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！

龙图腾网获悉浙江工业大学申请的专利基于邻域重建和图对比学习的交通轨迹异常检测方法和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：CN119939465B 。

龙图腾网通过国家知识产权局官网在2025-11-04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：202510013887.6，技术领域涉及：G06F18/2433；该发明授权基于邻域重建和图对比学习的交通轨迹异常检测方法和装置是由孔祥杰;刘晋;杜嘉欣;沈国江设计研发完成，并于2025-01-06向国家知识产权局提交的专利申请。

本基于邻域重建和图对比学习的交通轨迹异常检测方法和装置在说明书摘要公布了：基于邻域重建和图对比学习的交通轨迹异常检测方法和装置，其方法包括：通过选择Porto数据集并进行数据预处理，构建了一个交通轨迹网络，将每辆车的轨迹数据抽象为图中的节点，并通过边表示车辆之间的关系；通过邻域重建模块，利用图神经网络对节点的接收域进行编码，在降维空间中重建节点的邻域结构，捕捉交通轨迹中车辆之间的复杂关系和属性信息；利用图对比学习最大化正样本相似度和最小化负样本相似度，以增强模型对交通轨迹异常行为的学习能力，进而提高对异常轨迹的检测准确性；通过定义的异常评分函数，计算每个轨迹的异常分数，并基于历史数据和误差分析等手段设定异常分数的阈值；最终，通过排名异常分数，高分的轨迹被标记为可能的异常，实现了对交通轨迹异常行为的有效检测。

本发明授权基于邻域重建和图对比学习的交通轨迹异常检测方法和装置在权利要求书中公布了：1.基于邻域重建和图对比学习的交通轨迹异常检测方法，包括以下步骤： S1：选取被广泛使用的交通轨迹数据，对原始数据进行预处理，并定义相应的图结构数据； S2：重建图结构数据邻域信息捕获属性空间的相似性和差异性； S3：子图和节点采样获取正负样本对，提取子图嵌入向量的潜在表示； S4：图对比学习网络捕获嵌入向量的相似性和差异性； S5：定义异常评分函数； S6：进行交通轨迹数据异常检测； 所述步骤S1包含如下步骤： S1.1：选择合适的交通轨迹数据集； S1.2：清洗原始数据，去除无效或异常记录、填补缺失的节点特征数据； S1.3：构建图结构数据，将清洗后的Porto交通轨迹数据抽象成图数据；每辆出租车表示为图中的一个节点，节点的特征包括车辆的位置信息、速度、加速度；构建反映城市交通网络的图结构，边的权重根据车辆之间的距离、行驶时间或交通流密度来定义，从而更精准地捕捉交通网络中的动态特征； S1.4：对于给定无向图G＝V，E,其中{V，V，V……V}表示节点的集合，N表示节点的个数，E表示边的集合；此外，使用节点特征矩阵X∈RN×D表示节点特征信息，邻接矩阵A∈R×N表示图结构信息；同时，使用x∈R表示节点v的特征，用d表示每个节点的度；对于邻接矩阵A，如果Aij＝1，则表示节点v和v之间存在一条边，否则Aij＝0； S1.5：对处理好的交通轨迹数据进行划分，将其分为训练样本和测试样本；其中80％用于训练，20％用于测试； 所述步骤S2包含如下步骤： S2.1：在重建图结构数据邻域信息中，通过图神经网络GNN对节点的接收域进行编码，并在降维空间中重建节点的邻域结构；不仅利用节点表示重建局部邻域信息，还通过引入全局结构信息的对比学习，进一步提升了对节点间复杂关系和属性空间的建模能力； S2.2：为了捕获属性空间的相似性和差异性，首先通过GNN编码器GNNEncoder迭代地聚合节点的邻居信息来更新节点自身的表示，这种聚合操作能够捕捉节点局部邻域的结构信息以及与直接邻居之间的关系特征；然后通过GNN解码器GNNDecoder解码特征信息。

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浙江工业大学，其通讯地址为：310014 浙江省杭州市拱墅区潮王路18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。