買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網恭喜吉林大學;長沙理工大學申請的專利基于自適應門控時空圖卷積網絡的交通流預測系統及方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN119358841B 。

龍圖騰網通過國家知識產權局官網在2025-04-18發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202411896287.0，技術領域涉及：G06Q10/063；該發明授權基于自適應門控時空圖卷積網絡的交通流預測系統及方法是由龍思與;鄭黎黎;李健;裴博彧;靳秉毅;湯芷;丁同強設計研發完成，并于2024-12-23向國家知識產權局提交的專利申請。

本基于自適應門控時空圖卷積網絡的交通流預測系統及方法在說明書摘要公布了：本發明屬于交通控制系統領域，涉及一種基于自適應門控時空圖卷積網絡的交通流預測系統及方法，所述系統是通過對AG?STGCN模型進行訓練得到，所述AG?STGCN模型包含特征融合模塊、因果卷積層、自適應門控圖卷積層、輸出模塊；AG?STGCN模型開始部分添加了特征融合模塊，平滑處理節點輸入特征，在構建路網結構中，提出了單向圖剪邊機制，使圖結構更加稀疏，緩解過平滑和過擬合問題；之后利用門控的思想，使用自適應門控圖卷積網絡自適應更新和遺忘節點特征；進一步利用注意力方式將不同層門控圖卷積網絡特征聚合，充分利用路網局部和全局信息；結合輕量時序因果卷積構建了交通流預測時空模型，該模具能夠預測未來12個時間步長的交通流情況，預測結果準確可靠。

本發明授權基于自適應門控時空圖卷積網絡的交通流預測系統及方法在權利要求書中公布了：1.一種基于自適應門控時空圖卷積網絡的交通流預測系統，其特征在于，所述系統是通過對AG-STGCN模型進行訓練得到，所述AG-STGCN模型包含特征融合模塊、因果卷積層、自適應門控圖卷積層、輸出模塊；其中，所述特征融合模塊用于平滑處理路網的節點特征，包括特征輸入層、特征卷積層、特征重構層；所述特征輸入層用于輸入路網中不同位置的傳感器所采集的交通流數據；所述特征卷積層進行特征卷積操作；所述特征重構層進行特征重構操作，將節點vi原始輸入特征向量每兩個元素中間填充0元素，然后將節點vi的特征卷積層輸出向量的每個元素前后填充0元素，進而得到節點vi的特征融合模塊輸出結果；所述因果卷積層，用于對特征融合模塊輸出的特征進行因果卷積，提取同一節點的時間序列特征；所述因果卷積層的因果卷積公式其中，Fs表示經一層因果卷積后輸出的第s個元素，為節點vi的所有特征，Γ∈Rk×c為因果卷積核，k為卷積核寬度，c為卷積核通道數，*τ為因果卷積操作，為因果卷積核C通道的第j個元素，為節點vi的第s+j個元素，L1表示因果卷積的層數；所述自適應門控圖卷積層用于提取路網的局部和全局空間特征，在提取路網空間特征前，先構建路網的鄰接矩陣；之后將路網視為無向圖G＝V，E，A，其中V∈RN是部署在路網中的傳感器表示；E表示邊集合，表示兩個傳感器之間的連通性；A∈RN×N是鄰接矩陣；在構建圖結構時引入單向圖剪邊操作，對鄰接矩陣進行處理后形成增強圖；最后增強圖的圖結構進行自適應門控圖卷積操作；所述輸出模塊結合注意力機制聚合不同自適應門控圖卷積層輸出的信息，即將多層的自適應門控圖卷積層輸出結果用注意力的方式聚合，充分利用路網的局部和全局空間特征，輸出預測結果，實現交通流預測任務；所述特征卷積層的數據處理方式為：其中，和分別為節點vi的特征卷積層的輸入和輸出，*F為特征卷積操作，Γκ為特征卷積的卷積核，κ為核寬度；所述特征重構層的數據處理方式為：先將變為再將變為重構后的特征相加作為特征融合模塊輸出結果單向圖剪邊操作的具體方法為：根據鄰接矩陣計算得到度矩陣D∈RN×N； 其中，dvi表示與節點vi相關聯的邊的數量；根據度大小對其排列，取出度最大的μ個節點，μ＝N×Mn，Mn為超參數，N代表路網節點數，若節點vi為取出節點，令Aij＝0，Aij是鄰接矩陣中第i行j列的值，vj為隨機抽取的與節點vi存在邊的節點，i≠j，重復此過程m次，m為超參數，由此得到單向圖剪邊后的鄰接矩陣Asd；自適應門控圖卷積操作的具體步驟為：計算自適應鄰接矩陣計算門控值βl，計算路網拉普拉斯矩陣Lsd，計算路網自注意力得分SAT，計算最終路網鄰接矩陣Ssd，Ssd＝softmaxSAT⊙Lsd；聚合路網鄰域信息，公式為：計算路網不同階數鄰域信息公式如下： 其中，⊙為哈達瑪積操作，Dsd為Asd的度矩陣，為可訓練參數，為可訓練參數，為可訓練參數，為可訓練參數，V∈Rc×d為可訓練參數，l為卷積的層數，代表聚合l階數的鄰域信息；為Dsd的12次方的逆矩陣，代表結合注意力機制的圖卷積，代表第l層自適應門控圖卷積的輸入，當l＝1時，輸入為Xτ，即因果卷積的輸出，Asd代表單向圖剪邊后的鄰接矩陣，T代表矩陣的轉置操作，c代表中的通道c，參數V∈Rc×d中的c×d將通道由c變為d，為超參數；所述輸出模塊結合注意力機制聚合不同層自適應門控圖卷積層信息的表達式為： 其中，Zl為第l層自適應門控圖卷積后的特征經過兩層全連接，為兩層全連接的可訓練參數；然后將全連接層的輸出Zl轉換為一維向量Hl，再進行一層全連接，Wl為可訓練參數，bl為偏置；αl為對應第l層的注意力得分，Z為模型最終的預測輸出，L為自適應門控圖卷積神經網絡的總層數。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人吉林大學;長沙理工大學，其通訊地址為：130012 吉林省長春市南關區人民大街5988號吉林大學南嶺校區；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。