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！

龙图腾网获悉大连理工大学申请的专利一种基于预训练-微调的降水径流时间序列模拟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：CN121434996B 。

龙图腾网通过国家知识产权局官网在2026-03-24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：202512015085.1，技术领域涉及：G06F18/243；该发明授权一种基于预训练-微调的降水径流时间序列模拟方法是由张弛;曹一宁设计研发完成，并于2025-12-30向国家知识产权局提交的专利申请。

本一种基于预训练-微调的降水径流时间序列模拟方法在说明书摘要公布了：本发明提供一种基于预训练‑微调的降水径流时间序列模拟方法，属于水文模拟领域。首先，获取用于全球多流域预训练与目标流域微调的一致性水文气象数据集，构建LSTM径流预测模型，进行全球多流域预训练得到基座模型参数权重，将基座模型参数权重迁移至目标流域并冻结LSTM网络层参数仅微调回归输出层，以及在目标流域进行测试评估。本发明先在全球多流域大样本上学习可迁移的水文响应，再在目标流域进行轻量级微调，能够有效提升数据稀缺区域的预测精度与跨区域泛化能力，便于快速部署。

本发明授权一种基于预训练-微调的降水径流时间序列模拟方法在权利要求书中公布了：1.一种基于预训练-微调的降水径流时间序列模拟方法，其特征在于，所述降水径流时间序列模拟方法包括以下步骤： 步骤1，构建用于全球多流域预训练与目标流域微调的一致性水文气象数据集； 基于用途标记，对一致性水文气象数据集进行划分，并按流域标识符索引组织，得到全球多流域数据集与目标流域数据集；其中，全球多流域数据集由用途标记为预训练流域的流域样本构成，目标流域数据集由用途标记为目标流域的流域样本构成；具体的： 步骤1.1，获取全球范围内覆盖多个水文气候区的多个流域的径流观测时间序列及其对应的流域多边形；并获取目标流域的径流观测时间序列及其对应的流域多边形；定义为全部流域标识符集合，，表示任一流域的流域标识符，并基于流域标识符建立流域多边形与径流观测时间序列的一一对应关系；为每一流域根据其数据用途标记为预训练流域或目标流域；且预训练流域与目标流域的全部流域标识符集合相互独立； 步骤1.2，从静态栅格产品中提取静态流域属性；基于步骤1.1得到的流域多边形，在统一投影坐标系下，对静态栅格数据按流域多边形进行面积加权分区统计，得到各流域的流域尺度静态流域属性变量的统计值；其中，统计值包括加权平均统计值与加权求和统计值； 设任一流域多边形为，设与存在空间重叠且取值有效的栅格单元集合为，定义所述栅格单元与流域多边形的重叠面积为： 1 并定义栅格单元覆盖分数为： 2 其中，表示面积算子；为流域多边形面积；为栅格单元索引； 设静态流域属性变量集合为，其中为正整数，为静态流域属性变量索引，表示第个静态流域属性变量；栅格单元在第个静态流域属性变量的取值记为； 步骤1.3，从气象栅格产品中提取平均动态气象驱动时间序列；基于步骤1.1确定的流域标识符及对应的流域多边形，在统一投影坐标系依据各栅格单元与流域多边形的重叠面积对栅格单元取值进行加权分区统计；具体的： 设任一流域多边形为，设与流域多边形存在空间重叠且取值有效的栅格单元集合为；设动态气象驱动变量集合为，其中为不小于2的正整数，为变量索引，表示第个动态气象驱动变量；栅格单元在时间步的第个动态气象驱动变量取值记为；定义栅格单元与流域多边形的重叠面积如公式1所示，则在时间步，流域多边形对应的第个动态气象驱动变量的面积加权平均统计值为如公式5所示： 5 其中，为剔除缺测栅格单元后的有效集合；为栅格单元与流域多边形的重叠面积；为栅格单元在时间步的第个动态气象驱动变量取值； 对各时间步的按时间顺序排列并进行缺失值处理，得到对应的流域平均动态气象驱动时间序列；对的各动态气象驱动变量分别执行上述过程，并将所得时间序列汇集得到流域平均动态气象驱动时间序列集合； 步骤1.4，一致性水文气象数据集构建与划分：基于步骤1.2与步骤1.3，分别获得各流域的流域尺度静态流域属性集合以及流域平均动态气象驱动时间序列集合，并将流域平均动态气象驱动时间序列集合与步骤1.1获取的径流观测时间序列在统一时间基准下完成时区统一、按统一时间步进行时间对齐，结合单位统一与缺失值处理，形成以流域标识符为一级索引、以时间步为二级索引的样本数据，构成一致性水文气象数据集； 步骤2，基于步骤1得到的一致性水文气象数据集构建LSTM径流预测模型，所述LSTM径流预测模型针对任一流域标识符的样本上进行多流域联合训练并共享模型参数；具体的： 具体为： 步骤2.1，输入准备与特征拼接：针对任一流域标识符，将对应的静态流域属性集合进行标准化处理得到静态特征向量；将对应的流域平均动态气象驱动时间序列集合按时间步进行标准化处理，在每个时间步得到动态特征向量；在每个时间步，将在特征维度上进行拼接，作为输入LSTM径流预测模型的特征向量，如公式6所示： 6 其中，表示时间步输入LSTM径流预测模型的特征向量；表示在特征维度上的向量拼接运算；为时间步总数； 步骤2.2，构建LSTM径流预测模型：在深度学习框架中调用LSTM网络层模块实现LSTM径流预测模型；所述LSTM径流预测模型的LSTM网络层层数设置为，隐藏单元数设置为；在每个时间步，LSTM径流预测模型以特征向量以及上一时间步隐藏状态和细胞状态为输入，先分别计算遗忘门与输入门，并计算候选细胞状态；随后对细胞状态进行更新得到，再计算输出门、隐藏状态；所述隐藏状态作为时间步的时序表示，经过输出层得到时间步的径流模拟值；步骤3，全球多流域预训练： 将步骤1的全球多流域数据集输入步骤2构建的LSTM径流预测模型进行预训练；基于全球多流域数据集，按时间顺序将样本划分为训练集、验证集和测试集；在训练集中，以预设损失函数作为优化目标，采用预设优化算法对模型参数进行迭代更新；并在每轮训练后在验证集上计算评估指标以进行早停与模型选择；当满足早停条件时，即验证集损失在连续轮内不再下降时，停止训练，保存验证集评估指标最优时对应的模型参数权重，作为全球多流域预训练基座模型参数权重；随后在测试集上计算评估指标以验证全球多流域预训练基座模型的性能； 步骤4，目标流域迁移微调： 将步骤3得到的全球多流域预训练基座模型参数权重加载至步骤2构建的LSTM径流预测模型，作为目标流域微调的初始模型参数；基于步骤1得到的目标流域数据集输入LSTM径流预测模型进行目标流域微调训练；基于目标流域数据集，按时间顺序将样本划分为微调训练集、微调验证集、微调测试集；微调冻结LSTM径流预测模型中LSTM网络层参数，仅对回归输出层参数进行梯度更新； 步骤5，目标流域测试评估，在步骤4的微调测试集中，获取目标流域对应的静态流域属性集合以及平均动态气象驱动时间序列集合；按照标准化处理与特征拼接方式构造各时间步的特征向量，并将输入步骤4得到的目标流域微调后的LSTM径流预测模型中，生成时间步的径流模拟值；并分别计算评估指标评价目标流域微调后的LSTM径流预测模型在目标流域的预测性能。

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大连理工大学，其通讯地址为：116024 辽宁省大连市甘井子区凌工路2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。