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！

龙图腾网恭喜中南大学申请的专利一种基于多尺度信息的概率风速预测方法和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：CN114399021B 。

龙图腾网通过国家知识产权局官网在2025-06-17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：202111451691.3，技术领域涉及：G06F18/27；该发明授权一种基于多尺度信息的概率风速预测方法和系统是由汪运;宋萌萌;邹润民;何道广设计研发完成，并于2021-12-01向国家知识产权局提交的专利申请。

本一种基于多尺度信息的概率风速预测方法和系统在说明书摘要公布了：本发明实施例提供一种基于多尺度信息的概率风速预测方法和系统，使用多层卷积神经网络从输入样本中提取充分的多尺度特征，使用基于长短期记忆LSTM与注意力机制进一步提取时序特征并将其编码成低维的特征向量；然后借助所提出的非交叉损失得到相邻分位点间的条件分位数差值，并通过累加累减得到所有给定分位点的条件分位数；不仅可以从有限的数据提取充分的多尺度特征，还可以提供高质量且可靠的概率预测结果，同时解决分位数模型的交叉问题。

本发明授权一种基于多尺度信息的概率风速预测方法和系统在权利要求书中公布了：1.一种基于多尺度信息的概率风速预测方法，其特征在于，包括： 步骤S1、获取历史风速时序数据，将所述风速时序数据划分为训练集和测试集； 步骤S2、构建神经网络模型，所述神经网络模型包括多尺度特征提取模块和LSTM网络模块；所述多尺度特征提取模块用于提取输入向量的一维特征向量，以并行拼接得到多组不同层次的特征子序列；所述LSTM网络模块用于提取所述特征子序列的时序特征，基于所述时序特征的局部特征进行加权组合以确定所述特征子序列的低维特征向量，根据所有所述特征子序列的低维特征向量连接成用于预测的预测特征向量； 步骤S3、构建用于训练所述神经网络模型的分位数损失函数，确定任意两个相邻分位点的条件分位数初始差值，以通过近似绝对差值转换将所述条件分位数初始差值转换为一组大于0的条件分位数差值；基于条件分位数与两个相邻分位点的条件分位数差值确定其余分位点的条件分位数预测值； 步骤S4、基于所述训练集、测试集进行神经网络模型训练、验证，基于训练好的所述神经网络模型确定风速概率预测值，以将所述风速概率预测值转换为所有分位点的条件分位数预测值，组合两个不同分位点的条件分位数预测值，可以得到相应置信水平的预测区间；以所有的条件分位数为输入，通过KDE将离散的条件分位数预测值转换为连续的概率密度曲线； 所述分位数损失函数为： QYτ|X＝f1X,βτ 上式中，QYτ│X为输入向量X在分位点τ的估计值，X＝x1,x2,…,xN；目标变量Y＝y1,y2,…,yN；f1·为非线性函数，βτ为模型的回归系数，其估计值可以通过最小化如下损失函数值得到： 其中，为βτ的估计值，N为输入样本的个数，yi为输入向量xi对应的目标变量的值，为分位点τ的条件分位数，为分位数损失： 所述条件分位数的输出包括中间分位点的条件分位数与任意两个相邻分位点的条件分位数初始差值 τ＝{τk}k＝1,2,…,K，0τ1τ2…τk0…τK1,τk0＝0.5；其中： 将转换成一组大于0的条件分位数差值： 其中，θ为一个正数；为相邻两个分位点的条件分位数正数差值； 基于得到的条件分位数与条件分位数差值通过累加累减可以得到其余分位点的条件分位数估计值： 其中，为分位点τk的条件分位数估计值； 计算用于训练神经网络模型的总分位数损失值： 上式中，L表示损失的值。

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中南大学，其通讯地址为：410000 湖南省长沙市岳麓山左家垅；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”。