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！

龙图腾网获悉四川大学申请的专利一种基于长期短期组件神经网络(LSTCNet)的日径流预测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：CN119990186B 。

龙图腾网通过国家知识产权局官网在2026-03-06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：202311498823.7，技术领域涉及：G06N3/0442；该发明授权一种基于长期短期组件神经网络(LSTCNet)的日径流预测方法是由严华;张金玉;张文昭设计研发完成，并于2023-11-13向国家知识产权局提交的专利申请。

本一种基于长期短期组件神经网络(LSTCNet)的日径流预测方法在说明书摘要公布了：本发明公布了一种基于长期短期组件神经网络LSTCNet模型的日径流预测方法。LSTCNet利用卷积层的优势来提取特征，长期组件中引入一种注意机制AM来在长期数据的所有时间步长中自动选择相对时间，短期组件则利用多层残差结构融合短期数据中的多层次特征，有效提高了模型的性能。此外，将传统的AR模型作为线性神经网络部分，以增强对变量间线性依赖关系的学习，并修改输出预测值。实验结果表明，本发明方法在日径流预测方面具有良好的性能，长期和短期组件可以在学习各自的数据中发挥作用，显示出集成模型的强度。

本发明授权一种基于长期短期组件神经网络(LSTCNet)的日径流预测方法在权利要求书中公布了：1.一种基于长期短期组件神经网络的日径流预测方法，其特征在于包括以下步骤： 1以一组日径流长期历史观测数据和一组日径流短期历史观测数据作为输入，分别将日径流长期历史观测数据输入到长期组件，日径流短期历史观测数据输入到非线性短期组件和线性组件； 2长期组件处理日径流长期历史观测数据：长期组件由卷积层、GRU层和注意力层构成；日径流长期历史观测数据输入到卷积层，用于提取时间分布的特征和变量之间的局部依赖关系；GRU层和注意力层结合，用于自动学习、提取特征，并根据特征的重要性分配不同的权值；长期组件处理日径流长期历史观测数据的具体实现细节如下： 输入记为，卷积层由个大小为的核组成，卷积层输出矩阵向量为是一个长度为的维向量序列，其中，代表时间步长；被输入到两个GRU层中n次，每个GRU层包含g个单元，循环分量的输出为，整个长期分量过程的输出为； 3短期组件处理日径流短期历史观测数据：短期组件利用由卷积层组成的残差结构RC层，以充分利用多层次的特征信息，从而实现多层次特征信息的融合；短期组件处理日径流短期历史观测数据的具体实现细节如下： 一个RC层包含两个函数和两个卷积层；每个卷积层包含个核，核大小为，其中前一个为时间维数，后一个为可变维数；RC层的输入经过激活函数后输入到卷积层，得到浅层特征矩阵，然后将输入下一个激活函数和卷积层，得到一个深度特征矩阵，最后通过对输入和深度特征矩阵进行相加，得到RC的输出；若有个RC层，则RCs最终输出为： 其中I的值根据具体情况确定，和为前一卷积层的可学习参数，和为后一卷积层的可学习参数，然后通过激活函数，将RCs的输出输入另一个卷积层，卷积层由个大小为的核组成，得到输出为，其通过一个全连接层FCL连接得到，即为短期组件的预测结果； 4线性组件处理日径流短期历史观测数据：线性组件采用自回归模型即AR模型，增强捕获变量之间的线性依赖关系的能力，并对非线性部分的预测值进行修正；设输入矩阵为，则AR模型表述如下： 其中，表示AR模型的输出，和为可学习参数，是t时间上该层的输入，q是输入窗尺寸，表示模型所需的过去信息的量； 5模型的最终预测来自于长期分量、短期分量和AR分量的输出之和，使用FCL来结合非线性部分长期组件和短期组件的输出，FCL的输出为： 其中和为FCL中的可学习参数，和分别是长期组件和短期组件预测的输出，表示模型的非线性输出，最后通过将非线性部分和线性部分的输出进行相加：，得到了该模型的最终日径流预测值，适用于水文调度与流量预报。

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四川大学，其通讯地址为：610065 四川省成都市武侯区一环路南一段24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。