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！

龙图腾网恭喜中国科学院深圳先进技术研究院申请的专利基于多视图客流变化趋势建模的客流分布预测方法及装置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：CN114169632B 。

龙图腾网通过国家知识产权局官网在2025-04-22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：202111533794.4，技术领域涉及：G06Q10/04；该发明授权基于多视图客流变化趋势建模的客流分布预测方法及装置是由郑富荣;叶洁瑕;赵娟娟;高希彤;叶可江;须成忠设计研发完成，并于2021-12-15向国家知识产权局提交的专利申请。

本基于多视图客流变化趋势建模的客流分布预测方法及装置在说明书摘要公布了：本发明涉及深度学习与城市交通规划技术交叉领域，具体涉及一种基于多视图客流变化趋势建模的客流分布预测方法及装置。该方法及装置根据当前时段从多视图角度使用节点和边一起构建动态完全图，节点和边分别提取出行地特征和目的站特征，将原有孤立的出行地节点与目的站节点通过节点间的关系构建起联系，并根据构建起的联系数据推算下个时段全网的客流分布量，使节点在交通路网中感知更多的相关信息，从而有效提升下游目的站点预测任务的准确率。

本发明授权基于多视图客流变化趋势建模的客流分布预测方法及装置在权利要求书中公布了：1.一种基于多视图客流变化趋势建模的客流分布预测方法，其特征在于，包括以下步骤：1.客流动态序列图构建：对于前PP0时间段中的任意时间段t'，构造一个动态客流图其中，V是图的节点集合，A∈RN×N表示节点之间的临近关系或者边特征，表示各节点在时间段t'的客流特征，也称为节点特征：节点的特征：表示各个站点在时间t'的客流信息，其中第i行表示站点i的客流特征，对于四个不同客流变化趋势的子模块，即进站客流变化趋势模块、进站客流目的站分配趋势模块、出站客流变化趋势模块和出站客流起始站分配趋势模块，其对应于站点i的特征分别为其特征维度Df分别为1、N、1、N；边的特征：E∈RN×N表示站点之间的临近关系特征，其根据两站之间时间花费的倒数来计算，E∈RN×N是静态的，即对所构建的客流图是共享的；针对每个子模块，得到一个最近前P个时间段的动态交通状态时序图G＝Gt-P-1,Gt-P-2,…Gt；2.基于GAT图注意力机制的站点嵌入表示：通过聚合邻居节点的客流信息缓解由于局部观测数据的随机性所带来的模型对客流变化趋势的不确定性学习；针对每个观测时段t'的交通状态图Gt'∈G中的每个节点vi，通过图卷积神经网络聚合所有邻居节点Ni＝{vj|Eij0}的客流特征；为了聚集邻居节点的信息，采用图注意力机制为每个邻居分配不同的注意力得分；通过对图注意力机制GAT做扩展，使其作用于具有节点特征和边特征的图上，通过融合节点特征和边特征一起计算各邻居节点vj∈Ni对vi的重要程度：节点i和节点j的特征分别为和边特征为首先通过一个可学习的线性变换将输入特征转换到高维特征从而获得足够的表达能力，包括在此基础上，执行自注意力wij＝azi||zj||zi,j计算注意力系数，表明了节点j的特征对节点i的重要性；其中||表示连接操作,a.操作使用一个单层前向神经网络和LeakyReLU非线性激活函数来实现，使用softmax函数对所有邻居节点的注意力稀疏进行正则化，即： 最后使用归一化系数来计算聚合邻居客流特征，经过Attention之后节点j的客流特征向量为使用多头注意力机制获取节点的交通特征表示，如果有K个Attention，则将K个Attention生成的向量拼接起来，即： 基于以上过程，针对每个时间段t'，获取到图中所有节点聚合后的特征表示对于前P个时间段的动态交通状态时序G＝Gt-P-1,Gt-P-2,…Gt，得到节点嵌入表示的时间序列X＝Xt-P-1,Xt-P-2,…Xt；3.基于GRU的客流时间相关性学习：鉴于客流变化趋势具有最近时段的相关性和周期性相关性特征，首先基于动态客流序列X＝Xt-P-1,Xt-P-2,…Xt，学习隐含在客流序列X的短期时间相关性，然后结合所预测时段t+1的周期性相关的时间属性，一起建模客流的时间相关性；首先基于X＝Xt-P-1,Xt-P-2,…Xt学习时间序列的相关性，使用参数量少、过拟合的风险小的GRU模型，其中GRU只使用两个门控开关，达到了和LSTM接近的结果；rt′＝σWr·[ht′-1,Xt′]+brut′＝σWu·[ht′-1,Xt′]+bu 其中，σ是sigmoid激活函数，⊙表示元素乘法，rt是重置门和ut是更新门，权重向量W和偏置向量b是需要学习的参数，基于GRU模型得到最近时刻t客流变化趋势表示ht，为简化期间，将其表示为ht＝GRUX；在此基础上，结合预测目标时段t+1经过处理的离散化的时间属性ft+1，经过一层全连接操作，得到特定视图下的客流趋势表示rt＝FCft+1,ht；4.多视图融合的起始站点、目的站点客流趋势表示：在起始站动态特征学习模块中，基于客流变化趋势学习器，得到各站点入站客流的变化趋势rtin，入站客流目的站点分配变化趋势rtoD；上述两个变化趋势拼接经过全连接层得到维度为N×Do的所有站点作为起始站点的客流变化趋势表示矩阵Ot＝fc[rtin||rtoD]，其中第i行表示站点si作为起始站点的表示；同理，在目的站动态特征学习模块中，基于客流变化趋势学习器，得到各站点作为目的站点的客流的变化趋势表示rtout，入站客流目的站点分配变化趋势rtdO；上述两个变化趋势拼接经过全连接层得到维度为N×Dd的全网各站点作为目的站点客流变化趋势表示Dt＝fc[rtout||rtdO]，其中Dt的第i行表示为表示站点i作为目的站点的表示；5.客流转换关系学习：基于以上方法，学习各站点作为起始站点和目的站点的客流变化趋势表示Ot和Dt；为了获取下个时段的OD矩阵，从全局的角度，通过学习一个全网共享转换矩阵W建模起点和目的站点之间的转换关系，即鉴于两站之间的客流分布与站点之间所花费的时间负相关关系：出行花费时间越长，其出行数量占比越小，即乘客更倾向于短距离出行；在客流转换关系学习中，融入所花费时间因素的影响，将以上公式扩展为其中用于计算时间因素的影响，其思想来自于时间与出行量的分布关系服从指数分布，λ1和λ2是待学习的参数。

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中国科学院深圳先进技术研究院，其通讯地址为：518055 广东省深圳市南山区深圳大学城学苑大道1068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”。