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！

龙图腾网获悉重庆师范大学;重庆理工大学;重庆领略科技有限公司申请的专利基于时间多尺度特征的水厂超短期供水量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：CN119599159B 。

龙图腾网通过国家知识产权局官网在2025-11-11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：202411414691.X，技术领域涉及：G06Q10/04；该发明授权基于时间多尺度特征的水厂超短期供水量预测方法及系统是由张杨;李俊杰;徐传运;朱久进;李刚;蒋建忠;杨强;孙艺纱;王箫设计研发完成，并于2024-10-11向国家知识产权局提交的专利申请。

本基于时间多尺度特征的水厂超短期供水量预测方法及系统在说明书摘要公布了：本发明公开了基于时间多尺度特征的水厂超短期供水量预测方法及系统，涉及水资源管理和预测技术领域。本发明旨在解决现有供水量预测中对历史供水数据研究不充分及未考虑时间多尺度的问题；首先收集水厂历史供水数据和相关环境因素，对数据进行预处理后分为训练集、验证集和测试集；然后从时间多尺度角度选取历史供水特征因子与相关环境特征因子组成特征集合；通过相关性分析、互信息分析和特征直方图方法验证特征集合与供水量的相关性及潜在关系；接着基于均方误差损失函数构建7种深度学习模型进行供水预测研究，并使用贝叶斯优化技术进行超参数调优。

本发明授权基于时间多尺度特征的水厂超短期供水量预测方法及系统在权利要求书中公布了：1.基于时间多尺度特征的水厂超短期供水量预测方法，其特征在于：至少包括以下步骤： S1：获取水厂供水相关数据集，所述数据集包括历史供水数据和相关环境数据，将数据集分为训练集、验证集和测试集； S2：从时间多尺度角度选取历史供水特征因子与相关环境特征因子组成特征集合； 所述S2至少包括以下步骤： 首先获得水厂历史供水数据和相关环境数据，采用传统均值插补法对数据集进行缺失值和异常值进行处理并进行归一化； 然后选取滞后1年、1个月、1周、1天的供水量、滞后1天每半个小时的供水量、日期、节假日、每日最低气温、每日最高气温和每日平均气温； 然后将数据集分为训练集、验证集和测试集，从数据集划分90%的数据作为训练集用于训练模型，从训练集中抽取10%的数据作为验证集用于模型超参数调优，剩余10%的数据作为测试集用于评估模型性能 S3：通过相关性分析、互信息分析和特征直方图方法验证特征集合与供水量的相关性及潜在关系； 所述S3至少包括以下步骤： 在相关性分析中，采用皮尔逊相关系数、斯皮尔曼相关系数、KendallTau相关系数和偏相关系数对特征集合与供水量之间的相关性进行分析研究，然后构建网络模型将特征集合作为输入并输出预测结果 S4：使用贝叶斯优化技术分别对每个网络模型进行超参数调优； 所述S4至少包括以下步骤： 步骤1：定义超参数的搜索空间，指定超参数的取值范围； 步骤2：选择一个先验函数，若函数分布已知，则根据经验选择最优模型，若未知，则采用基于高斯过程的核函数作为黑盒函数自我学习； 步骤3：初始化部分超参数组合，并使用这些超参数组合训练模型，得到相应的目标函数值； 步骤4：根据已有的超参数组合和目标函数值，建立一个高斯过程模型来估计目标函数的概率分布； 步骤5：使用采集函数来搜索目标函数的极大值点，AC通常基于高斯过程模型的预测均值和方差来选择下一个待评估的超参数组合，以平衡探索和利用； 步骤6：将AC选择的超参数组合输入模型进行训练，并得到相应的目标函数值； 步骤7：将新的超参数组合和目标函数值更新到高斯过程模型中； 步骤8：重复步骤5－步骤7，达到预设的迭代次数即停止 S5：基于均方误差损失函数构建RNN、BiRNN、LSTM、BiLSTM、GRU、BiGRU和Transformer7种网络模型，将训练集分别输入网络模型，输出训练结果； S6：将测试集作为7种网络模型的输入，输出测试结果，并计算每个网络模型的评估指标，即RMSE、MAE、MAPE和R2进行对比，保留最优的输入参数和网络模型； S7：使用最优的网络模型对水厂未来供水量进行超短周期预测，记录预测结果。

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重庆师范大学;重庆理工大学;重庆领略科技有限公司，其通讯地址为：401331 重庆市沙坪坝区大学城中路37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。