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(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜南京航空航天大學申請的專利一種基于時空卷積網(wǎng)絡的OD市場航空客流量預測方法獲國家發(fā)明授權專利權，本發(fā)明授權專利權由國家知識產(chǎn)權局授予，授權公告號為：CN114118508B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權局官網(wǎng)在2025-05-30發(fā)布的發(fā)明授權授權公告中獲悉：該發(fā)明授權的專利申請?zhí)?專利號為：202110878862.4，技術領域涉及：G06Q10/04；該發(fā)明授權一種基于時空卷積網(wǎng)絡的OD市場航空客流量預測方法是由吳薇薇;林思奇;季靈;張皓瑜設計研發(fā)完成，并于2021-08-02向國家知識產(chǎn)權局提交的專利申請。

本一種基于時空卷積網(wǎng)絡的OD市場航空客流量預測方法在說明書摘要公布了：本發(fā)明公開了一種基于時空卷積網(wǎng)絡的OD市場航空客流量預測方法，屬于大數(shù)據(jù)技術領域，包括統(tǒng)計、整理并存儲區(qū)域多機場系統(tǒng)內(nèi)各出發(fā)機場到目的機場的航空客流量數(shù)據(jù)，搭建基于時空卷積網(wǎng)絡的OD市場航空客流量的預測模型，確定不同數(shù)據(jù)集下預測模型最優(yōu)的超參數(shù)設置，根據(jù)航空客流量歷史數(shù)據(jù)，預測數(shù)個OD市場的航空客流量，解決了采用時空卷積網(wǎng)絡對航空客流量進行預測，實現(xiàn)同一區(qū)域多個出發(fā)機場到同一目的機場多個OD市場客流量的同時預測的技術問題，本發(fā)明首度將時空卷積網(wǎng)絡應用于航空客流量預測領域，實現(xiàn)同一區(qū)域多個出發(fā)機場到同一目的機場多個OD市場客流量的同時預測，給航空客流量預測提供了一種新思路。

本發(fā)明授權一種基于時空卷積網(wǎng)絡的OD市場航空客流量預測方法在權利要求書中公布了：1.一種基于時空卷積網(wǎng)絡的OD市場航空客流量預測方法，其特征在于：包括：通過客戶端服務器選定某一個區(qū)域多機場系統(tǒng)，統(tǒng)計、整理并存儲區(qū)域多機場系統(tǒng)內(nèi)各出發(fā)機場到目的機場的航空客流量數(shù)據(jù)；預測模型服務器獲取航空客流量數(shù)據(jù)，并對航空客流量數(shù)據(jù)預處理，構建OD客流網(wǎng)格圖和外部影響因素特征向量，搭建基于時空卷積網(wǎng)絡的OD市場航空客流量的預測模型，形成預測模型相應的訓練集；OD市場是指從出發(fā)機場OriginAirport到目的機場DestinationAirport的航空旅客運輸市場；通過調(diào)節(jié)數(shù)據(jù)特性和預測模型的網(wǎng)絡結構，確定不同數(shù)據(jù)集下預測模型最優(yōu)的超參數(shù)設置；超參數(shù)包括網(wǎng)絡結構的超參數(shù)和數(shù)據(jù)特性的超參數(shù)，網(wǎng)絡結構的超參數(shù)包括卷積層數(shù)、卷積核大小和卷積核數(shù)量，數(shù)據(jù)特性的超參數(shù)包括趨勢性片段選取的樣本長度和周期性片段選取的樣本長度；中心服務器根據(jù)航空客流量歷史數(shù)據(jù)，同時預測數(shù)個OD市場的航空客流量；預測模型服務器利用Python的Keras神經(jīng)網(wǎng)絡庫中的函數(shù)化模塊，搭建基于時空卷積網(wǎng)絡的OD市場航空客流量的預測模型，通過已知的m個歷史觀察值XM＝{Xt|t＝1，2，…，m}，預測k個月的數(shù)個OD市場的航空客流量XK＝{Xt|t＝m+1，m+2，…，m+k}；通過改變網(wǎng)絡結構和數(shù)據(jù)特性這兩部分超參數(shù)，來確定預測模型最適合的超參數(shù)設置，利用Adam優(yōu)化器對預測模型進行訓練優(yōu)化，并在訓練過程中采用早停策略來避免模型過擬合；中心服務器預測數(shù)個OD市場的航空客流量的具體步驟包括：步驟B1：提取OD客流網(wǎng)格圖的片段，根據(jù)客流量在時間維度上的依賴性，針對預測時間點分別按不同時間間隔提取兩個時間片段：分別為趨勢性網(wǎng)格圖片段XTre和周期性網(wǎng)格圖片段XPer，具體提取形式如下： 其中，ltre和lper作為預測模型中的可調(diào)節(jié)的數(shù)據(jù)特性超參數(shù)，分別表示趨勢性片段選取的樣本長度和周期性片段選取的樣本長度；步驟B2：構建時空卷積網(wǎng)絡，基于提取的兩個不同時間間隔的網(wǎng)格圖片段，分別構建結構相同的時空卷積網(wǎng)絡分支捕獲OD客流量的時空特性，時空卷積網(wǎng)絡分支以S+1，S≥1個卷積層為基礎；以趨勢性部分的時空卷積網(wǎng)絡分支為例，用表示趨勢性網(wǎng)格圖片段，通過第一個卷積層C1將XTre0轉換成一個新的張量XTre1，轉換公式如下： 其中，和是第一個卷積層的學習參數(shù)，在卷積層C1操作之后按上式繼續(xù)加入S-1個卷積層，在第S個卷積層后，再經(jīng)過一個只包含一個卷積核的卷積層CS+1，最終得到趨勢性部分的輸出結果XTreS+1；同理，用上述相同的操作構建周期性部分的時空卷積網(wǎng)絡分支，得到輸出結果XPerS+1；步驟B3：構建外部影響因素網(wǎng)絡，預測模型考慮的外部影響因素包括月份屬性和是否包括節(jié)假日兩個方面，基于第t個預測時間點，得到相應的外部影響因素特征向量Et，利用一個兩層全連接神經(jīng)網(wǎng)絡分支作為外部影響因素網(wǎng)絡，第一層可被視為嵌入層，將外部因素定量化加入到預測模型，第二層則是將第一層得到的特征映射成高維張量，其大小應和Xt一致以便與時空卷積網(wǎng)絡的輸出結果融合，得到輸出結果XExt；步驟B4：融合獲取預測結果，以學習參數(shù)的形式賦予時空卷積網(wǎng)絡輸出結果XTreS+1和XPerS+1不同的權重矩陣，并進行聚合得加權后的輸出結果，計算公式如下：XCon＝WTre*XTreS+1+WPer*XPerS+1；其中，*表示哈達馬乘積；WTre和WPer分別表示趨勢性和周期性部分的權重，即兩部分輸出分別對最終預測結果的影響程度，進一步通過tanh函數(shù)將計算結果XCon和外部影響因素網(wǎng)絡輸出結果XExt映射到[-1,1]之間，得最終預測結果XK，計算公式如下：XK＝tanhXCon+XExt；以最小化預測值矩陣XK和真實值矩陣之間的均方誤差為目標訓練預測模型： 其中，θ表示模型的所有學習參數(shù)。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯(lián)系本專利的申請人或專利權人南京航空航天大學，其通訊地址為：210000 江蘇省南京市秦淮區(qū)御道街29號；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)”。