買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜同濟(jì)大學(xué)申請(qǐng)的專利基于幾何代數(shù)和超圖的交通速度預(yù)測方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN115762183B 。

龍圖騰網(wǎng)通過國家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-05-23發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請(qǐng)?zhí)?專利號(hào)為：202211370158.9，技術(shù)領(lǐng)域涉及：G08G1/052；該發(fā)明授權(quán)基于幾何代數(shù)和超圖的交通速度預(yù)測方法是由臧笛;雷俊濤;崔哲;程久軍;張軍旗設(shè)計(jì)研發(fā)完成，并于2022-11-03向國家知識(shí)產(chǎn)權(quán)局提交的專利申請(qǐng)。

本基于幾何代數(shù)和超圖的交通速度預(yù)測方法在說明書摘要公布了：基于幾何代數(shù)和超圖的交通速度預(yù)測方法。步驟1.輸入交通速度數(shù)據(jù)進(jìn)入模型；結(jié)合整個(gè)訓(xùn)練集的預(yù)訓(xùn)練K?means聚類結(jié)果以及交通路網(wǎng)圖構(gòu)建空間特征提取模塊中的超圖。步驟2.構(gòu)建K層時(shí)空特征提取模塊。步驟3.將交通數(shù)據(jù)屬于每周的哪一天，以及屬于每天的哪一個(gè)時(shí)刻的周期性信息通過兩層線性層進(jìn)行嵌入，結(jié)合每層模塊的提取到的時(shí)空特征，再通過線性層從當(dāng)前輸入數(shù)據(jù)的時(shí)空特征中預(yù)測未來交通速度；步驟4.使用結(jié)合了兩種常用損失函數(shù)的優(yōu)化損失函數(shù)，通過反向傳播與梯度下降不斷優(yōu)化網(wǎng)絡(luò)參數(shù)，使得損失函數(shù)最小化，最終得到最優(yōu)模型。本發(fā)明在實(shí)際場景中應(yīng)用能夠幫助交通管理部門更好地強(qiáng)化交通需求管理，加強(qiáng)城市交通擁堵綜合治理，讓城市交通更加順暢。

本發(fā)明授權(quán)基于幾何代數(shù)和超圖的交通速度預(yù)測方法在權(quán)利要求書中公布了：1.基于幾何代數(shù)和超圖的交通速度預(yù)測方法，其特征在于，具體方法包括如下步驟：步驟1.輸入交通速度數(shù)據(jù)進(jìn)入模型，通過一個(gè)線性層對(duì)速度數(shù)據(jù)進(jìn)行維度提升，使速度值由標(biāo)量轉(zhuǎn)化為向量，并通過K-means無監(jiān)督聚類方法獲得聚類，結(jié)合整個(gè)訓(xùn)練集的預(yù)訓(xùn)練K-means聚類結(jié)果以及交通路網(wǎng)圖構(gòu)建空間特征提取模塊中的超圖；步驟2.構(gòu)建K層時(shí)空特征提取模塊；在每個(gè)模塊中，構(gòu)建基于幾何代數(shù)框架的門控幾何代數(shù)時(shí)間卷積網(wǎng)絡(luò)對(duì)交通數(shù)據(jù)中的時(shí)間特征進(jìn)行提取，使用將擴(kuò)散圖卷積和多層級(jí)超圖卷積結(jié)合的多維圖卷積網(wǎng)絡(luò)對(duì)空間特征進(jìn)行提取；步驟3.將交通數(shù)據(jù)屬于每周的哪一天，以及屬于每天的哪一個(gè)時(shí)刻的周期性信息通過兩層線性層進(jìn)行嵌入，結(jié)合每層模塊提取到的時(shí)空特征，再通過線性層從當(dāng)前輸入數(shù)據(jù)的時(shí)空特征中預(yù)測未來交通速度；步驟4.使用結(jié)合了兩種常用損失函數(shù)的優(yōu)化損失函數(shù)，通過反向傳播與梯度下降不斷優(yōu)化網(wǎng)絡(luò)參數(shù)，使得損失函數(shù)最小化，最終得到最優(yōu)模型；所述步驟2中，在時(shí)間信息提取模塊中，將維度提升后的交通數(shù)據(jù)用滑動(dòng)窗口的方式劃分為不同時(shí)間片段，在本模型中使用到了大小為4的時(shí)間窗口，將四個(gè)時(shí)間片段編碼為一個(gè)幾何代數(shù)中三維空間內(nèi)的多向量，使得模型能夠?qū)r(shí)間片段之間的內(nèi)部依賴以及卷積進(jìn)行建模；并基于幾何代數(shù)中對(duì)多向量旋轉(zhuǎn)的描述來構(gòu)建時(shí)間卷積網(wǎng)絡(luò)的卷積核，使得模型能夠?qū)r(shí)間數(shù)據(jù)和卷積核之間的外部依賴關(guān)系進(jìn)行建模；時(shí)間特征提取具體過程描述如下：h＝gW1*X+b☉σW2*X+c其中，X為輸入到模型時(shí)空特征提取模塊的經(jīng)過維度提升后的交通數(shù)據(jù)，W1，W2是兩個(gè)不同的卷積核，*是時(shí)間卷積操作，⊙是矩陣對(duì)應(yīng)元素相乘；g·是輸出數(shù)據(jù)的激活函數(shù)，在本模型中設(shè)置為tanh激活函數(shù)，以及σ·是用于決定有多少比例的信息可以通過進(jìn)入下一層的sigmoid函數(shù)，最終得到的h將會(huì)作為空間特征提取模塊的輸入；在空間信息提取模塊中，使用兩類不同層次的圖卷積，一類為基于自適應(yīng)鄰接矩陣和傳統(tǒng)路網(wǎng)結(jié)構(gòu)的擴(kuò)散圖卷積，建模成對(duì)結(jié)點(diǎn)之間的空間關(guān)系；另一類為基于步驟1中構(gòu)建的多層級(jí)超圖的超圖卷積，建模多個(gè)結(jié)點(diǎn)之間的空間關(guān)系；通過在步驟1超圖中初始化的E1，E2結(jié)點(diǎn)嵌入計(jì)算自適應(yīng)鄰接矩陣，并結(jié)合靜態(tài)鄰接矩陣進(jìn)行雙向擴(kuò)散圖卷積操作，具體過程如下： 其中，Aadp是自適應(yīng)鄰接矩陣，可以在模型進(jìn)行反向傳播的過程中不斷進(jìn)行自我優(yōu)化；K是隨機(jī)擴(kuò)散的步數(shù)，Wk1，Wk2，Wk3均為模型中可學(xué)習(xí)的權(quán)重矩陣；由于交通圖是有向圖，因此擴(kuò)散圖卷積也具有雙向性，Pf，Pb分別為前向轉(zhuǎn)移概率矩陣以及后向轉(zhuǎn)移概率矩陣，兩個(gè)轉(zhuǎn)移概率矩陣都是通過靜態(tài)鄰接矩陣A計(jì)算得到的，計(jì)算的具體公式為： 其中，rowsum·為計(jì)算矩陣每一行的和值的函數(shù)；通過步驟1中構(gòu)建的多級(jí)超圖對(duì)數(shù)據(jù)進(jìn)行高階空間依賴信息進(jìn)行提取，分為兩個(gè)步驟，第一步為通過聚合超邊內(nèi)的結(jié)點(diǎn)信息來構(gòu)成超邊的信息，第二步通過聚合結(jié)點(diǎn)所連接的超邊信息來更新結(jié)點(diǎn)自身的信息，具體過程如下： 其中，he為聚合超邊內(nèi)結(jié)點(diǎn)特征值獲得的超邊隱藏特征，We為可學(xué)習(xí)的權(quán)重矩陣，di為結(jié)點(diǎn)i的度數(shù)，即結(jié)點(diǎn)i連接的超邊數(shù)量，de為超邊的平均度數(shù)，即超邊中每個(gè)結(jié)點(diǎn)度數(shù)的平均值；將經(jīng)過擴(kuò)散圖卷積和超圖卷積后的結(jié)果進(jìn)行相加，再加上輸入到該層時(shí)的數(shù)據(jù)作為殘差連接，最終得到該時(shí)空層的輸出。

如需購買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請(qǐng)人或?qū)＠麢?quán)人同濟(jì)大學(xué)，其通訊地址為：200092 上海市楊浦區(qū)四平路1239號(hào)；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。