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！

龙图腾网获悉山东大学申请的专利基于物理先验约束时序图注意力交通信号控制方法及系统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：CN121528009B 。

龙图腾网通过国家知识产权局官网在2026-03-20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：202610055527.7，技术领域涉及：G08G1/081；该发明授权基于物理先验约束时序图注意力交通信号控制方法及系统是由吴建清;刘世杰;田源;田威杨;杜聪设计研发完成，并于2026-01-16向国家知识产权局提交的专利申请。

本基于物理先验约束时序图注意力交通信号控制方法及系统在说明书摘要公布了：本发明涉及智能交通系统技术领域，为解决现有技术无法提前识别风险及核心风险缺乏直接的量化和约束的问题，提供基于物理先验约束时序图注意力交通信号控制方法及系统。基于物理先验约束时序图注意力交通信号控制方法包括计算路段物理存储容量，再结合当前车辆数，得到下游路段的剩余存储空间，即溢流安全缓冲；将溢流安全缓冲转化为溢出风险代价，构建以通行效率为回报，溢出风险为代价的约束马尔可夫决策过程模型；利用预先训练好的时序图注意力网络求解约束马尔可夫决策过程模型，得到平衡通行效率与溢出风险的最优信号控制动作。其能够前瞻性识别并主动规避溢出风险，从而能够主动规避由队列溢出引发的级联拥堵。

本发明授权基于物理先验约束时序图注意力交通信号控制方法及系统在权利要求书中公布了：1.基于物理先验约束时序图注意力交通信号控制方法，其特征在于，包括： 根据基于库存守恒的交通流模型及实时交通数据，计算路段物理存储容量，再结合当前车辆数，得到下游路段的剩余存储空间，即溢流安全缓冲； 根据预设安全判据，将溢流安全缓冲转化为溢出风险代价，构建一个以通行效率为回报，溢出风险为代价的约束马尔可夫决策过程模型；其中，约束马尔可夫决策过程模型的状态为基于路网拓扑结构与实时交通数据而获得的交叉口节点的状态信息；动作为选择下一个信号相位； 利用预先训练好的时序图注意力网络求解约束马尔可夫决策过程模型，得到平衡通行效率与溢出风险的最优信号控制动作；其中，时序图注意力网络在训练过程中，采用拉格朗日对偶方法优化算法来自适应调节对溢出风险代价的惩罚权重； 根据预设安全判据，将溢流安全缓冲转化为溢出风险代价为： ； 其中，是一个安全缓冲阈值；是惩罚曲率；为时刻的溢出风险代价；是路段在时刻的溢流安全缓冲；为路段集合；表示取最大值； 在训练时序图注意力网络的过程中，引入拉格朗日乘子，将上述约束马尔可夫决策过程模型转化为无约束的对偶问题，对应的拉格朗日函数设为： ； 其中，为拉格朗日乘子，即风险的动态价格；为策略网络参数；为在策略下的期望；为未来回报的折扣因子；为时刻的溢出风险代价；为通行效率； 所述时序图注意力网络包括由一个多头图注意力网络和一个门控循环单元构成，多头图注意力网络用于捕捉路网拓扑结构中的交叉口节点间的注意力权重，门控循环单元用于沿时间轴传递状态并学习拥堵波传播的时间动态特征；其中，多头图注意力网络捕捉的从交叉口节点到交叉口节点的注意力权重为： ； 其中，和是节点嵌入，和是可学习参数矩阵，是时间惩罚项的系数；是一个安全缓冲阈值；为的转置；表示一种带泄露斜率的激活函数；是与交叉口节点相关的时间戳更新时间；表示向量拼接操作；表示成正比； 在训练时序图注意力网络的过程中，采用近端策略优化算法更新策略网络参数，其替代目标函数同时包含回报优势和代价优势： ； 利用拉格朗日乘子通过次梯度上升法进行更新，使其能动态调整对风险的惩罚力度： ； 其中是学习率；当实际风险超出预算时，增大，加强惩罚；反之则减小；为PPO的策略优化目标函数；表示对采样到的一批时间步取平均；为概率比；为PPO的剪切阈值；为更新后的拉格朗日乘子，用于下一轮训练优化；为第次迭代时的拉格朗日乘子；为在当前策略下，代价的期望；为代价约束上限风险预算；是数据处理函数，用于将数值限制在指定范围内，超出范围的值会被截断为边界值；是取最小值；是取最大值。

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山东大学，其通讯地址为：250000 山东省济南市历下区经十路17923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。