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！

龙图腾网获悉无锡学院申请的专利一种基于波流分解与时滞感知的非平稳交通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：CN120409841B 。

龙图腾网通过国家知识产权局官网在2025-08-26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：202510899425.9，技术领域涉及：G06Q10/04；该发明授权一种基于波流分解与时滞感知的非平稳交通预测方法是由朱灵龙;冯星宇;张永宏;阚希;曹海啸;樊旭海;萧旭东;曹燚设计研发完成，并于2025-07-01向国家知识产权局提交的专利申请。

本一种基于波流分解与时滞感知的非平稳交通预测方法在说明书摘要公布了：本发明提出了一种基于波流分解与时滞感知的非平稳交通预测方法，主要分为以下几步：构建交通网络图并输入历史交通流量数据；构建解耦流层，将原始流量解耦为波分量和流分量；构建时间门控卷积模块，捕获短时间依赖性；构建时滞感知有向图注意力，处理波分量的时空因果链；构建自适应图卷积网络，处理流分量的全局稳态特征；构建时间门控卷积模块，捕获长期时间依赖性；构建自适应事件融合模块；构建全连接层；输出预测的交通流量数据。本发明克服了传统方法在预测精度和应对复杂交通网络方面的局限性，有效解决了传统交通流量预测方法在智能交通系统中预测准确度不足、无法反映交通网络影响等问题。

本发明授权一种基于波流分解与时滞感知的非平稳交通预测方法在权利要求书中公布了：1.一种基于波流分解与时滞感知的非平稳交通预测方法，其特征在于，包括以下步骤： 步骤1，将交通网络表示为有向图，获取交通网络中所有传感器的流量数据； 步骤2，构建解耦流层，利用小波变换将流量数据解耦为“波分量”和“流分量”：小波变换后的两个高频分量合并为“波分量”，用于捕捉流量数据中的短期波动和事件信息；小波变换后的低频分量为“流分量”，用于反映流量数据的长期趋势； 步骤3，构建时间门控卷积模块TGC1，将步骤2得到数据输入TGC1捕获短期时间依赖性，得到“波分量”特征和“流分量”特征； 步骤4，构建时滞感知有向图注意力DeDGA，将TGC1输出的“波分量”特征作为DeDGA的输入，捕捉“波分量”在时空维度上的因果关系； 步骤5，构建自适应图卷积网络AdaGCN，将TGC1输出的“流分量”特征作为AdaGCN的输入，提取“流分量”中蕴含的全局稳态特征； 步骤6，构建时间门控卷积模块TGC2，利用TGC2对DeDGA和AdaGCN处理后的特征进一步处理，捕获长期时间依赖性； 步骤7，构建自适应事件融合模块AEFM，由注意力机制计算得出权重，并通过反向传播学习；根据得到的注意力权重，融合“波分量”和“流分量”的预测结果，得到未来流量的综合表示； 步骤8，构建全连接层，使用全连接的神经网络将AEFM输出的未来流量表示转换为期望的预测值； 步骤9，输出预测的交通流量数据；利用损失函数对预测的交通流量数据进行评估，通过与真实值的比较，计算预测误差，衡量预测性能； 其中时滞感知有向图注意力DeDGA的构建方法具体为： 步骤4.1，计算先验时滞相关系数，设为传感器节点的数据，两个传感器节点和之间的先验时滞相关系数为：；；；其中为在时间节点处的业务流；为在时间节点处的业务流；为序列长度；为时滞长度；是在时滞长度处传感器节点和之间的时滞相关系数；时滞相关系数从初始时滞长度开始计算时滞相关系数，然后逐渐增加时滞长度，并在每个增量处计算相应的时滞相关系数； 步骤4.2，提取动态时间窗特征：；；其中是TGC1输出给DeDGA的特征；和为可学习的权重矩阵，用于将输入特征映射到新的特征空间；tanh是双曲正切函数，用于引入非线性，将输入值映射到的范围内；和是经过线性变换和非线性激活后的输出特征矩阵； 步骤4.3，输出特征矩阵，其中ReLU是修正线性单元函数，用于将输入值映射到的范围内； 步骤4.4，基于先验时滞相关系数和动态时间窗特征，构建时滞感知有向图注意力机制：，其中为经训练得到的先验时滞相关系数，为可学习的参数矩阵，为DeDGA输出的“波分量”特征。

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无锡学院，其通讯地址为：214105 江苏省无锡市锡山区锡山大道333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”。