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！

龙图腾网获悉湖南大学申请的专利一种含缺失数据的交通流预测方法和系统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：CN115700628B 。

龙图腾网通过国家知识产权局官网在2025-07-25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：202211301263.7，技术领域涉及：G06Q10/04；该发明授权一种含缺失数据的交通流预测方法和系统是由金雅妮;刘彩苹;谢鲲;文吉刚;张大方设计研发完成，并于2022-10-24向国家知识产权局提交的专利申请。

本一种含缺失数据的交通流预测方法和系统在说明书摘要公布了：本发明公开了一种含缺失数据的交通流预测方法，包括：获取某区域的交通数据集，其包含缺失数据，将该交通数据集重建模为交通流数据矩阵，将交通流数据矩阵X输入训练好的时空预测模型的正交非负矩阵分解ONMF模块形成K个簇，并在各簇中利用时空预测模型的广义矩阵分解GMF模块填充数据，以得到填充数据后的交通流数据矩阵对填充后的交通流数据矩阵进行标准化处理，并根据历史步长H和预测窗口W将标准化后的交通流数据矩阵建模为三维张量将三维张量输入训练好的时空预测模型的图卷积循环神经网络GCRNN，以得到预测数据Y′。本发明在对缺失数据的交通预测方面具有通用性，且更细粒度地学习时空特征以实现更有效地交通流预测。

本发明授权一种含缺失数据的交通流预测方法和系统在权利要求书中公布了：1.一种含缺失数据的交通流预测方法，其特征在于，包括如下步骤： （1）获取某区域的交通数据集，该交通数据集包含缺失数据，将该交通数据集重建模为交通流数据矩阵； （2）将步骤（1）得到的交通流数据矩阵输入训练好的时空预测模型的正交非负矩阵分解ONMF模块形成K个簇，并在各簇中利用时空预测模型的广义矩阵分解填充GMF模块填充数据，以得到填充数据后的交通流数据矩阵，包括： （2-4）在每个簇中将交通流数据矩阵划分为可观测数据集和不可观测数据集，并将可观测数据集进行重构，以得到时间向量、节点向量和交通流向量，将不可观测数据集重构为时间向量和节点向量，其中表示可观测数据集中可观测数据的总数，表示不可观测数据集中不可观测数据的总数； （2-5）将步骤（2-4）得到的和两个向量输入GMF模块的嵌入层，以得到嵌入层的输出，即时间矩阵因子和节点矩阵因子： ， 其中，和分别为时间矩阵因子和节点矩阵因子，=16为潜在因子，表示嵌入函数，都是采用Pytorch框架中的torch.nn.Embedding函数； （2-6）将步骤（2-5）得到的时间矩阵因子P和节点矩阵因子Q输入GMF模块的分解层，以得到输出结果： ， 其中，表示元素积运算； （2-7）将步骤（2-6）得到的输出结果输入GMF模块的填充层，得到的输出即为填充结果： ， 其中，为Relu激活函数，W和b分别表示GMF模块中可学习的权重和偏置参数； （2-8）对步骤（2-7）的填充结果采用均方误差MSE进行度量，以得到步骤（2-4）的交通流向量和步骤（2-7）的填充结果二者之间的误差值，该步骤计算公式为： ； （2-9）通过Adam优化器对GMF模块中可学习的权重W和偏置参数进行更新； （2-10）重复上述步骤（2-8）至（2-9），直到MSE小于阈值或训练次数达到预设的轮次为止，从而得到训练好的GMF模块； （2-11）将步骤（2-4）得到的不可观测数据集输入步骤（2-10）训练好的GMF模块，以得到交通流向量； （2-12）根据步骤（2-4）得到的可观测数据集下的时间向量、节点向量、交通流向量和不可观测数据集下的时间向量、节点向量以及步骤（2-11）所得的交通流向量，获取填充数据后的交通流数据矩阵； 对填充后的交通流数据矩阵进行标准化处理，以得到标准化后的交通流数据矩阵，并根据历史步长H和预测窗口W将标准化后的交通流数据矩阵建模为三维张量； （3）将步骤（2）建模得到的三维张量输入训练好的时空预测模型的图卷积循环神经网络GCRNN中，以得到预测数据。

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湖南大学，其通讯地址为：410082 湖南省长沙市岳麓区麓山南路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”。