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！

龙图腾网获悉南京师范大学申请的专利一种融合监控图像数据的空气质量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：CN119721831B 。

龙图腾网通过国家知识产权局官网在2025-11-07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：202411789196.7，技术领域涉及：G06Q10/0639；该发明授权一种融合监控图像数据的空气质量预报方法是由汪晓楚;刘学军;王美珍;朱思峰设计研发完成，并于2024-12-06向国家知识产权局提交的专利申请。

本一种融合监控图像数据的空气质量预报方法在说明书摘要公布了：本发明公开了一种融合监控图像数据的空气质量预报方法，包括：构建用于历史空气质量数据、气象数据和时间数据特征提取的LSTM单通道深度学习网络；构建用于监控图像特征提取的CNN‑LSTM单通道深度学习网络；集成两个单通道网络，构建用于空气质量预报的双通道集成深度学习模型；收集监控图像、空气质量和气象等多源数据，构建空气质量多源数据集；利用滑动窗口法和“T1:T2”模式，对构建的空气质量多源数据集生成序列样本；利用序列样本训练集对双通道集成深度学习模型进行训练，得到具有预报能力的多步多变量输出的回归模型；将待检测序列样本数据输入到回归模型中，输出未来多个时刻的多个空气质量指标预报结果。本发明结合两个单通道神经网络，构建空气污染物浓度与监控图像、气象和时间之间的关系模型，实现了空气质量的时序预报，该方法融合了室外监控图像数据，提高了空气质量的预报精度。

本发明授权一种融合监控图像数据的空气质量预报方法在权利要求书中公布了：1.一种融合监控图像数据的空气质量预报方法，其特征在于，包括以下步骤： S1：构建长短时记忆LSTM单通道深度学习网络，用于学习历史多个时刻的空气污染物浓度、气象要素以及时间信息数据的深层特征； S2：构建用于监控图像特征提取的CNN-LSTM单通道深度学习网络，将卷积神经网络CNN与LSTM相连接，CNN作为图像空间特征提取器，LSTM作为图像时间特征提取器，共同提取历史多个时刻的监控图像数据所包含的时空信息； 步骤S2中构建CNN-LSTM单通道深度学习网络的具体过程为： 首先，以多张连续拍摄的监控图像组成维度为T1,H,W,C的序列作为输入，T1为图像序列的长度，也是需要学习的历史数据的时间维度，H,W,C是单张监控图像的维度，H、W、C是输入图像的高、宽和颜色通道数；然后，移除完整的CNN框架中的全连接层和输出层，只保留前面的特征提取器部分，用于图像的空间特征学习；随后，无缝连接LSTM网络层，将CNN特征提取器输出的图像序列的空间特征作为LSTM层的输入，存储并写入LSTM的记忆单元，学习它们之间的时间特性，从而获得监控图像的时空特征向量； S3：将构建的LSTM和CNN-LSTM两个单通道网络模型进行特征融合，建立融合后特征与未来多个时刻的多个空气质量指标之间的映射关系，形成多步多变量输出的双通道集成深度学习模型； 步骤S3中双通道集成深度学习模型的网络结构为： 将两个单通道网络分别输出的和两个特征向量进行融合，在融合层之后添加全连接层和输出层，融合后的特征输入全连接层，实现与输出目标的映射，输出层的神经元数量与要预报的时间长度一致；其中，模型的输出层设置了sigmoid激活函数，将输出值控制在[0,1]范围内； S4：收集长期连续拍摄的监控相机视频图像、连续采集的空气污染物浓度和气象数据，基于数据的时间戳，将相同时刻的数据记录一一对应结合，构建空气质量多源数据集； S5：利用滑动窗口法和“T1:T2”模式，对构建的空气质量多源数据集生成序列样本，并划分出训练集； S6：利用序列样本训练集对双通道集成深度学习模型进行训练，得到具有预报能力的空气质量回归模型； S7：将待检测图像序列输入到步骤S6得到的回归模型中，输出预测的未来多个时刻的多项空气污染物浓度值。

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南京师范大学，其通讯地址为：210033 江苏省南京市鼓楼区宁海路122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。