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！

龍圖騰網獲悉內江華潤燃氣有限公司申請的專利一種基于ALR-LSTM模型的城市中長期天然氣需求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：CN120297636B 。

龍圖騰網通過國家知識產權局官網在2025-09-23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：202510359419.4，技術領域涉及：G06Q10/0631；該發明授權一種基于ALR-LSTM模型的城市中長期天然氣需求預測方法是由周賢宗;秦劍;邱建;馬璽;房光平;田杰;羅亞川;龍海紅;高盒甜;譚小強;呂崚祥設計研發完成，并于2025-03-25向國家知識產權局提交的專利申請。

本一種基于ALR-LSTM模型的城市中長期天然氣需求預測方法在說明書摘要公布了：本發明涉及一種基于ALR?LSTM模型的城市中長期天然氣需求預測方法。該方法依托學習率動態變化的LSTM深度學習模型，利用城市歷史的天然氣需求數據和日均氣溫，綜合考慮季節、月份以及節假日的影響下，通過對深度學習模型的損失函數進行優化，建立了更符合天然氣需求預測的實際要求預測模型。此外，本發明還建立了模型預測效果的評價方法，以明確判別模型預測效果的優劣，從而為天然氣供應單位和政府主管部門制定采購策略及應急處置程序提供技術支持。

本發明授權一種基于ALR-LSTM模型的城市中長期天然氣需求預測方法在權利要求書中公布了：1.一種基于ALR-LSTM模型的城市中長期天然氣需求預測方法，其特征在于，所述方法包括完整的數據處理流程和預測模型架構，具體步驟如下： S1、數據收集步驟：采集城市每日歷史天然氣需求量數據集、日平均氣溫數據集及節假日信息數據集； S2、數據預處理步驟：接收S1的輸出數據集，執行異常值檢測與修正處理，具體包括： 基于節假日信息數據集對日期字段進行假期狀態判定，生成二進制編碼的節假日特征向量； 采用Zscore算法對非節假日的天然氣需求量數據集進行異常檢測，將超出范圍的數據點修正為相鄰時段均值； S3、數據集劃分步驟：將經S2處理的數據集按時間序列劃分為訓練集、驗證集和測試集，其中： 訓練集包含連續完整的自然年周期數據； 驗證集選取與訓練集相鄰年份的3-6個月數據； 測試集與訓練集時間間隔不超過2個自然年； S4、時序特征編碼步驟：對S3劃分的數據集進行多層次時間特征提取，包括： 采用正弦余弦函數對日期字段進行周期性編碼，生成星期特征向量、月份特征向量和季節特征向量； 將氣溫數據集與時間特征向量進行橫向拼接，形成多維特征矩陣； S5、數據歸一化步驟：通過MinMaxScaler對多維特征矩陣進行歸一化處理，輸出范圍為[0,1]的標準化數據集，并分離得到訓練集特征矩陣Xtrain、訓練集標簽向量ytrain、測試集特征矩陣Xtest； S6、張量重構步驟：將S5輸出的標準化數據集轉換為三維張量結構，其維度包括樣本數量samples、時間步長timesteps和特征維度features； S7、模型構建步驟：構建包含殘差連接和注意力機制的雙層LSTM預測模型，具體包括： 第一LSTM層接收S6輸出的三維張量，輸出包含64個神經元的時序特征向量； 第二LSTM層與第一層通過殘差連接，輸出32維高維特征向量； 自定義注意力層計算各時間步權重，輸出加權特征向量； 最終通過Dense層輸出預測值； S8、多目標損失函數構建步驟：定義結合時序偏差和預測誤差的損失函數，其計算過程包括： 計算預測值與真實值的MAE和MSE； 按月份分組計算實際與預測總需求量的月度偏差率； 按年度計算整體需求量的年度偏差率； 通過權重系數α,β,γ將四類指標組合為復合損失函數： Loss＝α·MAE+β·MSE+γ·月度偏差率+年度偏差率 S9、模型訓練步驟：采用RMSprop優化器對S7構建的預測模型進行訓練，具體包括： 設置動態學習率調整策略，當驗證損失穩定時自動降低學習率； 采用早停機制防止過擬合； 保存驗證集表現最優的模型參數； S10、預測反歸一化步驟：將模型預測結果與原始特征矩陣拼接，通過MinMaxScaler的inverse\_transform方法還原為實際需求量數據； S11、多維度評估步驟：基于反歸一化結果計算四項評估指標： 月度偏差量均值 月度偏差率 年度偏差率 MAE與MSE的組合評分； S12、可視化輸出步驟：生成包含實際預測需求對比曲線、月度偏差分布熱力圖的可視化報告，并輸出結構化評估結果。

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內江華潤燃氣有限公司，其通訊地址為：641100 四川省內江市東興區太白路69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”。