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！

龙图腾网获悉淮阴工学院申请的专利一种基于时空图卷积网络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：CN120748194B 。

龙图腾网通过国家知识产权局官网在2026-04-03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：202510889352.5，技术领域涉及：G08G1/01；该发明授权一种基于时空图卷积网络的交通流量预测方法及设备是由沈娴娴;姜雨朦;仲安婕;唐中一;李洪海;张志荣设计研发完成，并于2025-06-30向国家知识产权局提交的专利申请。

本一种基于时空图卷积网络的交通流量预测方法及设备在说明书摘要公布了：本发明公开了一种基于时空图卷积网络的交通流量预测方法及设备，该交通流量预测方法包括：采集道路交通流数据，构建交通拥堵指标矩阵模型；基于采集的道路交通流数据计算道路交通拥堵指数并利用道路交通拥堵指标构建交通流邻接矩阵；对交通流邻接矩阵进行快速时间卷积处理，生成包含时空信息的交通流数据序列；将交通流数据序列输入时空同步图卷积网络模型STSGCN，进一步学习空间拓扑结构，通过堆叠多层时空同步图卷积层深度提取时空特征；将时空特征输入经指数和三角函数优化算法优化的基于波损失函数的随机向量函数链接网络模型Wave‑RVFL中，对交通流进行预测。本发明能够提升交通流预测的精度和效率。

本发明授权一种基于时空图卷积网络的交通流量预测方法及设备在权利要求书中公布了：1.一种基于时空图卷积网络的交通流量预测方法，其特征在于，包括： 1采集道路交通流数据，构建交通拥堵指标矩阵模型，以表征交通网络中各节点间的流量关系；基于采集的道路交通流数据，计算道路交通拥堵指数以量化节点之间的交通流量差异，并利用道路交通拥堵指标构建交通流邻接矩阵； 2对交通流邻接矩阵进行快速时间卷积处理，生成包含时空信息的交通流数据序列； 3将交通流数据序列输入时空同步图卷积网络模型STSGCN，进一步学习空间拓扑结构，通过堆叠多层时空同步图卷积层深度提取时空特征； 4将时空特征输入基于波损失函数的随机向量函数链接网络模型Wave-RVFL中，对交通流进行预测； 步骤4包括：Wave-RVFL模型通过波损失函数计算预测误差，波损失函数计算如下： 其中，为边界参数；为形状参数；为模型中的误差变量； Wave-RVFL的计算如下： 其中，为输出层权重；为可调参数；为训练样本总数；，为输入样本，m为输入维度；为样本对应的隐藏层；为输出样本矩阵； 采用自适应矩估计算法Adam解决优化问题： 其中，为误差变量； 在第次迭代时，随机选取个样本，取关于的梯度，得到： 其中，表示时间步的总数； 构造一阶矩向量和二阶矩向量如下： 其中，为一阶矩估计的衰减率，为二阶矩估计的衰减率； 计算偏差校正后的一阶和二阶矩估计： 其中，为一阶矩估计在次迭代的衰减率，为二阶矩估计在次迭代的衰减率； 参数更新如下： 其中，为常数，为学习率； 步骤4还包括：采用改进的指数和三角函数优化算法IETO对Wave-RVFL模型中的权重和学习率进行优化； 所述采用改进的指数和三角函数优化算法对Wave-RVFL模型中的权重和学习率进行优化，包括： 第一步，约束勘探方法 其中，为后续约束探索方法的迭代计数；为启动当前约束探索方法的迭代计数；为执行舍入运算的函数；为当前迭代次数；为对应总迭代次数；为调整系数； 更新搜索空间的上下限： 其中，为预期搜索空间的上限；为目前已获得的最优解的第个位置；和为之间的随机系数；为次优解在个索引处的位置；为预期搜索空间的下限； 第二步：初始化种群 其中，表示种群位置；表示第维的上限；表示第维的下限；取之间的随机值；为种群大小；为种群维度； 第三步：勘探阶段，勘探阶段分为第一勘探阶段和第二勘探阶段 在第一勘探阶段中，个体位置更新如下： 其中，为后续迭代期间第个解的第个位置；为之间的随机数；为权重系数；为当前迭代期间第个解的第个位置；和为标量参数； 在第二勘探阶段中，个体位置更新如下： 其中，为权重系数；为之间的随机数； 第四步：开发阶段，开发阶段分为开发第一阶段和开发第二阶段 在开发第一阶段中，个体位置更新如下： 其中，为权重系数；和为之间的随机数； 在开发第二阶段中，个体位置更新如下： 第五步：勘探和开发阶段的转换，采用CM机制来匹配和优化指数和三角函数优化算法ETO的效率： 。

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淮阴工学院，其通讯地址为：223400 江苏省淮安市涟水县海安路10号安东大厦8楼；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。