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！

龙图腾网获悉山西省智慧交通实验室有限公司;太原科技大学;鲁东大学;西南交通大学申请的专利一种基于动态稀疏图卷积GRU的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：CN119694142B 。

龙图腾网通过国家知识产权局官网在2025-10-10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：202411841778.5，技术领域涉及：G08G1/065；该发明授权一种基于动态稀疏图卷积GRU的交通流预测方法是由张林梁;尹佳莉;李烁;潘理虎;姚涛;龚溯;罗建宝;刘振星;王宁;罗浩洋设计研发完成，并于2024-12-13向国家知识产权局提交的专利申请。

本一种基于动态稀疏图卷积GRU的交通流预测方法在说明书摘要公布了：本发明属于交通运输技术领域，具体涉及一种基于动态稀疏图卷积GRU的交通流预测方法，集成了门控机制的时空注意力融合方案，模型中增加了动态稀疏图卷积门控循环单元DSGCN‑GRU，自适应动态稀疏图卷积嵌入门控循环网络，模拟动态空间结构信息扩散，有效地捕捉空间数据的异构特征与局部特性，进一步反映空间信息所表现出的非规则性和动态变化性，通过门控机制的时空注意力，提升模型对局部与全局时空特征的理解力，实现多尺度、远距离时空模式的统一刻画，强化模型对长期交通流量预测及突发交通事件的应变。与现有的交通流预测方法相比，本发明能有效地提高交通流预测的准确性。

本发明授权一种基于动态稀疏图卷积GRU的交通流预测方法在权利要求书中公布了：1.一种基于动态稀疏图卷积GRU的交通流预测方法，其特征在于，包括下列步骤： S1、数据预处理：利用输入数据预处理层对时空特征作增强处理，确保模型能够有效利用输入数据中的信息；所述S1中利用输入数据预处理层对时空特征作增强处理的方法为：将交通流P＝[Xθ-T+1,Xθ-T+2,...,Xθ]∈RN×C×T作为输入数据，经过全连接层和卷积层的处理得到增强的时空特征表示，计算如下： XFC＝W2reluW1P⊙P 其中，W1和W2分别是全连接层中的第一个和第二个线性层的权重矩阵，relu和sigmoid是激活函数，⊙表示逐元素乘积；是增强的隐藏特征表示； S2、构建DSGCGRN模型，DSGCGRN模型由多层DSGCN-GRU结构组成，每层都接收前一层的输出，并生成新的隐藏状态； S2.1、构建动态稀疏图卷积：DSGCGRN模型利用动态稀疏图卷积DSGCN来构建邻接矩阵；该邻接矩阵能够自适应地反映交通流数据中的动态变化关系，从而更准确地模拟交通流在不同时刻的空间关联性； S2.2、构建门控循环单元GRU：在DSGCGRN模型中，每个门控循环单元GRU嵌入了两个动态稀疏图卷积块和一个图注意力块；GRU负责存储和处理时间序列信息，结合动态稀疏图卷积的优势，能够洞察时空关联和时间动态特性； S2.3、特征提取与融合：通过DSGCN模块，模型能够动态更新邻接矩阵，以捕捉交通网络中随时间演变的空间相关性；结合门控的时间注意力和空间注意力机制，DSGCGRN能够弥补对异常状况和远距离信息捕捉的局限，强化模型对复杂时空特征的理解； S2.4、将门控循环单元GRU与动态稀疏图生成相结合； S3、经时空注意力融合层STAF进行处理，该层结合了时间注意力和空间注意力机制，以增强模型对复杂时空特征的理解； S3.1、输入处理：时空注意力融合层STAF接收来自动态稀疏图卷积门控循环网络DSGCGRN的输出，是一个Ht∈RN×T×D的张量，以此捕捉远距离、多尺度的时空模式； S3.2、构建时间多头注意力块TA：STAF包含一个时间多头注意力块，该块负责捕捉时间维度上的重要特征；通过对时间序列数据的加权，模型能够识别出在不同时间点上对预测结果影响较大的特征； 时间扩张门控多头自注意力块TA由扩张卷积门控和时间注意力机制组成；首先利用扩张卷积门控结构，动态地调整其对时空特征的学习和响应，有效地获取本地和全局特征，从而更灵活地适应交通状况的突然变化；定义如下： filter＝tanhD_convHt gate＝σD_convHt Xtg＝filter⊙gate 其中，σ是sigmoid激活函数；Xtg表示后续时间多头注意力的输入；然后应用多头注意力机制来捕获动态时间关系，使模型能够学习复杂的时间依赖性； S3.3、构建空间多头注意力块SA：同时，STAF还包含一个空间多头注意力块，专注于捕捉空间维度上的重要特征；该块通过对空间位置的加权，帮助模型理解不同地点之间的交通流量关系； SA直接利用动态稀疏图卷积循动环网络的输出来计算查询Q、键K和值V矩阵以获得空间注意力输出；应用卷积运算来获取Q和K，定义如下： QS,KS＝convHt VS＝LinearHt 这能够有效捕获局部和全局的依赖关系，进而高效地完成空间信息的融合和压缩； S3.4、时间多头注意力块TA和空间多头注意力块SA的输出会被融合，以形成一个综合的时空特征表示；这种融合过程使得模型能够同时考虑时间和空间的动态变化，从而提升对复杂时空特征的理解； S4、经过S1至S3处理后的特征会被融合，最终用于交通流量的预测，模型会输出未来一段时间内的交通流量预测结果； S5、最后，通过在真实交通流数据集上的实验，评估模型的预测性能，并与其它基线模型进行比较。

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西省智慧交通实验室有限公司;太原科技大学;鲁东大学;西南交通大学，其通讯地址为：030000 山西省太原市山西转型综合发展改革示范区唐槐园区武洛街27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。