Document
拖动滑块完成拼图
个人中心

预订订单
商城订单
发布专利 发布成果 人才入驻 发布商标 发布需求

请提出您的宝贵建议,有机会获取IP积分或其他奖励

投诉建议

在线咨询

联系我们

龙图腾公众号
专利交易 积分商城 国际服务 IP管家助手 科技果 科技人才 商标交易 会员权益 需求市场 关于龙图腾 更多
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 宜宾职业技术学院;宜宾嘉博智能科技有限公司刘铭煊获国家专利权

宜宾职业技术学院;宜宾嘉博智能科技有限公司刘铭煊获国家专利权

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!

龙图腾网获悉宜宾职业技术学院;宜宾嘉博智能科技有限公司申请的专利一种基于TCN-Attention-EWT的不确定性滑坡位移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:CN121327487B

龙图腾网通过国家知识产权局官网在2026-03-17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:202511894281.4,技术领域涉及:G06F18/2131;该发明授权一种基于TCN-Attention-EWT的不确定性滑坡位移预测方法是由刘铭煊;唐宇峰;代云中;吴明蓉;屈朝阳;严才秀;肖瑞瑞;唐博;付裕多设计研发完成,并于2025-12-16向国家知识产权局提交的专利申请。

一种基于TCN-Attention-EWT的不确定性滑坡位移预测方法在说明书摘要公布了:本发明公开了一种基于TCN‑Attention‑EWT的不确定性滑坡位移预测方法,属于地质灾害智能预测领域。其内容包括:获取边坡历史监测数据并进行归一化;构建GRU确定性预测模型进行位移预测并生成误差序列;采用TCN‑Attention‑EWT联合方法将误差序列分解为低频系统误差和高频随机误差;分别建立具有蒙特卡罗Dropout的GRU误差修正子模型,并基于信息理论计算低频系统误差与高频随机误差修正量的概率分布动态融合权重;将确定性预测值与两项修正量的概率分布融合,通过反归一化得到最终位移预测均值及预测区间。本发明实现了滑坡位移的高精度预测与不确定性量化,为滑坡预警提供可靠技术支撑。

本发明授权一种基于TCN-Attention-EWT的不确定性滑坡位移预测方法在权利要求书中公布了:1.一种基于TCN-Attention-EWT的不确定性滑坡位移预测方法,其特征在于,包括以下步骤: S1:获取边坡的历史监测数据,所述历史监测数据至少包括位移数据,并对数据进行归一化预处理; S2:构建基于门控循环单元的确定性预测模型,以滑动窗口方法进行位移预测,得到确定性位移预测序列,并计算确定性预测序列与真实位移序列之间的误差序列; S3:基于TCN-Attention-EWT联合方法对所述误差序列进行分解与重构,将所述误差序列分离为低频系统误差序列和高频随机误差序列; S4:分别针对所述低频系统误差序列和高频随机误差序列,建立具有蒙特卡罗Dropout机制的低频系统误差门控循环单元误差修正子模型、高频随机误差门控循环单元误差修正子模型; S5:当获取到最新的监测数据后,基于滑动时间窗口机制截取最新滑动窗口的数据,依次经步骤S1的预处理和步骤S2的确定性预测模型,得到确定性位移预测值及当前误差序列; S6:应用步骤S3的所述联合方法,将当前误差序列分解为低频系统误差和高频随机误差; S7:将分解得到的低频系统误差和高频随机误差分别输入至步骤S4中训练好的低频系统误差和高频随机误差修正子模型,通过蒙特卡罗Dropout采样,得到低频系统误差修正量和高频随机误差修正量的概率分布; S8:基于低频系统误差和高频随机误差修正量的概率分布,通过不确定性度量和相对重要性评估,计算低频系统误差和高频随机误差修正量的均值μt和μn,低频系统误差和高频随机误差修正量的标准差σt和σn,以及低频系统误差与高频随机误差的动态融合权重Wq和Wz; S9:结合所述确定性位移预测值、低频系统误差和高频随机误差修正量的概率分布及动态融合权重,融合得到位移预测均值及预测区间; S10:将位移预测均值及预测区间,利用S1中归一化过程的参数进行反归一化处理,还原为具有实际物理意义的最终位移预测值及预测区间; 所述步骤S3中,所述TCN-Attention-EWT联合方法,具体步骤为: S31:将所述误差序列输入到时序卷积网络,提取其高维时序特征;所述时序卷积网络包括至少三层因果卷积层,其膨胀因子随层数指数增长; S32:利用缩放点积注意力机制对所述时序特征进行加权,得到聚焦于关键时序点的加权特征序列;其中,所述注意力机制的查询向量、键向量和值向量均由所述高维时序特征通过线性变换得到; S33:对所述加权特征序列进行傅里叶变换得到其频谱,通过识别频谱的局部极大值点来自适应确定经验小波变换的频谱分割边界; S34:基于所确定的频谱分割边界,通过经验小波变换将所述加权特征序列分解为多个模态分量; S35:计算各模态分量与所述误差序列的相关系数,将相关系数高于设定阈值的模态分量求和并重构为低频系统误差序列,其余重构为高频随机误差序列;其中,所述设定阈值为所有模态分量与误差序列相关系数的平均值。

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宜宾职业技术学院;宜宾嘉博智能科技有限公司,其通讯地址为:644000 四川省宜宾市翠屏区西郊街道新村74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。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。