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)申请的专利一种时空过程深度学习模型实时流数据增量学习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：CN116011527B 。

龙图腾网通过国家知识产权局官网在2026-02-17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：202310037734.6，技术领域涉及：G06F16/29；该发明授权一种时空过程深度学习模型实时流数据增量学习方法是由陈泽强;李嘉舜;陈能成设计研发完成，并于2023-01-10向国家知识产权局提交的专利申请。

本一种时空过程深度学习模型实时流数据增量学习方法在说明书摘要公布了：本发明公开了一种时空过程深度学习模型实时流数据增量学习方法，包括准备一段历史时期的径流数据和降雨数据，获得数据流；将数据流输入时空过程深度学习模型进行定期训练，得到模型参数；将历史数据和实时数据合并后进行周期性切片得到多个子数据集，计算子数据集与全部数据的分布参数差值和时序相似性度量差值得到回放分数并排序；选取回放分数高的子数据集作为回放数据进行增量训练，增量训练过程中计算参数重要性，为时空过程深度学习模型训练损失施加正则化约束并调整所述模型的超参数；得到使用时空过程深度学习模型实时流数据增量学习方法的训练结果。本发明适用不同时空过程深度学习模型，且训练效率提升明显的情况下准确率损失较低。

本发明授权一种时空过程深度学习模型实时流数据增量学习方法在权利要求书中公布了：1.一种时空过程深度学习模型实时流数据增量学习方法，其特征在于，包括以下步骤： S1、准备一段历史时期的径流数据和降雨数据，获得数据流；构建时空过程深度学习模型，将所述数据流输入时空过程深度学习模型进行定期训练，得到模型参数，其中，已经处理好并在时空过程深度学习模型中训练完的数据称为历史数据，此时刻需要被训练的增量数据称为实时数据； S2、将历史数据和实时数据合并后进行周期性切片得到多个子数据集，计算子数据集与全部数据的分布参数差值和时序相似性度量差值得到回放分数并排序； S3、选取回放分数高的子数据集作为回放数据进行增量训练，增量训练过程中计算参数重要性，为时空过程深度学习模型训练损失施加正则化约束并调整所述模型的超参数； S4、得到使用时空过程深度学习模型实时流数据增量学习方法的训练结果； 步骤S2具体为： S21、将增量数据和历史数据合并后分析总体数据偏态分布的偏离程度，以及时序周期性，偏离程度指标选用某一子时序数据数据集对于其他各子数据集的三阶矩和四阶矩，计算公式如下： 其中，表示数据集X的三阶中心矩，表示数据集X的四阶中心矩，n表示数据个数，xi表示数据集X的第i个数据，表示数据集X的均值，S表示数据集X的标准差； S22、将总体数据按时序周期性切片分为多个子数据集，计算子数据集与全部数据集高阶矩指标指标的差值； S23、计算子数据集间时序相似性度量指标，相似性指标选用标准化欧式距离，计算公式如下： 其中，表示a，b数据集间的标准化欧式距离；分别表示a，b数据集第j维度的第i个分量；p，n分别表示a，b数据集维度及其分量总数； S24、确定合适权重综合考虑分布偏离程度和相似性度量指标，生成每个子数据集的回放分数，计算公式如下： 其中，表示回放分数，表示权重系数，表示子数据集与整体数据集的偏度差值，表示子数据集与整体数据集的峰度差值； S25、选出得分最高的目标量级的子数据集作为回放数据。

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。