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！

龙图腾网获悉中国矿业大学申请的专利一种基于多空间尺度时空Transformer的交通速度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：CN116311921B 。

龙图腾网通过国家知识产权局官网在2025-10-31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：202310182427.7，技术领域涉及：G08G1/01；该发明授权一种基于多空间尺度时空Transformer的交通速度预测方法是由张悦;刘佰龙;安计勇;张磊;梁志贞;杨林设计研发完成，并于2023-03-01向国家知识产权局提交的专利申请。

本一种基于多空间尺度时空Transformer的交通速度预测方法在说明书摘要公布了：本发明公开了一种基于多空间尺度时空Transformer的交通速度预测方法，属于交通预测规划技术领域。预测方法包括：将预处理后的路段传感器速度序列数据依次输入多尺度空间特征提取模块、交通时空特征提取模块以及预测模块，逐步实现多尺度动态空间结构和静态路网结构的特征提取、精准建模时空依赖以及预测未来一段时间的交通速度。本发明多尺度空间特征提取模块能够全面且有针对的提取空间特征，在提高预测精度的同时减少了大量无用计算。另外，交通时空特征提取模块根据交通特性以及数据的相对位置信息选择更有价值的历史数据以进行充分的时空特征提取，解决了提取时空依赖时存在的丢失相对位置信息的问题。

本发明授权一种基于多空间尺度时空Transformer的交通速度预测方法在权利要求书中公布了：1.一种基于多空间尺度时空Transformer的交通速度预测方法，其特征在于：利用城市交通速度数据设计预测模型，实现全面且有针对的提取空间特征、精准建模时空依赖特征和预测未来一段时间的交通速度；所述预测模型包括多尺度空间特征提取模块、交通时空特征提取模块和预测模块；包括如下步骤： 步骤1、对获取到的路段传感器速度序列数据进行预处理：包括处理传感器节点数据以及生成样本集合，得到预处理后的速度样本集和路网的带权邻接矩阵； 步骤2、将步骤1处理后的数据输入多尺度空间特征提取模块，得到融合了多尺度动态空间结构以及静态路网结构特征的速度数据；所述多尺度空间特征提取模块包括节点特征提取层、区域特征提取层、道路特征提取层、静态路网特征提取层以及融合层；将步骤1得到的速度数据样本分别输入各特征提取层来分别提取节点层面、区域层面和道路层面三个尺度的动态空间结构特征以及静态的路网结构特征；之后将三个尺度的动态特征以及静态的特征数据输入融合层来进行融合，得到融合了多尺度动态空间结构以及静态路网结构特征的速度数据；多尺度空间特征提取模块能够全面且有针对的提取空间特征，在提高预测精度的同时减少大量无用信息的计算； 多尺度空间特征提取模块的提取过程为： 首先,以速度样本Xh为例，将速度样本Xh先经过一层1×1的卷积层来扩充特征通道数，得到扩充特征通道之后的数据 其中：Conv表示卷积操作； 将并行输入传感器节点特征提取层、区域特征提取层、道路特征提取层以及静态特征提取层，分别得到节点层面的特征Snode、区域层面的特征Sarea、道路层面的特征Sroad以及静态的路网结构特征Sstatic；之后将上述特征输入融合层来将三个尺度的动态特征以及静态的特征融合，得到融合了多尺度动态空间结构以及静态路网结构特征的速度数据XS： XS＝FusionSnode,Sarea,Sroad,Sstatic 其中：Fusion表示融合层的融合操作； 所述区域特征提取层包括区域位置嵌入单元、区域多头自注意力单元、前馈神经网络单元； 首先，采用可学习的空间位置嵌入矩阵来学习节点之间的动态位置关系，并将其融入到原始数据中； 其次，将经过位置嵌入后的数据输入区域多头自注意力单元来学习不同方面的特征； 最后再经过前馈神经网络单元以提取更深层的特征； 所述区域位置嵌入单元的嵌入过程为： 使用一个可学习的空间位置嵌入矩阵来学习节点之间的动态位置关系，Rarea初始化为带有权重的邻接矩阵W，得到位置嵌入后的数据 其中，F为一个1×1的卷积层，用于将动态的位置信息融入到输入数据中去； 所述区域多头自注意力单元的特征提取过程为： 在区域多头自注意力单元中使用了个注意力头来学习不同方面的特征，之后将每个注意力头的结果聚合起来；在每个注意力头中，对输入数据进行空间特征提取，其中，并行计算，特征提取过程为： 首先，为N个传感器节点序列训练三个潜在子空间，包括查询子空间Qarea、键子空间Karea和值子空间Varea：其中，分别是Qarea,Karea,Varea的可学习权重矩阵； 其次，计算节点之间的注意力分数，在计算区域注意力分数时对节点进行了筛选，只计算其区域范围内的注意力分数，筛选过程如下： 其中，表示在查询子空间中对应的值，表示在键子空间中对应的值，表示矩阵的转置；dk表示Karea的维度，用于防止梯度消失以及出现的输入值过大的问题；Bij表示筛选变量，当节点j在节点i的区域范围内时，Bij的值为0，反之置为负无穷： 其中Ri表示以节点i为中心，根据给定的距离阈值K所确定的区域范围内所有其他节点的集合； 再次，将得到的注意力分数用激活函数softmax将注意力分数映射到[0,1]范围内，以确保它们在整个序列中总和为1，之后与对应的值子空间相乘相加，得到提取过区域特征的数据Marea： 最后，使用带有残差连接的层标准化操作来稳定该单元的输出，得到提取过区域空间特征的数据M′area： 其中：LN表示层标准化操作，用于保证数据稳定性； 所述前馈神经网络单元的特征提取过程为： 前馈神经网络由两层线性层与一个非激活函数组成；为了防止梯度消失，在特征提取后加入了带有残差连接的层标准化操作来稳定输出，得到提取过区域空间特征的数据Sarea： Sarea＝LNLinearReLULinearM′area+M′area 其中：LN表示层标准化操作，用于保证数据稳定性；Linear表示线性层，用于扩张和缩小数据的维度；ReLU是非线性激活函数，用于学习数据的非线性特征； 步骤3、将步骤2得到的提取过空间结构特征的速度数据经过交通时空特征提取模块进行时空依赖关系的构建，得到具有精准时空依赖的速度数据；所述交通时空特征提取模块包括交通时间位置嵌入层、多头自注意力层以及前馈神经网络层；交通时空特征提取模块首先将提取过空间特征的速度数据XS输入交通时间位置嵌入层来学习数据中对应时间的先后位置关系，之后经过多头自注意力层学习数据中的时空特征，最后输入前馈神经网络层学习数据之间非线性的依赖关系； 所述交通时间位置嵌入层的嵌入过程为： 由于绝对位置嵌入的方法会丢失一些位置信息，所以序列注入相对位置信息，并且在之后计算注意力分数时加入一个可训练的表示相对位置的参数； 提取过空间特征的速度数据的数据长度为l，它们之间共存在2l-1种相对位置关系，相对位置关系表RPR表示为： RPR＝[-l+1,…,-2,-1,0,1,2,…,l-1]； 其中，与之间的相对位置关系为aij＝j-i∈RPR；之后为2l-1种相对位置关系分别生成对应的权重矩阵，其中aij对应的权重向量为Wi-j；由于交通数据是有高度时间流动性的数据，未来的时间不会影响到之前时间步的数据走向，所以将RPR中表示未来的值的权重向量置为0，即Wi-j＝0，i-j＜0； 所述多头自注意力层的特征提取过程为： 在多头自注意力层中使用了个注意力头来学习不同方面的特征，之后将每个注意力头的结果聚合起来；在每个注意力头中，对输入数据XS进行时空特征提取，时空特征提取过程为： 首先，为训练查询子空间QT、键子空间KT和值子空间VT：其中，分别是QT,KT,VT的可学习权重矩阵； 其次，计算节点之间的依赖关系，由与经过点积计算得到： 其中，表示矩阵的转置；dk表示KT的维度，用于防止梯度消失以及出现的输入值过大的问题；Wi-j是表示序列之间相对位置的权重矩阵； 再次，与对应的值子空间相乘，得到提取过时间依赖关系的数据MT： MT＝STVT 其中，ST包含表示序列中所有时间步之间的注意力分数； 最后，使用带有残差连接的层标准化操作来稳定该单元的输出，得到提取过时间依赖特征之后的数据M′T： M′T＝LNXS+MT 其中：LN表示层标准化操作，用于保证数据稳定性； 所述前馈神经网络单元的特征提取过程为： 前馈神经网络由两层线性层与一个非线性激活函数组成，为了防止梯度消失，在特征提取后加入了带有残差连接的层标准化操作来稳定输出，得到具有精准时间依赖的交通速度数据XST： XST＝LNLinearReLULinearM′T+M′T 其中：LN表示层标准化操作，用于保证数据稳定性；Linear表示线性层，用于扩张和缩小数据的维度；ReLU是非线性激活函数，用于学习数据的非线性特征； 步骤4、将步骤3得到的具有精准时空依赖的速度数据XST输入预测模块进行多步预测，以预测未来一段时间的交通速度；同时使用损失函数训练所述交通速度预测模型，逐步训练优化参数以实现对城市交通速度的准确预测。

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矿业大学，其通讯地址为：221116 江苏省徐州市大学路1号中国矿业大学；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。