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！

龙图腾网获悉江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心)申请的专利一种枯水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：CN120806266B 。

龙图腾网通过国家知识产权局官网在2026-03-20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：202510978665.8，技术领域涉及：G06Q10/04；该发明授权一种枯水预测方法是由李港;郑勇;刘章君;李扬;王柔曼;李艳红;张静文;彭宁彦;鄢笑宇;刘鑫;温天福设计研发完成，并于2025-07-16向国家知识产权局提交的专利申请。

本一种枯水预测方法在说明书摘要公布了：本发明公开了一种枯水预测方法，属于水文预报技术领域，其技术要点是：包括以下步骤：收集河流水文站点的水位数据及其控制流域的降雨量数据，确定枯水样本。进行数据训练集、验证集和测试集划分与设计。基于训练集对于预测模型超参数采用改进shampoo算法进行第一步优化调整，使得模型能够较好预测训练集上的样本；基于构造验证集不同类型水位样本，采用元学习算法，在第一步基础上对模型的超参数继续优化调整，使得模型能够同时较好的预测普通水位和极端枯水水位；最后，基于网格搜索算法，进行模型冻结网络层数比例的寻优，获得最优冻结层数；基于验证集的设计和上述三重步骤的参数优化和调整，可以使得模型对于枯水的预测能力提到显著提升。

本发明授权一种枯水预测方法在权利要求书中公布了：1.一种枯水预测方法，其特征在于，包括以下步骤： 步骤S1：收集河流水文站点的水位数据作为预测目标变量，收集该站点控制流域的降雨量数据作为协变量，并以低于10%百分位的降雨量作为基准来确定枯水样本；将收集的所有水位样本划分为训练集、验证集和测试集，其中训练集占所有数据样本的比例较大，验证集包含较大比例的枯水样本； 步骤S2：模型超参数双重优化，首先，基于训练集样本对模型不同类型超参数采用改进shampoo算法进行第一步优化，获取各类超参数针对训练集的初步优化取值；进一步的，基于验证集中不同类型的样本采用元学习来进一步优化每个超参数的取值，动态调整每个超参数对于验证集中不同类型样本的权重； 步骤S3：以一定的比例冻结步骤S2中训练好的预测模型前面几层网络层，对最后几层网络进行第三次参数微调，仅针对枯水样本对模型进行重新训练；经过训练集、验证集以及网络层三重优化调整后确定模型超参数，在测试集上进行水位预测； 其中，所述步骤S1中河流水文站的水位数据和该站点控制流域的降雨量数据均为逐日观测数据，训练集、验证集和测试集划分时，其中训练集中共有N个水位样本，包括P个枯水样本和Q个普通水位样本，数量关系表现为,该训练集用于常规的参数调整，通过计算预测模型在训练期的预测值和实测值的误差来调整优化模型超参数，使得模型的预测精度在能够较好匹配训练集中的水位样本；此外，设计一个验证集，验证集中共有M个水位样本，包括M1个枯水样本和M2个普通样本，数量关系表现为,M1+M2=M，通过模型对验证集中枯水水位样本和其他水位样本的预测误差，来进一步优化调整模型参数，使得模型能够同时较好的满足不同类型水位样本的预测；测试集中共有S个样本，包含K个枯水样本，和L个正常水位样本，数量关系表现为KLS且L+K=S；表示每个样本集中的第i个降雨量样本，表示每个样本集中的第i个水位样本； 所述步骤S2中基于训练集进行预测模型训练时，预测模型表示为，是一个参数集合，主要包括网络层数、每层网络的神经元个数、学习率、丢弃率、迭代轮数、批大小参数，表示预测误差，采用损失函数来衡量训练集上的损失，损失函数如式1所示： 1 式中，是水位预测值，是水位实测值，N为训练期样本数量，因为预测模型在训练时需要使得在训练期的预测值接近，即使得较小，因此该过程表述为模型被训练来寻求第一步在训练集上最优的，表示为式2： 2 式中，； 在第一步寻求参数在训练集上优化取值时，采用了改进的shampoo算法进行第一次参数寻优，改进的shampoo算法寻优具体步骤如下： 首先初始化模型参数，并计算当前梯度矩阵G，计算公式如式3所示： 3 进一步的，使用左协方差矩阵L和右协方差矩阵R来近似Hessian矩阵的逆，并迭代更新，L和R的更新过程如式4和式5所示： 4 5 式中，G为当前梯度矩阵；为二阶动量参数； 进一步的，进行参数更新计算，在该步骤，改进的shampoo算法不再采用历史协方差矩阵的特征值归一化，而是对当前梯度在协方差矩阵特征向量基下进行元素符号归一化，即仅保留梯度方向信息，提升数值稳定性，即参数矩阵的更新过程由shampoo算法的参数矩阵式7更新为改进shampoo算法的参数矩阵式8； 7 8 式中，L,R分别为左右协方差矩阵；,分别为L,R的特征向量；和分别为L,R的特征值对角真；G为当前梯度矩阵；为元素符号函数； 进一步的，进行参数的最后更新，在该步骤，shampoo算法更新过程表示为式9： 9 式中，为学习率； 在采用改进shampoo算法后，最后的参数更新步骤过程表示为式10： 10 式中，为滑动平均系数； 经过多步更新迭代后，最终更新为训练集约束下的最优参数取值。

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江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心)，其通讯地址为：330029 江西省南昌市青山湖区北京东路1038号江西省水利科学院；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。