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！

龙图腾网恭喜南京师范大学申请的专利一种基于时空图神经网络的时间序列数据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：CN114428937B 。

龙图腾网通过国家知识产权局官网在2025-06-03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：202111508244.7，技术领域涉及：G06F17/16；该发明授权一种基于时空图神经网络的时间序列数据预测方法是由谢非;杨嘉乐;张瑞;凌旭;李群召;刘畅;郑鹏飞;夏光圣;章悦设计研发完成，并于2021-12-10向国家知识产权局提交的专利申请。

本一种基于时空图神经网络的时间序列数据预测方法在说明书摘要公布了：本发明公开了一种基于时空图神经网络的时间序列数据预测方法，包括：采集道路车流辆数据，生成时间序列数据，根据传感器的空间特征来生成输入特征，捕捉时间特征来生成时间相似矩阵，然后通过映射生成全局时空相关邻接矩阵，再进一步生成组合时空相关邻接矩阵，将输入特征和组合时空相关邻接矩阵送入图神经网络中提取特征，使用Huber损失函数训练模型，预测车流量分布情况，汇总车流量分布。本发明能够对采集到的车流辆数据进行实时更新预测，捕捉到不同交通流数据之间潜在的时间和空间联系，获取道路交通网络的全局信息，用于智能交通系统的监测和管理，此方法具有耗时低、计算复杂度小、实时性高、准确率高的优点，并且适用于其他的时空预测任务。

本发明授权一种基于时空图神经网络的时间序列数据预测方法在权利要求书中公布了：1.一种基于时空图神经网络的时间序列数据预测方法，其特征在于，包括如下步骤：S1：传感器采集道路车流量数据，对数据进行预处理，生成对应的时间序列数据；S2：根据传感器不同的地理位置提取传感器的空间特征来生成输入特征，使用时间相似度算法来捕捉不同时间序列数据之间潜在的时间特征，从而生成时间相似矩阵；S3：将时间相似矩阵映射到全局，生成全局时空相关邻接矩阵，再进一步生成组合时空相关邻接矩阵；S4：通过设定不同的时间步长，对输入的时间序列数据的时间长度进行截取，再将输入特征与组合时空相关邻接矩阵送入对应的堆叠后的图卷积层进行特征提取，使用Huber损失函数进行反向传播训练模型；S5：使用训练好的模型预测下一时间段的时间序列数据，根据预测得到的时间序列数据，输出下一时间段的车流量分布情况并汇总全天的车流量分布；步骤S2具体为：B1：每个传感器的编号与它们所在公路编号一致，并且每个传感器的编号都是独一无二的，通过这些编号进一步生成它们的输入特征X；B2：对于来自时间序列数据向量集合V＝v1，v2，…vn中的任意两条时间序列数据vi和vj，计算出它们的时间相似度；B3：根据计算得出的时间相似度结果，筛选出相似度最高的两条时间序列数据；B4：在时间序列数据向量集合V中任取一条时间序列数据记为va，其中a表示该条时间序列数据在时间序列数据向量集合V中的坐标，当i＝a时，求得与va相似度最高的时间序列数据vb，构建时间相似矩阵Msim，时间相似矩阵Msim中a，b坐标位置的元素设置为1，遍历整个时间序列数据向量集合，完成Msim的构建；步骤B2中通过公式1，公式2和公式3计算出时间相似度： 式中，m表示时间间隔数，M表示时间间隔的总数，m的取值范围从1到M，vi，m为第i条时间序列数据向量中的第m个时间间隔内统计的车辆数，vj，m为第j条时间序列数据向量中的第m个时间间隔内统计的车辆数，表示第i条时间序列数据向量的车辆数的平均值，表示第j条时间序列数据向量的车辆数的平均值； 式中，Correlationvi，vj表示vi，vj之间的时间相似度；步骤S3具体为：C1：将地理位置相邻的传感器在矩阵中用1表示，0则表示它们不相邻，从而得到对应的邻接矩阵A；C2：使用与邻接矩阵A相同大小的单位矩阵Mcon来进一步表示每个传感器之间潜在的时间和空间的联系；C3：将邻接矩阵A、单位矩阵Mcon和时间相似矩阵Msim进一步融合生成全局时空相关邻接矩阵Acor；C4：使用两个全局时空相关邻接矩阵Acor来生成组合时空相关邻接矩阵Acor·group。

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南京师范大学，其通讯地址为：210046 江苏省南京市栖霞区文苑路1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”。