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

龍圖騰網恭喜福建中銳網絡股份有限公司申請的專利基于深度學習網狀流域淹沒模型的水位預測方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN115186879B 。

龍圖騰網通過國家知識產權局官網在2025-04-29發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202210716702.4，技術領域涉及：G06Q10/04；該發明授權基于深度學習網狀流域淹沒模型的水位預測方法是由馬森標;黃正鵬;徐飛;陳友武;黃祖海設計研發完成，并于2022-06-23向國家知識產權局提交的專利申請。

本基于深度學習網狀流域淹沒模型的水位預測方法在說明書摘要公布了：本發明涉及一種基于深度學習網狀流域淹沒模型的水位預測方法，包括以下步驟：步驟S1:獲取流域內每個測點的雨水情數據，并預處理；步驟S2:對預處理后的雨水情數據，進行特征提取和疊加操作；步驟S3:根據提取、疊加后的特征，基于LSTM模型進行訓練擬合；步驟S4:使用PSO搜索步驟S3訓練后LSTM模型的最優參數,得到基于深度學習網狀流域淹沒模型；步驟S5:基于深度學習網狀流域淹沒模型，進行流域水位預測。本發明可以實現不同測點監測數據的繼承，有效避免重復計算導致的算力資源浪費，提高預測效率。

本發明授權基于深度學習網狀流域淹沒模型的水位預測方法在權利要求書中公布了：1.一種基于深度學習網狀流域淹沒模型的水位預測方法，其特征在于，包括以下步驟：步驟S1:獲取流域內每個測點的雨水情數據，并預處理；所述雨水情數據包括的雨量、水位數據，水庫測點則額外包含泄洪量數據；步驟S2:對預處理后的雨水情數據，進行特征提取和疊加操作，具體為：步驟S21:選取流域上游測點的數據作為初始輸入，使用conv1D對輸入進行卷積，提取輸入層的信息，再使用全連接層將卷積層輸出映射到更高維的空間，該全連接層有兩個輸出方向：一個向下輸入到模型中進行訓練,另一個橫向疊加給下一個輸入；步驟S22:按照流域空間上下游關系逐步輸入測點數據，每次輸入一個測點的雨量、水位數據，同步驟S21使用conv1D提取輸入信息，經過全連接層映射到高維空間，全連接層計算公式如下： 其中，Dj為第j個輸出，fx為激活函數，Wji為第j個輸出的第i個輸入權值參數，xi為第i個輸入，εj為第j個輸出的偏置參數，n為輸入的總數；使用Merge層合并上一個測點的全連接層輸出，Merge層的輸出仍為兩個方向：一個輸入到LSTM層中獲取長短時信息,另一個疊加給下一個輸入；特征疊加過程如下： 式中，分別為輸入的Xi，Gi數據集進行卷積后全連接數據矩陣向量，其中為傳感器新增特征或數據進行卷積全連接后的數據矩陣向量；步驟S3:根據提取、疊加后的特征，基于LSTM模型進行訓練擬合；步驟S4:使用PSO搜索步驟S3訓練后LSTM模型的最優參數,得到基于深度學習網狀流域淹沒模型，具體為：使用粒子群優化算法對這五個超參數進行尋優，其中，每增加一個水位預測點，LSTM層與Dropout層個數將分別+1，所以最終模型尋優的超參數個數為3+2n個，其中n為水位預測點個數；將MSE構造為PSO的目標函數，當預測點個數大于1時，水位預測模型的MSE有多組，取多組MSE的均值作為目標函數，或根據預測點的重要度進行評價指標的權重分配，權重構造方式及其在粒子群中的迭代方式如公式所示： 式中，WX為PSO尋參的最佳模型超參數組合，其中尋優超參數包括每個模型的窗口寬度、LSTM層神經元個數、Dropout率，學習率、batchsize五個超參數，wi為每個模型的MSE的權重，MSEi為第i個模型的MSE；根據粒子群尋到的最優參數組合，得到基于深度學習網狀流域淹沒模型；步驟S5:基于深度學習網狀流域淹沒模型，進行流域水位預測。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人福建中銳網絡股份有限公司，其通訊地址為：350108 福建省福州市閩侯縣福州大學國家大學科技園8號樓5層；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。