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！

龍圖騰網獲悉四川省環境政策研究與規劃院申請的專利一種基于機器學習的水質預測系統及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：CN120338611B 。

龍圖騰網通過國家知識產權局官網在2025-09-02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：202510788484.9，技術領域涉及：G06Q10/0639；該發明授權一種基于機器學習的水質預測系統及方法是由劉傳琨;胡玥;陳明揚;趙康平;陳啟華;汪洋;呂思璐;陳奕彤;王維設計研發完成，并于2025-06-13向國家知識產權局提交的專利申請。

本一種基于機器學習的水質預測系統及方法在說明書摘要公布了：本發明公開了一種基于機器學習的水質預測系統及方法，包括數據采集與預處理模塊，用于采集多源監測數據并進行預處理；教師模型模塊，用于構建神經常微分方程模型，作為教師模型，輸出目標水質指標的預測結果；學生模型模塊，用于構建輕量級神經網絡模型，作為學生模型，進行結構優化訓練；軌跡評估模塊，用于計算教師模型與學生模型的預測軌跡相似度，優化學生模型結構參數；模型推理模塊，用于調用優化后的學生模型生成目標水質指標的預測結果；結果輸出模塊，用于輸出預測結果，并提供展示和存儲接口。本發明通過融合神經常微分建模與軌跡相似蒸餾優化機制，實現了對水質時序數據的高精度、輕量化和可持續自適應預測。

本發明授權一種基于機器學習的水質預測系統及方法在權利要求書中公布了：1.一種基于機器學習的水質預測方法，其特征在于，包括如下步驟： S1、采集多個水質監測點的多源監測數據，多源監測數據中以目標水質指標作為真實標簽數據，對多源監測數據進行預處理，生成標準化的時間序列訓練數據集； S2、基于時間序列訓練數據集，構建并訓練神經常微分方程模型作為教師模型，輸出目標水質指標在各時間點的預測結果； S3、構建學生模型，所述學生模型為結構簡化的輕量級神經網絡，將時間序列訓練數據集輸入學生模型進行訓練； S4、將目標水質指標在各時間點的預測結果作為軟標簽輸入，同時引入真實標簽數據，通過構建基于學生模型與教師模型在時間維度預測軌跡之間相似度的優化機制，對學生模型的結構參數進行動態擾動與更新； S5、將優化后的學生模型投入實際水質預測運行中，實時接收采集到的最新水質時間序列數據，并輸出對應時間點的目標水質指標預測結果； S6、監控學生模型在部署運行過程中的預測誤差，當預測誤差超過設定閾值時，重新執行步驟S2至步驟S4，通過教師模型對學生模型進行增量蒸餾訓練，動態提升學生模型對突發水質變化的適應能力； 所述S3具體包括： S31、構建學生模型，所述學生模型為結構簡化的輕量級神經網絡，包含輸入層、時序建模層和輸出預測層，其中輸入層接收生成的時間序列訓練數據集； S32、在時序建模層中采用門控循環單元網絡結構，提取各時間步輸入特征的動態表示，并構建統一的隱藏狀態序列，用于表示每一時間段內的狀態演化軌跡； S33、在輸出預測層中設置參數可調的淺層全連接網絡模塊，接收隱藏狀態最終值并輸出每個目標水質指標的預測結果； S34、獲取教師模型在目標水質指標在各時間點的預測值作為軟標簽序列，與學生模型在各時間步的預測結果進行一一對應，計算在連續時間點上的誤差殘差序列，記作，其中，表示預測指標編號，表示時間步； S35、基于誤差殘差序列，構建可學習的殘差響應權重函數，刻畫學生模型對不同時間段誤差強度的響應敏感性，所述權重函數作為狀態更新門控參數之一，引導時序建模層在不同時間段采取不同學習步幅，是根據學生模型在每個時間步的預測誤差殘差而構建； S36、引入結構蒸餾門控機制，根據殘差響應權重函數對學生模型的狀態更新頻率進行動態調節，在高殘差時間段提高模型響應精度，在低殘差時間段自動抑制無效更新； S37、將生成的誤差殘差序列與殘差響應權重函數一并輸出至教師模型反饋接口，對教師模型演化路徑進行動態調控； S38、根據結構蒸餾門控機制與殘差響應權重函數，對學生模型的參數進行迭代更新，逐步增強對殘差信息的感知能力和對反饋控制輸入的適應能力，生成具備殘差響應特性與調控反饋能力的學生模型。

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四川省環境政策研究與規劃院，其通訊地址為：610093 四川省成都市高新區科園南路1號海特國際廣場2號樓402、403室；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”。