買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉浙江工業大學申請的專利基于時空有向圖卷積網絡的出租車載客點推薦方法和系統獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN114065064B 。

龍圖騰網通過國家知識產權局官網在2025-09-02發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202111203329.4，技術領域涉及：G06F16/9537；該發明授權基于時空有向圖卷積網絡的出租車載客點推薦方法和系統是由沈國江;張艷;孔祥杰;韓笑設計研發完成，并于2021-10-15向國家知識產權局提交的專利申請。

本基于時空有向圖卷積網絡的出租車載客點推薦方法和系統在說明書摘要公布了：基于時空有向圖卷積網絡的出租車載客點推薦方法，包括：1表示軌跡時空圖。用基于有向圖的表示來代替傳統的表示方法，將包含特征屬性即興趣點的上客點或者下客點作為節點，用有向邊表示上客點指向下客點；2基于步驟1的分析與計算結果，根據軌跡時空圖的表示，進行計算任務的分配；3路側單元采用時空有向圖卷積網絡提取時空圖特征并對載客點進行推薦。本發明還包括基于時空有向圖卷積網絡的出租車載客點推薦系統。本發明結合了將邊緣計算與云計算配合的云邊協同框架，以適應局部性，實時、短周期數據的處理與分析，能更好的支持本地業務的實時智能化決策與執行。

本發明授權基于時空有向圖卷積網絡的出租車載客點推薦方法和系統在權利要求書中公布了：1.基于時空有向圖卷積網絡的出租車載客點推薦方法，包括如下步驟： 1表示軌跡時空圖；用基于有向圖的表示來代替傳統的表示方法，將包含特征屬性即興趣點的上客點或者下客點作為節點，用有向邊表示上客點指向下客點； 形式上，將時序上下客點間用有向帶權邊連接，構建為每一輛出租車的時空圖，時空圖由加權有向圖D表示： D＝{V,E,A}1 其中V＝{vp}，vp代表一個上客點或者下客點，并且E＝{epd}，每條邊epd代表vp和vd之間的相關性；是D的加權鄰接矩陣，邊apd的權重代表vp和vd之間的關聯度； s11.構建空間維度上的有向邊；在空間維度上，邊表示上游和下游部分的連接； s12.構建時間維度上的有向邊；此時，有向邊的具體定義是，前一時刻指向同一上客點或者下客點的下一時刻； 2基于步驟1的分析與計算結果，根據軌跡時空圖的表示，進行計算任務的分配，具體計算過程如下： 在云服務器構建完總時空圖之后，需定義相鄰節點之間邊權重的計算公式以保證節點在時空兩個維度上的不同特征使用同一個分析框架進行處理；使用灰色關聯分析法確定節點間的關聯度，以此作為邊與邊之間的權重；具體包括： s21.分別確定時空兩個維度的分析對象；同時將分析對象分為兩部分：參考對象和比較對象；參考對象為評價標準，比較對象為評價對象；在空間維度上，參考對象是上客點，比較對象為與該上客點直接相連的下客點；其中每一類對象中都包括了POI和距離信息；在時間維度上，參考對象為當前時刻下指定的上下客點，比較對象為前后時刻同一上下客點，其中每一類對象中都包括了不同時間粒度下的GPS分布； s22.將POI、距離信息和GPS分布中的多維特征進行無量鋼化即歸一化處理；由于在時空維度上，各維度數據的物理意義均不相同，因此數據的量綱也不相同且難以直觀地進行比較；針對時空維度下的每一比較對象，采用參考對象定義多維信息的縮放比例，將各個維度數據的數值落在0～1之間，如下所示： 其中為比較對象的均值，為參考對象的均值，σ為標準差； 因此，xc標準化，公式如下： 其中 s23.進行差異分析；逐個計算每個比較對象與參考對象的對應維度上絕對值差Δk，公式如下： 其中為比較對象在第k個維度下的值，μrk為參考對象在第k個維度下的值； s24.計算灰色關聯度系數，公式如下： 其中ρ∈[0,1]為識別系數，表示最小值函數，表示最大值函數，i表示參考對象，j表示比較對象； s25.計算灰色關聯度，公式如下： aij＝∑wkξijk6 其中wk代表自定義權重； s26.構建和分配子任務；服務器需要利用前述的關聯度，定義兩個參數最大跳數K和子圖節點數N來構造子圖；如果設定K，節點數小于N則添加關聯度為0的節點；如果節點數大于N則需要刪除部分節點，首先需要計算子圖中所有其他節點與目標節點的關聯度，公式如下： axt＝max{axx+1·ax+1x+2…at-1t}7 其中節點x到目標節點t至少有一條可達路徑:P＝[axx+1,ax+1x+2,…,at-1t]； 然后對所有其他節點x到目標節點t的關聯度進行排序，依次刪除關聯度最小的點； 基于上述步驟，云服務器以每個載客點為中心構建的子圖，并將它們作為子任務分配給對應區域的路側單元； 3路側單元采用時空有向圖卷積網絡提取時空圖特征并對載客點進行推薦，包括：輸入層、STDCN層、Dropout層、Embedding層、Softmax層和輸出層；所述STDCN層為一種基于軌跡時空圖的有向圖卷積神經網絡模型，具體計算過程如下： s31.為了更有效地提取特征，將鄰接矩陣鏡像為圖結構矩陣A′， 具體公式如下： A′＝A+AT8 其中是鄰接矩陣； s32.定義作為特征矩陣；其中N代表子圖節點數量，M代表POI的屬性； s33.利用STDCN執行卷積操作來捕獲特征；每個子圖都做作為輸入饋送到STDCN，公式如下： Hl+1＝ReLUA′HlWl9 其中l代表層索引，A′代表鄰接矩陣的對稱矩陣；Wl代表第l層的權重矩陣；Hl代表第l層的輸入矩陣，代表神經網絡的原始輸入；ReLU·表示激活函數； s34.為了減少離散變量的空間維度，同時仍然有意義地表示該變量，使用了嵌入層，公式如下： Linear·＝WLHc10 其中WL表示線性層的可訓練權重矩陣，c表示時空有向圖卷積網絡的循環次數； s35.對于一個位置是否是載客點進行分類，使用Softmax函數作為激活函數，公式如下： 其中是前一層的輸出和Softmax函數的輸入，yλ是第λ個預測對象屬于上客點、下客點、都是或者都不是的概率； 并且使用交叉熵作為損失函數，公式如下： 其中tλ是第λ個預測對象的真實值； s36.將s35中得到的所有載客點信息廣播給該區域的出租車，完成云邊協同下的載客點的推薦。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人浙江工業大學，其通訊地址為：310014 浙江省杭州市拱墅區潮王路18號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。