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！

龙图腾网获悉厦门理工学院申请的专利多尺度时序数据图像化的多模态时空序列预测方法及装置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：CN120105347B 。

龙图腾网通过国家知识产权局官网在2025-07-11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：202510578525.1，技术领域涉及：G06F18/25；该发明授权多尺度时序数据图像化的多模态时空序列预测方法及装置是由刘丽娟;武鸣枭;吕勤治;江昕悦;王大寒;陈军设计研发完成，并于2025-05-07向国家知识产权局提交的专利申请。

本多尺度时序数据图像化的多模态时空序列预测方法及装置在说明书摘要公布了：本发明提供的多尺度时序数据图像化的多模态时空序列预测方法及装置，涉及时序数据预测领域。本发明通过对获取的单尺度时空序列数据进行滑窗划分与步长扩展得到不同尺度的单尺度长期时空数据，并进行多尺度融合，生成多尺度长短期时空数据集合，接着转化为固定分辨率的图像数据；利用卷积神经网络提取多尺度长期图像数据的时空特征，利用时空瓶颈注意力网络提取单尺度短期时空数据的时空特征；通过将分别从单尺度短期时空数据与多尺度长期图像数据提取的两种模态的时空特征进行自适应加权融合，得到预测结果。本发明能显著提升多变量时空序列数据的预测性能与收敛速度，可广泛应用于交通流量预测、股票价格预测等任务，具有重要的实际应用价值。

本发明授权多尺度时序数据图像化的多模态时空序列预测方法及装置在权利要求书中公布了：1.一种多尺度时序数据图像化的多模态时空序列预测方法，其特征在于，包括： S1,获取单尺度时空序列数据； S2,结合预设长度的滑动窗口，将所述单尺度时空序列数据进行划分得到每个滑动窗口的单尺度短期时空数据； S3,对所述单尺度短期时空数据进行步长扩展，生成多个不同尺度的单尺度长期时空数据并融合得到多尺度长短期时空数据集合； S4,将所述多尺度长短期时空数据集合转化为固定分辨率的图像数据，得到多尺度长期图像数据； S5,利用卷积神经网络提取所述多尺度长期图像数据的时空特征；所述卷积神经网络为轻量版ConvNeXt-T，包括卷积单元、池化层、层归一化与线性变换层； 所述多尺度长期图像数据通过所述卷积单元进行多个阶段的卷积下采样操作，然后对所述卷积单元的输出结果依次通过池化层的全局平均池化操作、层归一化的标准化操作以及线性变换层的通道维度变换操作，输出学习到的时空特征； S6,利用时空瓶颈注意力网络提取所述单尺度短期时空数据的时空特征；所述时空瓶颈注意力网络包括时空编码器、变换注意力块和时空预测解码器； 其中，所述时空编码器由3个顺序级联的具有残差连接的时空瓶颈注意力块组成，用于建模节点间的空间依赖关系和序列维度上的时序相关性，从而提取单尺度短期时空特征，生成所述单尺度时空序列数据对应的时空特征张量； 所述变换注意力块对所述时空特征张量进行建模，通过抑制无关信息，增强关键特征的表达能力，输出全局注意力特征； 所述时空预测解码器由3个顺序级联的具有残差连接的时空瓶颈注意力块组成，用于将所述注意力特征映射成单尺度的未来时空表示，实现对目标序列的预测； S7,将分别从所述单尺度短期时空数据与所述多尺度长期图像数据提取出的时空特征进行自适应加权融合，得到时空序列的预测结果； 所述S7具体为： 初始化两个可学习参数和，通过softmax函数进行归一化生成对应的权重和,表达式为： ； ； 其中，e表示自然常数，用于计算指数； 通过和分别对从所述单尺度短期时空数据提取的时空特征与从所述多尺度长期图像数据提取的时空特征进行加权融合，得到最终的预测结果，表达式为： 其中，为最终的预测结果；为从所述单尺度短期时空数据提取的时空特征；为从所述多尺度长期图像数据提取的时空特征，t表示某时间点。

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厦门理工学院，其通讯地址为：361024 福建省厦门市集美区理工路600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”。