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！

龙图腾网获悉内江华润燃气有限公司申请的专利一种基于ALR-LSTM模型的城市中长期天然气需求预测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：CN120297636B 。

龙图腾网通过国家知识产权局官网在2025-09-23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：202510359419.4，技术领域涉及：G06Q10/0631；该发明授权一种基于ALR-LSTM模型的城市中长期天然气需求预测方法是由周贤宗;秦剑;邱建;马玺;房光平;田杰;罗亚川;龙海红;高盒甜;谭小强;吕崚祥设计研发完成，并于2025-03-25向国家知识产权局提交的专利申请。

本一种基于ALR-LSTM模型的城市中长期天然气需求预测方法在说明书摘要公布了：本发明涉及一种基于ALR‑LSTM模型的城市中长期天然气需求预测方法。该方法依托学习率动态变化的LSTM深度学习模型，利用城市历史的天然气需求数据和日均气温，综合考虑季节、月份以及节假日的影响下，通过对深度学习模型的损失函数进行优化，建立了更符合天然气需求预测的实际要求预测模型。此外，本发明还建立了模型预测效果的评价方法，以明确判别模型预测效果的优劣，从而为天然气供应单位和政府主管部门制定采购策略及应急处置程序提供技术支持。

本发明授权一种基于ALR-LSTM模型的城市中长期天然气需求预测方法在权利要求书中公布了：1.一种基于ALR-LSTM模型的城市中长期天然气需求预测方法，其特征在于，所述方法包括完整的数据处理流程和预测模型架构，具体步骤如下： S1、数据收集步骤：采集城市每日历史天然气需求量数据集、日平均气温数据集及节假日信息数据集； S2、数据预处理步骤：接收S1的输出数据集，执行异常值检测与修正处理，具体包括： 基于节假日信息数据集对日期字段进行假期状态判定，生成二进制编码的节假日特征向量； 采用Zscore算法对非节假日的天然气需求量数据集进行异常检测，将超出范围的数据点修正为相邻时段均值； S3、数据集划分步骤：将经S2处理的数据集按时间序列划分为训练集、验证集和测试集，其中： 训练集包含连续完整的自然年周期数据； 验证集选取与训练集相邻年份的3-6个月数据； 测试集与训练集时间间隔不超过2个自然年； S4、时序特征编码步骤：对S3划分的数据集进行多层次时间特征提取，包括： 采用正弦余弦函数对日期字段进行周期性编码，生成星期特征向量、月份特征向量和季节特征向量； 将气温数据集与时间特征向量进行横向拼接，形成多维特征矩阵； S5、数据归一化步骤：通过MinMaxScaler对多维特征矩阵进行归一化处理，输出范围为[0,1]的标准化数据集，并分离得到训练集特征矩阵Xtrain、训练集标签向量ytrain、测试集特征矩阵Xtest； S6、张量重构步骤：将S5输出的标准化数据集转换为三维张量结构，其维度包括样本数量samples、时间步长timesteps和特征维度features； S7、模型构建步骤：构建包含残差连接和注意力机制的双层LSTM预测模型，具体包括： 第一LSTM层接收S6输出的三维张量，输出包含64个神经元的时序特征向量； 第二LSTM层与第一层通过残差连接，输出32维高维特征向量； 自定义注意力层计算各时间步权重，输出加权特征向量； 最终通过Dense层输出预测值； S8、多目标损失函数构建步骤：定义结合时序偏差和预测误差的损失函数，其计算过程包括： 计算预测值与真实值的MAE和MSE； 按月份分组计算实际与预测总需求量的月度偏差率； 按年度计算整体需求量的年度偏差率； 通过权重系数α,β,γ将四类指标组合为复合损失函数： Loss＝α·MAE+β·MSE+γ·月度偏差率+年度偏差率 S9、模型训练步骤：采用RMSprop优化器对S7构建的预测模型进行训练，具体包括： 设置动态学习率调整策略，当验证损失稳定时自动降低学习率； 采用早停机制防止过拟合； 保存验证集表现最优的模型参数； S10、预测反归一化步骤：将模型预测结果与原始特征矩阵拼接，通过MinMaxScaler的inverse\_transform方法还原为实际需求量数据； S11、多维度评估步骤：基于反归一化结果计算四项评估指标： 月度偏差量均值 月度偏差率 年度偏差率 MAE与MSE的组合评分； S12、可视化输出步骤：生成包含实际预测需求对比曲线、月度偏差分布热力图的可视化报告，并输出结构化评估结果。

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内江华润燃气有限公司，其通讯地址为：641100 四川省内江市东兴区太白路69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”。