買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜西南交通大學(xué)申請的專利一種基于圖神經(jīng)網(wǎng)絡(luò)的鐵路運(yùn)輸定價方法、裝置及設(shè)備獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN119313245B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-03-25發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202411845333.4，技術(shù)領(lǐng)域涉及：G06Q10/0834；該發(fā)明授權(quán)一種基于圖神經(jīng)網(wǎng)絡(luò)的鐵路運(yùn)輸定價方法、裝置及設(shè)備是由甘蜜;元明;楊曉源;游欣;歐啟晨;付玉紅;李垚;向龍?jiān)O(shè)計研發(fā)完成，并于2024-12-16向國家知識產(chǎn)權(quán)局提交的專利申請。

本一種基于圖神經(jīng)網(wǎng)絡(luò)的鐵路運(yùn)輸定價方法、裝置及設(shè)備在說明書摘要公布了：本發(fā)明提供了一種基于圖神經(jīng)網(wǎng)絡(luò)的鐵路運(yùn)輸定價方法、裝置及設(shè)備，涉及數(shù)據(jù)分析技術(shù)領(lǐng)域，包括基于運(yùn)價時序數(shù)據(jù)初始化遺傳算法的種群；得到預(yù)測運(yùn)量；計算種群中每個個體的適應(yīng)度；基于多個適應(yīng)度值和遺傳算法的遺傳操作對初始種群進(jìn)行迭代，重復(fù)將迭代后的種群輸入到運(yùn)量預(yù)測模型中，直到初始種群中存在滿足設(shè)定條件的目標(biāo)個體。本發(fā)明基于圖神經(jīng)網(wǎng)絡(luò)精確擬合鐵路貨運(yùn)定價與貨運(yùn)量之間的動態(tài)需求函數(shù)，并結(jié)合遺傳算法設(shè)計了一種全局優(yōu)化求解模型，通過該模型的求解，可以獲得最優(yōu)的鐵路定價策略，從而最大化鐵路貨運(yùn)業(yè)務(wù)的整體收益。該方法不僅能夠有效捕捉市場需求的非線性變化，還具備強(qiáng)大的適應(yīng)性，能夠在不同市場條件下進(jìn)行靈活調(diào)整。

本發(fā)明授權(quán)一種基于圖神經(jīng)網(wǎng)絡(luò)的鐵路運(yùn)輸定價方法、裝置及設(shè)備在權(quán)利要求書中公布了：1.一種基于圖神經(jīng)網(wǎng)絡(luò)的鐵路運(yùn)輸定價方法，其特征在于，包括：獲取歷史時間段內(nèi)的運(yùn)價時序數(shù)據(jù)，并基于所述運(yùn)價時序數(shù)據(jù)初始化遺傳算法的種群，得到初始種群，所述種群中每個個體用于表征一個定價方案，所述定價方案由多個位置參數(shù)構(gòu)成，所述位置參數(shù)對應(yīng)定價方案中各個時間節(jié)點(diǎn)的運(yùn)輸價格；將所述初始種群輸入到預(yù)設(shè)的運(yùn)量預(yù)測模型中，得到預(yù)測運(yùn)量；基于所述預(yù)測運(yùn)量并結(jié)合預(yù)設(shè)的目標(biāo)函數(shù)和約束函數(shù)，計算種群中每個個體的適應(yīng)度，得到多個適應(yīng)度值；基于多個適應(yīng)度值和所述遺傳算法的遺傳操作對所述初始種群進(jìn)行迭代，重復(fù)將迭代后的種群輸入到所述運(yùn)量預(yù)測模型中，直到所述初始種群中存在滿足設(shè)定條件的目標(biāo)個體，將所述目標(biāo)個體對應(yīng)的位置參數(shù)作為目標(biāo)定價方案；其中,將所述初始種群輸入到預(yù)設(shè)的運(yùn)量預(yù)測模型中，得到預(yù)測運(yùn)量，包括：獲取鐵路運(yùn)輸線路數(shù)據(jù)，并基于所述鐵路運(yùn)輸線路數(shù)據(jù)構(gòu)建鄰接矩陣，所述鄰接矩陣用于表征鐵路運(yùn)輸節(jié)點(diǎn)和運(yùn)輸線路之間的連接關(guān)系；基于所述鄰接矩陣構(gòu)建圖神經(jīng)網(wǎng)絡(luò)，所述圖神經(jīng)網(wǎng)絡(luò)包括門控循環(huán)單元層、多個自回歸滑動平均圖神經(jīng)網(wǎng)絡(luò)層和全連接層；獲取歷史時間段內(nèi)的時間序列數(shù)據(jù)和城市節(jié)點(diǎn)靜態(tài)數(shù)據(jù)，所述時間序列數(shù)據(jù)包括運(yùn)價時序數(shù)據(jù)、運(yùn)量時序數(shù)據(jù)和物流經(jīng)濟(jì)指數(shù)，所述城市節(jié)點(diǎn)靜態(tài)數(shù)據(jù)用于表征城市經(jīng)濟(jì)和規(guī)模相關(guān)指標(biāo)；將所述時間序列數(shù)據(jù)輸入所述門控循環(huán)單元層進(jìn)行時間特征提取聚合，得到時間特征；將所述時間特征和所述城市節(jié)點(diǎn)靜態(tài)數(shù)據(jù)分別輸入到第一自回歸滑動平均圖神經(jīng)網(wǎng)絡(luò)層和第二自回歸滑動平均圖神經(jīng)網(wǎng)絡(luò)層中進(jìn)行特征聚合，分別得到第一聚合特征和第二聚合特征；將所述第一聚合特征和所述第二聚合特征輸入第三自回歸滑動平均圖神經(jīng)網(wǎng)絡(luò)層中進(jìn)行特征融合，得到目標(biāo)特征；將所述目標(biāo)特征輸入全連接層進(jìn)行線性變化，輸出運(yùn)量預(yù)測值；將基于所述運(yùn)量預(yù)測值和所述運(yùn)量時序數(shù)據(jù)中的運(yùn)量實(shí)際值進(jìn)行損失函數(shù)計算，基于損失函數(shù)計算值調(diào)整所述圖神經(jīng)網(wǎng)絡(luò)中各層的參數(shù)，直到所述損失函數(shù)滿足第一設(shè)定閾值，得到所述運(yùn)量預(yù)測模型。

如需購買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人西南交通大學(xué)，其通訊地址為：610031 四川省成都市金牛區(qū)二環(huán)路北一段111號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。