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！

龙图腾网获悉山东省气象数据中心(山东省气象档案馆)申请的专利基于图神经网络的气象设备异常数据检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：CN120162707B 。

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：202510164210.2，技术领域涉及：G06F18/2433；该发明授权基于图神经网络的气象设备异常数据检测方法及系统是由刘思宇;郭庆燕;张兴路;冯腾琦;刘臻设计研发完成，并于2025-02-14向国家知识产权局提交的专利申请。

本基于图神经网络的气象设备异常数据检测方法及系统在说明书摘要公布了：本发明涉及一种基于图神经网络的气象设备异常数据检测方法及系统，属于气象数据处理领域。其包括以下步骤：S1.数据收集与初步处理；S2.数据预处理；S3.网络构建；S4.时空图卷积网络建模；S5.模型训练；S6.异常判定。本发明采用时空图卷积网络对气象数据进行联合建模，实现了对时序和空间依赖性的深层次表征学习，在该模型的输出端引入自监督重构误差策略，通过学习正常数据的时空模式，不需要大量带标注的异常样本即可完成对潜在异常点的精确诊断，能够有效降低对异常标注数据的依赖。

本发明授权基于图神经网络的气象设备异常数据检测方法及系统在权利要求书中公布了：1.一种基于图神经网络的气象设备异常数据检测方法，其特征在于，包括以下步骤： S1.数据收集与初步处理：采集个气象站点的多维气象观测数据和地理信息，得到每个气象站点的多维气象观测数据时间序列、地理信息特征以及异常标注集合； S2.数据预处理：对每个气象站点的多维气象观测数据时间序列进行预处理，得到每个气象站点预处理后的多维气象观测数据时间序列； S3.网络构建：基于个气象站点、每个气象站点预处理后的多维气象观测数据时间序列以及地理信息特征构建气象站点网络，得到时间步t的节点特征和邻接矩阵；具体步骤为： S31.节点定义：将每个气象站点作为一个节点，节点特征包括每个气象站点预处理后的多维气象观测数据时间序列和地理信息特征； S32.边及邻接关系构建：定义气象站点网络每个时间步的邻接矩阵为，采用基于气象变量相关性的动态邻接构建方法，在滑动窗口内计算各站点之间的气象变量相关系数：对于时间步，在窗口大小范围内计算气象站点和气象站点之间的多维气象观测数据时间序列皮尔逊相关系数，公式表示如下： ， 其中，表示气象站点在时间步至的气象观测子序列，表示气象站点在时间步至的气象观测子序列，表示皮尔逊相关系数的完整计算过程，其结果是经过标准化的相关性指标，范围为[-1,1]，当时，在每个时间步的邻接矩阵中为与添加连边并赋予权值，否则为0，公式表示如下： ， 其中，表示每个时间步的邻接矩阵中与之间的权值，表示指示函数，当括号内条件满足时为1，否则为0，表示邻接矩阵权值设置的阈值； S33.构建动态图结构：基于每个时间步的邻接矩阵，结合当前时间步的对齐的多维气象观测数据时间序列构成一系列动态图表示，公式表示如下： ， ，， 其中，表示动态图结构，表示气象站点的节点集合，用于表示图中的所有节点，表示时间步总数，表示时间步t的节点特征，表示第个气象站点位于时间步t的对齐的多维气象观测数据时间序列，表示第个时间步的邻接矩阵； S4.时空图卷积网络建模：将节点特征和邻接矩阵输入至时空图卷积网络模型中通过时序卷积操作进行特征融合得到高维嵌入表示，所述高维嵌入表示经过解码器得到重构气象特征，进而得到气象站点在时间步t的重构误差； S5.模型训练：采用加入正则化项的重构误差损失函数对模型参数进行迭代更新，得到训练好的模型； S6.异常判定：使用训练好的模型对新输入的数据进行预测和重构，计算重构误差，若重构误差超过预定阈值，则认定为异常点。

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山东省气象数据中心(山东省气象档案馆)，其通讯地址为：250031 山东省济南市天桥区无影山路12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。