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！

龙图腾网获悉山东建筑大学申请的专利一种增强数据驱动的建筑碳排集成预测系统及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：CN120046799B 。

龙图腾网通过国家知识产权局官网在2026-02-10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：202510173710.2，技术领域涉及：G06Q10/04；该发明授权一种增强数据驱动的建筑碳排集成预测系统及方法是由冯媛媛;李成栋;严毅;万耿宏;田崇翼设计研发完成，并于2025-02-18向国家知识产权局提交的专利申请。

本一种增强数据驱动的建筑碳排集成预测系统及方法在说明书摘要公布了：本发明公开了一种增强数据驱动的建筑碳排集成预测系统及方法，具体包括在数据增强模块中采用Bootstrap重采样方法进行建筑碳排数据的扩增，并将扩增后的数据与原始数据组合构建新的增强数据集；在特征提取模块使用自编码器提取建筑碳排时序数据的循环特征，并对原始特征进行分离，获取随机特征组成建筑碳排残差动态数据；在模型预测模块中利用循环特征数据集和残差动态数据集分别对相适配的预测模型进行训练，将这两部分的预测模型进行融合，用于建筑碳排的预测。本发明解决了建筑碳排数据获取困难和不足的问题；增强了对随机特征的处理能力，能够提升预测模型的预测准确度和运算速率，并具有高精度、强泛化能力和良好的可扩展性。

本发明授权一种增强数据驱动的建筑碳排集成预测系统及方法在权利要求书中公布了：1.一种增强数据驱动的建筑碳排集成预测方法，其特征在于，包括以下步骤： S1、采用Bootstrap重采样方法进行建筑碳排原始数据的扩增，得到虚拟数据，并将虚拟数据与原始数据组合构建新的增强数据集； S2、使用自编码器提取建筑碳排增强数据样本的循环特征，构建建筑碳排稳定训练集；对原始数据特征进行分离，获取随机特征组成建筑碳排残差动态数据，并将建筑碳排残差动态数据转换为建筑碳排残差训练集；具体步骤如下： 第一步，读入建筑碳排增强数据，并进行数据标准化处理； 第二步，进行自编码器的模型训练，包括编码部分和解码部分的前向传播和反向传播及参数更新，编码部分的前向传播过程如下所示： ； 式中：是指建筑碳排增强数据样本；是编码部分提取到的循环特征；和分别为编码部分的权重和偏置；为激活函数；解码部分的前向传播过程如下： ； 式中：是解码部分对循环特征进行的重构特征；和分别为解码部分的权重和偏置；为激活函数； 第三步，利用自编码器提取建筑碳排数据的循环特征构建建筑碳排稳定训练集，该循环特征是原始时间序列数据的稳定组成部分； 第四步，删除原始数据中的稳定部分以提取建筑碳排残差动态数据，并将建筑碳排残差动态数据转换为建筑碳排残差训练集； S3、使用建筑碳排稳定训练集和建筑碳排残差训练集这两部分数据集进行预测模型的训练； 其中，建筑碳排稳定训练集用于循环特征模型的训练，循环特征模型由ELM模型构建； 建筑碳排残差训练集用于动态残差模型的训练，动态残差模型由T-LSTM模型构成，动态残差模型的具体训练过程如下： 第一步，输入数据预处理；将动态残差模型的输入数据首先通过LayerNorm层进行标准化处理，然后将处理后的数据首先送入到门控MLP中进行上投影，扩增数据维度，获得更丰富的数据特征； 第二步，对输入数据进行数据的编码；通过利用Transformer中的自注意力机制，计算输入数据的query、key和value捕获全局依赖关系，识别序列中各位置的关联性，对每个位置的特征进行非线性变换以增强特征表达能力； 第三步，进行EN-LSTM的单元处理；EN-LSTM通过引入多个门控机制来控制信息的流动，输入EN-LSTM单元处理的数据依次经过遗忘门、输入门完成EN-LSTM中单元状态的更新，最终通过输出门得到下一个时间步的输入或用于最终结果的输出，并且在输入门和遗忘门之前加入指数门，在单元处理过程中引入标准状态的分支； 第四步，将经过LSTM单元处理的时序数据送入到门控MLP中进行下投影； 第五步，通过计算模型输出与真实目标的误差，调整模型参数，直至模型收敛；最终在输出阶段对结果进行线性变换得到最终输出； S4、将循环特征模型和动态残差模型两个预测模型进行融合，集成预测模型； S5、把增强数据作为集成预测模型的预测数据输入，利用集成预测模型进行建筑碳排的预测，输出预测结果。

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建筑大学，其通讯地址为：250000 山东省济南市临港开发区凤鸣路；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。