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！

龙图腾网获悉中国人民解放军国防科技大学申请的专利一种交通网络的节点优化方法及装置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：CN119294579B 。

龙图腾网通过国家知识产权局官网在2025-10-28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：202411222465.1，技术领域涉及：G06Q10/04；该发明授权一种交通网络的节点优化方法及装置是由范长俊;曾利;陈超;蒲天乐;黄魁华;石建迈;刘忠设计研发完成，并于2024-09-02向国家知识产权局提交的专利申请。

本一种交通网络的节点优化方法及装置在说明书摘要公布了：本发明实施例提供一种交通网络的节点优化方法及装置，包括：将交通网络的节点的利用问题优化为最大团问题，基于QUBO模型的通用目标函数，将所述最大团问题转化为QUBO模型；运用图神经网络来表征所述QUBO模型的QUBO图的结构和特性，构建得到深度学习模型CONQUER；通过对深度学习模型CONQUER进行训练，以探索交通网络的节点的优化问题的最优解，得到训练好的深度学习模型CONQUER。通过将交通网络分析中的密集区域确定问题建模为组合优化中的最大团问题，通过寻找最大团来进行交通网络结构的分析，有助于有效解决交通网络分析中的密集区域确定问题，提高了针对交通网络流量优化的准确性和可靠性。

本发明授权一种交通网络的节点优化方法及装置在权利要求书中公布了：1.一种交通网络的节点优化方法，其特征在于，包括： 将交通网络的节点的利用问题优化为最大团问题，所述节点包括交通节点； 基于QUBO模型的通用目标函数，将所述最大团问题转化为QUBO模型； 运用图神经网络来表征所述QUBO模型的QUBO图的结构和特性，构建得到深度学习模型CONQUER； 通过对深度学习模型CONQUER进行训练，以探索交通网络的节点的优化问题的最优解，得到训练好的深度学习模型CONQUER；训练好的深度学习模型CONQUER用于对任一交通网络的节点的利用问题进行优化，得到节点优化结果，所述节点优化结果包括：采用的节点、节点数量、节点间的道路使用频率； 将交通网络的节点的利用问题优化为最大团问题，包括： 将交通网络表示为G＝V,E，V是指交通网络中的节点集合，包含在交通网络中具有相互联系的个体，所述个体包括：交通网络中的交叉口、路段起点和终点、交通信号控制点、重要地点、传感器位置，E是指边集合，表示由具有相互作用关系的个体组成的边，边表示交通网络中的道路、路段、线路，和或边表示节点之间的抽象连接关系：交通灯之间的关联性、两个路口之间道路的流量； 定义符号和参数以下： x_v：二元变量，x表示交通网络的节点，v表示节点的序号，当节点v被选入团时为1，否则为0； Nv：节点v的邻居节点集合； 目标函数fx：表示最大化团的大小，最大化团的大小是指最大化被选中的节点数，将所述最大团问题表示为： 约束条件：每个节点在团中要么被选择，要么不被选择，将约束条件表示为： xv、xu表示交通网络中的任意两个节点； 基于QUBO模型的通用目标函数，将所述最大团问题转化为QUBO模型，包括： 将所述QUBO模型的通用目标函数表示为： 其中，x＝x1，x2，…，xn表示由二元变量组成的决策向量，二元变量为0或1，xi、xj是边的两端的节点，矩阵Q是对称矩阵或上三角矩阵，ai＝Qij，所以bij＝Qij，ai表示节点权重，bij表示边上的权重； 根据HQUBOx对应的算式，定义一个对应的无向图G＝V,E，节点vi∈V表示HQUBOx中的决策变量，对应的权重等于线性项的系数ai；节点vi和vj通过边eij∈E连接,对应的权重等于HQUBOx对应的算式中二次项的系数bij，从而将最大团问题的目标和约束信息编码到无向图结构中，使得神经网络直接学习最大团问题的QUBO模型的目标函数，将最大团问题的QUBO模型的目标函数表示为： 其中，i∈V表示交通网络中的节点，节点的序号为i，p表示QUBO模型的惩罚系数，表示不存在连接关系的节点； 运用图神经网络来表征所述QUBO模型对应的QUBO图的结构和特性，构建得到深度学习模型CONQUER，包括： 构建编码器，所述构建编码器具体包括：整合中心性编码层、消息传递层、Transformer层和迭代计算求解层；其中： 在整合中心性编码层： 将QUBO图中的每个节点都通过对应的度进行增强以捕获所述QUBO图中的节点的重要性，并进行编码，将所述QUBO图中的每个节点分别通过对应的度进行增强后并进行编码得到对应的向量表示为： 其中，ReLU指的是激活函数，中的i表示第i个节点，0表示初始特征，xi是节点的初始特征，zdegvi是对节点的度进行编码，vi是指序号为i的节点，W1和W2是神经网络的参数，且是可学习的参数； 在消息传递层： 采用邻域聚合过程，合并节点的特征得到边的特征聚合，合并边的特征得到节点特征聚合，将边的特征聚合和节点特征聚合分别表示如下： 其中，hij＝ReLUW3xij为初始的边缘嵌入向量，为神经网络的中间输出，xij为边缘输入特征，W4、W5、W6、W7是神经网络的参数，且均为可学习的参数； 在得到第l步的节点特征之后，可以通过拼接该节点上一步的特征实现残差连接，将残差连接表示如下： 其中，W8是神经网络的参数，且为可学习的参数； 在Transformer层中： 将消息传递层的输出与Transformer层内的全局attention层的输出聚合在一起，得到更新的节点特征： 其中，MHA表示多头注意网络，LN表示层归一化，FFN表示前馈神经网络层；表示第l-1步时获得的节点嵌入向量，表示经过多头注意网络后的节点嵌入向量； 在迭代计算求解层： 用于在求解时，将自Transformer层输出的更新的节点特征作为整合中心性编码层的输入，重复循环执行整合中心性编码层、消息传递层、Transformer层的步骤进行迭代，迭代完毕后，得到每个节点对应的最终嵌入向量，将每个节点的最终嵌入向量表示为： 将所有节点的最终嵌入向量进行求和得到：zs＝∑i∈Vzi，采用求和表征QUBO模型的解。

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人民解放军国防科技大学，其通讯地址为：410073 湖南省长沙市开福区德雅路109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。