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！

龙图腾网获悉南京工业大学申请的专利交叉注意力神经网络驱动的多路口交通信号协同控制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：CN120636164B 。

龙图腾网通过国家知识产权局官网在2026-05-05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：202511087777.0，技术领域涉及：G08G1/01；该发明授权交叉注意力神经网络驱动的多路口交通信号协同控制方法是由史本云;黄培昊设计研发完成，并于2025-08-05向国家知识产权局提交的专利申请。

本交叉注意力神经网络驱动的多路口交通信号协同控制方法在说明书摘要公布了：一种交叉注意力神经网络驱动的多路口交通信号协同控制方法，其采用局部协同Transformer架构，融合了决策变换器与共享记忆机制，以高效建模多路口交通状态的时空依赖关系。首先，通过memoryhead模块，提取每个智能体在序列建模过程中的隐藏状态，并更新全局共享记忆，用于支撑多智能体之间的信息交互与策略协同。随后，采用交叉注意力模块，将每个智能体的局部表示与共享记忆进行交叉计算，实现对交通系统全局状态的动态感知和高效建模。模型的主干网络基于Transformer，通过位置编码、自注意力与交叉注意力机制，增强对时间与空间交通特征的理解能力。在微调阶段，仅对插入的Adapter模块和输出层进行参数更新。

本发明授权交叉注意力神经网络驱动的多路口交通信号协同控制方法在权利要求书中公布了：1.一种交叉注意力神经网络驱动的多路口交通信号协同控制方法，其特征是智能交通系统中，每个交叉口信号灯的相位控制是由本地控制模型实施，本地控制模型以本地的交通轨迹数据为输入，得到本地的相位控制策略； 在智能交通系统的服务器端部署教师模型，在每个本地控制器端部署学生模型作为控制模型；教师模型、各个学生模型以及适配模块共同构成局部协同Transformer架构；先利用历史交通数据对教师模型进行离线训练；然后，通过知识蒸馏，将教师模型的知识迁移至学生模型；最后，学生模型的在线微调阶段中，微调适配器模块以适应现场的动态交通环境； 所述多路口交通信号协同控制方法包括以下步骤： 步骤101.数据准备 收集并构建多路口交通信号控制的离线轨迹数据集； 数据集包含每个时间步的状态序列、动作以及动作对应的奖励信息；轨迹数据按时间顺序组织，经过缺失值处理与状态归一化处理； 步骤102.构建模型 教师模型包括决策变换器和基于Transformer的主干网络；离线轨迹数据按时间顺序组织，离线轨迹数据经决策变换器处理后，再经主干网络决策未来信号灯相位； 主干网络包括多层TransformerBlock，每个TransformerBlock包含多头注意力模块与交叉注意力模块；在多教师模型分布式环境中，多头注意力模块用于处理教师模型自己的轨迹数据，交叉注意力模块用于处理邻居教师模型的隐藏状态； 步骤103.定义损失函数 损失函数是复合型损失函数； 训练教师模型时采用基于动作预测的负对数似然损失Cross-EntropyLoss，并引入策略熵项； 学生模型在蒸馏阶段使用联合损失函数： ， 其中，是由教师模型生成的softtarget所计算的蒸馏损失，为学生模型对groundtruth的负对数似然损失；α是蒸馏损失权重、β是负对数似然损失权重； 步骤104.选择优化函数 模型训练过程中采用了Adam优化器，并结合学习率调度器，适配教师预训练、学生蒸馏以及在线微调阶段对收敛速度和稳定性的要求； 在参数空间搜索中，通过调整参数提升训练效果； 步骤105.训练模型 教师模型的离线训练过程中，教师模型从离线轨迹中采样子轨迹，进行多轮前向传播与反向传播更新，逐步优化策略网络的参数； 学生模型的在线微调阶段，仅更新Adapter模块和输出层权重，而Transformer主体保持冻结； 步骤106.性能评估 在完成每一轮训练后，使用评估环境对当前模型进行仿真测试，计算车辆在不同交通场景下的平均延迟作为性能指标，评估控制模型的控制效果； 在步骤106中， 如果控制效果达预期，则进入步骤109进行模型的资源消耗评估； 如果控制效果未达预期，则先进入步骤107进行超参数调优；如果多轮超参数调优后控制效果仍未达预期，则进入步骤108进行模型结构调整； 步骤107.调整超参数 超参数调优采用随机搜索方式，包括学习率、蒸馏损失权重α、RTG缩放因子和Adapter模块结构； 不同参数组合对模型收敛速度与最终性能具有显著影响，合理的配置能够显著减少训练时间并提升控制效果；调优后返回步骤105进行重新训练； 步骤108.改进模型结构 改进模型结构的方式包括： 调整Transformer层数、注意力头数和或嵌入维度的参数，或者 更换适配模块，或者 修改奖励函数形式、状态输入方式和或引入额外邻居信息； 结构修改后，重新进入步骤102； 步骤109.资源消耗评估 时间复杂度方面，衡量训练与推理所需的时间成本； 空间复杂度方面，衡量模型参数规模与内存占用； 通过对比不同模型的参数数量与训练耗时，明确局部协同Transformer模块与Adapter模型在嵌入式设备或边缘计算环境中的部署优势。

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南京工业大学，其通讯地址为：211816 江苏省南京市江北新区浦珠南路30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。