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！

龙图腾网获悉吉林大学申请的专利支持大规模路网实时预测的多模式时空交通流建模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：CN120337795B 。

龙图腾网通过国家知识产权局官网在2025-08-19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：202510821855.9，技术领域涉及：G06F30/27；该发明授权支持大规模路网实时预测的多模式时空交通流建模方法是由严文;郑黎黎;丁同强;段龙梅;张铁民;陈文昱;杨立成;席建锋;苗书祺;曹诗雨;孟凡运;庄肃岩;李东恒;汤芷;张笑晗设计研发完成，并于2025-06-19向国家知识产权局提交的专利申请。

本支持大规模路网实时预测的多模式时空交通流建模方法在说明书摘要公布了：本发明属于智能交通系统领域，涉及一种支持大规模路网实时预测的多模式时空交通流建模方法，该方法先设计一种面向动态交通网络的时空预测框架，之后进行训练得到最终的预测模型；时空预测框架包括数据嵌入层、时空编码模块、基于专家混合机制的深层建模与输出模块；数据嵌入层包含时间嵌入和谱域空间嵌入两个并行通道及时空数据融合模块；时空编码模块包括并行的块级稀疏时间注意力模块和空间注意力‑消息传递模块及加权融合层；基于专家混合机制的深层建模与输出模块包括MoE动态专家建模模块、全连接映射模块、跳跃连接层、输出层；此种设计提升了模型在高异质性场景下的响应速度、预测精度与跨区域适应能力。

本发明授权支持大规模路网实时预测的多模式时空交通流建模方法在权利要求书中公布了：1.支持大规模路网实时预测的多模式时空交通流建模方法，其特征在于，该方法先设计时空预测框架，之后对其进行训练，得到最终的预测模型；所述时空预测框架包括数据嵌入层、时空编码模块、基于专家混合机制的深层建模与输出模块； 其中，数据嵌入层用于将原始的时空数据转换为高维稠密表示，包含时间嵌入和谱域空间嵌入两个并行通道及时空数据融合模块，时间嵌入通道用于提取局部时序特征与周期性位置编码的时间语义特征，谱域空间通道通过图拉普拉斯谱分解得到空间频域结构特征；时空数据融合模块用于进行特征融合； 交通流预测任务中，定义χt∈RN×F表示在每个时间步t∈{0,1…,T-1}时刻，道路网络中N个节点的交通流量，其中F表示交通流量的维度，将所有时间片上的交通流量组合后，记为原始张量χ： χ＝χ0,χ1,…,χT-1∈RT×N×F； 时空编码模块用于对数据嵌入层得到的输入张量进行时间建模和空间建模，包括并行的块级稀疏时间注意力模块和空间注意力-消息传递模块及加权融合层；块级稀疏时间注意力模块采用基于时间块的自注意力机制，并引入动态掩码机制，其将输入数据按照节点进行切片，从输入数据中提取每个节点对应的时间序列，并对时序特征进行局部建模与尺度对齐处理；空间注意力-消息传递模块融合潜在动态图结构、核函数近似的动态图注意力机制和自适应动态时间规整驱动的时空掩码机制，其将输入数据按照时间步进行切片，构造T帧时序图，每帧图包含所有节点，在图神经网络的第l层，第u个和第v个节点的特征分别为和节点u与节点v在时空掩码矩阵对应的掩码系数为： 其中，表示节点u与v在交通网络中存在直接地理连接，否则为0；表示在节点对u,v之间的道路管制条件影响下的连接强度，ξuv∈[0,1]；γ为温度因子，用于调节DTW相似度对掩码权重的影响程度，DTWχu,χv代表节点u,v的原始时序特征χu,χv的DTW距离，T与输入时间步长度同定义； 将时空掩码矩阵作为先验权重，更新图神经网络第l+1层中节点u的特征，节点u在当前层的特征是通过上一层特征构造出的查询、键和值向量，并按核函数加权方式聚合邻居信息得到，以此建模交通网络中节点间的动态空间依赖关系；加权融合层用于进行特征对齐，实现加权融合； 基于专家混合机制的深层建模与输出模块，用于对统一后的时空特征张量进行建模并生成预测输出，包括MoE动态专家建模模块、全连接映射模块、跳跃连接层、输出层；MoE动态专家建模模块包括多个相互独立的专家子网络和一个门控网络；全连接映射模块用于进行全连接映射；跳跃连接层用于将时空融合特征传递至线性映射层；输出层用于平衡跳跃连接与全连接映射模块的输出，生成最终预测结果。

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吉林大学，其通讯地址为：130012 吉林省长春市南关区人民大街5988号吉林大学南岭校区；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”。