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！

龙图腾网获悉中国民用航空华东地区空中交通管理局;复旦大学申请的专利一种基于多模态融合的跑道视程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：CN120850226B 。

龙图腾网通过国家知识产权局官网在2026-01-23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：202511009024.8，技术领域涉及：G06F18/25；该发明授权一种基于多模态融合的跑道视程预测方法是由卫晓东;李浩;曹晴;李洋;郝然;俞碧玉;李经纬;王晶晶;张峰设计研发完成，并于2025-07-22向国家知识产权局提交的专利申请。

本一种基于多模态融合的跑道视程预测方法在说明书摘要公布了：本发明涉及一种基于多模态融合的跑道视程预测方法，包括以下步骤：S1、构建时空匹配的数据集，包括Himawari‑9卫星热红外通道亮温图像数据、机场站点气象要素数据以及机场观测的RVRMOR数据，进行数据的清洗工作，并划分成训练集、验证集和测试集；S2、基于CrossViViT模型构建RVRMOR预报模型，使用训练集、验证集对模型参数进行训练并调整优化参数，使用测试集对模型进行精度评估；S3、对构建的RVRMOR预报模型所呈现的高维语义表示映射为具体的RVR预测值进行利用；解决目前仅依赖传统的统计模型或基于单一模态的深度模型，往往难以准确刻画RVR复杂的生成机制，尤其在突发性天气事件中容易出现响应滞后或预测失真现象，影响其预测效果的问题。

本发明授权一种基于多模态融合的跑道视程预测方法在权利要求书中公布了：1.一种基于多模态融合的跑道视程预测方法，其特征在于，包括以下步骤： S1、构建时空匹配的数据集，包括Himawari-9卫星热红外通道亮温图像数据、机场站点气象要素数据以及机场观测的RVRMOR数据，进行数据的清洗工作，并划分成训练集、验证集和测试集； S2、基于CrossViViT模型构建RVRMOR预报模型，使用步骤S1中训练集、验证集对模型参数进行训练并调整优化参数，使用测试集对模型进行精度评估，其中CrossViViT模型中采用VisionTransformerViT模块作为图像空间提取模块，用于处理来自静止轨道气象卫星Himawari-9的热红外亮温图像数据；CrossViViT模型中TemporalTransformer模块作为时间序列提取模块，用于从时间维度上建模多个观测变量的动态变化过程； 步骤S2中构建RVRMOR预报模型的具体过程为： S21、对于热红外亮温图像数据中每一个时间帧的输入图像，将其划分为不重叠的固定大小的patch块，大小为，其中和分别是图像的高和宽，是Himawari-9的热红外通道数量，为设定的patch大小，总共能够划分成个patch；每个patch被展平成一维向量后，利用可学习的线性变换矩阵映射到维嵌入空间中，形成patchtoken序列： 同时，为保留空间位置信息，为每个patch添加位置编码： 对于连续的帧图像，将其分别执行上述patch嵌入处理并按时间顺序堆叠，形成模型最终的输入： 如果每次输入的Batchsize为，那么模型最终的输入维度为： S22、将步骤S21建立的模型输入序列输送到由层层堆叠的Transformer编码器，每一层在patch维度上施加自注意力机制，用于建模每一帧图像内各patch之间的空间结构关系；其中注意力计算公式如下： 其中，是每一帧中的patchtoken经线性变换后获得，为每个注意力头的维度，是注意力头的数量；由于模型处理每一帧图像是并行进行的，因此编码器在空间维度上对各帧图像独立建模，输出维度与输入保持一致： S23、TemporalTransformer的输入为来自地面气象站的多变量观测序列，设其张量维度为： 其中，是Batchsize，是输入的时间步长，是输入的地面气象变量数量，地面气象包括温度、气压、相对湿度； 具体为：通过一个线性嵌入层或卷积层将输入变量统一投影至固定的隐藏维度：； S24、将步骤S23投影至固定维度的输入变量输入到TemporalTransformer编码器并采用标准的自注意力机制对时间序列进行建模；每一层Transformer包括多头自注意力机制、残差连接、层归一化，每一层在时间维度上施加自注意力，用以建模不同时间步之间的长短期依赖关系；最后编码器输出维度和输入维度一致，包含了每个时间步下综合历史上下文和变量交互的特征表示，能够有效捕捉局地天气演变的趋势与突变：； S25、建立用于连接步骤S22建立的VisionTransformer模块和步骤S24建立的TemporalTransformer模块的Cross-Attention模块，在CrossViViT模型结构中，Cross-Attention模块是连接图像空间表示与时间序列表示的关键桥梁； Cross-Attention采用标准的多头交叉注意力机制，以时间序列特征作为查询Query，图像空间特征作为键Key和值Value，实现模态间的信息交互；该模块在每个时间步上执行空间-时间联合建模，其中： Query来自步骤S24中TemporalTransformer模块的输出，形状为： 其中为步骤S24中； KeyValue来自步骤S22中VisionTransformer模块的输出，原始形状为： 为了方便后续的操作，将VisionTransformer模块的输出沿patch维度展平，重构为： 这一步操作实现了将图像的空间结构与时间演化联合编码为一个统一的token序列，使得每个时序query能够感知整个图像时空域的上下文； S3、对步骤S2构建的RVRMOR预报模型所呈现的高维语义表示映射为具体的RVR预测值，在实际业务中投入使用，对RVR进行业务化的预报。

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中国民用航空华东地区空中交通管理局;复旦大学，其通讯地址为：200335 上海市长宁区空港一路171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。