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！

龙图腾网获悉北京航空航天大学申请的专利一种基于超图学习的城市区域到访者动态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：CN119443345B 。

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：202411352545.9，技术领域涉及：G06Q10/04；该发明授权一种基于超图学习的城市区域到访者动态预测方法是由冷彪;尤美玥设计研发完成，并于2024-09-26向国家知识产权局提交的专利申请。

本一种基于超图学习的城市区域到访者动态预测方法在说明书摘要公布了：本发明提供一种基于超图学习的城市区域到访者动态预测方法，包括三个步骤。步骤一是到访事件预处理与超图构建：对到访事件进行预处理，并构建多层级点位访问情况超图；步骤二是城市空间点位超边特征提取：围绕多层级点位访问情况超图，开展基于多头注意力机制和时间因子的超边特征构造；步骤三是执行基于多损失融合的模型训练优化。根据本发明技术方案，通过对访问数据进行时段划分，并构建多层级的访问情况超图，提高数据层次性，为增强时段语义信息、捕捉多个时段间高阶关联提供数据结构支持；通过多损失融合，在提升不同时间段间关联性和点位访问特征鲁棒性的同时，确保了最终预测结果的准确性和可靠性。

本发明授权一种基于超图学习的城市区域到访者动态预测方法在权利要求书中公布了：1.一种基于超图学习的城市区域到访者动态预测方法，其特征在于，包括以下步骤： 步骤一：到访事件预处理与超图构建：对到访事件进行预处理，并构建多层级点位访问情况超图； 步骤二：城市空间点位超边特征提取：围绕多层级点位访问情况超图，开展基于多头注意力机制和时间因子的超边特征构造； 步骤三：执行基于多损失融合的模型训练优化； 将时间因子融入多层级点位访问情况超图的信息传递和更新机制过程： ， 其中，对于目标节点和源节点，集合包含所涉及的所有邻接节点，代表目标节点i在第l+1轮迭代的表示向量，代表目标节点j在第轮的表示向量，则对应目标节点j的原始特征，代表与间作用于关系上的时间因子表示向量；Propagate表示更新机制算法，Message表示信息传递算法； 在消息传递过程中，利用加算子组合节点表示向量与时间因子向量，得到消息传递向量： ， 在节点特征更新过程中，引入Transformer架构中常用的多头注意力机制来评估每条消息的重要性，通过设置了个不同的注意力头，在捕捉源节点到目标边的关联性的同时，使模型关注来自多个表示子空间的信息；然后通过注意力权重的加权求和来聚合邻域消息，最终得到更新后的表示向量： ， ， ， 其中，，以及是第个注意力头的可学习参数矩阵，利用矩阵和目标节点的表示向量构造注意力头的查询，利用，与消息传递向量，构造键和值，表示输入到多头注意力机制的特征维度，是第n个注意力头的输出，最后通过拼接结合H个头的输出，归一化后得到新一轮的节点特征聚合结果； 步骤三包括： 首先，对于作为基准的时段级访问情况特征，选取正样本，以拉近相同功能属性点位在相似时段的特征，同时，选取负样本，以推远不同功能属性点位在相同时段的特征，通过计算三元组损失，为监督多点位多时段特征的提取提供支持： ， 其中，表示两个特征间的余弦相似度，表示用于控制正负样本之间距离的边界值超参数； 将城市区域到访者的待预测时段转换为可学习的编码向量，随后将与各点位访问情况特征相结合，最终输出待预测时段对应的预测结果，结合基于实际到访者列表构造的目标标签，计算动态预测损失 其中，是预测输出阶段的可学习参数，是待测样本数量，表示用于将模型输出转换为概率的Sigmoid函数； 通过多损失加权融合得到的最终损失： ， 其中，和是加权超参数，用于城市区域到访者动态预测模型的参数迭代与优化： ， ， 其中，和代表模型参数，是梯度运算符，表示梯度，则为学习率。

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北京航空航天大学，其通讯地址为：100191 北京市海淀区学院路37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。