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！

龙图腾网获悉华侨大学申请的专利基于时空注意力网络的交通流量预测方法、装置及可读介质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：CN117079452B 。

龙图腾网通过国家知识产权局官网在2026-05-01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：202310851423.3，技术领域涉及：G08G1/01；该发明授权基于时空注意力网络的交通流量预测方法、装置及可读介质是由武迪;彭凯设计研发完成，并于2023-07-12向国家知识产权局提交的专利申请。

本基于时空注意力网络的交通流量预测方法、装置及可读介质在说明书摘要公布了：本发明公开了一种基于时空注意力网络的交通流量预测方法、装置及可读介质，获取历史交通流量数据和路网结构数据，分别对历史交通流量数据和路网结构数据进行处理，得到处理后的历史交通流量数据和邻接矩阵；基于处理后的历史交通流量数据得到交通流量时间序列；构建时空注意力网络并训练，得到交通流量预测模型，时空注意力网络包括GRU层、空间特征提取层、时间自注意力模块和输出层；将交通流量时间序列和邻接矩阵输入交通流量预测模型，交通流量时间序列输入GRU层，得到输出特征，输出特征和邻接矩阵输入空间特征提取层，得到空间特征，空间特征输入时间自注意力模块，得到时空特征，时空特征输入输出层，预测得到交通流量数据。

本发明授权基于时空注意力网络的交通流量预测方法、装置及可读介质在权利要求书中公布了：1.一种基于时空注意力网络的交通流量预测方法，其特征在于，包括以下步骤： 获取历史交通流量数据和路网结构数据，分别对所述历史交通流量数据和路网结构数据进行处理，得到处理后的历史交通流量数据和邻接矩阵； 基于所述处理后的历史交通流量数据得到交通流量时间序列； 构建时空注意力网络并训练，得到交通流量预测模型，所述时空注意力网络包括GRU层、空间特征提取层、时间自注意力模块和输出层； 将所述交通流量时间序列和所述邻接矩阵输入所述交通流量预测模型，所述交通流量时间序列输入所述GRU层，得到输出特征，所述输出特征和所述邻接矩阵输入所述空间特征提取层，得到空间特征，所述空间特征提取层包括GAT层和空间自注意力模块，将所述输出特征输入GAT层，通过下式计算出注意力系数： ； 其中，表示两个向量的拼接操作，、为待训练参数，表示所述输出特征中目标节点i的特征，和分别为所述输出特征中目标节点i的临近节点的特征； 将所述输出特征中某个时间步的第i个节点的空间特征进行更新，得到静态空间特征： ； 其中，表示激活函数； 将所述邻接矩阵和所述输出特征输入所述空间自注意力模块，所述空间自注意力模块包括以下步骤： 初始化一个线性层； 将邻接矩阵输入到所述线性层，得到； 对进行维度扩增与变换，得到空间位置编码，其中，，代表batch大小；代表训练所用的个时间步；传感器数量；代表编码后的特征维度； 将与所述输出特征加和，得到包含token位置信息的第一输入数据； 将包含token位置信息的第一输入数据输入改进的多头注意力机制层，在改进的多头注意力机制层中，所述第一输入数据利用前馈神经网络投影到高维潜在子空间，映射公式如下所示： ； ； ； 其中，、、分别为向量、向量、向量的权重矩阵； 对所有token对应的向量进行采样，采样个数的计算公式为： ； 其中，为预先设置的超参数；为token序列的长度； 计算第个token对应的向量的评价得分，公式如下所示： ； 将评价得分最高的个向量设为ActiveQuery，其余均为LazyQuery，其中，公式如下所示： ； 计算ActiveQuery的自注意力运算结果，公式如下所示： ； 其中，为向量的特征维度； 计算LazyQuery的自注意力运算结果，公式如下表示： ； 其中，为向量的长度； 最后，将ActiveQuery和LazyQuery的自注意力运算结果经一系列残差连接、正则化及前馈神经网络处理后，得到动态空间特征； 将所述静态空间特征和动态空间特征经门控机制融合，得到空间特征； 具体包括：静态空间特征与动态空间特征线性映射后再经过激活函数得到门，计算公式如下所示： ； 采用下式计算所述空间特征： ；所述空间特征输入所述时间自注意力模块，得到时空特征，所述时空特征输入所述输出层，预测得到交通流量数据。

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华侨大学，其通讯地址为：362000 福建省泉州市丰泽区城东城华北路269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”。

以上内容由龙图腾AI智能生成。