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！

龙图腾网获悉东莞理工学院申请的专利一种异质区域性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：CN120258194B 。

龙图腾网通过国家知识产权局官网在2025-11-18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：202510202320.3，技术领域涉及：G06Q10/04；该发明授权一种异质区域性流量预测方法是由任斌;范鹤潇;何春红设计研发完成，并于2025-02-22向国家知识产权局提交的专利申请。

本一种异质区域性流量预测方法在说明书摘要公布了：本发明的一种异质区域性流量预测方法，包括如下步骤：S1：流量监测模块监测；S2：特征分析模块传输至神经网络流量预测模块；S3：神经网络流量预测模块中包括：S31：带状卷积层对空间数据预处理；S32：使用扩展因果卷积作为时间卷积层来获得路网节点之间的时间相关性；S33：通过自适应图卷积层模仿异质区域间的道路连接关系，分析空间特征，当面对车流交汇区域选择时使用时空聚合模块，结合时空聚合模块使自适应图卷积层关注时间信息改变；S34：通过跨通道空间注意层学习相邻道路的连通关系；S35：通过残差连接与全连接层聚合空间与时间信息获取流量预测结果；S4：交通信息可视化模块展示；本发明提升流量预测精度和预测速度，其方法兼容性强。

本发明授权一种异质区域性流量预测方法在权利要求书中公布了：1.一种异质区域性流量预测方法，其特征在于，其包括如下步骤： S1：流量监测模块通过路网节点部署获取道路流量初始数据并传递给特征分析模块； S2：特征分析模块分析道路流量初始数据，排除异常数据值，将流量初始数据转化为可输入神经网络的特征矩阵，将特征矩阵输入神经网络流量预测模块； S3：神经网络流量预测模块中的计算系统通过若干个堆叠的时空模块对S2中的特征矩阵进行预测处理，若干个时空模块通过跳跃连接和残差连接将不同深度的时空信息组合在一起，其组合在一起的步骤包括如下子步骤： S31：带状卷积层通过带状卷积来稳定空间数据结构，通过二维卷积扩展空间维度后，使用带状块将空间连接起来，对空间数据进行预处理； S32：使用扩展因果卷积作为时间卷积层来获得路网节点之间的时间相关性； S33：通过自适应图卷积层模仿异质区域间的道路连接关系，分析空间特征，当面对车流交汇区域选择时使用时空聚合模块，在完成时间步长的推理之后有效结合时间与空间上交通节点信息，将预测的时间步长信息嵌入交通节点，结合此时空聚合模块使自适应图卷积层关注到时间信息的改变； S34：通过跨通道空间注意层学习相邻道路的连通关系； S35：通过残差连接与全连接层聚合空间与时间信息获取流量预测结果； S4：通过交通信息可视化模块展示交通流量预测结果，实时显示监控区域交通流量状况和调控方案； 在步骤S31中，带状卷积层在输入中连接远距离空间数据，其中，使用点结构和边结构聚类的空间特征，对节点和边结构的输入分别使用大小为3的卷积核并行进行一维卷积，输出结果Z如下：其中，X表示为一个特征矩阵输入，N、D分别为该一个特征矩阵两个方向的分量，⊙表示矩阵进行哈德曼乘积运算，σ是sigmoid函数，将特征映射至0-1区间，函数g-,-表示对两个位置的输入分别进行一维卷积后的组合； 在步骤S33中，时空聚合模块包括以下步骤： 时序状态嵌入通过四元张量运算建模跨时间步的节点状态转移关系P，其计算过程满足：其中，X为交通节点特征矩阵，为可训练的时间参数矩阵，V为输入的车流速度向量，为偏置项，四元张量建模跨时间步的节点状态转移关系P，可动态调整受影响区域在后续时间步的权重；通过动态空间关系建模生成矩阵D，其计算过程满足：其中X为交通节点特征矩阵，为可训练的空间参数矩阵，V为输入的车流速度向量，为偏置项，动态空间关系建模生成矩阵D通过链式乘积构建降维空间交互算子，其与自适应图卷积模块结合，获得输出的时空聚合特征Z：时空聚合特征Z将所述动态空间关系建模生成矩阵D与自适应邻接矩阵进行矩阵乘法运算，生成融合实时车速的空间关联特征，将所述节点状态转移关系矩阵P与输入特征矩阵X进行矩阵乘法运算，实现车流速度与时空状态的联合编码，最终输出的时空聚合特征Z同时包含路网拓扑约束和车流传播时延特性。

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东莞理工学院，其通讯地址为：523808 广东省东莞市松山湖科技产业园区大学路1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。