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！

龙图腾网获悉哈尔滨工业大学申请的专利基于时空超图神经网络的桥梁监测数据精确多步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：CN120123656B 。

龙图腾网通过国家知识产权局官网在2025-10-17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：202510183725.7，技术领域涉及：G06F18/15；该发明授权基于时空超图神经网络的桥梁监测数据精确多步预测方法是由李顺龙;王安冬;王可悦;崔洪涛;郭亚朋设计研发完成，并于2025-02-19向国家知识产权局提交的专利申请。

本基于时空超图神经网络的桥梁监测数据精确多步预测方法在说明书摘要公布了：本发明公开了一种基于时空超图神经网络的桥梁监测数据精确多步预测方法，所述方法包括如下步骤：一、收集桥梁结构时空监测二维数据作为原始数据集；二、对原始数据集进行缺失数据填充、趋势提取、数据标准化预处理操作；三、将空间域数据表示为超图上不同顶点，将时间域数据表示为超图各顶点上一维时间序列，定义关联矩阵；四、设计时空超图神经网络模型对桥梁监测数据进行时空关联建模；五、使用桥梁运营初期阶段半年内监测数据对时空超图神经网络模型进行训练；六、将训练后的时空超图神经网络模型应用于半年后监测数据。本发明解决了数据驱动的响应预测方法对监测数据时空关联程度挖掘不足的缺点，实现了监测数据的多步精准预测。

本发明授权基于时空超图神经网络的桥梁监测数据精确多步预测方法在权利要求书中公布了：1.一种基于时空超图神经网络的桥梁监测数据精确多步预测方法，其特征在于所述方法包括如下步骤： 步骤一、收集桥梁结构时空监测二维数据作为原始数据集； 步骤二、对原始数据集进行缺失数据填充、趋势提取、数据标准化预处理操作； 步骤三、将空间域数据表示为超图上不同顶点，将时间域数据表示为超图各顶点上一维时间序列，通过基于聚类的静态方法或通过基于参数自动更新的动态方法定义关联矩阵； 步骤四、设计时空超图神经网络模型对桥梁监测数据进行时空关联建模，所述时空超图神经网络模型包括全连接层、超图卷积层、一维门控卷积层、批量标准化层，具体结构为： L0层：全连接层，输入数据尺度大小为N×1×T，三维数据中每个维度分别代表空间、特征、时间，该层在特征维度上操作，输入特征数为1，输出特征数为Fhidden1，输出数据尺度大小为N×Fhidden1×T； L1-1层：一维门控卷积层，上接L0层，该层在时间和特征维度上操作，输入特征数为Fhidden1，卷积核尺寸为K，深度为Fhidden1，数量为Fhidden2，dilation值为1，输出特征数为Fhidden2，输出数据尺度大小为N×Fhidden2×T-K-1； L1-2层：超图卷积层，上接L1-1层，该层在空间和特征维度上操作，输入特征数为Fhidden2，输出特征数为Fhidden3，输出数据尺度大小为N×Fhidden3×T-K-1； L1-3层：一维门控卷积层，上接L1-2层，该层在时间和特征维度上操作，输入特征数为Fhidden3，卷积核尺寸为K，深度为Fhidden3，数量为Fhidden1，dilation值为2，输出特征数为Fhidden1，输出数据尺度大小为N×Fhidden1×T-3K-1； L1-4层：批量标准化层，上接L1-1层、L1-3层，该层无待学习参数，将L1-1层、L1-3层的输出数据累加后执行批量标准化，输出数据尺度大小为N×Fhidden1×T-3K-1； L2-1层：一维门控卷积层，上接L1-4层，该层在时间和特征维度上操作，输入特征数为Fhidden1，卷积核尺寸为K，深度为Fhidden1，数量为Fhidden2，dilation值为1，输出特征数为Fhidden2，输出数据尺度大小为N×Fhidden2×T-4K-1； L2-2层：超图卷积层，上接L2-1层，该层在空间和特征维度上操作，输入特征数为Fhidden2，输出特征数为Fhidden3，输出数据尺度大小为N×Fhidden3×T-4K-1； L2-3层：一维门控卷积层，上接L2-2层，该层在时间和特征维度上操作，输入特征数为Fhidden3，卷积核尺寸为K，深度为Fhidden3，数量为Fhidden1，dilation值为2，输出特征数为Fhidden1，输出数据尺度大小为N×Fhidden1×T-6K-1； L2-4层：批量标准化层，上接L2-1、L2-3层，该层将L2-1、L2-3层的输出数据累加后执行批量标准化，输出数据尺度大小为N×Fhidden1×T-6K-1； L3-1层：一维门控卷积层，上接L2-4层，该层在时间和特征维度上操作，输入特征数为Fhidden1，卷积核尺寸为K，深度为Fhidden1，数量为Fhidden2，dilation值为1，输出特征数为Fhidden2，输出数据尺度大小为N×Fhidden2×T-7K-1； L3-2层：超图卷积层，上接L3-1层，该层在空间和特征维度上操作，输入特征数为Fhidden2，输出特征数为Fhidden3，输出数据尺度大小为N×Fhidden3×T-7K-1； L3-3层：一维门控卷积层，上接L3-2层，该层在时间和特征维度上操作，输入特征数为Fhidden3，卷积核尺寸为K，深度为Fhidden3，数量为Fhidden1，dilation值为2，输出特征数为Fhidden1，输出数据尺度大小为N×Fhidden1×T-9K-1； L3-4层：批量标准化层，上接L3-1层、L3-3层，该层将L3-1层、L3-3层的输出数据累加后执行批量标准化，输出数据尺度大小为N×Fhidden1×T-9K-1； L4-1层：一维门控卷积层，上接L3-4层，该层在时间和特征维度上操作，输入特征数为Fhidden1，卷积核尺寸为K，深度为Fhidden1，数量为Fhidden2，dilation值为1，输出特征数为Fhidden2，输出数据尺度大小为N×Fhidden2×T-10K-1； L4-2层：超图卷积层，上接L4-1层，该层在空间和特征维度上操作，输入特征数为Fhidden2，输出特征数为Fhidden3，输出数据尺度大小为N×Fhidden3×T-10K-1； L4-3层：一维门控卷积层，上接L4-2层，该层在时间和特征维度上操作，输入特征数为Fhidden3，卷积核尺寸为K，深度为Fhidden3，数量为Fhidden1，dilation值为2，输出特征数为Fhidden1，输出数据尺度大小为N×Fhidden1×1； L4-4层：批量标准化层，上接L4-1层、L4-3层，该层将L4-1层、L4-3层的输出数据累加后执行批量标准化，输出数据尺度大小为N×Fhidden1×1； L5层：全连接层，上接L1-4层、L2-4层、L3-4层、L4-4层，该层将L1-4层、L2-4层、L3-4层、L4-4层的输出数据累加后在特征维度上操作，输入特征数为Fhidden1，输出特征数为Fhidden4，输出数据尺度大小为N×Fhidden4×1； L6层：全连接层，上接L5层，该层在特征维度上操作，输入特征数为Fhidden4，输出特征数为预测长度Tpredict，经转置后输出数据尺度大小为N×1×Tpredict； 步骤五、使用桥梁运营初期阶段半年内监测数据对时空超图神经网络模型进行训练； 步骤六、将训练后的时空超图神经网络模型应用于半年后监测数据。

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哈尔滨工业大学，其通讯地址为：150001 黑龙江省哈尔滨市南岗区西大直街92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”。

以上内容由龙图腾AI智能生成。