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！

龙图腾网获悉浙江大学申请的专利基于深度学习算法的城市火灾起数空间分布预报方法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：CN119227914B 。

龙图腾网通过国家知识产权局官网在2025-08-19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：202411761077.0，技术领域涉及：G06Q10/04；该发明授权基于深度学习算法的城市火灾起数空间分布预报方法是由周洋;王乃玉;林陪晖;孙卓尔;林震设计研发完成，并于2024-12-03向国家知识产权局提交的专利申请。

本基于深度学习算法的城市火灾起数空间分布预报方法在说明书摘要公布了：本发明公开了一种基于深度学习算法的城市火灾起数空间分布预报方法，包括：收集原始数据；对原始数据进行预处理；确定用于城市火灾起数预报模型的输入变量和输出变量：输入变量包括城市用地类型栅格数据、过去若干天的气象因子时间序列数据和过去若干天的日火灾起数栅格图集合；输出变量为未来若干天累积火灾起数栅格图；构建基于深度神经网络的城市火灾起数预报模型：城市火灾起数预报模型包括编码器和解码器，所述编码器用于处理时间序列变量，所述解码器用于处理城市用地类型空间变量和特征变量；城市火灾起数预报模型的训练和评估。本发明能够共同处理时间特征和空间特征，预测精度高，有效提升了城市火灾风险预测的准确性。

本发明授权基于深度学习算法的城市火灾起数空间分布预报方法在权利要求书中公布了：1.一种基于深度学习算法的城市火灾起数空间分布预报方法，其特征在于，包括如下步骤： S1、收集原始数据：收集城市研究区域的历史火灾事件数据以及与每一起历史火灾事件对应的城市用地类型数据和气象因子数据，其中，城市研究区域的历史火灾事件数据包括每一起火灾的发生地址和发生时间； S2、对步骤S1收集的原始数据进行预处理：将城市研究区域划分为栅格单元，并针对城市研究区域的历史火灾事件数据进行时空聚合处理，具体包括，在时间上，按日进行统计将数据划分形成日火灾起数数据集，在空间上，按预设的空间分辨率划分栅格单元，将日火灾起数的地理坐标点统计到栅格单元从而形成日火灾起数空间栅格图；针对城市用地类型，计算各类用地类型在每个栅格中的面积比率；针对气象因子，将城市研究区域所有气象站点记录的气象因子数据进行平均； S3、基于步骤S2预处理后的数据确定用于城市火灾起数预报模型的输入变量和输出变量：输入变量包括城市用地类型栅格数据、过去天的气象因子时间序列数据和过去天的日火灾起数栅格图集合，这三类输入变量分别为空间类型数据、时间类型数据和时空类型数据；输出变量为未来天累积火灾起数栅格图；其中，，，且和均为整数； S4、构建基于深度神经网络的城市火灾起数预报模型：城市火灾起数预报模型包括编码器和解码器，所述编码器用于处理时间序列变量，所述解码器用于处理城市用地类型空间变量和特征变量； 编码器的架构包括长短时记忆网络连接自注意力机制网络，解码器的架构包括全连接网络和若干层卷积神经网络； 编码器用于处理的时间序列分量包括气象因子时间变量和历史日火灾起数时间分量，具体操作包括： 将气象因子时间变量和历史日火灾起数栅格图集合的时间分量在时间维度上进行拼接，得到复合时间序列，复合时间序列的维度为，复合时间序列作为编码器的输入变量，编码器对复合时间序列进行编码，然后将自注意力机制网络输出最后一个时刻的变量作为特征变量，其中，r为自注意力机制网络的隐单元的个数； 解码器用于处理城市用地类型空间变量和特征变量，具体操作包括： 首先，对特征变量进行预处理，采用全连接网络将变换成；其次，采用矩阵变换将进一步变换成变量；然后，将变量和变量在通道维度上进行拼接获得复合空间变量，复合空间变量的维度是；将复合空间变量输入到多层卷积神经网络中，最后一层卷积神经网络的输出为未来天累积火灾起数栅格图的预测值，设为； S5、城市火灾起数预报模型的训练和评估：将步骤S3的输入变量和输出变量进行整理得到成对的数据集，并按时间顺序和预设比例将数据集划分为训练集、验证集和测试集，其中，训练集和验证集用于确定城市火灾起数预报模型的参数，测试集用于评估城市火灾起数预报模型的性能。

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浙江大学，其通讯地址为：310058 浙江省杭州市西湖区余杭塘路866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”。