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！

龙图腾网获悉中国地质大学(武汉)申请的专利基于堆叠时空记忆单元的时空过程模拟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：CN115719036B 。

龙图腾网通过国家知识产权局官网在2026-02-13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：202211377100.7，技术领域涉及：G06F30/27；该发明授权基于堆叠时空记忆单元的时空过程模拟方法及系统是由陈泽强;唐旭;陈来;陈能成设计研发完成，并于2022-11-04向国家知识产权局提交的专利申请。

本基于堆叠时空记忆单元的时空过程模拟方法及系统在说明书摘要公布了：本发明提供一种基于堆叠时空记忆单元的时空过程模拟方法，其特征在于，包括：获得时空数据集；初始的时空过程深度学习模型对时空数据集的时空依赖关系进行初步表达，获得第一阶段深度学习模型；对第一阶段深度学习模型进行稳健性策略表达，获得第二阶段深度学习模型；对第二阶段深度学习模型进行参数优化，获得完成一轮训练的时空过程深度学习模型；进行迭代训练，满足预设条件后获得训练好的时空过程深度学习模型；调节完成后获得最终的时空过程深度学习模型。本发明通过堆叠时间记忆单元，使得时空过程深度学习模型具有较强的鲁棒性，具有长期动态建模能力，同时时空记忆流增强了网络对短期动态的建模能力。

本发明授权基于堆叠时空记忆单元的时空过程模拟方法及系统在权利要求书中公布了：1.一种基于堆叠时空记忆单元的时空过程模拟方法，其特征在于，包括： S1：获取多源大数据，对多源大数据进行预处理，获得时空数据集； S2：构建初始的时空过程深度学习模型，初始的时空过程深度学习模型对时空数据集的时空依赖关系进行初步表达，获得第一阶段深度学习模型； 步骤S2具体为： S21：通过多个时空记忆单元堆叠构成初始的时空过程深度学习模型，初始的时空过程深度学习模型包括n+1个时空记忆列，每个时空记忆列包括L层时空记忆单元； S22：将时空数据集中的时空数据Xt输入第t时间步的时空记忆列，通过第t‑1时间步的l层的隐藏状态、时间记忆状态和第t时间步的l‑1层的空间记忆状态进行时空依赖关系的初步表达，获得第t时间步的l层的隐藏状态、时间记忆状态和空间记忆状态，之后令t的值加一；其中，t为时间步的编号，l为时空记忆单元的层编号； 步骤S22具体为： S221：通过第t时间步的时空数据Xt、第t‑1时间步的l层的隐藏状态和时间记忆状态计算获得第t时间步的l层的时间记忆状态，计算公式为： 其中，表示3D卷积运算，表示Hadamard积，表示sigmoid激活函数，tanh表示tanh激活函数，ft为遗忘门，it为输入门、gt为输入调制门，为时空数据在输入门中的权重，为隐藏状态在输入门中的权重，为时空数据在输入调制门中的权重，为隐藏状态在输入调制门中的权重，为时空数据在遗忘门中的权重，为隐藏状态在遗忘门中的权重； S222：通过第t时间步的时空数据Xt和第t‑1时间步的l层的隐藏状态以及第t时间步的l层的时间记忆状态计算获得第t时间步的l层的空间记忆状态和隐藏状态，计算公式为： 其中，为输出门，为额外输入门，为额外输入调制门，为额外输出门，为过程中隐藏状态，Z为融合特征，为时空数据在输出门中的权重，为隐藏状态在输出门中的权重，为空间记忆状态在额外输入门中的权重，为空间记忆状态对应隐藏状态在额外输出门中的权重，为空间记忆状态在额外输入调制门中的权重，为空间记忆状态对应隐藏状态在额外输入调制门中的权重，为空间记忆状态在额外输出门中的权重，为空间记忆状态对应隐藏状态在额外输出调制门中的权重； S23：重复步骤S22，完成所有时空记忆列的时空依赖关系的初步表达后，获得第一阶段深度学习模型； S3：对第一阶段深度学习模型进行稳健性策略表达，获得第二阶段深度学习模型； S4：对第二阶段深度学习模型进行参数优化，获得完成一轮训练的时空过程深度学习模型； S5：重复步骤S2至S4进行迭代训练，满足预设条件后获得训练好的时空过程深度学习模型； S6：通过敏感性分析调节训练好的时空过程深度学习模型的敏感性，调节完成后获得最终的时空过程深度学习模型，通过最终的时空过程深度学习模型获得时空过程模拟结果。

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中国地质大学(武汉)，其通讯地址为：430000 湖北省武汉市洪山区鲁磨路388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。