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！

龙图腾网获悉石家庄铁道大学;河北物图科技有限公司;石家庄桑诺科技有限公司申请的专利一种基于域对抗和多视角时空图神经网络交通流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：CN120145229B 。

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：202510224966.1，技术领域涉及：G06F18/2431；该发明授权一种基于域对抗和多视角时空图神经网络交通流预测方法是由张文胜;孙正扬;杨春燕;刘锟;习月梅;韩珍珍;边峰;章祖贺;崔浩然;王婷;赵翔;张志昊;冯哲楠;佐西设计研发完成，并于2025-02-27向国家知识产权局提交的专利申请。

本一种基于域对抗和多视角时空图神经网络交通流预测方法在说明书摘要公布了：本发明涉及交通流预测领域，尤其是涉及一种基于域对抗和多视角时空图神经网络交通流预测方法，包括以下步骤：分别基于三个不同的视角构建三个不同的时空图，三个不同的时空图包括空间距离图、功能相似图和自适应图；构建时空图卷积网络，时空图卷积网络包括多个堆叠的图卷积网络和时间卷积网络，图卷积网络用于提取节点空间特征，时间卷积网络用于提取节点时间特征；对时空图卷积网络采用域对抗训练方法学习，获得交通预测模型；将捕获的信息源输入至交通预测模型，获得预测结果。本申请通过结合域对抗和多视角时空图神经网络来预测交通流信息，极大的提高了数据稀缺环境下预测的交通流信息的准确性和精准度。

本发明授权一种基于域对抗和多视角时空图神经网络交通流预测方法在权利要求书中公布了：1.一种基于域对抗和多视角时空图神经网络交通流预测方法，其特征在于，包括以下步骤： S1、分别基于三个不同的视角构建三个不同的时空图，三个不同的时空图包括空间距离图、功能相似图和自适应图； 所述空间距离图定义为： ； 其中，是节点i和节点j之间的距离，和是控制空间距离图稀缺率的阈值； 构建功能相似图包括给定两个时间序列和，X和Y的相似度计算公式为： ； 其中，是累加距离，代表从时间序列起点开始到点的累加距离，到达终点后，该累加距离就是时间序列X和Y的相似度，是两个点之间的度量指标，采用绝对距离计算； 使用DTW算法计算的功能相似图定义为： ； 其中，表示节点i的时间序列，是控制功能相似图稀缺率的阈值； 构建自适应图包括随机初始化两个学习的节点嵌入矩阵，其中表示节点嵌入维度；通过嵌入矩阵的点积运算生成节点间的空间依赖关系，定义如下： ； 其中，和表示节点嵌入矩阵，表示自适应矩阵，使用激活函数ReLu对矩阵进行稀疏化处理，并通过softmax对矩阵进行归一化得到最终的自适应矩阵； S2、构建时空图卷积网络，时空图卷积网络包括多个堆叠的图卷积网络和时间卷积网络，图卷积网络用于提取节点空间特征，时间卷积网络用于提取节点时间特征； 时间卷积网络采用膨胀因果卷积，给定输入序列，膨胀因果卷积的卷积操作表示为： ； 其中，是输入时间序列，是时间步，为时间步处的输出，是扩张因子，控制卷积核元素之间的间隔，k是卷积核的大小，是卷积核； 门控机制通过引入控制信号来调节信息流动的方向，在时间卷积网络中引入门控机制，以更精细地控制信息的传递和过滤过程； 采用门控TCN处理原始的时空图信号，捕捉节点的时间特征；给定时空图信号，门控时序卷积和获取的时间特征表示为： ； 其中，为所提取的时间特征，是节点数量，是预测时间步长度，是时间特征的维度，为时空图信号，为时序卷积操作，，，，是时序卷积TCN的学习参数，*表示卷积操作，表示点积操作，tanh和为激活函数； 图卷积网络包括给定获取的时间特征，GCN操作和获取的时空特征表示为： ； 其中，是所提取时空特征，是节点数量，是预测时间步长度，为时空特征的维度，为图卷积操作，是时间特征，是激活函数，是邻接矩阵，包括空间距离矩阵，功能相似性矩阵和自适应矩阵，为学习的权重矩阵； S2还包括对三个视角的时空特征进行拼接操作，拼接操作表示为： ； 其中，表示融合后的时空特征，供后续的时空建模和预测任务使用，分别表示从空间距离、功能相似和数据驱动视角提取的时空特征，表示拼接操作； S3、对时空图卷积网络采用域对抗训练方法学习，获得交通预测模型； S4、将捕获的信息源输入至交通预测模型，获得预测结果。

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石家庄铁道大学;河北物图科技有限公司;石家庄桑诺科技有限公司，其通讯地址为：050000 河北省石家庄市北二环东路17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。