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程学院申请的专利一种基于因果不变性的时空图特征提取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：CN117218362B 。

龙图腾网通过国家知识产权局官网在2025-09-30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：202311425247.3，技术领域涉及：G06V10/40；该发明授权一种基于因果不变性的时空图特征提取方法是由刘晓露;王祺英;易晖洋;邓婕;陈都鑫设计研发完成，并于2023-10-30向国家知识产权局提交的专利申请。

本一种基于因果不变性的时空图特征提取方法在说明书摘要公布了：本发明提供了一种基于因果不变性的时空图特征提取方法，包括因果评分模块、异构特征提取模块和嵌入对比学习模块；其中首先为时空图内各节点进行重要性评分，并基于评分对时空图进行采样分别得到核心结构视图和补集视图；之后对采样到的核心结构视图和补集视图进行嵌入，分别得到核心结构视图的节点嵌入和补集视图的节点嵌入；而各节点嵌入映射得到的节点表示则用于对比学习，训练完善模型。本发明以因果不变性原理来指导图对比学习，通过发现图核心结构来促进对比学习的性能，以此应用于时空图特征提取中，学习时空网络数据图结构，提取稳定的特征嵌入以结合相关图神经网络，提升其性能。

本发明授权一种基于因果不变性的时空图特征提取方法在权利要求书中公布了：1.一种基于因果不变性的时空图特征提取方法，其特征在于：通过以下网络模型对交通流数据集PeMS‑04进行特征提取：包括因果评分模块和异构特征提取模块；其中因果评分模块中，为时空图内各节点进行重要性评分，并基于评分对时空图进行采样分别得到核心结构视图和补集视图；所述异构特征提取模块中，对采样到的核心结构视图和补集视图进行嵌入，分别得到核心结构视图的节点嵌入和补集视图的节点嵌入； 所述因果评分模块中进行三次采样，分别为两次核心结构视图采样和一次补集视图采样，其中核心结构视图采样为： Rg～PR·|G＝gs.t.|VR|＝ρ·|V|补集视图采样为： Cg～PC·|G＝gs.t.|VC|＝ρ·|V|上述Rg表示核心结构视图，Cg表示补集视图，PR·|G＝g表示时空图g中核心结构的概率分布，PC·|G＝g表示补集的概率分布，VR表示核心结构Rg的节点集，VC表示补集Cg的节点集，V表示时空图g的节点集，ρ为0，1的超参数； 时空图G＝g中核心结构RG的概率分布为： 补集CG的概率分布为： 其中pv|g为节点v的重要性评分，表示节点v被纳入核心结构Rg的概率；1‑pv|g为节点v的不重要性评分，表示节点v未被纳入核心结构的概率；一个节点，当其被采样进核心结构视图中时，则其作为关键节点，反之则作为非关键节点；基于两端节点类型的不同，两节点之间的边相应存在四类连边关系； 所述异构特征提取模块中，先通过前馈网络对各视图的节点信息表征向量和边信息表征向量进行维度扩张，之后再将各视图输入GNN编码器得到节点表示，最后将所得到的节点表示输入异构图神经网络RGCN，利用RGCN与节点属性得分向量P相关联生成各节点嵌入； 所述网络模型还包括嵌入对比学习模块；所述异构特征提取模块中得到的核心结构视图的节点嵌入和补集视图的节点嵌入，分别进行映射得到各自的投影表示，嵌入对比学习模块中对所述投影表示进行节点的对比学习以训练网络模型；嵌入对比学习模块中设有目标函数： 其中λ为权重系数； 损失函数lsug为： 损失函数ling为： 其中τ是一个归一化超参数，将同一节点分别在两核心结构视图下的不同节点嵌入视为一对正样本对，正样本对中两节点嵌入相应的投影表示分别记为和将两核心结构视图中除正样本外的其余节点嵌入作为负样本，所述负样本的投影表示记为r‑，为由所述负样本的投影表示r‑组成的集合；C为补集视图节点的投影表示c组成的集合。

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程学院，其通讯地址为：211167 江苏省南京市江宁科学园弘景大道1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。