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！

龙图腾网获悉浙江大学申请的专利一种基于集成机器学习的台风浪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：CN120087800B 。

龙图腾网通过国家知识产权局官网在2025-12-23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：202510549862.8，技术领域涉及：G06Q10/0637；该发明授权一种基于集成机器学习的台风浪预报方法是由贺治国;赵一汀;华一竹;朱业;季余;李莉;郭敬;沈辉设计研发完成，并于2025-04-29向国家知识产权局提交的专利申请。

本一种基于集成机器学习的台风浪预报方法在说明书摘要公布了：本发明公开了一种基于集成机器学习的台风浪预报方法。本发明首先整合历史台风浪数据、气象数据及海洋环境数据；对数据进行预处理，包括整合、清理、补缺、标准化采用K近邻算法与样条插值法进行多源数据补全；其次通过皮尔逊相关系数筛选关键特征参数，并结合互信息法强化非线性关联性表征；然后构建包含LSTM、XGBoost与Transformer的集成预测模型；最后采用动态时序划分策略划分训练集与验证集，并优化模型超参数，完成台风浪波高预报模型的训练与测试。本发明通过多源数据融合与特征选择优化解决数据稀疏性问题，通过集成模型架构提升泛化能力，相较于传统单一模型显著缩短训练周期并提高预报精度与时效性。

本发明授权一种基于集成机器学习的台风浪预报方法在权利要求书中公布了：1.一种基于集成机器学习的台风浪预报方法，其特征在于，包括以下步骤： 数据收集：获取多源异构数据，包括历史台风浪数据、气象观测数据、海洋环境数据及人类活动干扰数据； 数据预处理：对收集的数据进行以下处理： 时空对齐：将不同来源数据的时间分辨率统一至预设间隔； 异常值处理：基于物理约束条件识别并剔除超出合理范围的观测值； 缺失值填补：对连续缺失的数据采用插补算法进行填补，对离散缺失数据采用插值算法； 数据标准化：将各特征参数映射至统一数值范围； 特征提取：通过相关性分析筛选与波高预测相关性高的关键特征参数，结合非线性特征选择方法确定输入特征集； 模型构建：构建集成机器学习模型，采用数值模型与机器学习算法的耦合方法，利用多个基模型组合及明确的加权策略或误差修正机制，建立波浪预报模型； 模型训练与优化：利用历史数据对构建的集成机器学习模型进行训练，通过调整模型参数和结构以优化模型性能，并采用交叉验证方法对模型进行评估，确保模型的泛化能力和稳定性； 实时预报：将实时采集的气象海洋数据输入训练完成的集成机器学习模型，通过耦合集成机器学习模型的多通道输出未来N小时的台风浪波高预测值及置信区间； 结果输出与验证：生成包含时空分布热力图、预测-实测对比曲线及误差统计面板，计算均方根误差并迭代优化模型； 所述模型构建步骤中，所述集成机器学习模型包括： SWAN-ML-SSA权重配比模型：通过集成SWAN数值模型与机器学习算法，采用麻雀搜索算法动态优化权重配比，以提高模型的预测精度和适应性； 所述集成机器学习模型还包括： SWAN-ML误差损失模型：通过构建误差预测-补偿机制，修正SWAN数值模型的系统性误差，提升模型的预测精度； 所述SWAN-ML-SSA权重配比模型的计算过程包括： 分别获取SWAN模型和机器学习模型的有效波高预测序列； 将每个数据集的70%作为训练集，30%作为测试集； 将前1~3小时的风速和波高作为输入项，通过权重配比将SWAN模型和机器学习模型的输出进行融合； 使用麻雀搜索算法在权重空间内进行全局寻优，确定SWAN模型与机器学习模型输出的最优混合比例； 采用Python构建双模型耦合框架，通过NetCDF4库实时解析SWAN模型输出的网格化波浪场数据，并使用机器学习模型加载预训练的波高预测模型； 所述SWAN-ML-SSA权重配比模型在预报阶段： 通过递归神经网络构建预报框架，将SWAN输出的风场数据与历史波高序列组成输入张量； 输出端采用加权融合层动态结合SWAN物理预测和机器学习预测； 麻雀搜索算法每6小时在线优化一次权重参数，确保模型适应台风路径突变场景； 所述SWAN-ML误差损失模型的计算过程包括： 基于历史数据利用Pandas建立SWAN模拟误差数据库，将SWAN输出的有效波高、波周期与对应时刻的实测值偏差作为训练目标； 采用机器学习算法构建误差预测模型，输入特征包含前3小时SWAN输出的波浪要素、风场参数及地形特征参数； 将每个数据集的70%作为训练集，30%作为测试集，通过特征重要性分析筛选主导因子； 训练误差补偿模型学习SWAN在复杂地形区域的模拟偏差规律，在预报阶段将SWAN实时输出导入误差补偿模型，输出修正后的有效波高； 所述SWAN-ML误差损失模型在预报阶段： 形成SWAN物理模型与误差补偿模型的串联结构，采用机器学习模型的GPU加速训练模块； 定义损失函数为Huber损失以增强对极端波高的鲁棒性，重点提升台风眼过境的预报精度； 所述实时预报步骤中，所述集成机器学习模型能够根据不同的预报需求自动切换模式，如在需要对台风浪的最大有效波高进行模拟时，自动调用更稳定的SWAN-ML误差损失模型，若需要预报整体准确度更高，则调用SWAN-ML-SSA权重配比模型。

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浙江大学，其通讯地址为：316021 浙江省舟山市定海区浙大路1号浙江大学舟山校区；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。