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！

龙图腾网获悉西北工业大学申请的专利一种基于深度时序图网络的站点群径流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：CN119203730B 。

龙图腾网通过国家知识产权局官网在2025-10-28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：202411214272.1，技术领域涉及：G06F30/27；该发明授权一种基于深度时序图网络的站点群径流预测方法是由尹翰林;张秀伟;张艳宁;王兆鑫;郑启睿;朱明转;赵黎阳设计研发完成，并于2024-08-31向国家知识产权局提交的专利申请。

本一种基于深度时序图网络的站点群径流预测方法在说明书摘要公布了：本发明提供了一种基于深度时序图网络的站点群径流预测方法，通过构建新的基于图神经网络和卷积神经网络的站点群径流预测模型，用于区域多站点的径流预测，时序信息提取模块用于在时间尺度上提取输入数据的特征信息；空间聚合模块对不同站点之间的特征信息进行聚合，刻画其它站点对本站点的影响；时序建模部分负责对每个站点聚合得到的信息进行时序建模，最后对隐藏状态信息做全连接网络得到每个站点的预测径流。本发明能够高效地提取不同站点之间存在的地理空间关系和相互影响因素，同时融合了传统时序网络，综合考虑了时空关联性和一致性，充分挖掘了数据中隐藏的时空关系，提高了站点群整体径流预测的精确度。

本发明授权一种基于深度时序图网络的站点群径流预测方法在权利要求书中公布了：1.一种基于深度时序图网络的站点群径流预测方法，其特征在于包括下述步骤： 步骤1：准备数据集并进行预处理； 收集研究流域内的气象数据和每个水文站点的径流数据，构成原始水文数据集；然后对原始水文数据集进行预处理，预处理为依次进行删除空值、数据选择、数据标准化和数据序列化； 步骤2：将预处理后的数据集按照时间进行划分，按照6：2：2的比例，将数据集划分成训练集、验证集、测试集三个互斥的集合； 步骤3：构建基于深度时序图网络的站点群径流预测模型； 站点群径流预测模型架构包括卷积层、图神经网络聚合层和LSTM层，具体构建步骤如下： 步骤3-1：将同一区域内不同站点的时序数据X＝X1，X2，...，Xn∈Rn×l×d中的径流属性Runoff＝r1，r2，...，rn∈Rn×l×1输入到时序信息提取模块，其中Xs＝xs1，xs2，...，xsl表示第s个站点的气象数据和径流值的组合，n代表站点群中站点的数量，l代表过去数据时间窗口长度，d代表每个时间步的特征长度；Runoffs＝rs1，rs2，...，rsn表示第s个站点的径流值，n代表站点群中站点的数量，l代表过去数据时间窗口长度，在时间维度上使用一维卷积神经网络进行特征提取，并添加激活层和池化层进行处理，得到输出C＝C1，C2...，Cn，其中Cs＝cs1，...，csl表示第s个站点经过卷积之后的结果； 步骤3-2：使用不同站点之间的距离作为建图的依据，创建图结构G＝V，E，其中V代表图中节点的集合，E代表不同节点之间的边的集合；将步骤3-1的输出C＝C1，C2...，Cn和原始数据X＝X1，X2，...，Xn相加得到H＝H1，H2...，Hn，并将H嵌入到图结构中每个站点对应的节点中，通过图神经网络GraphSAGE对不同节点之间做邻居聚合操作，融合周围站点信息对当前站点的影响，得到融合信息后的结果Z＝Z1，Z2，...，Zn； 邻居聚合过程如下： 其中，Nv表示当前节点v的邻居节点，表示上一层邻居节点的特征；公式1为当前处理节点的邻居进行信息聚合的过程，公式2表示当前节点经过周围邻居信息融合得到的第k步的信息，并和第k-1步的信息进行计算得到第k步的信息，其中表示节点v在k-1步的特征，表示通过邻居节点聚合得到的第k步信息，Wk表示第k步的权重矩阵，CONCAT表示维度拼接，σ为激活函数； AGGREGATE使用平均聚合方式，具体公式如下： 公式3中W为权重矩阵，Nv表示当前节点v的邻居节点，U表示取并集，MEAN表示求平均，表示上一层邻居节点的特征，表示节点v上一层的特征信息，σ表示激活函数； 步骤3-3，将在步骤3-2中通过图神经网络聚合邻居信息后的结果Z＝Z，Z，...，Z作为时序建模网络LSTM的输入，得到隐藏状态结果P＝p，...，p∈Rn×l×m，其中p代表经过LSTM处理得到的第i个时间步的隐藏状态信息，m表示图节点特征向量长度；将时序网络LSTM的最后一个隐藏状态信息p∈Rn×m作为输入，经过全连接层处理，输出预测结果其中T代表预测的时间长度； 步骤4，定义损失函数和优化器，并训练站点群径流预测模型； 站点群径流预测模型采用的损失函数是双曲余弦的对数，采用Adam优化器； 双曲余弦的对数计算公式如下： 其中B表示小批量样本的大小，T为样本预测时间长度，为第b个样本在第t个时间步的预测值，ybt为第b个样本在第t个时间步的真实值； 训练站点群径流预测模型采用神经网络训练方法，通过前向传播算法计算损失值，使用反向传播算法计算梯度值，更新网络模型中的参数；在模型的迭代训练过程中，使用纳什效率系数衡量模型在当前验证集下的效果，纳什效率系数计算公式如下： 其中表示第b个样本径流真实值的均值，表示第b个样本中时间步t的预测值，ybt表示第b个样本中第t个时间步的径流真实值，B表示样本的大小，T表示预测时间步长； 步骤6，测试模型； 模型在训练集上经过多轮迭代，迭代200轮以上选择最优，每个流域都保存训练完成后的最优模型，即在验证集上能够获得最大纳什效率系数的模型；将测试集放在保存的最优模型中运行，得到预测结果，并与真实值比较对预测结果进行评估。

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西北工业大学，其通讯地址为：710072 陕西省西安市友谊西路127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”。

以上内容由龙图腾AI智能生成。