公开(公告)号：CN119107798A

公开(公告)日：2024-12-10

申请号：CN202411122085.0

申请日：2024-08-15

Applicant: 重庆邮电大学

Inventor： 黄晓舸 ,  杨文卓 ,  周恩舟 ,  陈前斌

IPC: G08G1/01

Abstract: 本发明涉及一种基于多模动态记忆性图卷积网络的交通流量预测方法，属于智能交通技术领域。目前图卷积神经网络的方法时空相关特性提取不足、周期性特征考虑不充分、动态演变相关性捕捉不准确。为了解决上述问题，本发明首先建立了时序特征提取模块和双向记忆循环网络模块，并将捕获的时序特征融合形成综合特征向量。然后，在动态图卷积模块中，通过扩散图卷积神经网络、注意力机制和典型交通模式的融合方式，捕捉节点间的空间相关性，并生成新的动态邻接矩阵。该动态邻接矩阵能够反映随时间变化的节点连接关系。本发明通过多模动态记忆性图卷积网络动态更新邻接矩阵，更好地应对突发事件和异常情况，有效提高了交通流量预测的准确性和鲁棒性。

公开(公告)号：CN119089346A

公开(公告)日：2024-12-06

申请号：CN202411122071.9

申请日：2024-08-15

Applicant: 重庆邮电大学

Inventor： 黄晓舸 ,  周恩舟 ,  杨文卓 ,  陈前斌

IPC: G06F18/2433 ,  G08B21/18 ,  G08B31/00 ,  G08B21/02 ,  G06F18/213 ,  G06F18/10 ,  G06N3/0455 ,  G06N3/042 ,  G06F18/2431 ,  G06F18/25

Abstract: 本发明涉及一种基于图神经网络的改进型Transformer智能网联汽车异常检测方法，属于移动通信技术领域。车内传感器网络所收集数据的复杂性和异质性使得传统的异常检测方法误报率高、实时性差。为了解决上述问题，本发明通过融合Transformer、GNN以及通道注意力机制实现对车辆异常状态的快速有效检测。基于GNN建模车内传感器网络的空间关联关系，将每个传感器视为一个节点，并传感器之间的数据交互关系构成图的边。Transformer提取数据的时序特征。通过增加通道注意力机制，自适应调整各通道的重要性权重，提高异常检测的精度和效率。本发明可用于检测智能网联汽车传感器收集的多维数据异常。