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技术大学申请的专利一种数据驱动的自适应共享单车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：CN116128138B 。

龙图腾网通过国家知识产权局官网在2025-11-11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：202310103314.3，技术领域涉及：G06Q10/04；该发明授权一种数据驱动的自适应共享单车预测方法是由冯家辉;刘和福设计研发完成，并于2023-02-13向国家知识产权局提交的专利申请。

本一种数据驱动的自适应共享单车预测方法在说明书摘要公布了：本发明公开了一种数据驱动的自适应共享单车预测方法，其步骤包括：1获取城市中所有共享单车站点的出入站数据、历史天气数据、每个站点的POIs数据；2建立自适应共享单车数量预测模型；3构建样本数据，训练建立的自适应共享单车数量预测模型；4利用建立好的模型实现预测，以达到预测所有共享单车站点进出站车辆数的目的。本发明使用分块注意力机制捕捉局部单车站点之间的空间关系，并采用分组卷积识别局部站点的历史时间数据；同时使用自适应图神经网络动态提取全局的时间和空间特征，从而进一步提升了共享单车系统中每个站点的预测精度。

本发明授权一种数据驱动的自适应共享单车预测方法在权利要求书中公布了：1.一种数据驱动的自适应共享单车预测方法，其特征在于，包括以下步骤： 步骤1，获取所有共享单车站点的进、出站车辆数据并进行预处理： 步骤1.1，获取共享单车的骑行记录，且每条骑行记录包含：初始站点、终止站点、开始时间、终止时间；获取历史天气特征记录；获取每个共享单车站点的POIs空间特征； 步骤1.2，根据预测的时间间隔，构建图结构数据集G，其中，第t个时间间隔的图结构数据记为，表示第t个时间间隔的共享单车站点集合，表示第t个时间间隔内各共享单车站点之间的邻接矩阵；在第t个时间间隔中，若从共享单车站点i到共享单车站点j有单车骑行记录，则令中第i行第j列的元素取值为1，否则，取值为0；表示第t个时间间隔内所有共享单车站点特征；令表示第t个时间间隔内的历史天气特征； 令表示所有共享单车站点的POIs特征；其中，表示天气特征的个数，表示共享单车站点的个数，表示POIs特征的个数； 步骤1.3，设置滑动窗口的宽度为T，并通过滑动窗口对所述图结构数据集G进行样本划分，得到样本集，其中，表示第n个样本，表示第n个滑动窗口的历史数据，且，表示第n个滑动窗口的历史数据中第t个时间间隔的图结构数据，表示第n个滑动窗口的历史数据所预测的第n+1个时间间隔内所有共享单车站点的出、入站车辆数；令表示第n个滑动窗口内所有时间间隔的历史天气特征，且；表示第n个滑动窗口中第t个时间间隔的历史天气特征； 步骤2，搭建时空图神经网络，包括：外部特征融合层、局部特征融合层、自适应特征层、输出层；其中，所述外部特征融合层包括特征嵌入层、特征融合层；所述局部特征融合层包括局部注意力层和分组卷积层； 步骤2.1，定义当前迭代次数为z，并初始化z＝1，定义迭代阈值为Z；初始化所述神经网络中的参数； 步骤2.2，所述外部特征融合层的处理； 步骤2.2.1，所述外部特征嵌入层对POIs特征和历史天气特征进行空间嵌入，得到嵌入的POIs空间特征和第n个滑动窗口内嵌入的天气空间特征； 步骤2.2.2，所述外部特征融合层分别对进行线性变换，得到POIs空间特征和第n个滑动窗口内的天气特征； 步骤2.2.3，所述外部特征融合层计算、之间的特征相似度，并将特征相似度映射到0-1区间内，从而得到第n个滑动窗口内站点之间的相似度值； 步骤2.2.4，所述外部特征融合层基于对和进行线性变换，得到更新后的POIs特征和更新后的天气特征； 步骤2.2.5，所述外部特征融合层基于和得到第n个滑动窗口内的拼接后的特征，并对拼接后的特征进行变换，得到变换后的拼接特征； 步骤2.3，所述局部特征融合层包括：分组注意力模块和分组卷积层；其中，分组注意力层分为随机分组注意力层和固定分组注意力层； 步骤2.3.1，所述随机分组注意力层对第n个滑动窗口下第t个时间间隔内的共享单车站点的特征打乱，并对打乱后的特征再进行分组，从而得到分组后的共享单车站点特征；其中，表示第n个滑动窗口下第t个时间间隔内第k个分组站点特征； 步骤2.3.2，所述随机分组注意力层识别第n个滑动窗口下第t个时间间隔内第i个分组站点特征之间的联系，并得到第n个滑动窗口下第t个时间间隔内更新后的第k个分组站点特征，其中，z=Nu表示每个组内的共享单车站点数量；表示第n个滑动窗口下第t个时间间隔第k个分组中共享单车站点j更新后的特征； 步骤2.3.3，所述随机分组注意力层对进行重排以恢复原来位置后，再进行残差连接和归一化处理，从而得到第n个滑动窗口下第t个时间间隔内更新后的特征； 步骤2.3.4，所述随机分组注意力层得到第n个滑动窗口下第t个时间间隔内的站点特征； 步骤2.3.5，所述固定分组注意力层对进行处理，得到第t个时间间隔内的局部融合特征； 步骤2.4,所述分组卷积层的处理； 步骤2.4.1,所述分组卷积层得到第t个时间间隔内卷积后的特征； 步骤2.4.2,所述分组卷积层利用式19得到第t个时间间隔内拼接后的站点特征： 19 式19中，表示拼接； 步骤2.4.3,所述分组卷积层计算第t个时间间隔内的动态邻接矩阵和第t个时间间隔内最终的邻接矩阵； 步骤2.5，所述自适应特征层的处理； 步骤2.5.1，所述自适应特征层利用式22得到第t个时间间隔内更新后的共享单车站点特征： 22 式22中，表示最大池化操作，表示2D卷积，表示卷积参数； 步骤2.5.2，所述自适应特征层使用式23得到第t个时间间隔内更新后的共享单车站点特征： 23 式23中，表示点乘，表示待学习的参数；表示的转置； 步骤2.6，所述输出层利用式24得到第t个时间间隔内降维后的共享单车站点特征并作为模型的输出结果： 24 式24中，表示前馈神经网络； 步骤2.7，使用均方误差MSE作为损失函数，以损失函数最小化为目标，通过时间反向传播算法对时空图注意力网络中的参数进行优化更新，直到z＞Z为止停止训练，从而得到训练好的时空图注意力网络模型，用于预测未来时间段的共享单车进、出站车辆数目。

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技术大学，其通讯地址为：230026 安徽省合肥市包河区金寨路96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。