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！

龙图腾网恭喜滁州学院申请的专利一种基于自适应时空融合网络的工厂车间多粒径粉尘浓度预测方法及系统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：CN119249348B 。

龙图腾网通过国家知识产权局官网在2025-05-13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：202411297116.6，技术领域涉及：G06F18/25；该发明授权一种基于自适应时空融合网络的工厂车间多粒径粉尘浓度预测方法及系统是由赵生慧;秦吉胜;计成超;彭涛设计研发完成，并于2024-09-18向国家知识产权局提交的专利申请。

本一种基于自适应时空融合网络的工厂车间多粒径粉尘浓度预测方法及系统在说明书摘要公布了：本发明涉及一种基于自适应时空融合网络的工厂车间多粒径粉尘浓度预测方法及系统，包括：对采集到的车间多粒径粉尘浓度数据进行预处理，通过图神经网络获取空间特征矩阵，利用多尺度卷积神经网络对时间序列数据进行多尺度特征提取，获取时间特征矩阵；通过自注意力机制将提取的空间特征矩阵和时间特征矩阵进行整合，输出融合时间和空间信息的特征矩阵，在多任务学习框架下，将不同粒径的粉尘浓度预测任务联合优化，基于整合的时空特征和多任务学习框架，模型输出每种粒径粉尘时间步长的预测值，并通过评估指标对预测结果进行评价。本发明适用于工厂车间复杂环境中的多粒径粉尘浓度预测，能够有效提高预测精度，具有一定的工业应用价值。

本发明授权一种基于自适应时空融合网络的工厂车间多粒径粉尘浓度预测方法及系统在权利要求书中公布了：1.一种基于自适应时空融合网络的工厂车间多粒径粉尘浓度预测方法，其特征在于，包括以下步骤：S1、对采集到的车间多粒径粉尘浓度数据进行预处理，其输出为处理后的时间序列数据X，确保数据质量；S2、通过图神经网络对粉尘粒径数据之间的空间关联性进行建模，捕捉不同粒径之间的空间关系，获取空间特征矩阵H；S21、基于处理后的时间序列数据X，构建表示多种不同粒径粉尘数据之间空间关联性的邻接矩阵A，邻接矩阵A的元素定义为： 其中，xi和xj分别表示粒径i和j的数据特征，σ为标准差；S22、通过图神经网络GNN构建空间关系模型，使用邻接矩阵A∈R4×4进行节点特征更新，节点特征矩阵表示为Hl∈R4×d，更新公式为：Hl+1＝σAHlWl+b；其中，Wl∈Rd×d为第l层的权重矩阵，σ·为激活函数，b为偏置项；S23、通过多次迭代的图卷积操作，节点特征矩阵Hl逐步更新，最终得到表示每种粒径粉尘在各时间步长的空间特征矩阵H；S3、利用多尺度卷积神经网络对时间序列数据X进行多尺度特征提取，捕捉不同时间尺度下的趋势和变化，获取时间特征矩阵F；S31、使用多尺度卷积神经网络MSCNN提取时间序列特征，定义不同尺度的卷积核在不同时间窗口k＝3,5,7上进行卷积操作，提取短期、中期和长期的时间序列特征，定义卷积操作为：Fi＝ReLUX*Ki+bi；其中，Fi为多尺度特征图，ki为第i个卷积核的大小，bi为偏置，ReLU·为激活函数；S32、将多尺度的特征图Fi进行拼接融合，形成最终的时间序列特征矩阵F，操作如下所示：F＝ConcatF1,F2,…,Fi；其中，Concat表示特征拼接操作；S4、通过自注意力机制将提取到的空间特征矩阵H和时间特征矩阵F进行整合，最终输出融合时间和空间信息的特征矩阵Z，从而提升模型的全局依赖捕捉能力；S41、引入自注意力机制，通过计算全局依赖关系来整合空间特征矩阵H和时间特征矩阵F，自注意力机制的计算公式为： 其中，Q，K，V分别表示查询矩阵、键矩阵和值矩阵，dk为键的维度；S42、利用Transformer中的多头注意力机制时空特征融合，将空间特征矩阵H和时间特征矩阵F统一投影到Q，K，V中，对于每个头headi，计算自注意力： 其中，为可训练参数矩阵；S43、将所有头headi的输出拼接，捕捉全局依赖关系，最终输出融合时间和空间信息的特征矩阵Z，多头注意力计算公式为：Z＝MultiHeadQ,K,V＝Concathead1,…,headhWO；其中，h是头的数量，WO是输出权重矩阵；S5、在多任务学习框架下，将不同粒径的粉尘浓度预测任务联合优化，提升整体预测精度；S6、基于整合的时空特征Z和多任务学习框架，模型输出每种粒径粉尘在未来时间步长的预测值并通过评估指标对预测结果进行评价，确保模型的准确性和稳定性。

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滁州学院，其通讯地址为：239000 安徽省滁州市会峰西路1号(会峰校区)；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”。