发区枚乘东路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。