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！

龙图腾网获悉山东科技大学申请的专利基于稀疏化高斯过程回归的信号系统通行能力评估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：CN120375616B 。

龙图腾网通过国家知识产权局官网在2026-04-14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：202510475061.1，技术领域涉及：G08G1/08；该发明授权基于稀疏化高斯过程回归的信号系统通行能力评估方法是由管德永;王慧云;王可;马道松设计研发完成，并于2025-04-16向国家知识产权局提交的专利申请。

本基于稀疏化高斯过程回归的信号系统通行能力评估方法在说明书摘要公布了：本申请提出一种基于稀疏化高斯过程回归的信号系统通行能力评估方法，属于智能交通信号控制领域。具体地将绿信比变量纳入输入特征并同时建模以捕捉信号配置与交通状态变量的相互影响关系，从而通过使用GP回归开发数据驱动的交通流模型反映出高维变量之间复杂的非线性映射、同时降低计算的复杂度、得到量化模型的不确定性，准确且动态地评估交叉口的通行能力。以修改后的高斯核进行建模以捕捉信号配置与交通状态变量的相互影响关系，数据稀疏化计算以使用GP回归开发数据驱动的交通流模型，体现信号配时gC随交通流变化而影响交通流波动的关系，动态地评估交叉口通行能力。

本发明授权基于稀疏化高斯过程回归的信号系统通行能力评估方法在权利要求书中公布了：1.一种基于稀疏化高斯过程回归的信号系统通行能力评估方法，其特征在于： 将绿信比变量纳入输入特征，以修改后的高斯核进行建模以捕捉信号配置与交通状态变量的相互影响关系，数据稀疏化计算以使用GP回归开发数据驱动的交通流模型，体现信号配时随交通流变化而影响交通流波动的关系，动态地评估交叉口通行能力； 具有以下步骤， 步骤1、选定目标； 选定自适应信号系统所运行城市与目标交叉口，获取所述目标交叉口的基本信息； 步骤2、获取交通流量数据； 通过自适应信号系统下的感知设备计算每分钟通过的车辆数量q，测量每辆车的速度v，同时记录对应时间点下的信号周期情况即绿信比gc,并将数据发送回中心系统平台； 步骤3、确定输入特征： 将流量q、速度v、对应的周期绿信比gc和占有率o作为特征输入到高斯过程GP中，高斯过程GP将控制时间t处车道k的车辆流量qk,t-1到车辆流量qk,t之间过渡的系统动态映射； 步骤4、输入高斯过程并建模； 以高斯过程GP将控制时间t处车道k的车辆流量qk,t-1到车辆流量qk,t之间过渡的系统动态映射，映射表达式如下： 步骤5、修改核函数； 将标准高斯核修改为如下： 其中，是定义输入要素的每个维度的长度比例的对角矩阵，m表示特征的维数，使GP回归能够自动确定每个特征的重要性，减少不相关特征的影响； 步骤6、添加噪声； 通过包含噪声项ε来表示交通流的随机性，即y=fx+ε；其中，ε为一个服从正态分布N0,的噪声项； 所述的步骤6，通过在原始核矩阵K的对角线上添加一个常数来允许噪声包含在GP回归模型中；核矩阵为； 假设均值函数为0，观测值的先验分布可以表示为： 其中，I表示N维单位矩阵，表示噪声常数，K为N维协方差矩阵，第i行j列元素表示为kxi,xj； 将零均值GP的y和预测值y的联合先验分布写成如下： 其中，是观测值和新观测值的协方差矩阵，是新观测值和新观测值的协方差矩阵； 对于新观测值x*和对应的新预测值y*，该GP回归的后验可写成： 其中，，；式中，μ为后验均值；Σ为后验方差；I为N维单位矩阵；95%的置信区间可表示为[μ+1.96Σ，μ-1.96Σ]； 步骤7、数据稀疏化； 在样本中制造诱导点来降低模型的运算复杂度；稀疏化的诱导点集合U为： 步骤8、超参数优化； 在训练模型时，从数据中推断核函数的超参数以确定输入和输出之间的映射，最大化边缘似然函数如下： 其中，θ是核函数的超参数向量，是噪声参数； 步骤9、评估通行能力； 训练模型结束并输出通行能力预测值，通行能力表达式如下述公式： 步骤10、评估模型性能； 将数据集随机分为两个子集，其中80%作为训练集，另外20%作为测试集，平均绝对误差MAE和平均绝对百分比误差MAPE被用作GP回归模型的性能指标，MAE和MAPE被用作GP回归模型的性能指标；表达式如下：

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科技大学，其通讯地址为：266000 山东省青岛市黄岛区前湾港路579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。