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！

龙图腾网获悉重庆邮电大学申请的专利一种智能物联网多模态数据感知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：CN116628441B 。

龙图腾网通过国家知识产权局官网在2026-01-27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：202310515335.6，技术领域涉及：G06F18/20；该发明授权一种智能物联网多模态数据感知方法是由邹虹;谭月;张普宁;杨志刚;吴大鹏;王汝言设计研发完成，并于2023-05-09向国家知识产权局提交的专利申请。

本一种智能物联网多模态数据感知方法在说明书摘要公布了：本发明涉及一种智能物联网多模态数据感知方法，属于物联网领域。首先感知平台构建时空注意力机制权重来捕捉时空关系对于工人移动性预测的影响，利用带有时空注意力机制的GRU预测模型对感知工人的移动性进行预测。然后基于预测结果，利用基于移动性预测的多模态感知任务效用最大化任务分配方法对不同时间段出现在多模态感知POI任务区域的感知工人进行多模态感知任务分配。有效的提升了感知工人在不同时间段位于不同多模态感知任务区域的预测准确性，为不同的感知工人分配了合适的多模态感知任务，提高了感知平台的效用和多模态感知任务的完成率。

本发明授权一种智能物联网多模态数据感知方法在权利要求书中公布了：1.一种智能物联网多模态数据感知方法，其特征在于：该方法包括以下步骤： S1：构建基础的门控循环单元结构GRU预测模型；GRU由隐藏状态和单元记忆组成，分别存储过去输入序列的信息，并通过门控机制控制输入和输出之间的信息流；以下递归方程表示GRU的工作原理； 其中记忆增量由当前输入信息和过去记忆累加形成，重置门rt控制着过去记忆在当前记忆增量中的重要性，更新门zt控制过去记忆与当前记忆增量的比例，当前记忆ht受到更新门zt和记忆增量的影响；其中xt是输入向量，Wr，Wz，为学习参数的线性变化矩阵； S2：构建基于编码解码的GRU预测模型：基于编码解码的GRU预测框架由一个编码器网络和一个解码器网络组成，分别读取和生成变长序列；编码器网络递归地输入代表工人wi长度为T的轨迹长度序列WT＝{WT1,WT2,…,WTT}，并通过公式ht＝GRUxt,ht-1在每个时间步t更新隐藏状态向量ht，其中ht取决于当前输入xt和先前的隐藏状态ht-1；最后经过T时间步后编码器将整个输入序列WT＝{WT1,WT2,…,WTT}汇总为最终向量hT； S3：构建时间注意力机制：解码器使用从编码器传递来hT作为其初始单元存储状态向量，其中h0′＝hT；通过将其隐藏状态hT′与解码阶段GRU单元前一时刻的隐藏状态ht-1′和t-1时刻预测值Yt-1′非线性组合，然后通过对时间注意力权重进行归一化操作，然后对权重及隐藏状态hT′进行加权求和得到隐藏状态的权重H′； S4：构建空间注意力机制：通过基于高斯的核函数来为不同任务POI区域之间分配权重，其中为不同任务POI区域的距离，κ为距离缩放参数；利用计算空间注意力分数函数，然后通过计算空间注意力的权重，最后利用得到编码器第t个隐藏状态的权重；其中Wi′，Wi，Ui为模型训练过程的参数矩阵，bi为偏置向量； S5：构建带有时空注意力机制的GRU预测模型：对工人移动性进行预测，最后完成解码后，通过全连接层后利用softmax函数输出t时刻工人出现在位置的预测概率函数preij； S6：感知平台预先获取多模态感知任务的任务需求； S7：构建感知工人的多模态感知数据质量分数模型； S8：构建感知工人的信誉度模型； S9：构建基于数据感知质量要求和感知成本约束的感知平台效用最大化模型； S10：基于带有时空注意力机制的GRU预测模型对工人移动性进行预测，基于预测结果，利用基于移动性预测的多模态感知任务效用最大化任务分配方法对不同时间段出现在多模态感知POI任务区域的感知工人进行多模态感知任务分配； S11：感知工人分配的多模态感知任务，去完成多模态感知任务，然后将收集的多模态感知数据上传至感知平台，感知平台对多模态感知数据进行处理聚合后将多模态感知数据结果反馈给任务请求者并对工人分发奖励； S12：构建群体兴趣模型：基于个人兴趣预测模型对群组用户u＝{u1,u2,...,ui,...,uM}的实体兴趣列表进行联合推理，获取群组用户的实体兴趣列表其中表示的实体ei的流行度，M表示用户总数。

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重庆邮电大学，其通讯地址为：400065 重庆市南岸区黄桷垭崇文路2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。