专利交易市场

本发明给出了一种基于图神经网络的组网雷达异常检测方法和系统，属于物联网安全技术领域，该方法包括：根据雷达对目标检测的航迹进行记录，完善雷达检测的目标航迹路线，确定组网雷达中每个雷达观测的航迹结果；对每个雷达节点观测到的航迹进行注意力值的计算，自适应的确定节点之间的邻接矩阵，以将邻接矩阵作为组网雷达的特征之一；将组网雷达内的各个节点的观测结果与雷达节点之间的邻接矩阵通过图神经网络对下一个时刻的节点情况进行预测；对所述每个雷达节点在下一时刻预测到的节点航迹信息和在下一时刻雷达观测的航迹结果进行比较，以判断所述组网雷达中处于异常状态的雷达节点。本发明能够实时快速地检测到物联网中处于异常状态的传感器，鲁棒性较强，且准确性较高。

一种基于融合特征的GraphSAGE交通路网数据预测的方法，首先对路网历史交通流数据进行相关性系数计算，构建路网相关性矩阵，并根据路网节点之间的相关性大小重新定义节点之间的连通状态，得到基于时间相关性的拓补路网；然后利用GraphSAGE分别对原始交通路网与重构后的拓补路网进行路网特征信息提取，并融合两个不同路网提取的路网时空特征信息，对路网未来的交通状态进行预测。本发明融合两个不同路网提取的路网时空特征信息，对路网未来的交通状态进行预测，提高了对交通路网状态数据预测的精度。

基于有向图卷积神经网络的城市交通态势识别方法，首先，对历史交通流信息进行交通态势分类，根据“点边”转换规则，把城市路网转换成有向图，并提取相应的子图；然后，计算有向边的权重和非直接相连节点间的权重，标准化处理子图节点个数，计算子图的交通信息矩阵及其特征矩阵；最后，设计交通有向图卷积神经网络模型，并进行训练和测试，该模型可以分类实时交通流信息，从而识别出所有路段的实时交通态势。本发明方法充分考虑了混合路网下不同层级、不同等级的有向路段之间的关联关系，设计了统一的标准化模型输入和交通态势识别模型，具有很好的普适性；而且，方法具有流程简单、计算容易和易编程实现等特点，可以适用于复杂的城市路网。