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！

龙图腾网获悉南京理工大学申请的专利基于高阶主成分分解时空图卷积交通速度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：CN115271172B 。

龙图腾网通过国家知识产权局官网在2026-05-12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：202210731482.2，技术领域涉及：G06F18/27；该发明授权基于高阶主成分分解时空图卷积交通速度预测方法是由崔振;徐旭冉;张桐;许春燕设计研发完成，并于2022-06-24向国家知识产权局提交的专利申请。

本基于高阶主成分分解时空图卷积交通速度预测方法在说明书摘要公布了：本发明公开了基于高阶主成分分解时空图卷积交通速度预测方法，基于站点节点之间的距离构建节点的空间关联邻接矩阵，节点属性来自所代表站点车辆行驶的平均速度，此外，节点的属性具备动态时序性，整个交通网络建模为时空图结构；基于高阶主成分分解将交通时空图分解为核心张量和在各个维度的因子矩阵，推理出高阶主成分分解后时空图卷积网络的表现形式，实现了一种时空关联统一建模的时空图卷积网络模型。本发明首次将高阶主成分分解算法应用于时空图卷积网络，从张量空间高维关联建模的角度出发，提出了基于高阶主成分截断分解的时空图卷积模型，具备降低数据维度、并行计算和噪声抑制的优点。

本发明授权基于高阶主成分分解时空图卷积交通速度预测方法在权利要求书中公布了：1.基于高阶主成分分解时空图卷积的交通速度预测方法，其特征在于：包括以下步骤： 步骤1、获取地图上各个站点在多个时刻车辆行驶经过该站点的速度数据信息，每个时刻对应一个图结构数据，依据交通网络的时序演化特性，拼接得到时空图特征张量；定义每一个站点为一个节点，数据每隔分钟采集一次，所述称为一个时间片； 步骤2、获取交通地图上所有站点位置信息，根据地图上不同位置之间的空间位置关系构建其空间关系邻接矩阵； 步骤3、根据交通地图在时间维度的动态序列，将每一个节点与过去时间片的自己相连，构建时空图的动态时序邻接矩阵； 步骤4、基于步骤2和步骤3所构建的两种类别的关联矩阵，对步骤1构建的时空图特征张量，从每个时间片内的空间关联构建图结构、每个节点在不同时刻的时序关联构建图结构，建立多尺度时空图卷积网络模型； 步骤5、对步骤1构建的时空图特征张量应用高阶张量的主成分分解算法进行分解计算，得到核心张量和各维度对应的因子矩阵； 步骤6、利用对步骤4中建立多尺度时空图卷积网络模型对步骤5分解得到的核心张量和各维度对应的因子矩阵进行卷积操作； 步骤7、对步骤6学习到的节点嵌入执行线性回归，得到预测的速度值大小， 所述步骤4包括以下步骤， 步骤4.1、引入步骤2构建的空间邻接矩阵，对步骤1构建的时空图特征张量执行空域关联信息传递，对于第个时间片的空域图的特征矩阵，其空域关联滤波的表达式为： ， 步骤4.2、引入步骤3构建的动态时序邻接矩阵，对步骤1构建的时空图特征张量执行时序关联信息传递，对于第个节点的时序图的特征矩阵，其在时序关联滤波的表达式为： 步骤4.3、引入多维张量的两种运算， 定义第一种计算：张量，矩阵，张量矩阵n-模式积定义为， ， ； 定义第二种计算：，三维张量批次乘法定义为， ， ； 则多尺度时空图卷积网络定义为， ， 其中，在图网络中，节点的阶邻居表示节点经过步可到达的节点，邻接矩阵的和次幂包含了对和阶邻居信息的融合， 所述的步骤5中的高阶主成分分解算法为， ， 其中，表示分解后的特征核心张量，，和表示分解后在空间、特征和时序三个维度的因子矩阵，其中、以及。

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理工大学，其通讯地址为：210018 江苏省南京市玄武区孝陵卫街道孝陵卫街200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。