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！

龙图腾网获悉北京市通州区大数据中心;北京航空航天大学申请的专利基于可持续学习的时空图网络的交通数据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：CN120236399B 。

龙图腾网通过国家知识产权局官网在2026-04-21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：202510346176.0，技术领域涉及：G08G1/01；该发明授权基于可持续学习的时空图网络的交通数据预测方法是由魏锐;李思睿;邓攀;段禹琪;屠洪月;王超;陈磊设计研发完成，并于2025-03-24向国家知识产权局提交的专利申请。

本基于可持续学习的时空图网络的交通数据预测方法在说明书摘要公布了：本发明涉及一种基于可持续学习的时空图网络的交通数据预测方法，属于时空数据挖掘技术领域，本发明基于代表性交通模式聚类和匹配理论建模时空数据的生成过程，有效提升了交通数据预测模型的精度、鲁棒性和泛化性；本发明在捕获车辆流量数据的时空特性的同时提取车辆流量数据的代表性模式，并组成知识库，更好的适应交通模式的动态变化特性。

本发明授权基于可持续学习的时空图网络的交通数据预测方法在权利要求书中公布了：1.一种基于可持续学习的时空图网络的交通数据预测方法，其特征在于，包括： 步骤S1、收集道路网络内各个节点的历史车辆流量数据； 步骤S2、基于道路网络搭建基于持续学习的初始时空图网络；基于各个节点的历史车辆流量数据确定所述基于持续学习的时空图网络中各个节点的代表性模式集，得到基于持续学习的时空图网络，表征为知识库； 建立时空学习模型； 步骤S3、利用时空学习模型和知识库搭建交通数据预测模型； 步骤S4、令i=1，当i=1时，表示道路网络中第历史年第一个节点； 步骤S5、令τ=1，当τ=1时，表示节点i在第一历史年； 步骤S6、令t=1，当t=1时表示节点i在第历史年的初始历史时间段交通模式； 步骤S7、获取节点i在第年的第t历史时间段的车辆流量数据，输入交通数据预测模型； 步骤S8、基于时空学习模型，获得节点i在第年第t历史时间段交通流量数据的时空特征； 步骤S9、获取知识库中第年的代表性交通模式集； 基于第年的代表性交通模式集对节点i在第年第t历史时间段的车辆流量数据进行交通模式匹配，获得节点i在第年第t历史时间段的匹配交通模式； 步骤S10、获取节点i在第年第t历史时间段车辆流量数据的时空特征与第年的代表性交通模式集中各个代表性交通模式的余弦相似度；基于余弦相似度和第年的代表性交通模式集，获得对应的特征矩阵，表达式为： 其中，表示节点i在第年第t历史时间段交通流量数据的时空特征与第年第k个代表性交通模式的余弦相似度，表示第年第k个代表性交通模式，K表示代表性交通模式的总数； 步骤S11、将特征矩阵与时空特征残差连接，输入全连接层，输出节点i在第年第t历史时间段的交通预测数据； 步骤S12、遍历T个历史时间段，得到节点i在第年各个历史时间段的匹配交通模式和节点i在第年各个历史时间段的交通预测数据； 基于节点i在第年各个历史时间段的交通预测数据和损失函数，对所述时空学习模型进行更新，得到更新时空学习模型； 所述时空学习模型的表达式为： 其中，为第年第l-1层空间处理模块GCN的输入，为第年第l层空间处理模块GCN的输入是第年第l层空间处理模块GCN的可学习参数，是第年的临界矩阵，是对应的单位矩阵，D是度矩阵； 步骤S13、将节点i在第年各个历史时间段的匹配交通模式输入知识库，基于知识保存机制和模式可追溯机制进行更新，得到更新知识库； 所述知识保存机制的表达式为： 其中，为平衡因子，超参数，表示交通预测模型的全部参数；表示运算函数，表示费雪信息，表示交通预测模型的全部参数； 步骤S14、基于更新时空学习模型和更新知识库，得到更新交通数据预测模型； 步骤S15、遍历个历史年，得到更新交通数据预测模型； 步骤S16、遍历I个节点，得到最终的交通数据预测模型； 步骤S17、利用所述最终的交通数据预测模型进行车辆流量预测。

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市通州区大数据中心;北京航空航天大学，其通讯地址为：101100 北京市通州区新华东街48号二区；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。