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！

龍圖騰網獲悉桂林電子科技大學申請的專利一種基于圖神經網絡的深度學習模型GCN-GRU的水質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：CN119963367B 。

龍圖騰網通過國家知識產權局官網在2025-08-29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：202411968008.7，技術領域涉及：G06Q50/06；該發明授權一種基于圖神經網絡的深度學習模型GCN-GRU的水質預測方法是由沈世銘;許睿;文建輝;李建;張樂乾;向龍設計研發完成，并于2024-12-30向國家知識產權局提交的專利申請。

本一種基于圖神經網絡的深度學習模型GCN-GRU的水質預測方法在說明書摘要公布了：本發明提供一種基于圖神經網絡的深度學習模型GCN?GRU的水質預測方法，將監測站的分布與監測站之間的鄰接關系視為圖的節點與邊以構建圖結構，利用圖結構保留流域內監測站點的原始空間分布，能夠更準確地模擬污染物的傳輸過程，并顯著提高模型的解釋能力；通過引入圖卷積網絡和門控循環單元，以有效捕捉非網格結構數據中的空間信息和時間信息，接著，采用自注意力機制和全連接網絡，有效融合水質時間序列數據中的長期時空特征，其結合了GCN在空間建模方面的優勢和GRU在時序建模方面的能力，實現對空間關聯和時間依賴關系的全面捕捉，進而提高了水質預測結果的可靠性，為環境保護和污染防治提供了重要工具。

本發明授權一種基于圖神經網絡的深度學習模型GCN-GRU的水質預測方法在權利要求書中公布了：1.一種基于圖神經網絡的深度學習模型GCN-GRU的水質預測方法，其特征在于，包括以下步驟： S1，構建一動態水質預測模型，所述動態水質預測模型內部演化關系如式（1）所示： ； 式中，表示輸入；代表目標監測站的時空特征；代表目標監測站及其周圍監測站的時空特征；表示輸入時間戳；表示預測值；表示空間關系函數；表示時間關系函數；表示時空特征融合函數，函數、和為先驗未知函數； S2，數據采集與預處理：對污染物變量和水文氣象數據進行采集和預處理； S3，圖形的構建：將待預測區域內的監測站視為圖節點，相鄰監測站之間的距離信息視為圖的邊，污染物變量和水文氣象參數構成節點特征，形成具有圖結構的時序數據集； S4，構建一個編碼器解碼器網絡模型，所述編碼器解碼器網絡模型的編碼器由GCN和GRU組成，所述編碼器解碼器網絡模型的解碼器由自注意力機制和全連接網絡組成； S5，根據所述時序數據集和預設的損失函數，訓練所述編碼器解碼器網絡模型，從而獲得所述動態水質預測模型的空間關系、時間關系及時空特征融合函數； 在步驟S5中，對于訓練的每一次迭代過程，首先，使用所述編碼器GCN學習圖結構中的復雜空間關系，從而捕捉污染物的空間傳輸規律，同時采用GRU分析時序數據集中數據的時間依賴關系，從而捕捉空間信息和時間信息；然后，利用所述解碼器采用自注意力機制來分析空間信息和時間信息的相關性矩陣，從而融合時空特征，并通過全連接網絡自適應提取多個時間步下時空特征的關鍵信息，并對不同時間步的時空特征進行自適應調整，得到最終預測值，將預測值與標簽值比對并計算損失函數值，繼續迭代直至模型達到最優，即損失函數值最小，輸出空間關系、時間關系及時空特征融合函數； S6，將步驟S5獲得的空間關系、時間關系及時空特征融合函數帶入步驟S1的動態水質預測模型； S7，將從目標監測站實時獲取的污染物變量和水文氣象數據輸入步驟S6的動態水質預測模型模型中，經過運算后得到該目標監測站在未來預設時間段內的水質預測結果。

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桂林電子科技大學，其通訊地址為：541004 廣西壯族自治區桂林市七星區金雞路1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”。