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！

龙图腾网获悉昆明理工大学申请的专利基于雷视一体机的车辆横纵向速度预测方法、系统及可读存储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：CN121682143B 。

龙图腾网通过国家知识产权局官网在2026-04-21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：202610187199.6，技术领域涉及：G06F18/20；该发明授权基于雷视一体机的车辆横纵向速度预测方法、系统及可读存储介质是由殷炬元;李航;栾庆熊;李冰;马景峰;刘启远设计研发完成，并于2026-02-10向国家知识产权局提交的专利申请。

本基于雷视一体机的车辆横纵向速度预测方法、系统及可读存储介质在说明书摘要公布了：本申请涉及数据处理技术领域，尤其涉及一种基于雷视一体机的车辆横纵向速度预测方法、系统及可读存储介质。利用架设于路段上、下游的雷视一体机采集检测范围内车辆行驶数据，形成单源双向片段化数据，并将相邻检测器之间的区域视为盲区范围；运用状态空间模型深度挖掘多维数据中隐含的多维时空关联特征；将输入的多维时空关联特征离散化，再运用选择性机制和时变模块学习双向数据的关键信息并提取局部与全局的时序特征，最终输出盲区内车辆的横纵向速度结果。旨在解决如何预测雷视一体机之间的检测盲区范围内车辆横纵向速度的问题。

本发明授权基于雷视一体机的车辆横纵向速度预测方法、系统及可读存储介质在权利要求书中公布了：1.一种基于雷视一体机的车辆横纵向速度预测方法，其特征在于，所述方法包括以下步骤： 获取高快速路相邻上下游雷视一体机采集的目标车辆的车辆行驶数据，以及所述上下游雷视一体机之间的检测盲区； 对所述车辆行驶数据中的实测车辆横向速度和实测车辆纵向速度进行时序建模，提取多维时空关联特征，所述多维时空关联特征包括单源、双向和片段化检测器采集数据中的车辆ID、时间戳、车辆的横、纵向位置和速度； 将所述多维时空关联特征输入预设模型，获取所述预设模型输出的所述检测盲区的车辆横纵向速度预测结果，其中，所述预设模型将所述多维时空关联特征离散化后通过选择性机制和时变模块提取局部时序特征与全局时序特征； 所述对所述车辆行驶数据中的实测车辆横向速度和实测车辆纵向速度进行时序建模，提取单源、双向和片段化检测器采集数据中的车辆ID、时间戳、车辆的横、纵向位置和速度多维时空关联特征的步骤包括： 挖掘前一时刻t-1的隐藏状态和车辆横、纵向速度多维时空特征输出得到当前时刻的隐藏状态；然后通过和映射至输出响应： ； ； 其中，，分别表示输入和输出的多维时间序列数据；表示交通系统中当前时刻的隐藏状态，表示与共同作用的结果；矩阵用于调节观测方程的动态状态变化；和分别为输入投影矩阵和输出投影矩阵；为残差，R代表实数； 所述预设模型在对所述多维时空关联特征执行离散化时，包括以下步骤： 通过零阶保持技术将矩阵A和矩阵B转换为离散参数和，在每次接收到一个离散信号时保持该序列的值，直到接收下一个新的离散信号： ； ； 其中，和分别是使用零阶保持技术将矩阵和离散化转换后的参数，ΔtA为状态矩阵的增量，ΔtB为输入矩阵的增量，I表示单位矩阵； 所述预设模型运用选择性机制和时变模块对离散后的多维时空关联特征提取局部时序特征与全局时序特征时，包括以下步骤： 引入步长作为可学习参数，根据的大小对输入的离散化后的多维时空关联特征进行采样，得到离散化的输入速度序列； 加入选择性机制，将离散参数和变为依赖输入的参数，使其在深度学习过程中根据输入的速度数据对参数进行动态调整，其中，选择性机制由一组对输入敏感的门控向量实现，表示为： ； 其中，ut为时刻t的多维输入特征，为Sigmoid函数，Wg和bg为可学习参数，d为状态维度，选择性机制通过将瞬时输入映射为门控gt，对系统矩阵进行逐时刻选择； 所述选择性机制和时变模块表示为： ； ； 其中，表示l时间内的隐状态；和分别表示l时间内的输入和输出的横纵向速度序列，和随着的变化而变化。

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昆明理工大学，其通讯地址为：650031 云南省昆明市五华区一二一大街文昌路68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。