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！

龙图腾网获悉福州大学申请的专利基于两阶段特征学习的关键路段识别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：CN119229649B 。

龙图腾网通过国家知识产权局官网在2025-10-24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：202411349070.8，技术领域涉及：G08G1/01；该发明授权基于两阶段特征学习的关键路段识别方法是由吴升;吴炜毅设计研发完成，并于2024-09-26向国家知识产权局提交的专利申请。

本基于两阶段特征学习的关键路段识别方法在说明书摘要公布了：本发明提供一种基于两阶段特征学习的关键路段识别方法，基于手机定位数据和路网数据，利用自然语言处理技术获取路段静态和动态嵌入，并利用基于注意力池化和可微分聚类的两阶段特征学习方法，以识别出在正常路况下对整个城市路网或局部区域交通流动产生显著影响的路段；从而获取关键路段识别结果。以识别出在正常路况下对整个城市路网或局部区域交通流动产生显著影响的路段。这不仅包括在全局内影响力较大的路段，还涵盖那些虽交通流量较小，但在局部区域中起重要连接作用的相对关键路段。

本发明授权基于两阶段特征学习的关键路段识别方法在权利要求书中公布了：1.一种基于两阶段特征学习的关键路段识别方法，其特征在于：基于手机定位数据和路网数据，利用自然语言处理技术获取路段静态和动态嵌入，并利用基于注意力池化和可微分聚类的两阶段特征学习方法，以识别出在正常路况下对整个城市路网或局部区域交通流动产生显著影响的路段；从而获取关键路段识别结果； 所述两阶段特征学习包括： 第一阶段：生成各路段静态嵌入，并进行聚类，并将聚类中心视为第二阶段中可微分聚类的初始聚类中心； 第二阶段：生成各路段动态嵌入矩阵后，使用注意力池化和可微分聚类进行处理，并计算损失函数；然后根据损失函数值调整第二阶段的训练参数； 当损失函数值收敛后，得到各路段融合特征；最后对各融合特征进行K-Means聚类，获得的聚类中心即为所要识别的关键路段； 所述生成各路段静态嵌入具体为基于Skip-gram模式生成各路段静态嵌入： 在交通语料库中，各路段的上下文对应所在出行路线中的附近路段；基于Word2Vec的Skip-gram模式，以同时学习路段在出行路线中的共现关系和顺序关系；将交通语料库用于训练Skip-gram，损失函数的公式定义如下； 式中，T是总路段数，wt表示第t个路段，c是给定上下文窗口大小，pwt+j|wt是给定目标路段wt的情况下，预测近邻路段wt+j出现的概率； 所述动态嵌入具体为基于ELMo生成路段动态嵌入： 使用ELMo提取第i个路段的动态嵌入ELMoi，公式如下； 式中，L是BiLSTM的层数，γ是可学习的缩放参数，Sk是每层的可学习的权重，中的k 是第k层LSTM，i指第i个路段，表示前向和后向隐藏状态的拼接； 将交通语料库用于训练ELMo，以交叉熵损失作为损失函数，用于衡量模型当前位置预测路段的概率分布与真实路段的one-hot分布之间的差异，具体的计算公式如下： 式中，N是当前处理批次中的路段数；C是总路段数；yij是一个二进制指示器，当样本i，对应当前出行路线序列中需要被预测的某个特定位置路段的概率分布最高概率的类别属于对应类别的路段j时yij=1，否则yij=0；pij是模型预测样本i属于类别j的概率； ELMo根据同一路段在不同出行路线中的出现次数相应生成不同的动态嵌入，并通过垂直堆叠形成动态嵌入矩阵，以包含路段的所有动态嵌入； 第二阶段训练过程具体为： 首先，通过ELMo生成各路段动态嵌入矩阵，并通过注意力池化处理，为各路段均形成一个固定维度的特征向量；接着，对各路段特征向量进行可微分聚类，计算每个路段特征向量到第一阶段获得的各个初始聚类中心的距离，并分配给距离最近的簇，从而得到聚类结果；最后根据聚类结果计算损失函数值，用于优化下一轮训练中注意力池化和可微分聚类的参数； 损失函数由两部分构成，第一部分是最小化簇内距离与簇间距离的比值，第二部分是当前聚类中心与初始聚类中心的移动距离，计算公式如下： 式中，其中K表示簇的数量，样本表示第i个路段的特征向量，和分别为第k个簇 的聚类中心及其初始聚类中心，为第k个簇中的样本集合，、和分别为三个损失项 的权重系数。

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福州大学，其通讯地址为：350108 福建省福州市闽侯县福州大学城乌龙江北大道2号福州大学；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。