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！

龙图腾网获悉西南科技大学申请的专利一种基于影响系数的道路交通流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：CN116304965B 。

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：202211089382.0，技术领域涉及：G06F18/25；该发明授权一种基于影响系数的道路交通流速度预测方法是由马强;冯家衡;邢玲;高建平;吴红海;张琦设计研发完成，并于2022-09-07向国家知识产权局提交的专利申请。

本一种基于影响系数的道路交通流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影响系数的道路交通流速度预测方法，构建道路拓扑结构，将各个道路的交通流数据按照时间步长计算影响系数并基于路网影响系数相似度、路网距离系数相似度来构建邻接矩阵，并利用两次多层图卷积，将特征矩阵F、邻接矩阵A进行融合，得到带有空间特征的特征矩阵F″并输入到Transformer模型中，通过时间影响力计算特征矩阵的权重矩阵值，计算出预测交通流速度。本发明针对现有技术忽视了速度变化具有时效性的问题，能够有效地预测道路交通流速度，提高预测精度。同时，本发明还具有在运行速度上相比现有技术具有更快的特点。

本发明授权一种基于影响系数的道路交通流速度预测方法在权利要求书中公布了：1.一种基于影响系数的道路交通流速度预测方法，其特征在于，包括以下步骤： 1、基于交通网中各个路段在一段时间内的交通流速度构建无向图 获取交通网中各个路段在一段时间内的交通流速度，根据交通网中的道路构建路网，其中，一段时间为一天、一周、一个月或一年，道路交叉口之间的路段为路网节点，路段之间的连接关系为连边，得到无向图GV，E，其中，G为路网，V为路网节点集合，E为连边集合； 2、构建特征矩阵F： F＝{vij|1≤i≤N且1≤j≤C} N表示路网节点总数量，C表示该一段时间的时刻总数，vij表示第i个路网节点在第j个时刻的交通流速度； 3、构建邻接矩阵A 3.1、计算路网影响系数相似度Sab 3.1.1、确定平稳时刻 若满足： |vij-vij+1|+|vij-vij-1|≤λ 则称第j个时刻为平稳时刻，其中，2≤j≤C-1，λ为阈值，阈值λ通过以下计算得到： 计算第h个时刻前后时刻速度变化值，用表示fih，2≤h≤C-1计算公式为： fih＝|vih-vih+1|+|vih-vih-1| 计算期望μi与标准差σi： 计算第i个路网节点的阈值λi： λi＝μi-σi 计算阈值λ： 3.1.2、确定时间段 依次将两个相邻的平稳时刻分为一个时间段将各个路段在一段时间内的交通流速度分为多个时间段； 3.1.3、计算影响系数均值βik 计算路网节点的影响系数 其中，是第i个路网节点的时间序列中第q个时间段内第k个时刻的影响系数，为第i个路网节点的时间序列中第q个时间段内第k个时刻的交通流速度，为第i个路网节点的时间序列中第q个时间段内开始时刻的交通流速度，为第i个路网节点的时间序列中第q个时间段内结束时刻的交通流速度，liq为第i个路网节点的时间序列中第q个时间段的时刻数量； 计算第i个路网节点各时间段的第k个时刻的影响系数均值βik： 其中，ξi为第i个路网节点的时间段数，k的取值为1到li，li为第i个路网节点各时间段中，最长的时间段的时刻数量，对于其他时间段，不存在的k时刻用0来进行填充； 3.1.4、根据影响系数均值βik，计算路网影响系数相似度Sab： 其中，为第a个路网节点影响系数集合的前x个影响系数的均值，为第b个路网节点影响系数集合的前x个影响系数的均值，x为第a个路网节点最长时间段的时刻数量la以及第b个路网节点最长时间段的时刻数量lb中的较小值； 3.2、路网距离系数相似度Dab： 其中，dab为第a个路网节点与第b个路网节点的欧式距离，其值为： 其中，分别为第a个路网节点与第b个路网节点在地球上的纬度，γa，γb分别为第a个路网节点与第b个路网节点在地球上的经度，R代表纬度或者经度之间一度的距离； 其中，σ表示所有路网节点之间距离的标准差，标准差σ用公式表示为： 且a≠b 其中，μ为所有路网节点距离的期望值，期望值μ用公式表示为： 且a≠b 3.3、依据路网影响系数相似度Sab和路网距离系数相似度Dab计算邻接矩阵A： A＝{rab|rab＝{0，1}，1≤a≤N且1≤b≤N} rab表示第a个路网节点与第b个路网节点之间的关系，1代表有关系，0代表无关系，且rab＝rba，其值为： 其中，Wab表示第a个路网节点与第b个路网节点的关系权重，权重由路网影响系数相似度Sab与路网距离系数相似度Dab相似度决定，其值为： 其中，θ为阈值，其值为： g为交通网中N个路网节点的连边数量； 4、基于特征矩阵F、邻接矩阵A进行两次多层图卷积，得到带有空间特征的特征矩阵F″ 4.1、第一次多层图卷积为： 其中，Wl为第l层的权重矩阵，σ为非线性激活函数，D为度矩阵，Hl为第l层的输入，Hl+1为输出；第一层的输入为特征矩阵即H1＝F，第二层开始，每一层的输入为上一层的输出； 将L层的图卷积后的输出HL+1经过ReLU非线性激活函数映射后得到特征矩阵F′； 4.2、第二次多层图卷积为： 其中，W′l为第l层的权重矩阵，σ′为非线性激活函数，D为度矩阵，H′l为第l层的输入，H′l+1为输出；第一层的输入为特征矩阵即H′1＝F′，第二层开始，每一层的输入为上一层的输出； 将L′层的图卷积后的输出H′l+1经过Softmax激活函数映射后得到特征矩阵F″，即最终得到带有空间特征的特征矩阵F″； 5、特征矩阵F″送入Transformer模型转化为向量并进行训练 5.1、将带有空间特征的特征矩阵F″输入到Transformer的编码器中，编码器按照道路编号将特征矩阵F″中的数据转化为向量yi： yi＝yi1，yi2，...，yiC 其中，向量yi为第i个路网节点交通流速度的向量表示，yij为带有空间特征的特征矩阵F″中路网节点i在第j个时刻的值，j＝1，2，...C； 5.2、构建用于预测的速度值矩阵Y′i并训练Transformer模型 5.2.1、构建用于预测的速度值矩阵Y′i： 构建速度值矩阵Yi： 其中， 即将向量yi1，yi2，...，yiC重复C行，得到速度值矩阵Yi，第m行的向量对应于第m步交通流速度预测； 根据预测的步数与时刻，构建权重矩阵Ti，其值为： 其中，表示第m步预测中，第n个时刻的权重值，其值为： 计算用于预测的速度值矩阵Y′i： Y′i＝Yi*Ti 其中，*代表哈达马积，即两矩阵对应元素一一相乘； 5.2.2、训练Transformer模型 将速度值矩阵Y′i的第一行作为向量送入译码器中进行第一步预测，得到下一段时间第1个时刻的预测交通流速度v′i1，将第二行作为向量送入译码器中进行第二步预测，得到下一段时间第2个时刻的预测交通流速度v′i2，这样进行C步预测，得到下一段时间的C个时刻的预测交通流速度v′ij，j＝1，2，...，C； 将下一段时间的C个时刻的真实交通流速度作为预测目标值v″ij，j＝1，2，...，C，将C个时刻的预测交通流速度与预测目标值代入损失函数，通过梯度下降法更新Transformer模型； 所有N个路网节点对应的向量yi，i＝1，2，...N，都重复本步骤进行Transformer模型的训练； 6、重复选取一段时间N个路网节点的C个时刻的交通流速度，重复步骤2、3、4、5，直到得到预测交通流速度v′ij，i＝1，2，...，N，j＝1，2，...，C与真实交通流速度v″ij的差值小于设定的阈值，或达到设定的训练次数上限； 7、道路交通流速度预测 选取最近一段时间N个路网节点的C个时刻的交通流速度，重复步骤2、3、4、5.1、5.2.1，然后将所有N个路网节点对应的速度值矩阵Y′i，i＝1，2，...N，进行C步预测，得到未来C个时刻的预测交通流速度v′ij，i＝1，2，...，N，j＝1，2，...，C。

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西南科技大学，其通讯地址为：621000 四川省绵阳市涪城区青龙大道中段59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。