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！

龙图腾网获悉北京科技大学申请的专利一种基于多特征图网络的地下水位高度预测方法及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：CN114841402B 。

龙图腾网通过国家知识产权局官网在2025-07-29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：202210300649.X，技术领域涉及：G06Q10/04；该发明授权一种基于多特征图网络的地下水位高度预测方法及系统是由阿孜古丽·吾拉木;李尊冕;张德政;栗辉;魏少华设计研发完成，并于2022-03-25向国家知识产权局提交的专利申请。

本一种基于多特征图网络的地下水位高度预测方法及系统在说明书摘要公布了：本发明公开了一种基于多特征图网络的地下水位高度预测方法及系统，该方法包括：选取多个不同位置的地下水位监测点作为构建图结构数据集的空间节点，获取每一节点的特征信息，构建各节点的特征向量；基于特征向量权衡两个节点间的相关性关系，构建用于描述节点连通性的边结构信息，并以两连通节点间的地理距离的倒数作为节点的边连接权重；基于上述信息构建图结构数据集；对GCN进行改进，得到地下水位预测模型；并基于图结构数据集对地下水位预测模型进行训练；基于训练好的地下水位预测模型，实现对空间位置的地下水位的预测。本发明能够实现对未知位置的地下水位高效、精准的预测。

本发明授权一种基于多特征图网络的地下水位高度预测方法及系统在权利要求书中公布了：1.一种基于多特征图网络的地下水位高度预测方法，其特征在于，包括： 选取多个不同位置的地下水位监测点作为构建图结构数据集的空间节点，获取每一节点的特征信息，并基于特征信息分别构建各节点的特征向量； 基于特征向量权衡两个节点间的相关性关系，构建用于描述节点连通性的边结构信息，并以两连通节点间的地理距离的倒数作为节点的边连接权重； 以节点的特征信息和边结构信息作为样本特征，以节点对应的地下水位埋深所属的深度区间类别作为样本标签，构建图结构数据集； 对图卷积网络GraphConvolutionalNetwork，GCN进行改进，得到地下水位预测模型；并基于图结构数据集对地下水位预测模型进行训练； 基于训练好的地下水位预测模型，实现对空间位置的地下水位的预测； 特征信息包括地表水资源信息和地理空间信息；地表水资源信息包括节点所在区域的预设周期内的灌溉量、排水量，以及降水总量；地理空间信息包括：包气带岩性、地貌类型、渗透性K1分区、地类名称、溶解性总固体、渗透系数KCP，以及节点与支渠距离；特征向量构建过程为：根据灌溉渠系将灌溉区划分成若干个子流域，将子流域划分成100m*100m的栅格单元，栅格单元水资源特征计算方式如下： 日灌排量＝日均灌排流量×24×60×60 日降水蒸发量＝日降水蒸发高度×子流域面积×666.7×10-4 将地下水监测点与地表栅格单元建立映射关系形成空间节点；根据空间节点坐标位置统计其地理空间信息；将地理空间信息与水资源特征融合，构建节点特征描述符；对空间节点描述符进行向量化处理，得到空间节点的特征向量； 构建用于描述节点连通性的边结构信息，包括： 计算所有节点的特征向量之间的余弦相似度、皮尔森相关系数和欧氏距离； 构建所有节点单向连通关系图，保留同时满足特征向量间的余弦相似度大于0.7，皮尔森相关系数大于0.8，欧氏距离小于1的连通边； 统计筛选后保留的连通关系，得到用于描述节点连通性的边结构信息； 对GCN网络进行改进，包括： 在GCN网络的第一层和最后一层图卷积操作中加入权重矩阵，具体实现为：空间节点在聚合邻居节点特征阶段引入边连接权重作为聚合系数； 在GCN网络的第一个图卷积层之后加入图注意力卷积模块，图注意力卷积模块的输入特征为第一层图卷积操作聚合邻居节点后输出的特征，输出特征为自动学习并更新节点与其邻居节点权重后的聚合特征；在获得图注意力卷积模块的特征输出后，与第一个图卷积层的输出特征进行融合，将融合后的特征输入最后一个图卷积层。

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北京科技大学，其通讯地址为：100083 北京市海淀区学院路30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”。