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！

龙图腾网恭喜长安大学申请的专利一种基于时空特征的动态图卷积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：CN117037491B 。

龙图腾网通过国家知识产权局官网在2025-04-18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：202311023827.X，技术领域涉及：G08G1/01；该发明授权一种基于时空特征的动态图卷积交通流预测方法是由刘占文;王洋;李文倩;牛艺丹;杨楠;程娟茹;薛志彪;范锦;贾晓航;赵彬岩;李蕊芬;肖方伟;方帆;刘文龙设计研发完成，并于2023-08-15向国家知识产权局提交的专利申请。

本一种基于时空特征的动态图卷积交通流预测方法在说明书摘要公布了：本发明涉及一种基于时空特征的动态图卷积交通流预测方法，采用由时空嵌入模块、时空特征融合模块、加权融合层和外部因素模块组成的STF‑SDAM‑DGCN模型，首先对历史交通流数据进行周期划分后与时空嵌入模块学习到的时空嵌入信息融合作为时空特征融合模块的输入数据，同时使用注意力机制、非对称卷积以及Zero‑Softmax函数构建稀疏有向邻接矩阵；将数据输入时空特征融合模块中，同时与外部因素模块中的外部影响因素融合后得到融合外部因素的历史交通流时空特征数据；数据随后传入加权融合层，时空嵌入模块将预测的未来时间步信息也传入该层，依据编码器得到的历史交通流特征生成未来交通流表示，并将其作为解码器输入，通过解码器进行预测，经过全连接层得到最终的未来交通流预测结果。

本发明授权一种基于时空特征的动态图卷积交通流预测方法在权利要求书中公布了：1.一种基于时空特征的动态图卷积交通流预测方法，其特征在于，采用由时空嵌入模块、时空特征融合模块、加权融合层和外部因素模块组成的STF-SDAM-DGCN模型，该方法首先对历史交通流数据进行周期划分后与时空嵌入模块学习到的时空嵌入信息融合作为第一个时空特征融合模块的输入数据，同时使用注意力机制、非对称卷积以及Zero-Softmax函数构建稀疏有向邻接矩阵；随后将数据输入时空特征融合模块中，在其内部通过时间注意力块和动态图卷积提取时空特征后利用门控机制融合时空特征，同时与外部因素模块中的外部影响因素融合后得到融合外部因素的历史交通流时空特征数据；数据随后传入加权融合层，同时时空嵌入模块将预测的未来时间步信息也传入该层，依据编码器得到的历史交通流特征生成未来交通流表示，并将其作为解码器的输入，最后，通过解码器进行预测，经过全连接层后得到最终未来的交通流预测结果；具体包含以下步骤：步骤1：对历史交通流数据进行周期划分首先将N个节点的P个历史交通流数据先按照小时、日和周进行周期划分，再对划分后的交通流数据X＝Xh,Xd,Xw∈RN×P×C进行维度转换得到X∈RN×P×D；步骤2：时空嵌入信息的获取及融合时空嵌入模块分为空间嵌入和时间嵌入两部分，其中，在空间嵌入部分，使用Node2vec方法学习节点向量表示，嵌入过程为，首先使用有偏随机游走生成节点序列，并采用搜索参数来控制随机游走的倾向，所述参数由p和q两个值来确定；设vt-1和vt分别为前一时刻和现在时刻所处的节点，那么下一时刻随机游走到节点vt+1的概率由公式1和2计算得出： 式中，u为归一化常数；p和q为控制随机游走偏好的参数；Neighborv是节点v的相邻节点的集合；dis·,·函数输出两个自变量节点之间的最短距离；利用图嵌入和one-hot编码进行空间嵌入和时间嵌入获取动态的路网结构信息G＝V,E后，通过上述方式对路网G中的传感器节点进行随机游走，得到相对应的节点序列，再通过Skip-Gram模型学习节点向量表示，经过两层全连接神经网络，得到最终的空间嵌入其中，Vi∈V；D为每个节点向量的维度；在时间嵌入部分，将一天分为t个时间步，使用一个one-hot编码将每个时间步的周信息和时间信息分别编码到R7和Rt中，随后将它们拼接到一个R7+t向量中；最后，同样使用两层完全连接的神经网络将时间特征映射到向量RD；此时，嵌入的是P个历史时间步的时间特征信息，所以最终时间嵌入表示为其中tj＝t1,t2,…,tP；将上述空间嵌入和时间嵌入融合为时空嵌入，顶点vi在时间步tj的时空嵌入被定义为最终得到的N个传感器节点在P个时间步的时空嵌入表示为EST∈RN×P×D；在该步骤的最后，将周期划分得到的输出X∈RN×P×D与时间嵌入模块得到的时空嵌入表示EST∈RN×P×D融合作为第一个时空特征嵌入模块的输入数据I0∈RP×N×D；步骤3：时空特征融合模块提取和融合动态时空特征将第L个时空特征融合模块的输入表示为其中顶点vi在时间步tj的隐藏状态表示为第L块编码器中的时间图注意力网络和动态图卷积网络的输出分别表示为和其中节点vi在tj时间步的隐藏状态分别表示为和经过门控融合机制后，得到第L块编码器的输出为其中，第一个时空特征融合模块的输入为周期划分后的历史交通流数据与时空嵌入信息的融合数据，将其表示为I0∈RP×N×D；步骤3.1：使用时间图注意力网络提取动态时间特征时间图注意力网络首先vi，首先对于处在时间步ti时节点的隐藏状态进行非线性激活，得到高维特征其计算方法见下式3： 式中，和是可学习参数；k表示多头注意力的当前头数，同理可得到在时间步tj的节点vi的高维特征那么节点vi在时间步ti与tj之间的相关性可由公式4计算得出： 式中，·,·表示内积操作；D是向量的维度，K是多头注意力的头数，利用该相关性可以计算第k头的注意力系数见下式5： 式中，表示时间步ti以及ti之前的一组时间步，即得到注意力系数后，节点vi在tj时间步的隐藏状态将由公式6进行更新： 式中的可学习参数通过并行计算在所有顶点和时间步上共享，通过公式3至公式6获得动态时间特征得到第L个时间图注意力网络中节点vi在tj时间步的隐藏状态进而得到第L个时间图注意力网络输出的时间特征步骤3.2：使用动态图卷积网络提取动态空间特征首先使用注意力机制、非对称卷积以及Zero-Softmax函数构建稀疏有向邻接矩阵第一步使用自注意力机制计算非对称注意力权重矩阵Rel∈RN×N，即节点之间的关联强度，其计算方法见式7至10： 式中，表示线性变换；Egra是图G的嵌入表示；Q和K分别是自注意力机制中的查询向量和键向量；和是线性变换的权重矩阵；为了保持数值的稳定性，这里采用缩放点积，是比例因子，RelST∈RP×N×N，将非对称卷积分别应用于RelST的行和列，见式11与式12，最后进行非线性激活处理，见式13： 式中，和分别是第L层的基于行和列的非对称卷积特征图；ML是激活层的特征图；和分别是大小为1×S和S×1的卷积核，即行向量和列向量；M0被初始化为RelST，并且所有卷积运算都用零填充，以此来保持输出大小与输入大小相同，最后一个卷积层获得的激活特征图表示为MST∈RP×N×n；得到特征图MST后，接下来在SigmoidMST上使用超参数为τ∈[0,1]的逐元素阈值来生成稀疏掩码矩阵SpaST，具体做法是当MSTi,j≥ε时，SpaST的第i,j个元素被设置为1，否则为0，公式14如下： 式中是指示函数，当不等式成立时函数值为1，否则值为0；为了确保节点之间的自连接关系，将单位矩阵I添加到稀疏掩码矩阵SpaST中，再通过逐元素乘法将其与时空相关性矩阵RelST进行融合，得到稀疏邻接矩阵AST，其计算方法见式15：AST＝SpaST+⊙RelST15式中，⊙表示按元素相乘，使用Zero-Softmax函数来保持邻接矩阵的稀疏性；对于给定的一个扁平化矩阵x＝[x1,x2,…,xN]，Zero-Softmax函数的具体做法见式16： 式中，ε是可忽略的极小的常数，用来确保数值的稳定性；N是输入向量的维度；利用该公式，可以得到归一化的稀疏有向邻接矩阵利用稀疏有向邻接矩阵得出图G的相关性权重矩阵，其计算方式见式17： 式中，表示每个节点的度；在时间步t，空间相关性权重矩阵Mt计算方法见式18： Mt的元素Mij表示节点vi与节点vj在时间步t的相关性强度，值越大表明相关性越强；最终利用矩阵Mt对图G的由公式17得到的相关性权重矩阵A进行动态处理，进而提取得到动态空间特征其方法见其计算过程见公式19： 步骤3.3：时空特征的融合第L块编码器中的时间图注意力网络和动态图卷积网络的输出分别表示为和最后通过门控机制将时间特征与空间特征进行融合得到时空特征融合方法见式20与式21： 式中，⊙表示按元素相乘；Wz,1∈RD×D，Wz,2∈RD×D和bz∈RD是可学习参数；步骤4：融合外部因素所提供的信息在城市交通流预测中，考虑四种类型的外部因素，即节假日信息、天气状况、风速和温度，节假日信息为二进制向量，1表示节假日，0表示非节假日；对天气状况中的晴天、多云、阴天、小雨、大雨、小雪和大雪7种类型进行one-hot编码，得到7维数据；将温度℃和风速ms的值归一化到[0,1]区间；再通过一个全连接层嵌入上述外部因素，也就是将拼接后的向量进行融合，得到外部因素向量Xext∈RP×N×10，再使用第二个全连接层调整向量维度，将Xext映射到RN×P×D后与时空特征进行数据融合得到融合外部因素的历史交通流时空特征数据；步骤5：加权融合层处理数据并经过解码器输出预测结果加权融合层处理的目的是缓解从历史时间步到预测时间步之间的误差传播效应，在加权融合层中使用重利用机制，即预测tP+1时刻的交通状况时考虑所有先前时刻的信息，同时利用注意力机制为不同时间步分配不同大小的权重；对于传感器节点vi，它在历史时间步ti，即ti＝t1,t2,…,tP和未来时间步tj，即tj＝tP+1,tP+2,…,tP+Q之间的相关性通过时空嵌入信息计算，其计算方法见式22至式24： 最后利用注意力权重通过自适应地选择所有历史P个时间步的相关性特征，将编码器的交通特征转到解码器，具体方法见式25与式26： 由公式26得到的既是加权融合层的输出，也是解码器的输入；公式22至公式26中的符号定义同公式3至公式6，并可在所有传感器节点和时间步上并行计算，共享所有可学习参数；数据通过加权融合层后将P个历史时间步的特征转换到Q个未来时间步表示后，再经由L个时空特征融合模块中的解码器进行预测，得到未来Q个时间步的预测值

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长安大学，其通讯地址为：710064 陕西省西安市雁塔区二环南路中段126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”。