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！

龙图腾网获悉长江生态环保集团有限公司申请的专利一种基于长短期记忆阶跃序列的排水管网管内颗粒物沉积预测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：CN118627655B 。

龙图腾网通过国家知识产权局官网在2025-07-01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：202410329165.7，技术领域涉及：G06Q10/04；该发明授权一种基于长短期记忆阶跃序列的排水管网管内颗粒物沉积预测方法是由胡祖康;汪雨恬;陈文然;王硕;谢家强;雷轰;张铭洋设计研发完成，并于2024-03-21向国家知识产权局提交的专利申请。

本一种基于长短期记忆阶跃序列的排水管网管内颗粒物沉积预测方法在说明书摘要公布了：本发明提供了一种基于长短期记忆阶跃序列的排水管网管内颗粒物沉积预测方法，选取排水管网管内颗粒物沉积预测的主要影响因子及决策变量，并对数据进行预处理，确保数据质量满足排水管网管内颗粒物沉积预测的精度要求。构建排水管网管内颗粒物沉积序列阶跃预测框架，该框架包含m个模型，用于实现m步排水管网管内颗粒物沉积预测。选取网络单元参数并确定排水管网管内颗粒物沉积预测模型预测性能评估指标，对排水管网管内颗粒物沉积序列阶跃预测框架进行训练，确保该框架能够准确模拟排水管网管内颗粒物沉积的变化过程。构建双层排水管网管内颗粒物沉积预测框架，并与排水管网管内颗粒物沉积序列阶跃预测框架的预测性能进行比较。

本发明授权一种基于长短期记忆阶跃序列的排水管网管内颗粒物沉积预测方法在权利要求书中公布了：1.一种基于长短期记忆阶跃序列的排水管网管内颗粒物沉积预测方法，其特征在于，包括以下步骤： 步骤1，准备排水管网管内颗粒物沉积预测输入数据和输出数据，对数据进行预处理； 步骤2，构建基于长短期记忆阶跃序列的排水管网管内颗粒物沉积预测模型，对排水管网管内颗粒物沉积进行预测； 步骤3，对模型进行训练和测试，对模型参数进行设置，确保模型能够对排水管网管内颗粒物沉积进行准确模拟； 步骤4，对排水管网管内颗粒物沉积进行模拟，对模型的预测性能进行评估； 所述步骤1具体步骤为： 步骤1.1，选取排水管网管内颗粒物沉积预测的主要影响因子，即输入数据，及决策变量，即输出数据；其中，影响因子主要包括：沉积床非沉积条件下的体积含砂量、无量纲颗粒直径、沉积物中值粒径、水力半径和管道摩擦系数；预测模型的输出数据为颗粒物的弗劳德数； 步骤1.2，在收集得到排水管网管内颗粒物沉积预测模型所有的输入数据和输出数据后，对数据的质量进行检查，采用滑动时间窗口对输入数据和输出数据中的缺失数据、错误数据进行替换，确保预测模型的输入数据和输出数据质量满足预测要求； 所述步骤2具体步骤为： 步骤2.1，构建基于长短期记忆网络的排水管网管内颗粒物沉积序列阶跃预测框架，该框架包含m个模型，用于实现m步排水管网管内颗粒物沉积预测； 步骤2.2，采用排水管网管内颗粒物沉积序列阶跃预测框架中的第1个模型预测得到第1步超前排水管网管内颗粒物沉积，并作为第2、第3、…、第m步超前排水管网管内颗粒物沉积预测模型的输入，即排水管网管内颗粒物沉积序列阶跃预测框架中的第2个、第3个、…、第m个模型； 步骤2.3，采用排水管网管内颗粒物沉积序列阶跃预测框架中的第i（1im）个模型预测得到第i步超前排水管网管内颗粒物沉积，并作为第i+1、…、第m步超前排水管网管内颗粒物沉积预测模型的输入，即排水管网管内颗粒物沉积序列阶跃预测框架中的第i+1个、…、第m个模型； 步骤2.4，采用排水管网管内颗粒物沉积序列阶跃预测框架中的第m个模型预测得到第m步超前排水管网管内颗粒物沉积； 步骤2.5，结合步骤2.2-2.4，通过m个模型预测得到m步超前排水管网管内颗粒物沉积预测数据； 所述步骤3具体步骤为： 步骤3.1，确定排水管网管内颗粒物沉积预测模型的可学习参数和超参数，以便对排水管网管内颗粒物序列阶跃预测框架中的m个模型进行训练和测试，确保预测模型能够准确输出排水管网管内颗粒物沉积预测数据； 步骤3.2，确定排水管网管内颗粒物沉积预测模型的性能评估指标，确保能够对排水管网管内颗粒物沉积阶跃预测框架的各个模型进行有效训练，得到满足精度要求的排水管网管内颗粒物沉积预测模型； 步骤3.3，将排水管网管内颗粒物沉积预测模型的输入数据输入到排水管网管内颗粒物沉积预测模型框架中，对排水管网管内颗粒物沉预测模型进行训练和测试，确保排水管网管内颗粒物沉积预测模型的输出数据能够准确反映真实的排水管网管内颗粒物沉积变化情况； 所述步骤4具体为： 步骤4.1，构建两层长短期记忆网络作为排水管网管内颗粒物沉积预测基准模型，对排水管网管内颗粒物沉积序列阶跃预测框架的预测性能进行评估； 步骤4.2，通过排水管网管内颗粒物沉积预测输入数据沉积床非沉积条件下的体积含砂量、无量纲颗粒直径、沉积物中值粒径、水力半径和管道摩擦系数预测得到排水管网管内颗粒物沉积时间序列数据，并与排水管网管内颗粒物沉积序列阶跃预测框架的输出结果进行比较； 步骤4.3，通过排水管网管内颗粒物沉积预测模型输入数据：沉积床非沉积条件下的体积含砂量、无量纲颗粒直径、沉积物中值粒径、水力半径和管道摩擦系数，预测得到排水管网管内颗粒物沉积预测模型输出数据：颗粒物的弗劳德数，并与经验公式计算得到的弗劳德数进行比较，对模型的预测性能进行分析； 所述步骤3.1具体为： 步骤3.1.1，确定各个长短期记忆网络单元的维度，各个网络单元包含5个维度，包括：沉积床非沉积条件下的体积含砂量、无量纲颗粒直径、沉积物中值粒径、水力半径和管道摩擦系数； 步骤3.1.2，对各个长短期记忆网络单元的5个维度输入数据进行归一化，所有输入数据均采用z分数归一化方法进行归一化处理； 步骤3.1.3，将各个长短期记忆网络单元的隐藏状态长度设置为32，为了避免过拟合将推出率设为0.1，学习率设置为0.001，每批次样本数量设置为256，采用均方根误差MSE作为损失函数； 步骤3.1.4，选择k次排水管网管内颗粒物沉积的真实观测数据对所提出的排水管网管内颗粒物沉积序列阶跃预测框架进行训练，通过k次训练得到k个NSE值，选择在所有超参数组合中产生最高NSE中值的超参数集作为排水管网管内颗粒物沉积序列阶跃预测框架的超参数； 所述步骤4.2具体为： 步骤4.2.1，选择个城市的排水管网管内颗粒物沉积实际观测数据，分别输入到排水管网管内颗粒物沉积序列阶跃预测框架和双层排水管网管内颗粒物沉积序列预测框架中，得到排水管网管内颗粒物沉积预测数据； 步骤4.2.2，在得到排水管网管内颗粒物沉积预测数据后，根据排水管网管内颗粒物沉积预测模型输出的弗劳德数，依次计算得到一致性指数、平均绝对误差、均方根误差、决定系数和调整系数，根据这些指标对排水管网管内颗粒物沉积序列阶跃预测框架和双层排水管网管内颗粒物沉积预测框架的预测性能进行比较与评估。

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长江生态环保集团有限公司，其通讯地址为：430010 湖北省武汉市江岸区三阳路88号三阳中心；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”。