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！

龙图腾网获悉长沙理工大学申请的专利一种基于微观轨迹重构与时频图谱融合的ETC交通流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：CN121564994B 。

龙图腾网通过国家知识产权局官网在2026-04-14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：202610086911.3，技术领域涉及：G08G1/065；该发明授权一种基于微观轨迹重构与时频图谱融合的ETC交通流预测方法是由龙科军;裴博彧;詹家豪;刘璞玉;张博广设计研发完成，并于2026-01-22向国家知识产权局提交的专利申请。

本一种基于微观轨迹重构与时频图谱融合的ETC交通流预测方法在说明书摘要公布了：本发明提出一种基于微观轨迹重构与时频图谱融合的ETC交通流预测方法，步骤包括：获取ETC流水数据后构建车辆微观轨迹张量；将输入张量中不同分量映射至同维度并叠加得到初始特征；将路网邻接矩阵作为图注意力机制的偏置项并根据初始特征计算空间特征后叠加初始特征；对叠加后特征依次进行时域特征编码和谱域滤波增强后输入物理修正层计算物理惯性特征并乘以物理约束系数后叠加主特征，归一化得到最终隐层特征后输入并行的全连接层预测头，预测下一跳门架概率分布、行程时间及行驶速度后解码车辆的预测门架ID和到达时间，利用指示函数统计特定时间步到达特定门架的车辆总数。本发明在交通流预测时实现微观轨迹的物理重构与多域特征融合。

本发明授权一种基于微观轨迹重构与时频图谱融合的ETC交通流预测方法在权利要求书中公布了：1.一种基于微观轨迹重构与时频图谱融合的ETC交通流预测方法，其特征在于，包括以下步骤： 获取ETC流水数据，根据ETC流水数据构建包含离散门架ID序列、归一化速度序列及对数时间差序列的车辆微观轨迹张量作为输入张量； 构建预测模型，模型对于输入数据的处理流程如下： 利用可学习嵌入矩阵及线性投影层将输入张量中不同分量映射至同一高维特征空间并叠加，得到初始特征； 将路网邻接矩阵作为图注意力机制的偏置项，并根据初始特征计算注意力得分矩阵后提取包含路网拓扑约束的空间特征，将所述空间特征与初始特征叠加得到第一特征； 将第一特征输入包含因果掩码的Transformer编码器，提取不包含未来信息的时序特征； 对时序特征进行傅里叶变换，然后在频域与可学习复数权重相乘后将信号从频域还原实现谱域滤波，将滤波后的特征与时序特征叠加得到第二特征； 使用物理修正层根据第二特征计算物理惯性特征，并将物理惯性特征乘以物理约束系数后叠加第二特征，经归一化得到最终隐层特征，使用物理修正层根据第二特征计算物理惯性特征时，数学表达式如下： 其中，为双曲正切函数；表示滤波后的实数时域信号与时序特征叠加后的第二特征，均为可学习的全连接层参数； 将最终隐层特征输入三个并行的全连接层预测头，分别输出下一跳门架的概率分布、行程时间及行驶速度；根据下一跳门架的概率分布与行程时间解码出车辆的预测门架ID和到达时间，最后利用指示函数统计在特定时间步到达特定门架的车辆总数，聚合生成交通流预测值，根据下一跳门架的概率分布与行程时间预测值解码出车辆的预测门架ID和到达时间时，具体是从下一跳门架的概率分布中取概率最大的门架ID索引，得到预测门架ID，并且将指定的时间步加上行程时间预测值，得到预测到达时间步；利用指示函数统计在特定时间步到达特定门架的车辆总数时，数学表达式如下： 其中，表示在时间步经过门架的交通流量，为参与预测的车辆样本总数，为逻辑与符号，为指示函数，当括号内的逻辑条件为真时函数值为1，否则为0； 使用输入张量的训练集进行模型训练，训练过程中采用非对称加权多任务损失函数优化模型参数； 获取待预测车辆样本的ETC流水数据，构建对应的车辆微观轨迹张量并输入训练好的模型，得到交通流预测结果。

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长沙理工大学，其通讯地址为：410114 湖南省长沙市天心区万家丽南路二段960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。