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！

龙图腾网获悉内蒙古工业大学申请的专利一种多信息融合的时空图卷积交通流量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：CN116258258B 。

龙图腾网通过国家知识产权局官网在2025-09-23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：202310137926.4，技术领域涉及：G06Q10/04；该发明授权一种多信息融合的时空图卷积交通流量预测方法是由王慧;孟闯设计研发完成，并于2023-02-20向国家知识产权局提交的专利申请。

本一种多信息融合的时空图卷积交通流量预测方法在说明书摘要公布了：本发明提供了一种多信息融合的时空图卷积交通流量预测方法，包括以下步骤：先考虑距离因素构造图邻接矩阵，再考虑周期性因素构造融合时间序列，设计深度时空图卷积门控神经网络模型，深度时空图卷积门控神经网络模型的输入包括历史交通流量数据与空间路网邻接关系两部分，通过数据处理得到融合时间序列与图邻接矩阵，之后传入深度时空图卷积门控神经网络模型中进行训练及测试；最终通过训练好的模型进行交通流量的预测输出，完成交通流量的预测。本发明在真实的公路交通流量PEMS数据集上进行测试；结果表明，所设计的模型预测误差较目前基于图卷积的预测方法预测误差更低，预测性能更优。

本发明授权一种多信息融合的时空图卷积交通流量预测方法在权利要求书中公布了：1.一种多信息融合的时空图卷积交通流量预测方法，其特征在于，包括以下步骤： 先考虑距离因素构造图邻接矩阵，再考虑周期性因素构造融合时间序列，设计深度时空图卷积门控神经网络模型，深度时空图卷积门控神经网络模型的输入包括历史交通流量数据与空间路网邻接关系两部分，通过数据处理得到融合时间序列与图邻接矩阵，之后传入深度时空图卷积门控神经网络模型中进行训练及测试；最终通过训练好的模型进行交通流量的预测输出，完成交通流量的预测； 其中，考虑距离因素构造图邻接矩阵基于图结构进行交通流量建模，即定义空间路网G，包含点集与边集： G＝＜V,E＞1 其中，V为点集，将路网中各个路段当作节点； E为边集，表示路段之间的邻接关系，数据通过邻接矩阵的形式进行存储；若两个路段之间相邻，则令对应邻接矩阵值为1，否则为0，若A、B是两个相邻的路段，A、B之间距离越大，则相互之间影响程度越小，设计融合距离因素的图邻接矩阵： 通过α作为调节系数，定义邻接节点相对于自我节点的权重占比，范围为0，1； 表示与节点i相连的所有节点中距离倒数的最大值，通过与之相除，使邻接节点的权重值最大不超过α； 将邻接矩阵主对角线设为1，保证自我节点具有最大的权重值，得到更新邻接矩阵并根据各个节点的邻接节点的数量，得到更新邻接矩阵的度矩阵D； 通过考虑路段间距离赋予邻接矩阵不同的数值，使网络模型可以差异化学习权重参数最终，融合距离因素构造的邻接矩阵； 考虑周期性因素构造融合时间序列具体为：考虑交通流量日、周周期性，并结合邻近时间段交通流量，构造融合时间序列，构建构建融合间序列信息Thistory： TH代表邻近时段时间序列， h为邻近时间段序列长度， TD为日周期序列； dn为日周期序列个数，表示取前dn的日周期序列； pre为日周期序列长度，与待预测时间序列长度保持一致； TW为周周期序列，wn为周周期序列个数，表示取前wn的周周期序列，将TH、TD、TW融合为历史时间序列Thistory； 深度时空图卷积门控神经网络模型总共分为两部分：空间图卷积模块与时间序列预测模块，通过空间图卷积模块提取路网间空间性特征，将提取的空间特征信息结合时间序列相关信息一同传入到时间序列预测模块进行序列预测，模型首先将交通流量序列X作为模型的第一层输入，并加入融合距离因素的邻接矩阵A一同输入到GCN网络中进行路网空间特征提取，得到空间特征向量G′，以刨析交通流量的空间性特征；层级中添加周期性时间序列T:{xh,xd,xw}，与上一隐藏层的输出h进行矩阵运算得到时间序列预测模块的输入xt，输入到GRU网络模型中进行时间序列预测，最后通过全连接层得到最终预测输出Y。

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内蒙古工业大学，其通讯地址为：010051 内蒙古自治区呼和浩特市新城区爱民街49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。