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！

龙图腾网获悉大连理工大学申请的专利一种面向交通流量预测任务的连续编码器-解码器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：CN115700599B 。

龙图腾网通过国家知识产权局官网在2026-02-13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：202211342703.3，技术领域涉及：G06N3/0455；该发明授权一种面向交通流量预测任务的连续编码器-解码器方法是由申彦明;刘磊设计研发完成，并于2022-10-31向国家知识产权局提交的专利申请。

本一种面向交通流量预测任务的连续编码器-解码器方法在说明书摘要公布了：本发明提供一种面向交通流量预测任务的连续编码器‑解码器方法，属于时空数据挖掘技术领域。本发明基于NCDEs设计了一种时空连续编码器‑解码器总体架构，突破了现有交通流量预测方法中通过堆叠离散模块来提升模型预测效果的建模方式枷锁，并且更加遵循交通网络时空演化规律。与此同时，本发明基于FWPs和GNNs重构了NCDEs的内核，通过将其嵌入到时空连续编码器‑解码器架构中，使得本发明能够克服传统NCDEs历史遗忘的局限性，进而有效捕获长范围时空相关性。本发明不仅能够大幅提高交通流量预测的准确度，而且具有高参数效率以及高缺失率容忍度等优点。

本发明授权一种面向交通流量预测任务的连续编码器-解码器方法在权利要求书中公布了：1.一种面向交通流量预测任务的连续编码器‑解码器方法，其特征在于，该方法包括以下步骤： 第一步：对交通流量数据进行预处理； 第二步：制作模型训练集、验证集及测试集1利用滑动窗口生成三元组集合S1：根据预测任务需求，确定邻近历史时段窗口尺寸L和未来预测时段窗口尺寸P，而周期历史时段窗口尺寸则等于未来预测时段窗口尺寸；对数据归一化后的交通流量数据进行处理，生成由邻近历史数据、周期历史数据以及预测时段标签三元组组成的集合S1：{Xnear,Xperiod,Ylabel}，其中邻近历史数据Xnear＝{X1,X2,…,Xt,…,XL}∈RL×N×F，周期历史数据Xperiod＝{X1,X2,…,XP}∈RP×N×F，预测时段标签Ylabel＝{Y1,Y2,…,Yt,…,YP}∈RP×N×F；其中，N为传感器数量，F为输入特征数，L为邻近历史时段数，P为未来预测时段数，Xt表示交通网络在历史t时刻的观测值，Yt表示交通网络在未来t时刻的标签值； 2三次样条插值：对邻近历史数据和周期历史数据进行拼接生成{X1,…,XL‑1,XL,XL+1,…,XL+P}∈RL+P×N×F；然后利用三次样条插值方法生成连续且可导的路径X，其中Xt∈RN×F和X′t∈RN×F分别表示路径X在t时刻的值和导数，且t为区间[0,P+L]内的任意实数； 最后将路径X与预测时段标签组合成新集合S2：{X,Ylabel}； 3数据集划分：对集合S2按比例划分为训练集、验证集和测试集，分别用于模型的训练、验证和测试； 第三步：构建时空连续编码器‑解码器模型所述时空连续编码器‑解码器模型由时间处理编码器‑解码器、空间处理编码器‑解码器以及生成器三部分构成； 1时间处理编码器‑解码器利用X′t生成查询qt∈RN×H×D和键kt∈RN×H×D，并用Xt生成值vt∈RN×H×D： qt,kt,vt∈WqX′t,WkX′t,WvXt其中，H为自注意力头数，D为自注意力头的特征维度；Wq表示用于生成查询qt的慢速权重矩阵，Wk表示用于生成键kt的慢速权重矩阵，Wv表示用于生成值vt的慢速权重矩阵； 利用FWPs和delta学习规则来重构时间处理编码器‑解码器内核；经如下神经受控微分方程生成时间处理编码器‑解码器隐藏状态Wt： 其中，X′t与Xt都作为时间处理编码器‑解码器的受控信号用以持续调整其隐藏状态轨迹；Wt∈RN×H×D×D表示在t时刻的时间处理编码器‑解码器隐藏状态，且隐藏状态初始值W0是由MLPs生成的；fWt,Xt,X′t；θf∈RN×H×D×D表示时间处理CDE函数；θf表示可学习参数； 2空间处理编码器‑解码器空间处理编码器‑解码器使用DAGG重构其NCDEs内核： 其中，IN∈RN×N表示单位矩阵；EA∈RN×C表示可训练节点嵌入矩阵，C表示节点嵌入维度； 对应于传统GCN中的B∈RN×N表示度矩阵；σ表示ReLU激活函数；Θ表示可训练权重变换矩阵；b∈RH×D×D表示偏置；Zt∈RN×H×D×D表示t时刻空间处理编码器‑解码器的隐藏状态； 空间处理编码器‑解码器采用时间处理编码器‑解码器隐藏状态Wt的导数W′t作为空间处理编码器‑解码器的受控信号；空间处理编码器‑解码器的公式化定义如下所示： 时间处理编码器‑解码器与空间处理编码器‑解码器通过组合即得到时空处理编码器‑解码器；时空处理编码器‑解码器公式化定义如下： 其中，fWt,Xt,X′t；θf基于FWPs和delta重构内核可以有效捕获长范围时空相关性，gZt；t以DAGG作为内核并以W′t作为受控信号从而能够捕获丰富的空间依赖； 因此，Zt也称为时空处理编码器‑解码器的隐藏状态；通过这种方式，时空处理编码器‑解码器隐藏状态Zt中包含了区间[0,t]内丰富的时空特征； 3生成器利用查询qt来获取时空处理编码器‑解码器隐藏状态Zt中对于t时刻有用的特征，该过程公式化定义如下所示： 其中，t∈R且0＜t≤P，Ft∈RN×H×D表示利用qt提取到的对于时刻t预测有用的特征； 带有残差连接的MLPs生成器根据上述公式获得特征集F＝{F1,F2,…,FP}∈RP×N×H×D作为输入获得未来P个时间步的预测值H2＝σFCH×D→H×DH1+F其中，表示层归一化操作，σ表示ReLU激活函数； 第四步：模型训练与性能评估1模型训练：将批量连续路径X作为输入数据输入到时空连续编码器‑解码器模型当中后获得模型预测结果，选择损失函数并根据模型预测结果与标签值计算损失值，选择优化算法计算模型参数的最优解；在模型训练期间，根据验证集拟合情况调整模型超参数； 2性能评估：确定评价指标，用于衡量测试集中模型预测结果与标签值的拟合情况，进而评估模型整体预测效果。

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大连理工大学，其通讯地址为：116024 辽宁省大连市甘井子区凌工路２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。