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！

龙图腾网获悉中国科学院自动化研究所申请的专利交通预测方法、装置、电子设备及存储介质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：CN115238963B 。

龙图腾网通过国家知识产权局官网在2025-10-17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：202210723890.3，技术领域涉及：G06Q10/04；该发明授权交通预测方法、装置、电子设备及存储介质是由吕宜生;魏泽兵;陈薏竹;王晓;王飞跃设计研发完成，并于2022-06-23向国家知识产权局提交的专利申请。

本交通预测方法、装置、电子设备及存储介质在说明书摘要公布了：本发明提供一种交通预测方法、装置、电子设备及存储介质，其中方法包括：确定历史交通数据和历史交通数据的缺失位置矩阵；将历史交通数据和缺失位置矩阵输入至预测补全模型中，得到预测补全模型输出的预测结果；预测补全模型在初始模型中数据补全模块的权重参数的基础上，应用样本数据、样本缺失数据、样本数据期望值和样本缺失位置矩阵，对初始模型进行训练得到的；初始模型中数据补全模块的权重参数是基于样本数据、样本缺失数据和样本缺失位置矩阵预训练得到的，本发明提供的方法实现了预测模型中的预测模块和数据补全模块之间的信息交互，完成了端到端的预测，在提高即时性的同时，提高了预测结果的准确性。

本发明授权交通预测方法、装置、电子设备及存储介质在权利要求书中公布了：1.一种交通流量预测方法，其特征在于，包括： 确定历史交通流量数据和所述历史交通流量数据的缺失位置矩阵； 将所述历史交通流量数据和所述缺失位置矩阵输入至预测补全模型中，得到所述预测补全模型输出的预测结果； 所述预测补全模型在初始模型中数据补全模块的权重参数的基础上，应用样本数据、样本缺失数据、样本数据期望值和样本缺失位置矩阵，对所述初始模型进行训练得到的；所述初始模型中数据补全模块的权重参数是基于所述样本数据、所述样本缺失数据和所述样本缺失位置矩阵预训练得到的； 所述预测补全模型的训练步骤，包括： 确定所述初始模型；所述初始模型包括数据补全模块和预测模块； 基于所述样本数据、所述样本缺失数据、所述样本数据期望值和所述样本缺失位置矩阵对所述数据补全模块进行预训练，得到所述数据补全模块的权重参数； 基于所述权重参数、所述样本数据、所述样本缺失数据、所述样本数据期望值和所述样本缺失位置矩阵，对所述数据补全模块和所述预测模块进行联合训练，得到所述预测补全模型； 所述对所述数据补全模块和所述预测模块进行联合训练，包括： 基于联合训练损失函数，对所述数据补全模块和所述预测模块进行联合训练；所述联合训练损失函数是以所述样本数据期望值和所述预测模块输出的所述样本数据的初始预测结果之间的差异，以及所述样本缺失数据和所述数据补全模块输出的所述样本数据的补全数据之间的差异构建的； 所述初始预测结果的获取步骤，包括： 基于所述样本数据和所述样本数据的补全数据，确定样本重建数据； 基于所述样本重建数据和各时间粒度，确定所述各时间粒度对应的样本重构数据； 基于所述各时间粒度对应的样本重构数据，确定样本融合特征； 基于所述样本融合特征，确定得到所述初始预测结果； 所述基于所述各时间粒度对应的样本重构数据，确定样本融合特征，包括： 对所述各时间粒度对应的样本重构数据进行时空特征提取，得到所述各时间粒度对应的样本时空特征； 基于所述各时间粒度对应的样本时空特征及自适应权重，确定样本时空融合特征； 基于所述样本时空融合特征和外部因素特征，确定所述样本融合特征；所述外部因素特征包括天气因素特征和或时段因素特征。

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中国科学院自动化研究所，其通讯地址为：100190 北京市海淀区中关村东路95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。