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！

龙图腾网获悉山东建筑大学申请的专利一种基于改进Transformer模型的城市地面沉降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：CN120724159B 。

龙图腾网通过国家知识产权局官网在2025-11-14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：202511195919.5，技术领域涉及：G06F18/214；该发明授权一种基于改进Transformer模型的城市地面沉降预测方法是由王志伟;李芳芳;丁文壮;崔颖;王翔;桑文刚;李婉秋;张国建;付浩淋设计研发完成，并于2025-08-26向国家知识产权局提交的专利申请。

本一种基于改进Transformer模型的城市地面沉降预测方法在说明书摘要公布了：本发明公开了一种基于改进Transformer模型的城市地面沉降预测方法，包括以下步骤：构建包括环境因子数据和地面沉降数据的多特征双尺度数据集；构建Transformer模型；对Transformer模型中的编码器输入层进行嵌入增强；对Transformer模型中的解码器进行改进；对改进后的Transformer模型进行优化调整，实现城市地面沉降预测。本发明采用上述一种基于改进Transformer模型的城市地面沉降预测方法，通过改进Transformer模型结构，基于多因子影响因素实现了对城市地面沉降的直接多步预测，提高了Transformer模型对城市地面沉降预测的准确性和泛化能力。

本发明授权一种基于改进Transformer模型的城市地面沉降预测方法在权利要求书中公布了：1.一种基于改进Transformer模型的城市地面沉降预测方法，其特征在于，包括以下步骤： 步骤S1、构建包括环境因子数据和地面沉降数据的多特征双尺度数据集，具体过程如下： 步骤S11、以地面沉降数据为基准，统一各环境因子的数据格式和空间分辨率；其中，环境因子数据包括土地覆盖数据、道路网数据和降水量数据； 步骤S12、统一各环境因子间的时间分辨率并确保时间对齐； 步骤S13、基于上述过程获得的时空分辨率统一、空间位置匹配且时间对齐的特征数据，制作双尺度数据集； 其中，时空分辨率统一、空间位置匹配且时间对齐的四种特征数据具体包括：地面沉降数据，土地覆盖数据，各点与道路网之间的距离数据及降水量数据； 步骤S2、构建Transformer模型，包括编码器和解码器； 步骤S3、对Transformer模型中的编码器输入层进行嵌入增强，具体过程如下： 改进后的Transformer模型中的编码器输入层包含线性层，归一化层和ReLU激活三个部分； 1在线性层中，将输入的四维特征数据投影到高维，即隐藏层维度空间，增加特征的表达能力并通过权重矩阵学习多变量之间的交互关系； 2在归一化层中，实现对每个样本的隐藏层维度进行归一化，消除量纲差异； 3在ReLU激活部分中，允许Transformer模型学习特征间的非线性交互关系，建立多变量间的动态耦合； 其中，ReLU激活函数的基本原理，如下所示： 1； 式中，表示ReLU激活函数；表示输入值；当输入时，输出为线性值，保留原始信息；当输入时，输出为0，完全抑制该神经元； 步骤S4、对Transformer模型中的解码器进行改进，具体包括： 步骤S41、采用直接多步预测方法，基于动态查询器结构根据编码器的输出，动态生成解码器所输入的目标序列初始查询向量，实现仅基于四种特征数据的未来沉降预测，具体过程如下： 首先，对编码器输出的记忆矩阵[批量大小，输入时间步长，隐藏层维度]在时间维度取均值进行压缩，得到全局特征[批量大小，隐藏层维度]； 然后，通过线性层将全局特征映射到[预测时间步长，Transformer模型隐藏层维度]，重塑为[批量大小，预测时间步长，隐藏层维度]维度，得到目标序列的初始查询向量并输入解码器中； 步骤S42、对Transformer模型中的解码器输出层进行增强，具体包括： 改进后的解码器输出层包含两个线性层，一个归一化层和一个GELU激活层； 当最后一个解码器层输出高维，即隐藏层维度特征后，第一个线性层将该高维特征映射到中间维度，并通过归一化层消除量纲差异； 然后，采用GELU激活函数进行非线性激活，捕捉中维特征间的非线性关联，从而保持最终输出的多个时间步沉降数据之间的非线性趋势； 最后，通过第二个线性层将非线性激活后的中维特征映射到低目标维度，实现直接多步沉降预测结果的准确输出； 其中，GELU函数的基本原理，如下所示： 2； 3； 式中，表示高斯误差线性单元GaussianErrorLinearUnit激活函数；是标准高斯分布的累积分布函数CDF； 步骤S5、对改进后的Transformer模型进行优化调整，实现城市地面沉降预测，具体包括： 采用AdamW优化器，通过动态学习率调整策略，实现Transformer模型收敛； 对Transformer模型中的隐藏层维度、注意力头数、编解码层层数、批次大小和丢弃率5个超参数，采用贝叶斯优化方法确定，具体过程包括： 首先，对目标函数建立超参数的先验概率模型，通过每次超参数采样后，观察函数的输出以更新先验知识； 然后，形成后验概率分布，进行迭代不断更新Transformer模型和选择采样点，从而在有限的函数评估次数内搜索超参数组合。

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山东建筑大学，其通讯地址为：250101 山东省济南市历城区凤鸣路1000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。