2026年专利代理师资格考试专利代理实务真题历年真题

2026年专利代理师资格考试专利代理实务真题历年真题【素材一：技术交底书】发明名称：一种基于多模态数据融合的智能交通信号控制方法及系统技术领域本发明涉及智能交通技术领域，尤其涉及一种基于多模态数据融合的智能交通信号控制方法及系统。背景技术随着城市化进程的加快和机动车保有量的激增，城市交通拥堵问题日益严重。传统的交通信号控制方法主要采用固定周期定时控制，或者基于单一地磁线圈/红外传感器的感应控制。固定周期控制无法根据实时车流量动态调整，容易造成“绿灯空放”或“红灯排队”现象。而基于单一传感器的感应控制，虽然在一定程度上能感知车流，但受限于传感器的检测范围和精度，往往只能检测到车辆的存在，难以获取车辆的精确速度、类型及排队长度等详细信息。此外，现有的部分智能控制系统虽然引入了摄像头，但多采用简单的图像处理阈值分割，在恶劣天气（如雨、雪、雾）下识别率大幅下降，且未能有效融合视频数据与地磁数据，导致决策模型的鲁棒性不足。因此，亟需一种能够融合多种传感器数据，具备高精度、强鲁棒性的智能交通信号控制方案。发明内容本发明旨在解决现有技术中无法根据多源异构数据精准感知交通状态并动态优化信号配时的问题，提供一种基于多模态数据融合的智能交通信号控制方法及及系统。为实现上述目的，本发明提供如下技术方案：一种基于多模态数据融合的智能交通信号控制方法，包括以下步骤：S1：数据采集层实时采集路口的多模态交通数据；所述多模态交通数据包括视频流数据、地磁感应数据以及气象环境数据；S2：对采集的视频流数据进行预处理，包括去噪、图像增强，并利用基于改进YOLOv5的目标检测算法提取车辆特征，所述车辆特征包括车辆位置、速度、类型及像素面积；S3：根据地磁感应数据计算车流量及车流速度，并结合气象环境数据对地磁感应数据进行置信度修正；当气象数据表明能见度低于预设阈值时，降低地磁感应数据的权重；S4：构建多模态数据融合模型，将步骤S2提取的车辆特征与步骤S3修正后的地磁感应数据进行时空对齐与特征级融合，生成当前路口的综合交通状态向量；S5：将综合交通状态向量输入至预设的深度强化学习网络模型中，所述深度强化学习网络模型采用DoubleDQN架构，以路口平均车辆延误时间最小化为奖励函数，输出当前周期的最优信号配时方案；S6：根据最优信号配时方案驱动交通信号灯执行，并采集执行后的交通流数据作为反馈，利用经验回放机制更新深度强化学习网络模型的参数。进一步地，步骤S4中所述时空对齐与特征级融合具体包括：以视频帧的时间戳为基准，将地磁感应数据通过线性插值映射到视频时间轴上；在空间上，建立地磁传感器坐标系与摄像头坐标系的映射矩阵，将地磁检测区域映射到图像平面；利用注意力机制融合层对视频特征向量和地磁特征向量进行加权融合，公式如下：H=tanh(其中，V为视频特征向量，G为地磁特征向量，Wv和Wg为权重矩阵，b为偏置项，进一步地，步骤S5中所述奖励函数的设计考虑了排队长度和绿灯利用率，奖励函数RtR其中，di为第i辆车的延误时间，N为车辆总数，Qmax为最大允许排队长度，Qcurr为当前排队长度，U本发明还提供一种基于多模态数据融合的智能交通信号控制系统，包括：数据采集模块，用于执行步骤S1；视频处理模块，用于执行步骤S2；地磁数据处理模块，用于执行步骤S3；数据融合模块，用于执行步骤S4；决策控制模块，用于执行步骤S5和S6；所述数据采集模块、视频处理模块、地磁数据处理模块、数据融合模块、决策控制模块依次连接。有益效果：本发明通过引入视频、地磁及气象数据的多模态融合，解决了单一传感器在复杂环境下精度低的问题。特别是利用改进YOLOv5算法和注意力机制融合，大幅提升了交通状态感知的准确性。采用DoubleDQN深度强化学习网络，能够根据实时反馈不断优化配时策略，实现路口平均延误时间的显著降低，有效缓解交通拥堵。实施例：图1为本发明方法的流程图。图2为多模态数据融合模型的架构图。在具体实施中，系统部署在某市十字路口，摄像头安装在路口悬臂杆上，地磁传感器埋设在停车线前10米处。系统运行时，首先采集数据，视频帧率为25fps，地磁频率为10Hz。气象传感器检测到小雨，系统自动调整地磁权重。融合后的状态向量输入DoubleDQN模型，模型计算出当前相位绿灯时长应延长5秒，信号灯随即响应。【素材二：对比文件1】公开日：2023年5月10日对比文件1涉及一种基于地磁感应的自适应交通信号控制方法。该方法包括：在路口车道埋设地磁传感器，实时检测车辆通过信号；当检测到车辆存在时，触发感应控制逻辑，根据预设的初始绿灯时间和最大绿灯时间，动态调整绿灯时长。具体逻辑为：若在单位时间间隔内检测到车辆持续通过，则延长绿灯时间，直至达到最大绿灯时间；若在单位时间内未检测到车辆，则切换相位。该方法仅依赖地磁传感器，未涉及视频数据处理，也未使用深度学习算法。【素材三：对比文件2】公开日：2024年2月15日对比文件2涉及一种基于计算机视觉的交通信号控制系统。该系统包括摄像头和图像处理单元。摄像头采集路口视频流，图像处理单元采用背景差分法检测运动车辆，计算排队长度。系统根据计算出的排队长度，查表获取对应的信号配时方案。该系统公开了使用摄像头采集数据并进行图像处理，但其背景差分法在光照变化剧烈时容易失效，且未融合其他传感器数据，也未采用深度强化学习进行决策，仅是简单的规则匹配。【试题要求】请注意：本试卷共包含4个题目，总分150分。请考生在答题卡指定位置作答。题目一（30分）：请根据给定的技术交底书，撰写发明专利的权利要求书。具体要求：1.权利要求书应当包括1项独立权利要求和若干项从属权利要求。2.独立权利要求应当整体上反映发明的技术方案，记载解决技术问题所必需的全部必要技术特征，并合理概括保护范围。3.从属权利要求应当对独立权利要求或其前序权利要求作进一步限定，包含技术交底书中明确记载的具体技术特征或优选实施方式。4.格式规范，符合《专利法》及《专利法实施细则》关于权利要求书撰写的相关规定。题目二（40分）：假设客户委托您对对比文件1（D1）和对比文件2（D2）所披露的技术方案进行现有技术分析，以评估本发明申请的新颖性和创造性。请撰写一份简要的分析报告。具体要求：1.分析对比文件1（D1）和对比文件2（D2）分别公开了哪些技术特征。2.根据单独对比原则，判断D1或D2是否破坏本发明独立权利要求的新颖性。3.若认为具备新颖性，请进一步结合D1和D2分析本发明独立权利要求的创造性。重点论述“多模态数据融合”以及“深度强化学习网络模型”等特征是否显而易见。题目三（40分）：在审查过程中，审查员发出一通审查意见通知书，指出权利要求1相对于对比文件1（D1）和对比文件2（D2）的结合不具备《专利法》第二十二条第三款规定的创造性。审查员认为：D2已经公开了利用摄像头采集视频并进行处理以控制交通信号，D1公开了利用地磁数据进行交通控制，本领域技术人员有动机将D1的地磁检测结合到D2的系统中，以实现数据互补，从而得到权利要求1的技术方案。请撰写一份意见陈述书，答复审查员的上述审查意见。具体要求：1.论述权利要求1与对比文件1+对比文件2结合的区别技术特征。2.论述上述区别技术特征实际解决的技术问题。3.结合技术交底书的内容，论述权利要求1的技术方案相对于现有技术是非显而易见的，具备突出的实质性特点和显著的进步。题目四（40分）：请根据技术交底书的内容，说明说明书应当包含哪些部分？并撰写“具体实施方式”部分中的核心实施例描述。具体要求：1.列出说明书应当包含的五个主要部分名称。2.结合技术交底书中的实施例描述，撰写一个详细的“具体实施方式”段落，重点描述多模态数据融合模型（步骤S4）及深度强化学习网络模型（步骤S5）的工作过程，使得本领域技术人员能够理解并实现该技术方案。【答案与解析】题目一答案：1.一种基于多模态数据融合的智能交通信号控制方法，其特征在于，包括以下步骤：S1：数据采集层实时采集路口的多模态交通数据；所述多模态交通数据包括视频流数据、地磁感应数据以及气象环境数据；S2：对采集的视频流数据进行预处理，包括去噪、图像增强，并利用基于改进YOLOv5的目标检测算法提取车辆特征，所述车辆特征包括车辆位置、速度、类型及像素面积；S3：根据地磁感应数据计算车流量及车流速度，并结合气象环境数据对地磁感应数据进行置信度修正；S4：构建多模态数据融合模型，将步骤S2提取的车辆特征与步骤S3修正后的地磁感应数据进行时空对齐与特征级融合，生成当前路口的综合交通状态向量；S5：将综合交通状态向量输入至预设的深度强化学习网络模型中，所述深度强化学习网络模型采用DoubleDQN架构，以路口平均车辆延误时间最小化为奖励函数，输出当前周期的最优信号配时方案；S6：根据最优信号配时方案驱动交通信号灯执行，并采集执行后的交通流数据作为反馈，利用经验回放机制更新深度强化学习网络模型的参数。2.根据权利要求1所述的方法，其特征在于，步骤S3中，结合气象环境数据对地磁感应数据进行置信度修正具体为：当气象数据表明能见度低于预设阈值时，降低地磁感应数据的权重。3.根据权利要求1所述的方法，其特征在于，步骤S4中所述时空对齐与特征级融合具体包括：以视频帧的时间戳为基准，将地磁感应数据通过线性插值映射到视频时间轴上；在空间上，建立地磁传感器坐标系与摄像头坐标系的映射矩阵，将地磁检测区域映射到图像平面；利用注意力机制融合层对视频特征向量和地磁特征向量进行加权融合。4.根据权利要求3所述的方法，其特征在于，所述注意力机制融合层的计算公式为：H=tanh(其中，V为视频特征向量，G为地磁特征向量，Wv和Wg为权重矩阵，b为偏置项，5.根据权利要求1所述的方法，其特征在于，步骤S5中所述奖励函数RtR其中，di为第i辆车的延误时间，N为车辆总数，Qmax为最大允许排队长度，Qcurr为当前排队长度，U6.一种基于多模态数据融合的智能交通信号控制系统，其特征在于，包括：数据采集模块，用于执行权利要求1中步骤S1；视频处理模块，用于执行权利要求1中步骤S2；地磁数据处理模块，用于执行权利要求1中步骤S3；数据融合模块，用于执行权利要求1中步骤S4；决策控制模块，用于执行权利要求1中步骤S5和S6；所述数据采集模块、视频处理模块、地磁数据处理模块、数据融合模块、决策控制模块依次连接。题目一解析：1.独立权利要求确定：权利要求1涵盖了方法流程的完整步骤S1-S6。技术交底书中提到的核心创新点在于“多模态数据融合”和“深度强化学习网络模型”。因此，步骤S4（融合模型）和步骤S5（深度强化学习）是必要技术特征，必须写入独立权利要求。S1、S2、S3是为S4提供数据基础，S6是执行和反馈更新，也是完整闭环所必需。2.从属权利要求布局：权利要求2进一步限定步骤S3中的具体修正逻辑（气象数据修正），这是一个优选实施例。权利要求2进一步限定步骤S3中的具体修正逻辑（气象数据修正），这是一个优选实施例。权利要求3进一步限定步骤S4中的时空对齐细节。权利要求3进一步限定步骤S4中的时空对齐细节。权利要求4引用权利要求3，进一步限定具体的数学公式，增加技术方案的精确性和保护层次。权利要求4引用权利要求3，进一步限定具体的数学公式，增加技术方案的精确性和保护层次。权利要求5进一步限定步骤S5中的奖励函数公式，体现了算法的具体优化目标。权利要求5进一步限定步骤S5中的奖励函数公式，体现了算法的具体优化目标。权利要求6为对应的系统权利要求，依据“产品-方法”对应原则撰写，模块功能与方法步骤一一对应。权利要求6为对应的系统权利要求，依据“产品-方法”对应原则撰写，模块功能与方法步骤一一对应。3.概括范围：独立权利要求1中使用了“多模态交通数据”、“深度强化学习网络模型”等上位概括，涵盖了技术交底书中的具体实施方式，既保护了核心思想，又避免了因写入过多具体参数（如具体的超参数数值）而导致保护范围过窄。题目二答案：现有技术分析报告1.对比文件技术特征分析对比文件1（D1）：公开了一种基于地磁感应的自适应交通信号控制方法。公开的技术特征包括：利用地磁传感器实时检测车辆；根据检测结果动态调整绿灯时长；仅依赖单一地磁数据。公开的技术特征包括：利用地磁传感器实时检测车辆；根据检测结果动态调整绿灯时长；仅依赖单一地磁数据。未公开：视频流数据采集、气象数据采集、基于YOLOv5的目标检测、多模态数据融合、深度强化学习网络模型。未公开：视频流数据采集、气象数据采集、基于YOLOv5的目标检测、多模态数据融合、深度强化学习网络模型。对比文件2（D2）：公开了一种基于计算机视觉的交通信号控制系统。公开的技术特征包括：利用摄像头采集视频流；采用背景差分法进行图像处理；计算排队长度；根据排队长度查表控制信号灯。公开的技术特征包括：利用摄像头采集视频流；采用背景差分法进行图像处理；计算排队长度；根据排队长度查表控制信号灯。未公开：地磁感应数据、气象数据、多模态数据融合、深度强化学习网络模型（仅使用查表法）。未公开：地磁感应数据、气象数据、多模态数据融合、深度强化学习网络模型（仅使用查表法）。2.新颖性判断权利要求1请求保护一种基于多模态数据融合的智能交通信号控制方法。与D1相比：D1仅涉及地磁数据，权利要求1明确包含“视频流数据、地磁感应数据以及气象环境数据”的多模态数据，且采用了“深度强化学习网络模型”。D1未公开这些特征，故权利要求1相对于D1具备新颖性。与D1相比：D1仅涉及地磁数据，权利要求1明确包含“视频流数据、地磁感应数据以及气象环境数据”的多模态数据，且采用了“深度强化学习网络模型”。D1未公开这些特征，故权利要求1相对于D1具备新颖性。与D2相比：D2仅涉及视频数据，且使用背景差分法和查表法。权利要求1包含了“地磁感应数据以及气象环境数据”，并使用了“改进YOLOv5”和“深度强化学习网络模型”。D2未公开这些特征，故权利要求1相对于D2具备新颖性。与D2相比：D2仅涉及视频数据，且使用背景差分法和查表法。权利要求1包含了“地磁感应数据以及气象环境数据”，并使用了“改进YOLOv5”和“深度强化学习网络模型”。D2未公开这些特征，故权利要求1相对于D2具备新颖性。结论：权利要求1相对于对比文件1和对比文件2均具备《专利法》第二十二条第二款规定的新颖性。3.创造性判断权利要求1相对于D1和D2的结合具备创造性。理由如下：虽然D2公开了使用视频控制交通信号，D1公开了使用地磁控制交通信号，但将两者简单结合并不能直接得到权利要求1的技术方案。区别技术特征：1.数据采集层还采集气象环境数据；2.利用基于改进YOLOv5的目标检测算法提取车辆特征；3.构建多模态数据融合模型，进行时空对齐与特征级融合；4.采用DoubleDQN架构的深度强化学习网络模型，以路口平均车辆延误时间最小化为奖励函数。技术问题：上述区别技术特征实际解决的技术问题是：如何提高复杂环境下的交通状态感知精度，并实现基于全局最优的自适应信号控制。非显而易见性分析：关于“多模态数据融合”：D2使用背景差分法，精度低且抗干扰差；D1仅用地磁。本领域技术人员虽然知道可以将多传感器结合，但D1+D2并未给出如何处理异构数据（视频与地磁）在时空上的不一致性，也未给出“特征级融合”的具体技术启示。特别是引入“气象环境数据”参与置信度修正，并非简单的叠加，而是为了解决特定恶劣天气下的鲁棒性问题，这并非本领域的公知常识。关于“多模态数据融合”：D2使用背景差分法，精度低且抗干扰差；D1仅用地磁。本领域技术人员虽然知道可以将多传感器结合，但D1+D2并未给出如何处理异构数据（视频与地磁）在时空上的不一致性，也未给出“特征级融合”的具体技术启示。特别是引入“气象环境数据”参与置信度修正，并非简单的叠加，而是为了解决特定恶劣天气下的鲁棒性问题，这并非本领域的公知常识。关于“深度强化学习网络模型”：D2采用简单的“查表法”进行规则匹配，D2并未教导使用深度强化学习。深度强化学习（DoubleDQN）具有通过与环境交互自主学习最优策略的能力，这与D2的静态规则匹配有着本质区别。将传统的规则控制替换为深度强化学习控制，需要付出创造性的劳动，设计合适的状态空间、动作空间和奖励函数（如本发明中的特定奖励函数设计），这并非显而易见的。关于“深度强化学习网络模型”：D2采用简单的“查表法”进行规则匹配，D2并未教导使用深度强化学习。深度强化学习（DoubleDQN）具有通过与环境交互自主学习最优策略的能力，这与D2的静态规则匹配有着本质区别。将传统的规则控制替换为深度强化学习控制，需要付出创造性的劳动，设计合适的状态空间、动作空间和奖励函数（如本发明中的特定奖励函数设计），这并非显而易见的。综上所述，权利要求1的技术方案并非D1与D2的简单拼凑，其通过多模态融合和深度强化学习带来了预料不到的技术效果（大幅提升控制精度和鲁棒性），具备突出的实质性特点和显著的进步。题目三答案：意见陈述书关于权利要求1创造性的答复审查员在审查意见中指出，权利要求1相对于对比文件1（D1）和对比文件2（D2）的结合不具备创造性。申请人对此不能予以认同，现陈述理由如下：1.权利要求1与对比文件1+对比文件2的区别技术特征将权利要求1的技术方案与对比文件2（D2）进行对比，D2公开了利用摄像头采集视频并进行处理以控制交通信号。权利要求1与D2相比，至少存在如下区别技术特征：（1）采集的数据还包括地磁感应数据以及气象环境数据；（2）利用基于改进YOLOv5的目标检测算法提取车辆特征；（3）构建多模态数据融合模型，将视频特征与修正后的地磁数据进行时空对齐与特征级融合；（4）采用DoubleDQN架构的深度强化学习网络模型进行决策，而非D2的查表法。审查员认为结合D1（公开了地磁数据）即可得到上述特征。然而，即便结合D1，D1+D2的结合仍然未公开上述区别特征（2）、（3）和（4）。特别是，D1+D2并未公开“气象环境数据”的采集及其在置信度修正中的应用，也未公开“特征级融合”以及“深度强化学习网络模型”。2.上述区别技术特征实际解决的技术问题上述区别技术特征（1）、（2）、（3）实际解决的技术问题是：如何提高单一传感器在复杂环境下（如恶劣天气、光照变化）检测精度低、鲁棒性差的问题，实现高精度的交通状态感知。上述区别技术特征（4）实际解决的技术问题是：如何克服传统固定逻辑或简单查表法无法适应动态复杂交通流的问题，实现真正的自适应全局最优控制。3.权利要求1具备创造性的理由（1）关于多模态数据融合及气象数据修正的非显而易见性D2虽然公开了视频处理，但其使用的是背景差分法，该方法在光照突变下极易失效。D1公开了地磁检测，但地磁检测易受大型车辆干扰。审查员认为有动机结合D1和D2，但这仅是一种简单的功能叠加。然而，权利要求1并非简单的并行使用两种传感器，而是进行了深度的“特征级融合”。更重要的是，权利要求1引入了“气象环境数据”，并根据气象数据对地磁数据进行“置信度修正”。D1和D2均未公开气象数据在交通控制中的作用。在暴雨或大雾天气下，视频识别率下降，此时适当降低视频权重或依赖修正后的地磁数据是一种反直觉且需要大量实验验证的策略。这种根据环境动态调整传感器权重的机制，在D1+D2中没有任何启示，并非本领域的公知常识。（2）关于深度强化学习网络模型的非显而易见性D2采用的是“根据排队长度查表获取对应的信号配时方案”，这是一种基于专家规则的静态控制方法。而权利要求1采用的是“深度强化学习网络模型（DoubleDQN）”。深度强化学习属于人工智能的高级形态，其通过Agent与环境的不断交互，利用奖励函数（RewardFunction）来指导策略网络的更新。本领域技术人员在D2（查表法）的基础上，结合D1（地磁），没有动机去将整个控制逻辑重构为复杂的深度强化学习模型。这需要重新设计状态输入（即融合后的状态向量）、动作输出（信号配时）以及奖励函数。本发明中特定的奖励函数设计（Rt=-α·∑（3）关于技术效果的显著性由于采用了上述区别技术特征，本发明实现了在复杂天气下的高精度检测，并通过深度强化学习实现了信号配时的实时自优化。相比于D1+D2的简单组合，本发明的技术方案取得了预料不到的技术效果，显著降低了路口平均车辆延误时间。综上所述，权利要求1相对于对比文件1、对比文件2以及本领域的公知常识具备突出的实质性特点和显著的进步，符合《专利法》第二十二条第三款关于创造性的规定。恳请审查员在重新审查时予以考虑。题目四答案：1.说明书应当包含的五个主要部分名称：（1）技术领域（2）背景技术（3）发明内容（4）附图说明（5）具体实施方式2.具体实施方式核心段落撰写：具体实施方式如图1和图2所示，本发明的一个优选实施例提供一种基于多模态数据融合的智能交通信号控制方法。该方