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！

龙图腾网恭喜福建中锐网络股份有限公司申请的专利基于深度学习网状流域淹没模型的水位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：CN115186879B 。

龙图腾网通过国家知识产权局官网在2025-04-29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：202210716702.4，技术领域涉及：G06Q10/04；该发明授权基于深度学习网状流域淹没模型的水位预测方法是由马森标;黄正鹏;徐飞;陈友武;黄祖海设计研发完成，并于2022-06-23向国家知识产权局提交的专利申请。

本基于深度学习网状流域淹没模型的水位预测方法在说明书摘要公布了：本发明涉及一种基于深度学习网状流域淹没模型的水位预测方法，包括以下步骤：步骤S1:获取流域内每个测点的雨水情数据，并预处理；步骤S2:对预处理后的雨水情数据，进行特征提取和叠加操作；步骤S3:根据提取、叠加后的特征，基于LSTM模型进行训练拟合；步骤S4:使用PSO搜索步骤S3训练后LSTM模型的最优参数,得到基于深度学习网状流域淹没模型；步骤S5:基于深度学习网状流域淹没模型，进行流域水位预测。本发明可以实现不同测点监测数据的继承，有效避免重复计算导致的算力资源浪费，提高预测效率。

本发明授权基于深度学习网状流域淹没模型的水位预测方法在权利要求书中公布了：1.一种基于深度学习网状流域淹没模型的水位预测方法，其特征在于，包括以下步骤：步骤S1:获取流域内每个测点的雨水情数据，并预处理；所述雨水情数据包括的雨量、水位数据，水库测点则额外包含泄洪量数据；步骤S2:对预处理后的雨水情数据，进行特征提取和叠加操作，具体为：步骤S21:选取流域上游测点的数据作为初始输入，使用conv1D对输入进行卷积，提取输入层的信息，再使用全连接层将卷积层输出映射到更高维的空间，该全连接层有两个输出方向：一个向下输入到模型中进行训练,另一个横向叠加给下一个输入；步骤S22:按照流域空间上下游关系逐步输入测点数据，每次输入一个测点的雨量、水位数据，同步骤S21使用conv1D提取输入信息，经过全连接层映射到高维空间，全连接层计算公式如下： 其中，Dj为第j个输出，fx为激活函数，Wji为第j个输出的第i个输入权值参数，xi为第i个输入，εj为第j个输出的偏置参数，n为输入的总数；使用Merge层合并上一个测点的全连接层输出，Merge层的输出仍为两个方向：一个输入到LSTM层中获取长短时信息,另一个叠加给下一个输入；特征叠加过程如下： 式中，分别为输入的Xi，Gi数据集进行卷积后全连接数据矩阵向量，其中为传感器新增特征或数据进行卷积全连接后的数据矩阵向量；步骤S3:根据提取、叠加后的特征，基于LSTM模型进行训练拟合；步骤S4:使用PSO搜索步骤S3训练后LSTM模型的最优参数,得到基于深度学习网状流域淹没模型，具体为：使用粒子群优化算法对这五个超参数进行寻优，其中，每增加一个水位预测点，LSTM层与Dropout层个数将分别+1，所以最终模型寻优的超参数个数为3+2n个，其中n为水位预测点个数；将MSE构造为PSO的目标函数，当预测点个数大于1时，水位预测模型的MSE有多组，取多组MSE的均值作为目标函数，或根据预测点的重要度进行评价指标的权重分配，权重构造方式及其在粒子群中的迭代方式如公式所示： 式中，WX为PSO寻参的最佳模型超参数组合，其中寻优超参数包括每个模型的窗口宽度、LSTM层神经元个数、Dropout率，学习率、batchsize五个超参数，wi为每个模型的MSE的权重，MSEi为第i个模型的MSE；根据粒子群寻到的最优参数组合，得到基于深度学习网状流域淹没模型；步骤S5:基于深度学习网状流域淹没模型，进行流域水位预测。

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福建中锐网络股份有限公司，其通讯地址为：350108 福建省福州市闽侯县福州大学国家大学科技园8号楼5层；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”。