发明创造名称：数据预测方法及装置
外观设计名称：
决定号：184029
决定日：2019-07-10
委内编号：1F264250
优先权日：
申请（专利）号：201610624838.7
申请日：2016-08-02
复审请求人：北京百度网讯科技有限公司
无效请求人：
授权公告日：
审定公告日：
专利权人：
主审员：韩鲜萍
合议组组长：冯慧萍
参审员：富瑶
国际分类号：G06Q10/04
外观设计分类号：
法律依据：专利法第22条第3款
决定要点
：如果一项权利要求请求保护的技术方案相对于最接近的现有技术存在区别技术特征，且现有技术中给出了将上述区别技术特征应用到该最接近的现有技术以解决其存在的技术问题的技术启示，这种启示会使本领域技术人员在面对所述技术问题时，有动机改进该最接近的现有技术并获得该权利要求请求保护的技术方案，则该权利要求请求保护的技术方案不具有突出的实质性特点和显著的进步，不具备创造性。
全文：
本复审请求涉及申请号为201610624838.7，名称为“数据预测方法及装置”的发明专利申请（下称本申请）。本申请的申请人为北京百度网讯科技有限公司，申请日为2016年08月02日，公开日为2016年12月21日。
经实质审查，国家知识产权局原审查部门于2018年07月16日发出驳回决定，驳回了本申请，其理由是：权利要求1-12不具备专利法第22条第3款规定的创造性。
驳回决定引用了以下对比文件：
对比文件1：“基于BP人工神经网络的短期交通预测研究”，孔庆峰，万方学术会议数据库，第21-62页，公开日为2010年10月28日。
驳回决定所依据的文本为：2018年06月08日提交的权利要求第1-12项，2018年03月19日提交的说明书第1-102段，2016年08月02日提交的说明书附图图1-4、说明书摘要以及摘要附图。驳回决定所针对的权利要求书如下：
“1. 一种数据预测方法，其特征在于，所述方法包括：
获取预测时刻的至少两个时间因子；
根据预设的关于时间因子的数据模型和所述预测时刻的至少两个时间因子，预测所述预测时刻的数据的期望值。
2. 根据权利要求1所述的方法，其特征在于，根据预设的数据模型和所述预测时刻的至少两个时间因子，预测所述预测时刻的数据的期望值之前，所述方法还包括：
获取历史有效数据；
获取所述历史有效数据的每个数据点的至少两个时间因子；
根据所述历史有效数据以及对应的每个数据点的所述至少两个时间因子，确定所述预设的数据模型。
3. 根据权利要求2所述的方法，其特征在于，获取所述历史有效数据的每个数据点的至少两个时间因子，具体包括：
获取所述历史有效数据的每个数据点的时间戳；
从所述历史有效数据的每个数据点的时间戳中提取对应的所述数据点的至少两个时间因子。
4. 根据权利要求3所述的方法，其特征在于，所述至少两个时间因子包括：所述数据点对应的时刻所在的日期是否为工作日、和所述数据点对应的时刻为当天的第几秒、所述数据点对应的时刻所在的日期为本周的第几天、所述数据点对应的时刻所在的日期为本月的第几天、所述数据点对应的时刻所在的日期是否为节假日以及若为节假日，为哪个节假日中的至少一个
5. 根据权利要求2所述的方法，其特征在于，根据所述历史有效数据以及对应的每个数据点的所述至少两个时间因子，确定所述预设的数据模型，具体包括：
将所述历史有效数据中每个所述数据点的所述至少两个时间因子组成预设 的时间向量；
将所述预设的时间向量作为所述预设数据模型的输入值，对应的所述数据点的数据作为所述预设数据模型输出值，训练所述预设的数据模型，确定所述预设的数据模型。
6. 根据权利要求1-5任一所述的方法，其特征在于，根据预设的数据模型和所述预测时刻的至少两个时间因子，预测所述预测时刻的数据的期望值，具体包括：
将所述预测时刻的至少两个时间因子组成时间向量；
将所述时间向量作为所述预设的数据模型的输入，获取所述预设的数据模型的输出值；
将所述预设数据模型的输出值作为所述预测时刻的数据的期望值。
7. 一种数据预测装置，其特征在于，所述装置包括：
获取模块，用于获取预测时刻的至少两个时间因子；
预测模块，用于根据预设的关于时间因子的数据模型和所述预测时刻的至少两个时间因子，预测所述预测时刻的数据的期望值。
8. 根据权利要求7所述的装置，其特征在于，所述装置还包括确定模块；
所述获取模块，还用于获取历史有效数据；
所述获取模块，还用于获取所述历史有效数据的每个数据点的至少两个时间因子；
所述确定模块，用于根据所述历史有效数据以及对应的每个数据点的所述至少两个时间因子，确定所述预设的数据模型。
9. 根据权利要求8所述的装置，其特征在于，所述获取模块，具体用于
获取所述历史有效数据的每个数据点的时间戳；
从所述历史有效数据的每个数据点的时间戳中提取对应的所述数据点的至少两个时间因子。
10. 根据权利要求9所述的装置，其特征在于，
所述至少两个时间因子包括：所述数据点对应的时刻所在的日期是否为工 作日、和所述数据点对应的时刻为当天的第几秒、所述数据点对应的时刻所在的日期为本周的第几天、所述数据点对应的时刻所在的日期为本月的第几天、所述数据点对应的时刻所在的日期是否为节假日以及若为节假日，为哪个节假日中的至少一个。
11. 根据权利要求8所述的装置，其特征在于，所述确定模块，具体用于：
将所述历史有效数据中每个所述数据点的所述至少两个时间因子组成预设的时间向量；
将所述预设的时间向量作为所述预设数据模型的输入值，对应的所述数据点的数据作为所述预设数据模型的输出值，训练所述预设的数据模型，确定所述预设的数据模型。
12. 根据权利要求7-11任一所述的装置，其特征在于，所述预测模块，具体用于：
将所述预测时刻的至少两个时间因子组成时间向量；
将所述时间向量作为所述预设的数据模型的输入，获取所述预设的数据模型的输出值；
将所述预设数据模型的输出值作为所述预测时刻的数据的期望值。”
驳回理由具体如下：（1）权利要求1所要求保护的方案与对比文件1所公开的内容相比，区别特征在于：本申请是至少两个时间因子，而对比文件1是一个时间因子。基于上述区别特征，可以确定本申请相对于对比文件1实际解决的问题是如何提高数据预测的准确性。对于该区别特征，虽然对比文件1仅公开预测时刻的时间因子可以表征平日或假日，没有进一步细分预测时刻的其它时间属性，但是所属技术领域的技术人员知晓预测时刻的时间因子包含的内容越丰富，时间粒度越细，数据预测结果越准确，在所属技术领域，时间粒度可以是年、月、周、日、时、分、秒等，为了提高数据预测的准确性，所属技术领域的技术人员容易想到时间因子还可以是其他具有时间特征的参数，容易想到获取预测时刻的至少两个时间因子，根据预设的关于时间因子的数据模型和所述预测时刻的至少两个时间因子，预测所述预测时刻的数据的期望值，时间因子数量的增多不需要付出创造性的劳动。由此可知，在对比文件1的基础上结合本领域的公知常识，得到该权利要求的方案，对本领域的技术人员来说是显而易见的，因此该权利要求不具有突出的实质性特点和显著的进步，不具备专利法第22条第3款所规定的创造性。（2）权利要求2-6的附加技术特征或被对比文件1公开，或属于本领域的公知常识，在它们引用的权利要求不具有创造性的情况下，权利要求2-6不具备专利法第22条第3款所规定的创造性。（3）权利要求7-12是方法权利要求1-6对应的产品权利要求，由于权利要求1-6相对于对比文件1和公知常识不具备创造性，基于相同的理由，权利要求7-12也不具备专利法第22条第3款所规定的创造性。
申请人（下称复审请求人）对上述驳回决定不服，于2018年10月30日向国家知识产权局提出了复审请求，同时并没有提交修改文件。复审请求人认为：对比文件1的预测方法在预测预测日的速度数据时，需要利用历史数据，基于历史数据预测预测日的速度数据，所以必然需要相应的历史数据存储、调用以及处理过程，而本申请的数据预测方法在预测预测时刻的期望值时，只需要用到预设的关于时间因子的数据模型以及预测时刻的至少两个时间因子，而不需要在进行预测时调用预测时刻之前的历史数据，所以本申请的数据预测方法与对比文件1的基于BP人工神经网络的短期交通预测方法的技术构思以及实现过程都完全不同。
经形式审查合格，国家知识产权局于2018年11月07日依法受理了该复审请求，并将其转送至原审查部门进行前置审查。
原审查部门在前置审查意见书中认为：1）本申请根据预设的关于时间因子的数据模型和所述预测时刻的至少两个时间因子，预测所述预测时刻的数据的期望值，之前还包括：获取历史有效数据，获取所述历史有效数据的每个数据点的至少两个时间因子，根据所述历史有效数据以及对应的每个数据点的所述至少两个时间因子，确定所述预设的数据模型，由此可知，本申请的预测预测时刻的数据的期望值时，采用的数据模型不仅包括至少两个时间因子，还包括历史有效数据。2）对比文件1公开的基于BP人工神经网络的短期交通预测方法中，通过样本训练得到的预测模型是BP神经网络模型，该预测模型的输入变量包括预测日的时间因子、预测日前一天的交通速度数据及其时间因子，时间因子的加入使得预测日的交通速度预测数据更加准确，对比文件1的预测模型等同于本申请的关于时间因子的数据模型，均需要在进行预测时调用预测时刻之前的历史数据，区别仅在于：对比文件1公开预测时刻的时间因子是平日或假日，没有进一步细分预测时刻的其它时间属性，但是所属技术领域的技术人员知晓预测时刻的时间因子包含的内容越丰富，时间粒度越细，数据预测结果越准确，在所属技术领域，时间粒度可以是年、月、周、日、时、分、秒等，为了提高数据预测的准确性，所属技术领域的技术人员容易想到预测时刻有至少两个时间因子，即容易想到当日期是平日时，还包括数据点对应的时刻为当天的第几秒，本周的星期几，本月的第几天，当日期是节假日时，具体是何种节假日，在对比文件1的基础上，加入其它的时间因子不会对预测模型带来技术上的改进，也不需要付出创造性的劳动。因而坚持原驳回决定。
随后，国家知识产权局成立合议组对本案进行审理。
合议组于2019年05月31日向复审请求人发出复审通知书，指出：（1）权利要求1所要求保护的方案与对比文件1所公开的内容相比，区别特征在于：权利要求1获取至少两个时间因子，而对比文件1采用一个时间因子。基于上述区别技术特征，可以确定权利要求1实际解决的技术问题是：如何提高数据预测的准确性。?对于该区别技术特征，虽然对比文件1仅公开预测时刻的时间因子可以表征平日或假日，没有进一步细分预测时刻的其它时间属性，但是本领域技术人员知晓预测时刻的时间因子包含的内容越丰富，时间粒度越细，数据预测结果越准确。为了提高数据预测的准确性，所属技术领域的技术人员容易想到时间因子还可以是其他具有时间特征的参数，容易想到获取预测时刻的至少两个时间因子，根据预设的关于时间因子的数据模型和所述预测时刻的至少两个时间因子，预测所述预测时刻的数据的期望值，时间因子数量的增多不需要付出创造性的劳动。由此可知，在对比文件1的基础上结合本领域的公知常识，得到该权利要求的方案，对本领域的技术人员来说是显而易见的，因此该权利要求不具有突出的实质性特点和显著的进步，不具备专利法第22条第3款所规定的创造性。（2）权利要求2-6的附加技术特征或被对比文件1公开，或属于本领域的公知常识，在它们引用的权利要求不具有创造性的情况下，权利要求2-6不具备专利法第22条第3款所规定的创造性。（3）权利要求7-12是方法权利要求1-6对应的产品权利要求，由于权利要求1-6相对于对比文件1和公知常识不具备创造性，基于相同的理由，权利要求7-12也不具备专利法第22条第3款所规定的创造性。
针对复审请求人的陈述意见，合议组指出：首先，本申请根据预设的关于时间因子的数据模型和所述预测时刻的至少两个时间因子，预测所述预测时刻的数据的期望值，之前还包括：获取历史有效数据，获取所述历史有效数据的每个数据点的至少两个时间因子，根据所述历史有效数据以及对应的每个数据点的所述至少两个时间因子，确定所述预设的数据模型，由此可知，本申请的预测预测时刻的数据的期望值时，也包括历史有效数据。其次，对比文件1公开的基于BP人工神经网络的短期交通预测方法中，通过样本训练得到的预测模型是BP神经网络模型，该预测模型的输入变量包括预测日的时间因子、预测日前一天的交通速度数据及其时间因子，时间因子的加入使得预测日的交通速度预测数据更加准确，对比文件1的预测模型等同于本申请的关于时间因子的数据模型，均需要在进行预测时调用预测时刻之前的历史数据，区别仅在于：对比文件1公开预测时刻的时间因子是平日或假日，没有进一步细分预测时刻的其它时间属性，但是所属技术领域的技术人员知晓预测时刻的时间因子包含的内容越丰富，时间粒度越细，数据预测结果越准确，为了提高数据预测的准确性，所属技术领域的技术人员容易想到预测时刻有至少两个时间因子，即容易想到当日期是平日时，还包括数据点对应的时刻为当天的第几秒，本周的星期几，本月的第几天，当日期是节假日时，具体是何种节假日，在对比文件1的基础上，加入其它的时间因子不会对预测模型带来技术上的改进，也不需要付出创造性的劳动。
复审请求人于2019年06月19日提交了意见陈述书，并同时提交修改后的权利要求书，将原权利要求4、10并入原权利要求1、6。复审请求人认为：1）对比文件1的预测方法需要用到预测日前一天的速度数据以及预测日前一天的时间因子，即必然需要相应的历史数据存储、调用以及处理过程，而本申请的数据预测方法在预测预测时刻的期望值时，只需要用到预设的关于时间因子的数据模型以及预测时刻的至少两个时间因子，而不需要在进行预测时调用预测时刻之前的历史数据，所以本发明的数据预测方法与对比文件1的基于BP人工神经网络的短期交通预测方法的技术构思以及实现过程都完全不同；2）对比文件1中分析的数据粒度仅为一个，而本申请修改后的权利要求1中限定的数据预测方法中限定至少两个时间因子，与对比文件1相比，至少两个时间因子可以更加准确地预测预测时刻的数据的期望值。
复审请求人新修改的权利要求书如下：
“1. 一种数据预测方法，其特征在于，所述方法包括：
获取预测时刻的至少两个时间因子；所述至少两个时间因子包括：所述数据点对应的时刻所在的日期是否为工作日、和所述数据点对应的时刻为当天的第几秒、所述数据点对应的时刻所在的日期为本周的第几天、所述数据点对应的时刻所在的日期为本月的第几天、所述数据点对应的时刻所在的日期是否为节假日以及若为节假日，为哪个节假日中的至少一个；
根据预设的关于时间因子的数据模型和所述预测时刻的至少两个时间因子，预测所述预测时刻的数据的期望值。
2. 根据权利要求1所述的方法，其特征在于，根据预设的数据模型和所述预测时刻的至少两个时间因子，预测所述预测时刻的数据的期望值之前，所述方法还包括：
获取历史有效数据；
获取所述历史有效数据的每个数据点的至少两个时间因子；
根据所述历史有效数据以及对应的每个数据点的所述至少两个时间因子，确定所述预设的数据模型。
3. 根据权利要求2所述的方法，其特征在于，获取所述历史有效数据的每个数据点的至少两个时间因子，具体包括：
获取所述历史有效数据的每个数据点的时间戳；
从所述历史有效数据的每个数据点的时间戳中提取对应的所述数据点的至少两个时间因子。
4. 根据权利要求2所述的方法，其特征在于，根据所述历史有效数据以及对应的每个数据点的所述至少两个时间因子，确定所述预设的数据模型，具体包括：
将所述历史有效数据中每个所述数据点的所述至少两个时间因子组成预设 的时间向量；
将所述预设的时间向量作为所述预设数据模型的输入值，对应的所述数据点的数据作为所述预设数据模型输出值，训练所述预设的数据模型，确定所述预设的数据模型。
5. 根据权利要求1-4任一所述的方法，其特征在于，根据预设的数据模型和所述预测时刻的至少两个时间因子，预测所述预测时刻的数据的期望值，具体包括：
将所述预测时刻的至少两个时间因子组成时间向量；
将所述时间向量作为所述预设的数据模型的输入，获取所述预设的数据模型的输出值；
将所述预设数据模型的输出值作为所述预测时刻的数据的期望值。
6. 一种数据预测装置，其特征在于，所述装置包括：
获取模块，用于获取预测时刻的至少两个时间因子；所述至少两个时间因子包括：所述数据点对应的时刻所在的日期是否为工作日、和所述数据点对应的时刻为当天的第几秒、所述数据点对应的时刻所在的日期为本周的第几天、所述数据点对应的时刻所在的日期为本月的第几天、所述数据点对应的时刻所在的日期是否为节假日以及若为节假日，为哪个节假日中的至少一个；
预测模块，用于根据预设的关于时间因子的数据模型和所述预测时刻的至少两个时间因子，预测所述预测时刻的数据的期望值。
7. 根据权利要求6所述的装置，其特征在于，所述装置还包括确定模块；
所述获取模块，还用于获取历史有效数据；
所述获取模块，还用于获取所述历史有效数据的每个数据点的至少两个时间因子；
所述确定模块，用于根据所述历史有效数据以及对应的每个数据点的所述至少两个时间因子，确定所述预设的数据模型。
8. 根据权利要求7所述的装置，其特征在于，所述获取模块，具体用于
获取所述历史有效数据的每个数据点的时间戳；
从所述历史有效数据的每个数据点的时间戳中提取对应的所述数据点的至少两个时间因子。
9. 根据权利要求7所述的装置，其特征在于，所述确定模块，具体用于：
将所述历史有效数据中每个所述数据点的所述至少两个时间因子组成预设的时间向量；
将所述预设的时间向量作为所述预设数据模型的输入值，对应的所述数据点的数据作为所述预设数据模型的输出值，训练所述预设的数据模型，确定所述预设的数据模型。
10. 根据权利要求6-9任一所述的装置，其特征在于，所述预测模块，具体用于：
将所述预测时刻的至少两个时间因子组成时间向量；
将所述时间向量作为所述预设的数据模型的输入，获取所述预设的数据模型的输出值；
将所述预设数据模型的输出值作为所述预测时刻的数据的期望值。”
在上述程序的基础上，合议组认为本案事实已经清楚，可以作出审查决定。
二、决定的理由
审查文本的认定
复审请求人于2019年06月19日答复复审通知书时提交了权利要求书的全文替换页。经审查，复审请求人对权利要求书所做的修改符合专利法第33条和专利法实施细则第61条第1款的规定。因此，本复审决定所针对的文本为：2019年06月19日提交的权利要求第1-10项，2018年03月19日提交的说明书第1-102段，2016年08月02日提交的说明书附图图1-4、说明书摘要以及摘要附图。
具体理由的阐述
专利法第22条第3款规定：创造性，是指与现有技术相比，该发明具有突出的实质性特点和显著的进步，该实用新型具有实质性特点和进步。
如果一项权利要求请求保护的技术方案相对于最接近的现有技术存在区别技术特征，且现有技术中给出了将上述区别技术特征应用到该最接近的现有技术以解决其存在的技术问题的技术启示，这种启示会使本领域技术人员在面对所述技术问题时，有动机改进该最接近的现有技术并获得该权利要求请求保护的技术方案，则该权利要求请求保护的技术方案不具有突出的实质性特点和显著的进步，不具备创造性。
本复审决定所引用的对比文件与驳回决定及复审通知书所引用的对比文件相同，即：
对比文件1：“基于BP人工神经网络的短期交通预测研究”，孔庆峰，万方学术会议数据库，第21-62页，公开日为2010年10月28日。
1）权利要求1要求保护一种数据预测方法，对比文件1公开了一种基于BP人工神经网络的短期交通预测方法，并具体公开了（参见正文第5章第5.4.1-5.4.6节）：
为了在预测中体现日期类型的影响，在这里，我们提出了平假日因子（相当于时间因子）的概念，并把平假日因子作为预测模型的输入量（相当于根据预设的关于时间因子的数据模型）。简单的说就是把历史数据的日期类型，平日和假日用一个具体的数值表征出来（相当于所述数据点对应的时刻所在的日期是否为工作日，所述数据点对应的时刻所在的日期是否为节假日），然后作为模型的输入量。
BP网络的输入、输出层的神经元数目完全由使用者的要求来决定。输入层的神经元数由影响因素确定。我们已经分析了预测的影响因素，因此确定输入层的神经元数目为预测日前一天的速度采集值36个，预测日前一天的平假日因子1个，预测日的平假日因子1个（公开了获取预测时刻的一个时间因子），共38个。同样由于预测要得到的是预测日当天的交通状态，因此输出层的神经元数目为预测日36个速度输出值（公开了根据预设的关于时间因子的数据模型和所述预测时刻的一个时间因子，预测所述预测时刻的数据的期望值）。
权利要求1所要求保护的方案与对比文件1所公开的内容相比，区别技术特征在于：1）权利要求1获取至少两个时间因子，而对比文件1采用一个时间因子；2）所述数据点对应的时刻为当天的第几秒、所述数据点对应的时刻所在的日期为本周的第几天、所述数据点对应的时刻所在的日期为本月的第几天、所述数据点对应的时刻所在的日期是否为节假日以及若为节假日，为哪个节假日中的至少一个。基于上述区别技术特征，可以确定权利要求1实际解决的技术问题是：1）如何提高数据预测的准确性；2）时间因子的具体设置。
对于区别技术特征1)，虽然对比文件1仅公开预测时刻的时间因子可以表征平日或假日，没有进一步细分预测时刻的其它时间属性，但是本领域技术人员知晓预测时刻的时间因子包含的内容越丰富，时间粒度越细，数据预测结果越准确。为了提高数据预测的准确性，所属技术领域的技术人员容易想到时间因子还可以是其他具有时间特征的参数，容易想到获取预测时刻的至少两个时间因子，根据预设的关于时间因子的数据模型和所述预测时刻的至少两个时间因子，预测所述预测时刻的数据的期望值，时间因子数量的增多不需要付出创造性的劳动。
对于区别技术特征2），在对比文件1公开了时间因子表征工作日和节假日的基础上，为了提高数据预测的准确性，本领域技术人员容易想到预测时刻有至少两个时间因子，即容易想到当日期是平日时，还包括数据点对应的时刻为当天的第几秒，本周的星期几，本月的第几天，当日期是节假日时，具体是何种节假日，这种具体时间点的设置属于本领域的公知常识。
由此可知，在对比文件1的基础上结合本领域的公知常识，得到该权利要求的技术方案，对本领域的技术人员来说是显而易见的，因此该权利要求不具有突出的实质性特点和显著的进步，不具备专利法第22条第3款所规定的创造性。
2）权利要求2是权利要求1的从属权利要求，对比文件1公开了（参见正文第4-5章）：对来自交通传感器的原始数据进行处理，识别并剔除异常数据（相当于历史有效数据），估计丢失数据，为交通预测模型提供可靠的输入数据。我们提出了平假日因子（相当于时间因子）的概念，并把平假日因子作为预测模型的输入量。简单的说就是把历史数据的日期类型，平日和假日用一个具体的数值表征出来（公开了获取所述历史有效数据的每个数据点的一个时间因子），然后作为模型的输入量。通过matlab仿真软件编制程序，共分为四个模块，它们是样本录入（相当于获取历史有效数据）和预处理模块，样本训练模块，交通参数预测模块和误差分析模块。样本训练模块主要功能是根据前面的改进BP算法对样本进行训练，并且随时显示网络的训练情况，并且保存训练好的网络（公开了根据所述历史有效数据以及对应的每个数据点的所述一个时间因子，确定所述预设的数据模型）。为了提高数据预测的准确性，本领域技术人员容易想到时间因子还可以是其他具有时间特征的参数，即可以得到每个数据点的至少两个时间因子。因此，在其引用的权利要求1不具有创造性的基础上，该权利要求也不具备专利法第22条第3款所规定的创造性。
3）权利要求3是权利要求2的从属权利要求，对比文件1公开了（参见正文第4-5章）：以三环路检测器030360为例，所用数据为该检测器2002年4月1日到2003年3月31日共十二个月的速度数据（相当于获取所述历史有效数据的每个数据点的时间戳；从所述历史有效数据的每个数据点的时间戳中提取对应的所述数据点的一个时间因子），共354个样本，其中选前340天为训练样本，后14天为测试样本。用前面设计的网络进行学习训练。为了提高数据预测的准确性，本领域技术人员容易想到时间因子还可以是其他具有时间特征的参数，即可以得到每个数据点的至少两个时间因子。因此，在其引用的权利要求2不具有创造性的基础上，该权利要求也不具备专利法第22条第3款所规定的创造性。
4）权利要求4是权利要求2的从属权利要求，对比文件1公开了（参见正文第4-5章）：样本录入和预处理模块主要功能是完成输入输出向量即训练样本的整理以及归一化。样本训练模块主要功能是根据前面的改进BP算法对样本进行训练，并且随时显示网络的训练情况，并且保存训练好的网络（公开了将所述历史有效数据中每个所述数据点的时间因子作为所述预设数据模型的输入值，对应的所述数据点的数据作为所述预设数据模型输出值，训练所述预设的数据模型，确定所述预设的数据模型）。为了提高数据预测的准确性，所属技术领域的技术人员容易想到将所述历史有效数据中每个所述数据点的所述至少一个时间因子组成预设的时间向量作为所述预设数据模型的输入值。因此，在其引用的权利要求2不具有创造性的基础上，该权利要求也不具备专利法第22条第3款所规定的创造性。
5）权利要求5是权利要求1-4中任一项的从属权利要求，对比文件1公开了（参见正文第4-5章）：BP网络的输入、输出层的神经元数目完全由使用者的要求来决定。输入层的神经元数由影响因素确定。本文中我们已经分析了预测的影响因素，因此确定输入层的神经元数目为预测日前一天的速度采集值36个，预测日前一天的平假日因子1个，预测日的平假日因子1个（公开了所述预测时刻的一个时间因子作为所述预设的数据模型的输入），共38个。同样由于预测要得到的是预测日当天的交通状态，因此输出层的神经元数目为预测日36个速度输出值（相当于获取所述预设的数据模型的输出值；将所述预设数据模型的输出值作为所述预测时刻的数据的期望值）。为了提高数据预测的准确性，本领域技术人员容易想到将所述预测时刻的至少一个时间因子组成时间向量作为所述预设的数据模型的输入。因此，在其引用的权利要求1-4均不具有创造性的基础上，该权利要求也不具备专利法第二十二条第三款所规定的创造性。
6）权利要求6-10是与方法权利要求1-5对应的产品权利要求，由于权利要求1-5相对于对比文件1和本领域的公知常识不具备创造性，基于相同的理由，权利要求6-10也不具备专利法第22条第3款所规定的创造性。
对复审请求人相关意见的评述
对于复审请求人针对复审通知书所陈述的相关意见（参见案由部分），合议组认为：
1）根据本申请的说明书记载，预测所述预测时刻的数据的期望值之前还包括：获取历史有效数据，获取所述历史有效数据的每个数据点的至少两个时间因子，根据所述历史有效数据以及对应的每个数据点的所述至少两个时间因子，确定所述预设的数据模型，由此可知，本申请的预测预测时刻的数据的期望值时，采用的数据模型不仅包括至少两个时间因子，还包括历史有效数据。也就是说，本申请同样需要历史数据存储、调用以及处理过程。
2）对比文件1中公开了预测时刻的时间因子是平日或假日，没有进一步细分预测时刻的其它时间属性，但是所属技术领域的技术人员知晓预测时刻的时间因子包含的内容越丰富，时间粒度越细，数据预测结果越准确，在所属技术领域，时间粒度可以是年、月、周、日、时、分、秒等，为了提高数据预测的准确性，所属技术领域的技术人员容易想到预测时刻有至少两个时间因子，即容易想到当日期是平日时，还包括数据点对应的时刻为当天的第几秒，本周的星期几，本月的第几天，当日期是节假日时，具体是何种节假日，在对比文件1的基础上，加入其它的时间因子不会对预测模型带来技术上的改进，也不需要付出创造性的劳动。
综上，合议组对复审请求人认为本申请的权利要求具备创造性的理由不予支持。
三、决定
维持国家知识产权局于2018年07月16日对本申请作出的驳回决定。
如对本复审决定不服，根据专利法第41条第2款的规定，复审请求人可以自收到本复审决定之日起三个月内向北京知识产权法院起诉。
郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。
