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！

龍圖騰網恭喜合肥工業大學申請的專利基于均值漂移聚類的WOA-QRLSTM水庫入庫流量概率性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：CN113935550B 。

龍圖騰網通過國家知識產權局官網在2025-05-30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：202111411218.2，技術領域涉及：G06Q10/04；該發明授權基于均值漂移聚類的WOA-QRLSTM水庫入庫流量概率性預測方法是由何耀耀;周京京;張婉瑩;朱創;劉玉婷;洪曉宇設計研發完成，并于2021-11-25向國家知識產權局提交的專利申請。

本基于均值漂移聚類的WOA-QRLSTM水庫入庫流量概率性預測方法在說明書摘要公布了：本發明公開了一種基于均值漂移聚類的WOA?QRLSTM水庫入庫流量概率性預測方法，包括：1對收集到的水庫入庫流量及其影響因子進行預處理；2對預處理后的數據集用均值漂移聚類算法對其進行聚類，并把數據劃分為訓練集和測試集；3將訓練集數據放入鯨魚算法優化的分位數回歸長短期神經網絡WOA?QRLSTM預測模型進行訓練，測試集數據放入訓練好的WOA?QRLSTM預測模型，得到不同分位點下水庫入庫流量預測值；4不同分位點下水庫入庫流量預測值通過核密度估計計算得到未來水庫入庫流量的概率密度。本發明能提高水庫入庫流量預測的準確性，從而為水庫運行調度提供有效水庫入庫流量預測信息。

本發明授權基于均值漂移聚類的WOA-QRLSTM水庫入庫流量概率性預測方法在權利要求書中公布了：1.一種基于均值漂移聚類和WOA-QRLSTM預測模型的水庫入庫流量概率預測方法，其特征是按如下步驟進行：步驟1、采集水庫入庫流量數據和影響水庫入庫流量的因子數據并進行預處理，得到處理后的數據集Dataset＝{[Wt,Gmt]|t＝1,2,...,T；m＝1,2,...,M}，其中，Wt表示第t日的水庫入庫流量；M表示水庫入庫流量的因子種類數，Gmt表示第m個影響因子在第t日的數值；T表示采集總天數；步驟2、以一定時間周期D為時間間隔，對預處理后的數據集Dataset進行劃分，得到I組樣本數據{Datagruopi|i＝1,2,...,I}，且I滿足[TD]，其中，Datagroupi表示第i組樣本數據，且Datagroupi＝[W′i,G′mi]，G′mi＝Gmd×i-1+1,Gmd×i-1+2,...,Gmd×iT為第i組樣本數據的第m個影響因子，Gmd×i表示在第d×i日的第m個影響因子，W′i＝Wd×i-1+1,Wd×i-1+2,...,Wd×iT為第i組樣本數據的水庫入庫流量，Wd×i表示在第d×i日的水庫入庫流量，i＝1,2,...,I；步驟3、將I組樣本數據{Datagruopi|i＝1,2,...,I}劃分為訓練集Train＝{Datagroupi|i＝1,2,...,p}和測試集Test＝{Datagroupi|i＝p+1,p+2,...,I}，則訓練集Train中含有p組樣本數據，測試集Test中含有I-p組樣本數據；使用均值漂移聚類分別對訓練集Train和測試集Test進行聚類，得到K類樣本數據，包括：K類訓練集樣本{Traink|k＝1,2,...,K}和K類測試集樣本{Testk|k＝1,2,...,K}；其中，表示第k類的訓練集，Ak為訓練集Train的p組樣本數據中屬于第k類訓練集Traink的樣本數據的序號集合，為第k類訓練集第i組樣本數據的第m個影響因子，表示在第d×i日的第m個影響因子，Wki＝Wkd×i-1+1,Wkd×i-1+2,...,Wkd×iT為第k類訓練集第i組樣本數據的水庫入庫流量，Wkd×i表示在第d×i日的水庫入庫流量；為第k類的測試集；Bk為測試集Test的I-p組樣本數據中屬于第k類測試集Testk的樣本數據的序號集合；步驟4、利用K類樣本數據對鯨魚算法優化的分位數回歸長短期神經網絡WOA-QRLSTM預測模型進行訓練和優化；步驟4.1、第k類訓練集Traink中第i組樣本數據的第t日的樣本數據Dataset′i＝{[W′it,G′i,mt]|t＝1,2,...,D；m＝1,2,...,M}，W′it表示第k類訓練集Traink中第i組樣本數據的第t日的水庫入庫流量，G′i,mt表示第k類訓練集Traink中第i組樣本數據第m個影響因子在第t日的數值；以第D天的水庫入庫流量W′iD作為第i組樣本數據的響應變量；以M個水庫入庫流量影響因子在第D天的數值{G′i,mD|m＝1,2,...,M}和第k類訓練集Traink中第i組樣本數據剩余的D-1個樣本數據Dataset″i＝{[W′it,G′i,mt]|t＝1,2,...,D-1；m＝1,2,...,M}共同作為第i組樣本數據的解釋變量，從而構建包含有M+D-1個解釋變量和一個響應變量的數據集，記作表示第k類訓練集Traink中第i組樣本數據的解釋變量；且是第k類訓練集Traink中的第i組樣本數據的第β個解釋變量，是第k類訓練集Traink中構建的第i組樣本數據的響應變量；步驟4.2、按照步驟4.1的過程，對第k類測試集Testk也構建出包括M+D-1個解釋變量和一個響應變量的數據集，記作其中，是第k類測試集Testk中構建的第i組樣本數據的解釋變量，是第k類測試集Testk中構建的第i組樣本數據的響應變量；步驟4.3、利用式1構建WOA-QRLSTM預測模型，并基于第k類訓練集Traink中構建的數據集對WOA-QRLSTM預測模型進行訓練，并不斷調整WOA-QRLSTM預測模型的權重和偏置，直到達到最大迭代次數，從而得到訓練好的WOA-QRLSTM預測模型； 式1中，代表第z個分位點，且z＝1,2,…,Z，Z為分位點的數量；N代表第k類訓練集Traink中樣本數據的組數；Uτz表示在第z個分位點下的權重參數矩陣集合；Vτz表示在第z個分位點下的連接偏置向量集合；步驟4.4、利用第k類測試集Testk中構建的數據集中的第i組樣本數據的解釋變量輸入最優WOA-QRLSTM預測模型中，從而得到K類測試集樣本{Testk|k＝1,2,...,K}中數據集分別在Z個分位點下的條件分位數其中，表示第k類測試集Testk第i組數據在第z個分位點下的條件分位數；步驟5、將Z個分位點下的條件分位數作為高斯核函數的輸入，利用式2計算得到第k類測試集Testk中的數據集中任意一天e的水庫入庫流量概率密度預測結果 式2中，h為窗寬，K·為高斯核函數。

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合肥工業大學，其通訊地址為：230009 安徽省合肥市包河區屯溪路193號；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”。