买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国海洋大学申请的专利一种基于动态超图与多尺度编码的时间序列预测方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120278037B 。

龙图腾网通过国家知识产权局官网在2025-08-08发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510724436.3，技术领域涉及：G06F30/27；该发明授权一种基于动态超图与多尺度编码的时间序列预测方法及系统是由于彦伟;颜瀚;陈栋梁;齐建鹏;董军宇设计研发完成，并于2025-06-03向国家知识产权局提交的专利申请。

本一种基于动态超图与多尺度编码的时间序列预测方法及系统在说明书摘要公布了：本发明涉及多变量时间序列预测技术领域，尤其是涉及一种基于动态超图与多尺度编码的时间序列预测方法及系统。方法，包括对获取的数据进行数据预处理；构建多变量时间序列预测模型，包括动态聚类超图构建与相关性信息传播，输出变量；对输出变量进行多尺度时间表征学习；对多变量时间序列预测模型进行迭代训练；利用训练好的模型进行数据预测。本方法通过动态聚类超图学习，实现了对复杂时空依赖关系的精准建模。

本发明授权一种基于动态超图与多尺度编码的时间序列预测方法及系统在权利要求书中公布了：1.一种基于动态超图与多尺度编码的时间序列预测方法，其特征在于，包括： 获取海水表面温度数据； 对获取的数据进行数据预处理； 构建多变量时间序列预测模型，包括动态聚类超图构建与相关性信息传播，输出变量；对输出变量进行多尺度时间表征学习； 对多变量时间序列预测模型进行迭代训练； 利用训练好的模型进行数据预测； 所述动态聚类超图构建与相关性信息传播，包括首先进行数据维度转换并初始化隶属度矩阵，首先对预处理完成的数据，将所有子序列展开为节点矩阵并随机初始化隶属度矩阵，初始化过程通过均匀分布保证各节点的隶属度在超边间均匀分配，然后使用模糊C均值算法FCM对隶属度进行更新，其中，每层时空相关性学习块均执行FCM算法，将迭代更新超边聚类中心与节点隶属度使用上标t表示迭代更新的当前次数，第次更新中，根据当前隶属度，首先计算各超边的聚类中心，表示为： 其中，为中第i个时间片段的特征向量，为模糊系数，用于控制隶属度的模糊性，增大m会使隶属度分布更平滑，反之则趋向二值化分配； 所述动态聚类超图构建与相关性信息传播，还包括根据计算得到的各超边的聚类中心重新计算隶属度矩阵，表示为： 其中，确保节点与更近的聚类中心具有更高的隶属度，同时满足； 所述动态聚类超图构建与相关性信息传播，还包括通过使用隶属度矩阵构建超图，其中，将给定时间序列数据划分为N个变量的S个时间片段，每个片段表示为P维特征向量，构建超图；其中表示节点集，，每个节点对应一个时间片段；表示超边集，，每条超边通过模糊均值聚类动态生成，表示一种特定的时序模式，将超边关联矩阵定义为,其中元素表示节点属于超边的隶属度，通过隶属度矩阵获得，表示为： ； 所述动态聚类超图构建与相关性信息传播，还包括通过超图卷积进行信息传递,其中，对节点特征进行变换和初步聚合得到超边特征矩阵，通过将超边特征反向扩散至节点，并与原始输入进行残差链接得到该层时间相关性学习块的输出,表示为： 其中控制原始输入保留的比例，确保传播的节点能够保持一定的原始特征,避免深层神经网络可能导致的过平滑问题； 所述对输出变量进行多尺度时间表征学习，包括将得到的输出变量根据变量数进行重新拆分，以变量独立性的方式进行时间表征学习，其中，将不同变量的数据单独输入到Transformer编码器中，第个变量的时间序列将其转置使用表示；然后使用可训练的线性投影将变量映射到维度为的Transformer隐空间中，采用多头注意力机制来建模不同时间片段间的时序相关性；通过将输入进行线性变化得到查询矩阵、键矩阵和值矩阵，而注意力输出的计算公式表示为： 。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国海洋大学，其通讯地址为：266100 山东省青岛市崂山区松岭路238号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。