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！

龙图腾网获悉北京工业大学申请的专利一种基于阻抗矩阵的改进时空网络交通流预测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：CN116884207B 。

龙图腾网通过国家知识产权局官网在2026-04-24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：202310300118.5，技术领域涉及：G08G1/01；该发明授权一种基于阻抗矩阵的改进时空网络交通流预测方法是由李汶昊;陈艳艳;张云超;郭蕊;杨军设计研发完成，并于2023-03-26向国家知识产权局提交的专利申请。

本一种基于阻抗矩阵的改进时空网络交通流预测方法在说明书摘要公布了：本发明涉及一种基于阻抗矩阵的改进时空网络交通流流量预测方法，属于交通评价和控制领域。超前准确的流量预测可以为交通管理和控制提供决策的基础数据，有利于提升管控能力和效率。一方面，现有方法主要通过交通节点检测器的历史数据训练预测模型，忽略了节点之间的空间关系，导致不同节点的预测结果与实际有一定差距。另一方面，现有预测对长时间的流量数据相关性挖掘不足，往往难以完成较长时间颗粒的预测任务，以至于长时流量预测不准确。本专利对历史数据进行基础空间关系的构建，结合交通阻抗矩阵实时刻画路网节点间的空间关系，通过所提的STTN网络深度学习模型刻画更长时间的时间相关性，以提升长时流量预测的准确性。

本发明授权一种基于阻抗矩阵的改进时空网络交通流预测方法在权利要求书中公布了：1.一种基于阻抗矩阵的改进时空网络交通流预测方法，其特征在于，包括以下流程： 步骤一、ETC数据介绍及路网节点确定 使用高速路网的收费站ETC门架得到的相关数据开展研究；每个收费站即相当于一个路网节点； 为了提取节点间时空关系，要求数据至少能提供车辆的出入节点时间与车辆基本信息，需求的数据字段： EXSTATIONID是车辆离开节点时对应的节点编号，PASSTIME是车辆离开节点时间，它们反应了车辆离开的相关属性；RSTATIONID是车辆进入节点时对应的节点编号，RPASSTIME是车辆进入节点时间，它们反应了车辆进入的相关属性；VEHICLECLASS是车辆类型，它反映了车辆本身的属性；对各个节点进行顺序编号； 步骤二、基于历史数据的信息提取 1、行程时间计算 步骤二从历史ETC数据中提取得到节点间的空间关系；首先对每条数据进行相关计算，得到对应节点间的行程时间； 其中，是从收费站i出发从收费站j离开的行程时间，是离开收费站的时刻，是进入收费站的时刻，若干个构成集合； 2、行程时间聚类 行程时间数据中存在部分干扰数据，这部分数据不进入后续自由流行程时间计算中，对其进行清洗；通过k聚类对每个节点之间的行程时间集合TRV进行聚类完成数据清洗；首先确定最优的聚类数目； 同时观察聚类的平方误差总和SSE与Davies-Bouldin即DB综合确定聚类数目；通过对SSE检验可以确保聚类的科学性，SSE是所有残差的平方之和，以误差平方和检验目标聚类数k是否可以完成聚类工作； 其中，k为聚类数，是第i个簇，X为划分到的样本，为该样本到其对应聚类中心的欧式距离；SSE随聚类数目增多而降低，当SSE下降速度开始降低时，进行聚类；相对应的，此时有： 其中，为SSE在聚类数目k时相较于在聚类数目k-1时的变化量； 通过对DB检验确保聚类的严谨性，Davies-Bouldin描述样本的类内散度与各聚类中心距离，通过DB指标确定最优的聚类数目； 其中，表示类中的所有样本到类中心的平均距离；表示中的所有样本到类中心的平均距离,表示类中心与类之间的欧式距离； 计算生成SSE随分类数变化图与DB随分类数变化图；在SSE下降速度开始降低后，取使DB达到最小的聚类数目； 完成聚类数目确定后，对占比小于5%的类进行去除； 3、自由流行程时间计算 取清洗后数据的行程时间最小的前部分的平均值作为自由流行程时间；规定取19；取19计算各节点间的自由流行程时间； 其中，是由i节点出发到j节点的前部分集合，是清洗后行程时间的第百分位数；是由i节点出发到j节点的自由流行程时间； 步骤三、构建流量数据库 通过雷达数据、视频数据处理获得流量数据；对步骤一的历史数据进行处理生成节点的流量数据； 对相关数据进行处理，按各个节点和5分钟间隔进行汇总统计，形成研究范围内的历史交通量数据库； 步骤四、建立流量预测模型 4.1、阻抗函数确定 为了刻画节点之间的实时空间关系，采用阻抗函数对其进行量化；阻抗函数定义如下； 其中，是节点i与节点j直接的阻抗值，为由i节点的小时交通流量；为由i节点到j节点的通行能力，高速取2200pcuhln；、为系统参数，其中，； 4.2、阻抗矩阵生成 计算路网中各个节点间的阻抗值，将节点间阻抗值进行整合生成阻抗矩阵，阻抗矩阵描述了整体路网中各个节点间的实时空间关系，构成如下； 其中：M={1,2,...,m}为节点集合；是i节点与j节点之间的阻抗值;是包含m个节点的交通阻抗矩阵；将以阻抗矩阵作为STTNS网络中的图邻接矩阵输入； 4.3、建立阻抗-STTN模型 而输出序列数与使用需求有关，输出序列数等于未来最大的预测需求时间时间间隔，确定后训练生成阻抗-STTN预测模型； 从整体上STTN分为三个部分，特征聚合层、空间-时间区块以及预测层；特征聚合层用于基础特征提取特征；空间-时间区块中包含若干个空间-时间块，每个空间-时间块通过一个空间变换器和一个时间变换器来联合建模时空依赖关系，通过跳连接的方式来连接各级时空特征；空间-时间区块的数量影响预测精度，通过训练确定具体数量；预测层则利用两个1*1的卷积层将这些空间-时间特征聚合起来，用于交通预测； 特征聚合层将从N个节点提取M个连续时间序列的dG维特征，将其聚合为一个尺寸为的三维张量；其后将三维张量输入时空区块，在每个空间-时间块中通过空间变换器S和时间变换器τ叠加生成三维输出张量传递至下一个空间-时间块中，在第i个空间-时间块中，空间变换器S接收传来的节点特征结合图邻接矩阵A提取得到空间特征； 其中A是上一部分中生成的阻抗矩阵；将与结合生成用于后续时间变化器的输入； 经过时间变化器生成； 将与结合生成进入空间-时间块； 在最后一个空间-时间块中得到是一个尺寸为二维张量，将其称为，预测层将对其进行二次卷积生成对未来T时间内N个节点的预测结果Y；其中，每个卷积层是1*1卷积层； 其中，空间变压器由时空位置嵌入层、固定图卷积层、动态图卷积层和信息融合门组合而成；时空位置嵌入层将时空位置信息合并到每个节点中，而后通过一个固定图卷积层和一个动态图卷积层来分别研究空间依赖的平稳和定向动态分量，最后通过信息融合门完成空间的动静态特征融合； 空间变压器由时空位置嵌入层、固定图卷积层、动态图卷积层和信息融合门组合而成；时空位置嵌入层将时空位置信息合并到每个节点中，而后通过一个固定图卷积层和一个动态图卷积层来分别研究空间依赖的平稳和定向动态分量，最后通过信息融合门完成空间的动静态特征融合； 时空位置嵌入层学习每个节点的时空特征，其中空间嵌入矩阵为,大小为；时间嵌入矩阵为，大小为与沿空间平铺生成与,与与形成； 其中，是一个1*1的卷积层将每个时间步将级联特征转换为每个节点的dG维向量； 进入固定图卷积层和动态图卷积层中用于空间特征学习；在固定图卷积层中，使用切比雪夫多项式近似的图卷积来学习节点特征； 其中，为对应的结构感知节点特性；L为图的正规化拉普拉斯矩阵，为对应的权重部分，k为对应时间步长的阶数，j为对应的第j个通道； 在动态图卷积层，通过多个线性映射来建模各种潜在子空间中各种因素影响的动态定向空间依赖；基于每个节点分别训练三个潜在子空间、、；其中，是跨越的查询子空间，是秘钥子空间，是值子空间； 其中，、、分别是、、的权重矩阵；在训练过程中，模型会自动学习到最优权重参数以最小化损失函数，并且这些参数也会随着时间更新而改变； 动态空间相关性通过、进行计算； 节点特性由下式计算得到： 在每个节点上应用具有非线性激活的共享三层前馈神经网络，以进一步改进基于学习节点特征的预测；探索特征通道之间的相互作用，用更新，同时组合形成； 其中，分别对应、、按从大到小排列后对应的值；通过固定图卷积层与动态图卷积层后，门g接收和导出； 其中，和是和的一维线性投影；通过门g加权和得到的 最终，由M个时间步长的合并为，与结合形成传入时间变压器； 时间变压器由时空位置嵌入层、动态图卷积层组合而成；时空位置嵌入层将时空位置信息合并到每个节点中，而后通过一个动态图卷积层来分别研究时间依赖的平稳和定向动态，完成时间的动态特征提取； 时空位置嵌入层学习每个节点的时空特征，其中时间嵌入矩阵为，大小为沿空间平铺生成,与形成； 其中，是1*1卷积层；在动态图卷积层，通过多个线性映射来建模各种潜在子空间中各种因素影响的动态定向时间依赖；基于每个节点分别训练三个潜在子空间、、；其中，是跨越的查询子空间，是秘钥子空间，是值子空间； 其中，、、分别是、、的权重矩阵；在训练过程中，模型会自动学习到最优权重参数以最小化损失函数，并且这些参数也会随着时间更新而改变； 动态空间相关性通过、进行计算； 节点特性由下式计算得到： 在每个节点上应用具有非线性激活的共享三层前馈神经网络，以进一步改进基于学习节点特征的预测；探索特征通道之间的相互作用，用更新，同时组合形成； 其中，分别对应、、按从大到小排列后对应的值；最终，由N个节点的合并为，与结合形成传入下一个空间-时间块； 步骤五、采集实时数据处理 5.1、流量数据生成 预测时所用的序列数与训练时相同，所以在进行实际预测操作时需要保存一定量相关连续的数据以供后续使用；根据步骤四中的模型参数确定需要保存数据的最大序列数；通过雷达数据、视频数据处理获得实时的流量数据；或者通过ETC数据进行处理生成流量数据，流量数据保存数等于连续序列数； 5.2、实时阻抗矩阵生成 将保存的流量数据依照步骤四中的4.1与4.2生成实时的阻抗矩阵； 5.3、预测需求数据生成 将保存的流量数据与生成的阻抗矩阵，作为预测的输入数据； 步骤六、进行对应时长下的流量预测 将步骤五中得到的数据作为输入应用于训练好的阻抗-STTN模型中，得到的输出结果即是未来连续时间序列的流量预测结果；按根据预测需要对未来结果进行加和； 其中是未来Dre时长下的预测流量，是时间间隔，是预测结果序列中的第i个值。

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北京工业大学，其通讯地址为：100124 北京市朝阳区平乐园100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。