買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜江西省科學(xué)院微生物研究所(江西省流域生態(tài)研究所)申請的專利基于VMD-CEEDMAN的多模式日徑流量預(yù)測方法及系統(tǒng)獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN119273182B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-04-18發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202411315767.3，技術(shù)領(lǐng)域涉及：G06Q10/0637；該發(fā)明授權(quán)基于VMD-CEEDMAN的多模式日徑流量預(yù)測方法及系統(tǒng)是由姚忠;辛攀;游海林;鄧覓;朱林;辛在軍設(shè)計研發(fā)完成，并于2024-09-20向國家知識產(chǎn)權(quán)局提交的專利申請。

本基于VMD-CEEDMAN的多模式日徑流量預(yù)測方法及系統(tǒng)在說明書摘要公布了：本發(fā)明涉及水徑流量預(yù)測技術(shù)領(lǐng)域，具體公開了基于VMD?CEEDMAN的多模式日徑流量預(yù)測方法及系統(tǒng)，針對日徑流量具有的周期性和隨機性的特點，首先采用VMD和CEEMDAN分別對歷史徑流量、水位數(shù)據(jù)進行分解，提取不同頻段的信息，降低原始數(shù)據(jù)序列的復(fù)雜度，發(fā)揮不同分解算法的優(yōu)勢，更完整地突顯波動趨勢；然后將分解后的日徑流量數(shù)據(jù)劃分為平穩(wěn)序列和非平穩(wěn)序列，所述平穩(wěn)序列包括中低頻序列和高頻序列；針對不同的序列采取不同的預(yù)測模型；最后，將不同子序列的預(yù)測結(jié)果進行重構(gòu)，獲得日徑流量預(yù)測結(jié)果。

本發(fā)明授權(quán)基于VMD-CEEDMAN的多模式日徑流量預(yù)測方法及系統(tǒng)在權(quán)利要求書中公布了：1.基于VMD-CEEDMAN的多模式日徑流量預(yù)測方法，其特征在于，包括以下步驟：步驟S1：采集歷史數(shù)據(jù)，所述歷史數(shù)據(jù)包括日徑流量數(shù)據(jù)和水位數(shù)據(jù)；對所述歷史數(shù)據(jù)進行預(yù)處理和時間排序，得到完整的歷史時間序列數(shù)據(jù)；步驟S2：對所述日徑流量數(shù)據(jù)進行VMD分解，得到若干不同頻率的子模態(tài)分量；根據(jù)預(yù)設(shè)的顯著性水平閾值對所述子模態(tài)分量進行平穩(wěn)性判定，將所述子模態(tài)分量劃分為平穩(wěn)子模態(tài)分量和非平穩(wěn)子模態(tài)分量，并將所述平穩(wěn)子模態(tài)分量劃分為中低頻分量和高頻分量；在所述水位數(shù)據(jù)中選取出與所述日徑流量數(shù)據(jù)對應(yīng)的水位數(shù)據(jù)，記為相關(guān)水位數(shù)據(jù)；對所述相關(guān)水位數(shù)據(jù)進行CEEDMAN分解，得到若干模態(tài)分量，并將所述模態(tài)分量劃分為趨勢分量和細節(jié)分量；步驟S3：獲取所述趨勢分量、細節(jié)分量和非平穩(wěn)子模態(tài)分量，均記為非平穩(wěn)分量；利用隨機森林算法分割出所述非平穩(wěn)分量的全部特征，并獲取各特征的平均重要性得分Impave，所述平均重要性得分為不純度減少量的平均值；設(shè)定不純度閾值I，選取出Impave＜I的特征，記為重點特征；步驟S4：根據(jù)所述重點特征及其對應(yīng)的歷史數(shù)據(jù)，得到非平穩(wěn)輸入序列；根據(jù)所述中低頻分量對應(yīng)的日徑流量數(shù)據(jù)，得到的中低頻輸入序列，并根據(jù)所述高頻分量對應(yīng)的日徑流量數(shù)據(jù)得到的高頻輸入序列；對所述非平穩(wěn)輸入序列、中低頻輸入序列和高頻輸入序列分別進行歸一化操作，得到非平穩(wěn)輸入矩陣、中低頻輸入矩陣和高頻輸入矩陣；步驟S5：建立自注意力機制的BiGRU神經(jīng)網(wǎng)絡(luò)，將所述非平穩(wěn)輸入矩陣輸入至BiGRU神經(jīng)網(wǎng)絡(luò)進行多特征預(yù)測；將所述中低頻輸入序列輸入至BiLSTM神經(jīng)網(wǎng)絡(luò)進行單特征預(yù)測，將所述高頻輸入序列輸入至TCN+BiLSTM混合網(wǎng)絡(luò)進行單特征預(yù)測；獲取多特征預(yù)測和單特征預(yù)測的預(yù)測結(jié)果，記為子模態(tài)分量值；將各子模態(tài)分量值進行累加后重構(gòu)，得到日徑流量預(yù)測結(jié)果；在步驟S2中，對所述子模態(tài)分量進行平穩(wěn)性判定的過程包括：所述顯著性水平閾值Ht=0.05；所述平穩(wěn)性判定基于ADF檢驗法，假設(shè)所述子模態(tài)分量存在單位根，通過ADF檢驗獲得子模態(tài)分量的統(tǒng)計量Sta和P值；若子模態(tài)分量的P值≤Ht，則在預(yù)設(shè)的顯著性水平閾值下所述子模態(tài)分量不存在單位根，即為平穩(wěn)子模態(tài)分量；若子模態(tài)分量的P值＞Ht，則在預(yù)設(shè)的顯著性水平閾值下所述子模態(tài)分量存在單位根，即為非平穩(wěn)子模態(tài)分量；在步驟S4中，所述歸一化操作的過程包括：設(shè)定歸一范圍閾值[-1,1]；將所述非平穩(wěn)輸入序列、中低頻輸入序列和高頻輸入序列均記為待歸一矩陣array；則對所述待歸一矩陣進行歸一化操作的過程為： ；其中array′為歸一化操作后的值，minarray為待歸一矩陣中的最小值，maxarray為待歸一矩陣中的最大值。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人江西省科學(xué)院微生物研究所(江西省流域生態(tài)研究所)，其通訊地址為：330096 江西省南昌市昌東大道7777號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。