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！

龙图腾网获悉无锡学院;公安部交通管理科学研究所;南京气象科技创新研究院申请的专利基于多层次时空与感知融合的交通流量预测方法及设备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：CN121092937B 。

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：202511653945.8，技术领域涉及：G06F18/20；该发明授权基于多层次时空与感知融合的交通流量预测方法及设备是由张永宏;孙正良;朱宇希;王泉;顾金刚;娄琼丹;阚希;朱灵龙设计研发完成，并于2025-11-12向国家知识产权局提交的专利申请。

本基于多层次时空与感知融合的交通流量预测方法及设备在说明书摘要公布了：本发明的基于多层次时空与感知融合的交通流量预测方法及设备，包括动态多层次特征嵌入、时空与局部突变感知建模和超域交互融合，首先构建动态多层次特征嵌入模块，融合原始流量数据、周期性标签和自适应特征向量，生成高维特征表示；随后构建时空与局部突变感知注意力模块，通过并行的时间、空间和局部突变感知注意力机制提取时间依赖特征、空间依赖特征和局部突变感知特征，最后构建超域交互融合模块，通过交叉注意力与门控机制整合多源特征，生成统一的时空表示，提升预测鲁棒性。本发明形成面向交通流量预测的端到端框架，能够在复杂交通场景中对时空依赖与非平稳突变进行联合建模与高效预测，便于和交通管理系统对接。

本发明授权基于多层次时空与感知融合的交通流量预测方法及设备在权利要求书中公布了：1.一种基于多层次时空与感知融合的交通流量预测方法，其特征在于，其包括以下步骤： 步骤1、构建动态多层次特征嵌入模块：对输入的交通流量数据，融合周期性标签和自适应特征向量，生成高维特征表示，所述周期性标签包括日内时间片索引和周内日期索引，其中，T为时间步数，N为节点数，C为融合前的特征维度，为融合后的总嵌入维度； 其中，所述自适应特征向量为通过端到端反向传播优化的自适应嵌入，其中，为自适应嵌入维度；步骤2、构建时空与局部突变感知注意力模块：基于步骤1输出的特征，通过时间注意力机制、空间注意力机制及局部突变感知注意力机制分别提取时间依赖特征、空间依赖特征和局部突变感知特征，三者维度均为； 其中，所述局部突变感知特征通过局部突变感知注意力机制提取，包括： 对于输入特征，在每个时间步t 和节点 n，定义一个局部时空窗口 W； 其中，所述输入特征为步骤1的输出特征； 计算该窗口内特征的均值和方差： ； ； 其中，为窗口内元素总数；采用高斯加权的移动平均计算趋势估计： ； 其中，，为高斯核超参数；将方差与趋势输入多层感知机，生成自适应平滑因子： MLP Var, Trend ； 利用对输入特征进行平滑处理： EMA； 其中， EMA·为指数移动平均函数，用于平滑异常波动，计算公式为： EMA； 对经过平滑处理后得到的特征施加多头注意力机制，具体如下： 对所述特征进行线性变换，生成查询矩阵、键矩阵和值矩阵： ； 其中为线性投影矩阵 ,h为注意力头数； 对于第i个注意力头，计算局部突变感知注意力输出： head softmax； 其中，、和分别表示将查询矩阵、键矩阵和值矩阵沿特征维度切分后，分配给第 i个注意力头的查询子矩阵、键子矩阵及值子矩阵； 将 h 个头的输出进行拼接并线性映射，得到作为最终输出的所述局部突变感知特征： Concat； 其中，为输出投影矩阵；步骤3、构建超域交互融合模块：整合第二步输出的时间依赖特征 、空间依赖特征和局部突变感知特征，生成统一的时空特征表示； 步骤4、构建输出层；将第三步输出的融合特征通过线性层与非线性激活函数映射为交通流量预测序列，其中为预测的时间步数，P为预测的维度； 步骤5、模型训练与预测：采用掩码平均绝对误差作为损失函数，利用梯度下降算法优化模型参数，得到最终预测模型并进行交通流量预测。

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无锡学院;公安部交通管理科学研究所;南京气象科技创新研究院，其通讯地址为：214000 江苏省无锡市锡山区锡山大道333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。