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！

龙图腾网获悉内蒙古大学;内蒙古塔塔送变电工程有限公司申请的专利工业物联网边缘设备上基于联邦学习的空时预测算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：CN114265913B 。

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：202111654558.8，技术领域涉及：G06F16/29；该发明授权工业物联网边缘设备上基于联邦学习的空时预测算法是由张颖慧;邢雅轩;白戈设计研发完成，并于2021-12-30向国家知识产权局提交的专利申请。

本工业物联网边缘设备上基于联邦学习的空时预测算法在说明书摘要公布了：本发明公开了工业物联网边缘设备上基于联邦学习的空时预测算法，属于工业物联网领域，具体包括：首先，搭建包括行业集和客户集的应用场景；然后，针对单个客户端，其设备监测到的传感数据构成数据库，在该客户端中构建TCN‑GCN深度模型，并使用数据库的数据更新TCN‑GCN深度模型的参数wC；同理，各客户端分别在本地训练各自的TCN‑GCN模型并得到各自的模型参数wC；最后，利用改进的FedAVG算法将每个客户端的模型参数wC，上传到云端进行加权聚合，成一个新的全局模型，实现基于联邦学习的空时预测。本发明对参与联邦学习的客户以及客户内部的设备采用随机采样，减少算法的通信开销，特别适用于大规模IIoT网络和分布式预测；在保护隐私的基础上，具有良好的预测性能。

本发明授权工业物联网边缘设备上基于联邦学习的空时预测算法在权利要求书中公布了：1.工业物联网边缘设备上基于联邦学习的空时预测算法，其特征在于，包括如下步骤： 首先，搭建包括行业集和客户集的应用场景；每个行业有I个客户端，每个客户端有K个传感器设备；针对单个客户端Ci，其K个设备监测到的传感数据构成数据库Di，在客户端Ci构建TCN-GCN深度模型，并使用数据库Di的数据更新TCN-GCN深度模型的参数wC；同理，每个客户端分别在本地训练各自对应的TCN-GCN深度模型，得到各自的模型参数wC； wC中包含TCN-GCN深度模型从原始数据中挖掘的空时特性； 最后、利用改进的FedAVG算法将每个客户端的TCN-GCN深度模型参数wC，上传到云端进行加权聚合，成一个新的全局模型，实现基于联邦学习的空时预测； 所述的TCN-GCN深度模型是基于膨胀时间卷积网络DTCN和动态图卷积网络DGCN交替结合形成的；具体更新过程为： 步骤201、客户端Ci利用K个传感器分别采集包含时间步长与空间节点的二维数据，并构建初始的图邻接矩阵表示空间节点的关联关系； 步骤202、将二维数据依次送入TCN-GCN深度模型中，结合图邻接矩阵分别提取时间和空间特征； 具体为： 首先，给定输入的二维数据xin，则经过DTCN的输出xout为： xout＝tanhf1*xin×sigmoidf2*xin 其中，f1表示滤波卷积函数，f2表示门控卷积函数，sigmoid·表示S型激活函数，tanh·表示正切双曲激活函数； 然后，将DTCN捕捉的特征送入DGCN模块，其信息传递层为： 其中，Hl表示第l层的传播层；σ1和σ2为不同的激活函数，为随机动态采样得到的动态图邻接矩阵，Wl-1表示第l-1层的网络权重；表示经过跳跃连接的传播层；β为控制保留根节点原始状态比率的超参数；Hl是随着图卷积的深度增加节点状态不断更新的第l层传播层，Hl-1表示保留的之前节点状态的传播层；Hout为跳跃层叠加后的输出层； 步骤203、利用TCN-GCN模型对图邻接矩阵中各空间节点的关联进行更新； 步骤204、将更新的图邻接矩阵与提取出的空间特征向量进行卷积运算，实现移动节点空间特征的不断更新； 步骤205、根据捕捉的时间和空间相关性，实现二维数据的高精度预测； 具体预测过程为： 在时间步长t处输入的二维数据X表示为： X＝{z1[i],z2[i],···,zt[i]} 其中，zt[i]表示在时间步长t处第i个传感器的值，i∈K； 则下一时间步长的预测值表示为： Y＝{zt+1[i]} 步骤206、通过不断将预测值与真实数据的标签值做拟合，得到客户端Ci本地更新的TCN-GCN深度模型的参数wC。

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内蒙古大学;内蒙古塔塔送变电工程有限公司，其通讯地址为：010021 内蒙古自治区呼和浩特市大学西路235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”。