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！

龙图腾网恭喜烟台哈尔滨工程大学研究院申请的专利一种融合趋势与季节性的交通流量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：CN119811095B 。

龙图腾网通过国家知识产权局官网在2025-05-23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：202510299901.3，技术领域涉及：G08G1/01；该发明授权一种融合趋势与季节性的交通流量预测方法是由杨翰琨;赵宇轩;胡锦贺;徐国庆;李冬雪设计研发完成，并于2025-03-14向国家知识产权局提交的专利申请。

本一种融合趋势与季节性的交通流量预测方法在说明书摘要公布了：本发明公开了一种融合趋势与季节性的交通流量预测方法，包括步骤：1）构建基于序列到序列构架的预测网络模型，包含趋势预测子模型和融合预测子模型；2）利用往年数据和当年缺少目标特殊时期的数据，通过趋势预测子模型计算参考特殊时期的趋势因素序列与季节性因素序列，训练融合预测子模型；3）通过趋势预测子模型计算目标特殊时期的趋势因素序列与季节性因素序列，输入训练后的融合预测子模型，得到目标特殊时期的交通流量预测数据。本发明能够在仅具备单年度历史观测数据的条件下，有效融合趋势与季节性因素，提升预测的准确性与稳健性。

本发明授权一种融合趋势与季节性的交通流量预测方法在权利要求书中公布了：1.一种融合趋势与季节性的交通流量预测方法，其特征在于：所处理的数据为时间序列数据，时间序列数据中的元素值代表对应时间的交通流量大小；一条时间序列数据对应一个年份，且每条时间序列数据都覆盖所对应年份的一个正常时期和T个特殊时期，T大于等于2；每一个时期分别对应时间序列数据中的一个子序列，称之为时间子序列数据；所有年份的时期划分方式相同，所有时间序列数据都按日期进行对齐；所述交通流量预测方法的目标是：基于某一往年完整的时间序列数据和当年缺少目标特殊时期数据的时间序列数据，预测当年的目标特殊时期的交通流量数据；所述交通流量预测方法的步骤包括：步骤1：构建基于序列到序列构架的预测网络模型；所述预测网络模型包括趋势预测子模型和融合预测子模型；所述趋势预测子模型为LSTM模型；所述趋势预测子模型的输入为某一年正常时期对应的时间子序列数据，输出为该年参考特殊时期的时间子序列预测数据和该年目标特殊时期的时间子序列预测数据；将某一特殊时期的真实时间子序列数据与时间子序列预测数据之差定义为该特殊时期的季节性预测差值；所述融合预测子模型的输入包括趋势因素序列和季节性因素序列，所述趋势因素序列为当年某一特殊时期的时间子序列预测数据，所述季节性因素序列为该特殊时期的季节性预测差值；融合预测子模型的输出为当年中输入所对应的特殊时期的交通流量预测数据，亦记为该特殊时期的时间子序列融合预测数据；所述融合预测子模型包括编码器和解码器两部分；融合预测子模型中，编码器部分基于LSTM网络构建，它接收两个输入序列——趋势因素序列和季节性因素序列，经过多层LSTM的计算，得到固定长度的隐藏状态向量和细胞状态向量；融合预测子模型中，解码器部分基于LSTM网络，计算时先将编码器输出的隐藏状态向量和细胞状态向量设置为解码器中隐藏状态向量和细胞状态向量的初始值，然后通过多层LSTM网络进行计算；在每一步计算得到新的隐藏状态向量和细胞状态向量时，利用该步的隐藏状态向量和细胞状态向量得到对应的输出值；设第步得到的隐藏状态向量和细胞状态向量分别为和，则该步对应的输出值；其中，非线性函数代表了趋势因素与季节性因素之间的非线性关系；、和为可训练的权重矩阵，为可训练的偏置项；为Sigmoid激活函数，用于LSTM门控机制的非线性映射；也为Sigmoid激活函数，用于控制LSTM输出形式；所有步的输出值构成的序列即为融合预测子模型所输出的时间子序列融合预测数据；步骤2：基于往年已知且完整的时间序列数据和当年缺少目标特殊时期的时间序列数据，通过趋势预测子模型计算参考特殊时期所对应的趋势因素序列与季节性因素序列，然后构建训练样本，训练所述融合预测子模型；所述参考特殊时期是指事先选择的一年中除目标特殊时期之外的另一特殊时期；步骤3：基于往年已知且完整的时间序列数据和当年缺少目标特殊时期的时间序列数据，通过趋势预测子模型计算目标特殊时期所对应的趋势因素序列与季节性因素序列，然后输入到训练后的融合预测子模型，得到当年目标特殊时期的交通流量预测数据。

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烟台哈尔滨工程大学研究院，其通讯地址为：264000 山东省烟台市烟台经济技术开发区青岛大街1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”。