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！

龙图腾网获悉中国水利水电科学研究院申请的专利一种基于强化学习A2C算法的水文模型实时修正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：CN120653935B 。

龙图腾网通过国家知识产权局官网在2025-11-28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：202510930761.5，技术领域涉及：G06F18/20；该发明授权一种基于强化学习A2C算法的水文模型实时修正方法是由窦延虹;刘荣华;颜西平;翟晓燕;刘晓婉;王雪梅设计研发完成，并于2025-07-07向国家知识产权局提交的专利申请。

本一种基于强化学习A2C算法的水文模型实时修正方法在说明书摘要公布了：本发明公开了一种基于强化学习A2C算法的水文模型实时修正方法，所述方法包括以下步骤：步骤1、获取研究区域基础数据并进行预处理；步骤2、构建基于强化学习A2C算法的实时校正模型；步骤3、对实时校正模型进行训练及验证；步骤4、利用实时校正模型实时修正降雨量。本发明通过耦合强化学习A2C算法与水文模型，解决了传统方法收敛慢、易陷入局部最优的问题，实现了高精度、自适应的洪水预报实时修正。本发明所述方法显著提升了洪水预报的准确性和动态响应能力，为防洪减灾和水资源管理提供了可靠的技术支持。

本发明授权一种基于强化学习A2C算法的水文模型实时修正方法在权利要求书中公布了：1.一种基于强化学习A2C算法的水文模型实时修正方法，其特征在于，所述方法包括以下步骤： 步骤1、获取研究区域基础数据并进行预处理：选择具有十年以上连续水文气象监测数据的中小流域作为研究区域，获取研究区域历史多年基础数据，包括日尺度的面均落地雨量数据、面均预报雨量数据、面均观测流量数据；然后对获取的基础数据进行预处理，具体为采用线性插值法对面均落地雨量数据、面均预报雨量数据以及面均观测流量数据的缺失值进行填充，以确保时间序列连续性； 步骤2、构建基于强化学习A2C算法的实时校正模型：构建基于强化学习A2C算法的实时校正模型，实时校正模型由概念性水文模型M和策略网络πθ组成，概念性水文模型M用于接收面均落地雨量数据输出模拟流量用于构建状态向量h；策略网络πθ由观测决策网络πo和预报决策网络πf组成，分别接收观测状态ho和预报状态hf，生成面均落地雨量修正量δpo和面均预报雨量修正量δpf用于校正降雨数据，其参数θ由A2C算法更新； 实时校正模型的构建过程具体包括以下步骤： 步骤2.1、参数和数据初始化：初始化参数和数据，所述参数包括：预测步长τ，τ∈N+；时间窗口长度T，T∈N+；当前时刻t，t∈N+，t≤tmax，tmax根据步骤1获取数据的时间长度来设定；过去时刻i，i∈N+；折扣因子γ，0γ1，γ∈R；经验池D,经验池容量d，d∈N+；批量大小B，B∈N+且B≤d；所述数据包括面均落地雨量：面均预报雨量：面均观测流量： 步骤2.2、计算模拟流量：利用概念性水文模型M对po运算得到模拟流量 qs＝Mpo 步骤2.3、构建当前状态计算修正动作：构建当前状态h＝ho,hf，计算修正动作a＝δpo,δpf的值和其概率分布πθa∣h；其中δpo是i到t时刻面均落地雨量修正量，δpf是t+1到t+τ时刻的面均预报雨量修正量，ho是观测状态，hf预报状态，πθ为策略网络； 步骤2.4、修正面均落地雨量和面均预报雨量数据：修正i到t时刻的面均雨量和t+1到t+τ时刻预报雨量pf： pf←pf+δpf 步骤2.5、更新策略网络πθ的参数θ：基于A2C算法更新策略网络πθ的参数θ； 然后重复执行步骤2.2到2.5直至t达到tmax； 步骤3、对实时校正模型进行训练及验证：首先将步骤1预处理后的数据按比例划分为训练集和验证集；然后利用训练集对实时校正模型进行训练，最后利用验证集对实时校正模型进行验证；直至模型验证通过，表明实时校正模型训练完成； 步骤4、利用实时校正模型实时修正降雨量：获取实时数据并进行预处理，包括实时面均落地雨量、面均预报雨量以及面均观测流量；初始化参数并设置tmax＝+∞，用实时数据初始化面均落地雨量po，面均预报雨量pf，面均观测流量qo；加载训练完成的实时校正模型的策略网络πθ，然后按照步骤2.2到2.5执行，即可获取实时修正的面均落地雨量

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中国水利水电科学研究院，其通讯地址为：100048 北京市海淀区车公庄西路20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。