買(mǎi)專(zhuān)利賣(mài)專(zhuān)利找龍圖騰，真高效！ 查專(zhuān)利查商標(biāo)用IPTOP,全免費(fèi)！專(zhuān)利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉遼寧省人工影響天氣辦公室申請(qǐng)的專(zhuān)利基于深度學(xué)習(xí)和時(shí)空數(shù)據(jù)驅(qū)動(dòng)的云中過(guò)冷水含量預(yù)測(cè)方法獲國(guó)家發(fā)明授權(quán)專(zhuān)利權(quán)，本發(fā)明授權(quán)專(zhuān)利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN120255027B 。

龍圖騰網(wǎng)通過(guò)國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-09-02發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專(zhuān)利申請(qǐng)?zhí)?專(zhuān)利號(hào)為：202510733813.X，技術(shù)領(lǐng)域涉及：G01W1/10；該發(fā)明授權(quán)基于深度學(xué)習(xí)和時(shí)空數(shù)據(jù)驅(qū)動(dòng)的云中過(guò)冷水含量預(yù)測(cè)方法是由劉旸;張皓宇;房彬;張鐵凝;徐冰;孫欣設(shè)計(jì)研發(fā)完成，并于2025-06-04向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專(zhuān)利申請(qǐng)。

本基于深度學(xué)習(xí)和時(shí)空數(shù)據(jù)驅(qū)動(dòng)的云中過(guò)冷水含量預(yù)測(cè)方法在說(shuō)明書(shū)摘要公布了：本發(fā)明公開(kāi)了基于深度學(xué)習(xí)和時(shí)空數(shù)據(jù)驅(qū)動(dòng)的云中過(guò)冷水含量預(yù)測(cè)方法，包括獲取衛(wèi)星多通道輻射傳輸數(shù)據(jù)并進(jìn)行通道篩選和特征提取，獲取雷達(dá)反射率數(shù)據(jù)并進(jìn)行數(shù)據(jù)插補(bǔ)和特征提取，獲取地面自動(dòng)氣象站常規(guī)氣象資料并進(jìn)行特征提取，使用多頭注意力機(jī)制將上述特征進(jìn)行融合得到融合特征，建立深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型，預(yù)測(cè)未來(lái)時(shí)間段云中過(guò)冷水含量。該方法能夠更全面、更準(zhǔn)確地預(yù)測(cè)云中過(guò)冷水含量和分布情況，同時(shí)對(duì)于緩解水資源短缺、改善生態(tài)環(huán)境、保障低空經(jīng)濟(jì)安全具有重要的科學(xué)和實(shí)際意義。

本發(fā)明授權(quán)基于深度學(xué)習(xí)和時(shí)空數(shù)據(jù)驅(qū)動(dòng)的云中過(guò)冷水含量預(yù)測(cè)方法在權(quán)利要求書(shū)中公布了：1.基于深度學(xué)習(xí)和時(shí)空數(shù)據(jù)驅(qū)動(dòng)的云中過(guò)冷水含量預(yù)測(cè)方法，其特征在于，包括以下步驟： S1、獲取過(guò)去6小時(shí)衛(wèi)星多通道輻射數(shù)據(jù)，對(duì)所述多通道輻射數(shù)據(jù)進(jìn)行定標(biāo)、投影轉(zhuǎn)換和通道篩選，使用第一特征提取模型進(jìn)行特征提取獲得衛(wèi)星特征；所述多通道輻射數(shù)據(jù)維度包括樣本數(shù)、通道數(shù)、經(jīng)向格點(diǎn)數(shù)、緯向格點(diǎn)數(shù)和時(shí)間步長(zhǎng)； S2、獲取過(guò)去6小時(shí)雷達(dá)數(shù)據(jù)，使用第二特征提取模型進(jìn)行特征提取獲得雷達(dá)特征；所述雷達(dá)數(shù)據(jù)維度包括特征數(shù)、經(jīng)向格點(diǎn)數(shù)、緯向格點(diǎn)數(shù)和時(shí)間步長(zhǎng)； S3、獲取過(guò)去6小時(shí)地面自動(dòng)站觀測(cè)的常規(guī)氣象數(shù)據(jù)，使用第三特征提取模型進(jìn)行特征提取獲得常規(guī)氣象特征；所述常規(guī)氣象數(shù)據(jù)包括溫度、氣壓、風(fēng)向、風(fēng)速、降水和相對(duì)濕度；所述常規(guī)氣象數(shù)據(jù)維度包括特征數(shù)、站點(diǎn)數(shù)和時(shí)間步長(zhǎng)； S4、利用多頭注意力機(jī)制將所述衛(wèi)星特征、所述雷達(dá)特征和所述常規(guī)氣象特征進(jìn)行特征融合獲得融合特征； S5、根據(jù)所述融合特征和對(duì)應(yīng)未來(lái)時(shí)間過(guò)冷水含量構(gòu)建深度學(xué)習(xí)網(wǎng)絡(luò)，確定優(yōu)化目標(biāo)函數(shù)，根據(jù)所述優(yōu)化目標(biāo)函數(shù)優(yōu)化所述深度學(xué)習(xí)網(wǎng)絡(luò)；所述深度學(xué)習(xí)網(wǎng)絡(luò)為ConvLSTM-Transformer混合網(wǎng)絡(luò)； S6、將待預(yù)測(cè)的融合特征輸入優(yōu)化后的深度學(xué)習(xí)網(wǎng)絡(luò)獲得未來(lái)3小時(shí)云中過(guò)冷水含量預(yù)測(cè)值； 所述進(jìn)行特征融合獲得融合特征的方法，包括以下步驟： 利用多頭注意力機(jī)制將所述衛(wèi)星特征、所述雷達(dá)特征和所述常規(guī)氣象特征進(jìn)行特征融合獲得融合特征；所述注意力機(jī)制模塊采用多頭注意力機(jī)制進(jìn)行特征融合，表達(dá)式為： 其中為注意力機(jī)制，為查詢(xún)向量，為鍵向量，為值向量，為鍵向量的維度，用于縮放，為多頭注意力，為第頭的隱藏狀態(tài)，，是用于將各個(gè)頭的輸出進(jìn)行組合的權(quán)重矩陣，、、為將輸入、、分別映射到不同子空間的可學(xué)習(xí)權(quán)重矩陣； 所述確定優(yōu)化目標(biāo)函數(shù)的方法為：根據(jù)輸入特征類(lèi)別和特征數(shù)量確定深度學(xué)習(xí)網(wǎng)絡(luò)的優(yōu)化目標(biāo)函數(shù)： 其中為優(yōu)化目標(biāo)函數(shù)，為閾值穩(wěn)定性權(quán)重，為特征值偏差權(quán)重，為時(shí)間約束權(quán)重，為空間約束權(quán)重，為閾值類(lèi)型權(quán)重，為類(lèi)動(dòng)態(tài)識(shí)別閾值預(yù)測(cè)值，為類(lèi)閾值歷史均值，采用滑動(dòng)窗口計(jì)算，為格點(diǎn)中類(lèi)天氣特征值，時(shí)間懲罰系數(shù)，為空間懲罰系數(shù)，為第個(gè)輸入特征類(lèi)別，為輸入特征類(lèi)別索引； 根據(jù)所述優(yōu)化目標(biāo)函數(shù)優(yōu)化所述深度學(xué)習(xí)網(wǎng)絡(luò)的方法，包括以下步驟： 采用苦魚(yú)優(yōu)化算法確定最優(yōu)網(wǎng)絡(luò)模型參數(shù)，定義為第個(gè)網(wǎng)絡(luò)模型參數(shù)，與苦魚(yú)產(chǎn)卵點(diǎn)對(duì)應(yīng)，為歷史3小時(shí)內(nèi)輸入特征維度，由多個(gè)苦魚(yú)個(gè)體組成苦魚(yú)種群，為種群數(shù)量，同時(shí)以標(biāo)準(zhǔn)網(wǎng)絡(luò)模型參數(shù)初始化種群獲得，其中邊界為，為隨機(jī)擾動(dòng)數(shù)； 搜索合適的牡蠣確定苦魚(yú)產(chǎn)卵點(diǎn)，更新苦魚(yú)位置，當(dāng)成功捕獲牡蠣時(shí)，苦魚(yú)更新位置表達(dá)式為： 其中為第條魚(yú)在第次迭代中的更新位置，為第條魚(yú)在第次迭代中的當(dāng)前位置，為動(dòng)態(tài)慣性權(quán)重，為第次迭代時(shí)苦魚(yú)移動(dòng)到逃逸牡蠣的步數(shù)，、為的隨機(jī)數(shù)，為最好的牡蠣，即吸引苦魚(yú)的最優(yōu)的產(chǎn)卵點(diǎn)，為隨機(jī)選擇的種群中最值得的牡蠣，、為最大慣性權(quán)重和最小慣性權(quán)重，為第次迭代時(shí)種群方差，為種群初始方差，為最大迭代次數(shù)，為隨機(jī)函數(shù)； 當(dāng)牡蠣逃逸時(shí)進(jìn)行重新探索，苦魚(yú)更新位置表達(dá)式為： 其中為逃逸重置概率，??； 根據(jù)成功捕獲的牡蠣位置，雌魚(yú)在該位置產(chǎn)卵產(chǎn)生新個(gè)體，新個(gè)體苦魚(yú)更新位置表達(dá)式為： 其中為第迭代時(shí)新產(chǎn)生苦魚(yú)的位置，為新產(chǎn)生的苦魚(yú)在牡蠣殼內(nèi)部分布半徑，為均值取0、方差取的高斯噪聲； 計(jì)算種群適應(yīng)度，確定最好的牡蠣和種群中最值得的牡蠣，表達(dá)式為： ； 其中為種群適應(yīng)度，為適應(yīng)度動(dòng)態(tài)權(quán)重，為第次迭代第個(gè)動(dòng)態(tài)網(wǎng)絡(luò)模型參數(shù)位置，為第個(gè)標(biāo)準(zhǔn)網(wǎng)絡(luò)模型參數(shù)位置，為第個(gè)動(dòng)態(tài)網(wǎng)絡(luò)模型參數(shù)最大值對(duì)應(yīng)位置，第個(gè)動(dòng)態(tài)網(wǎng)絡(luò)模型參數(shù)最小值對(duì)應(yīng)位置，為協(xié)調(diào)性熵的權(quán)重，為第個(gè)動(dòng)態(tài)識(shí)別閾值的協(xié)調(diào)性熵，為時(shí)變懲罰權(quán)重，為時(shí)變懲罰衰減率，為第次迭代第個(gè)動(dòng)態(tài)網(wǎng)絡(luò)模型參數(shù)位置與目標(biāo)位置的相關(guān)性； 采用牡蠣獵殺新生苦魚(yú)的策略淘汰種群個(gè)體，新生苦魚(yú)淘汰概率為： 其中為新生苦魚(yú)的淘汰概率，為種群選擇壓力，為新生苦魚(yú)種群第迭代的適應(yīng)度，為包含新生苦魚(yú)和與原本苦魚(yú)的新苦魚(yú)種群第迭代的適應(yīng)度，為多樣性懲罰權(quán)重，為第迭代的種群多樣性，種群歷史平均位置； 重復(fù)上述操作，直到優(yōu)化目標(biāo)函數(shù)最小或者達(dá)到最大迭代次數(shù)停止迭代，輸出最優(yōu)網(wǎng)絡(luò)模型參數(shù)，獲得優(yōu)化后的深度學(xué)習(xí)網(wǎng)絡(luò)。

如需購(gòu)買(mǎi)、轉(zhuǎn)讓、實(shí)施、許可或投資類(lèi)似專(zhuān)利技術(shù)，可聯(lián)系本專(zhuān)利的申請(qǐng)人或?qū)＠麢?quán)人遼寧省人工影響天氣辦公室，其通訊地址為：110166 遼寧省沈陽(yáng)市和平區(qū)長(zhǎng)白南路388號(hào)東北區(qū)域氣象中心；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。