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！

龙图腾网获悉浙江工业大学申请的专利一种基于分布式输出过程时间图卷积建模方法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：CN117612627B 。

龙图腾网通过国家知识产权局官网在2025-06-24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：202311349671.4，技术领域涉及：G16C20/30；该发明授权一种基于分布式输出过程时间图卷积建模方法是由刘毅;郭威威;李浩男设计研发完成，并于2023-10-18向国家知识产权局提交的专利申请。

本一种基于分布式输出过程时间图卷积建模方法在说明书摘要公布了：本发明公开了一种基于分布式输出过程时间图卷积建模方法，该方法包括如下步骤：1数据的获取和整合；2拓扑图构建：首先根据实际化工过程中的先验知识构建拓扑图，利用数据驱动的方式寻找潜在的变量关系，并根据这些变量关系来补充拓扑图，从而完整的拓扑图被构建；3建模训练：构建时间图卷积TGCN模型对训练数据集进行训练，同时建立其它的对比模型进行模型训练；4模型测试。本发明通过结合先验知识和数据驱动的方法构建拓扑图，利用时间图卷积层同时提取过程变量的变量相关性和时间相关性，在提升模型预测精度的同时，有助于理解变量间的关系，增强模型的可解释性。

本发明授权一种基于分布式输出过程时间图卷积建模方法在权利要求书中公布了：1.一种基于分布式输出过程时间图卷积建模方法，其特征在于，包括如下步骤： 1数据的获取和整合 首先根据化工生产过程中的实际操作条件，收集不同特性的数据，将数据集分为训练数据集和测试训练集并进行归一化处理； 2拓扑图构建 首先根据实际化工过程中的先验知识构建拓扑图，利用数据驱动的方式寻找潜在的变量关系，并根据这些变量关系来补充拓扑图，从而完整的拓扑图被构建； 3建模训练 构建时间图卷积TGCN模型对训练数据集进行训练，同时建立其它的对比模型进行模型训练； 4模型测试 对测试数据集进行预测； 步骤3的具体过程包括如下步骤： 步骤3.1：建立TGCN模型，将构建好的完整的变量拓扑图以邻接矩阵的形式输入到TGCN中，向模型输入划分好的训练数据集，利用TGCN提取变量的变量相关性和时间相关性，时间图卷积层TGCL由图卷积网络和门控循环单元构成， 其中A表示输入的邻接矩阵，D＝∑jAj表示邻接矩阵的度矩阵，H是当前层特征向量，l表示层数，σ表示ReLU·激活函数，W表示可训练参数；门控循环单元是通过当前的输入和过去时刻的状态来确定网络中某个单元未来状态的算法，表示为： ut＝σWu[ht-1，xt] rt＝σWr[ht-1，xt] ct＝tanhWc[rt*ht-1，xt ht＝ut*ht-1+1-ut*ct 其中，ut表示更新门的结果，rt表示重置门的结果，ct表示当前记忆单元的结果，ht和ht-1分别表示t时刻和t-1时刻的模块输出结果，Wu，Wr和Wc分别表示更新门、重置门和记忆单元对应的可训练权重， 将输入数据Xt和邻接矩阵A输入到图卷积网络中，得到经过图卷积后提取到的特征X't，将X't和上一时刻的输出ht-1作为GRU的输入，经过门控循环机制后得到当前时刻的隐藏状态ht和预测结果Yt，通过堆叠TGCL从而实现对目标变量的预测， TGCL的计算过程由下式表达，其中GC·表示图卷积机制，GCu，GCr和GCc分别表示具有不同可学习权重矩阵Wu，Wr和Wc的图卷积机制，bu，br和bc是偏差，tanh·是激活函数， ut＝σWu[GCuA，X,ht-1]+bu rt＝σwr[GCrA,c，ht-1]+br ct＝tanhWc[GCcA,X,rt*ht-1]+bc ht＝ut*ht-1+1-ut*ct 步骤3.2：使用全连接层FCL输出预测结果，由下式表达： Y′＝FCLht 其中Y'表示t时刻的模型的预测结果； 步骤3.3：通过优化由预测结果和训练数据集的标签构成的损失函数进行模型训练，损失函数的公式由下式表达： 其中Y表示标签数据，γ表示正则化的超参数项，Lreg是用来避免过拟合的回归项，Wtrain表示的是TGCN模型训练过程中的所有的可训练的权重参数； 步骤3.4：将训练数据集输入到对比模型中进行训练。

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浙江工业大学，其通讯地址为：310006 浙江省杭州市拱墅区朝晖六区潮王路18号；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”。