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！

龙图腾网获悉河北师范大学申请的专利基于马尔可夫聚类图注意力网络的城市交通流量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：CN114202122B 。

龙图腾网通过国家知识产权局官网在2025-11-14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：202111521189.5，技术领域涉及：G06Q10/04；该发明授权基于马尔可夫聚类图注意力网络的城市交通流量预测方法是由魏志成;张韬毅;王玉波设计研发完成，并于2021-12-13向国家知识产权局提交的专利申请。

本基于马尔可夫聚类图注意力网络的城市交通流量预测方法在说明书摘要公布了：本发明涉及一种基于马尔可夫聚类图注意力网络的城市交通流量预测方法，包括如下步骤：1、根据历史的交通出行数据，获取时间序列流量矩阵；2、基于马尔可夫聚类算法思想提取图中存在的自然结构信息，获得全局相关性结点矩阵；3、建立生成对抗神经网络模型，该模型生成器中改进的图注意力模块在获取空间隐藏特征时不再像图注意力网络仅将邻结点限制在一阶邻居结点内，而是扩展到基于马尔可夫聚类算法得到的全局相关性结点信息中；学习训练模型，将学习好的模型作为区域交通流量预测模型；本发明改进的图注意力模块不仅关注局部的邻结点，并且动态考虑整体图结构中的邻结点信息，对他们赋予不同的权重，提高对空间特征的获取能力。

本发明授权基于马尔可夫聚类图注意力网络的城市交通流量预测方法在权利要求书中公布了：1.一种基于马尔可夫聚类图注意力网络的城市交通流量预测方法，其特征在于，其包括如下步骤： 步骤1：根据历史的交通出行数据，对所选的区域构造时间序列的图的结构信息，获取对应流量矩阵；具体包括以下步骤： 1.1构造图信息：首先把所选区域划分成等距小范围地块，将其作为图结构的结点，设得到的结点个数为N，并将其依次标注1-N序号； 1.2获得时间序列流量矩阵：将历史交通出行数据按照时间间隔为t的时间序列t1,t2,…,tn进行划分，根据t1,t2,…,tn各自对应的交通出行数据，获取所有地块的流量值，将此数值作为权重得到时间序列的流量矩阵n个，设其中一个流量矩阵表示为获得其中一个流量矩阵公式如下： 其中，表示第ts个时间间隔的流量矩阵，QNN表示两个地块之间的流量值； 步骤2：处理时间序列流量矩阵，提取图中存在的自然结构信息，获得时间序列的空间特征矩阵；具体包括以下步骤： 2.1处理时间序列流量矩阵：基于随机游走的思想，将马尔可夫聚类算法应用于处理时间序列流量矩阵上，使其最终收敛，得到图中自然存在的非连通区域； 处理时间序列流量矩阵公式如下： exp_Mat＝Prob_Mat×Prob_Mat9 公式7中表示步骤1.2中得到的流量矩阵按照ts到tn时间序列相加之和； 公式8对Prob_Mat进行归一化操作，其中：Prob_Mat表示归一化操作后的概率矩阵，i和j表示矩阵索引下标1≤i≤N、1≤j≤N，I表示对角矩阵，与I矩阵形状大小一致； 公式9：exp_Mat是矩阵乘法的结果，×表示矩阵乘法； 公式10对inf_Mat进行归一化操作，其中：*表示哈达玛积，即矩阵对应位置的元素相乘，所得结果与原矩阵形状大小相同； 2.2获取全局相关性结点矩阵马尔可夫聚类算法所得结果结构为多个吸引系统，吸引系统包括一个吸引结点和多个被吸引结点，收敛后的矩阵表现结果为0-1矩阵； 步骤3：建立生成对抗神经网络模型，将时间序列流量矩阵、全局相关性结点矩阵和图的邻接矩阵A作为输入，得到的区域预测交通流量矩阵作为输出，学习训练模型，将学习好的模型作为区域交通流量预测模型； 所述生成对抗神经网络模型包括生成器和判别器； 所述生成器包括改进的图注意力模块和LSTM模块； 所述判别器包括LSTM模块和全连接层，用于判别是真实样本还是生成器生成的预测样本，生成器与判别器互相对抗训练，直到判别器不能判别出输入样本是来自生成器还是真实值，此时可以认为生成器学习到输入样本的分布特征，生成的预测值被作为输出结果，即所选区域的预测交通流量矩阵； 生成器中首先使用改进的图注意力模块，改进的图注意力模块在计算注意力矩阵时引入步骤2.2得到的的结果作为是否为邻结点判断条件得到注意力矩阵，最终将注意力矩阵与流量矩阵共同作用得到隐藏特征；全连接层中计算公式为： F＝σW·output+b17 其中，F为全连接层的结果；output为LSTM模块的结果；W表示全连接层权重参数；b表示全连接层偏置参数；σ为sigmoid激活函数。

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河北师范大学，其通讯地址为：050024 河北省石家庄市南二环东路20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。