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！

龙图腾网获悉武汉大学申请的专利一种基于混合深度学习模型的洪水过程概率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：CN115329930B 。

龙图腾网通过国家知识产权局官网在2026-01-06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：202210880964.4，技术领域涉及：G06N3/0442；该发明授权一种基于混合深度学习模型的洪水过程概率预报方法是由崔震;郭生练;尹家波;周研来;王俊设计研发完成，并于2022-07-26向国家知识产权局提交的专利申请。

本一种基于混合深度学习模型的洪水过程概率预报方法在说明书摘要公布了：本发明公开了一种基于混合深度学习模型的洪水过程概率预报方法，包括：首先收集研究流域气象水文基础资料，建立概念性模型，预报多时段的洪水过程，其次以概念性模型预报流量过程为外源输入，在基于外源输入编码‑解码结构的长短时记忆LSTM‑EDE神经网络输出层嵌套混合密度网络MDN，构建混合LSTM‑EDE‑MDN概率预报模型，同时采用极大似然估计法建立损失函数，训练神经网络参数，最终获得每个预见期的条件分布函数和预报区间，从而量化预报不确定性。本发明耦合了以概念性模型预报流量为外源输入的LSTM‑EDE神经网络和MDN，解决了曝光偏差问题，还可以在考虑输出变量时间相关性前提下，获得多时段洪水过程概率预报，提高了深度学习模型的适用性、可解释性和可信度。

本发明授权一种基于混合深度学习模型的洪水过程概率预报方法在权利要求书中公布了：1.一种基于混合深度学习模型的洪水过程概率预报方法，其特征在于，包括如下步骤： 步骤1，收集和分析气象水文资料，计算流域平均产汇流时间，并根据实际需求设定预报预见期长度； 步骤2，根据步骤1收集的数据率定概念性水文模型参数，并采用率定后的概念性水文模型预报多时段预见期流量过程； 步骤3，以步骤2概念性模型的预报流量过程为外源输入，建立长短时记忆LSTM-EDE神经网络，将LSTM-EDE神经网络隐含层输出作为混合密度网络MDN的输入，构建用于量化预报不确定性的LSTM-EDE-MDN模型；包括： 步骤3-1，将LSTM神经网络耦合至外源输入编码-解码结构EDE结构中，构建LSTM-EDE模型，其中，在EDE结构解码过程中开发出接收概念性水文模型预报流量过程的接口； 步骤3-2，以Y为目标输出变量，将LSTM-EDE模型解码过程的隐含层输出X作为混合密度网络MDN的输入，建立LSTM-EDE-MDN混合深度学习概率预报模型；LSTM-EDE-MDN模型输出多个核函数的权重w和参数，将核函数按照权重w相加组合为目标变量Y的条件密度函数fY|θ,X： ； ； 式中，m为核函数的数量，φ是高斯核函数，为第i个核函数的权重； 步骤4，设定步骤3构建的LSTM-EDE-MDN模型的激活函数和超参数，建立损失函数以优化超参数，并整理LSTM-EDE-MDN模型的输入和目标输出变量；包括： 步骤4-1，设定LSTM-EDE-MDN模型的激活函数和超参数； 步骤4-2，按照极大似然估计法构建损失函数，通过损失函数来优化调整超参数； 步骤4-3，采用预报依据时间之前的实测降水和流量资料作为LSTM-EDE-MDN模型编码过程的输入，输入时间步数等于流域平均产汇流时间；采用概念性水文模型预报流量作为解码过程的输入；LSTM-EDE-MDN模型的输出为每一预报时刻目标变量的条件分布函数，输出时间步数等于预见期长度；另外，在步骤1收集的数据中整理出适合LSTM-EDE-MDN模型训练、验证和测试的数据集，包括编码、解码过程的输入和目标输出变量； 步骤5，根据步骤4整理的输入和目标输出变量训练LSTM-EDE-MDN模型，进而推求目标变量的条件概率分布函数，获得一定置信水平下的预报区间，量化预报过程的不确定性。

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武汉大学，其通讯地址为：430072 湖北省武汉市武昌区珞珈山武汉大学；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。