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！

龙图腾网获悉珠江水利委员会珠江水利科学研究院;中铁广州工程局集团有限公司申请的专利基于机器学习的水库入库径流预报方法、系统及介质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：CN120745898B 。

龙图腾网通过国家知识产权局官网在2026-02-17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：202510791523.0，技术领域涉及：G06Q10/04；该发明授权基于机器学习的水库入库径流预报方法、系统及介质是由贾文豪;何则林;杨萍;王旭东;朱晓庆;刘小芬;王志林;郭继禄;姚洪祎;梁松林;吴文林;朱瑞;边凯旋;刘学明;穆贵玲设计研发完成，并于2025-06-13向国家知识产权局提交的专利申请。

本基于机器学习的水库入库径流预报方法、系统及介质在说明书摘要公布了：本发明公开了一种基于机器学习的水库入库径流预报方法、系统及介质，方法包括：首先收集水库入库径流数据，使用马尔可夫方法扩充入库径流样本；然后构建水库入库径流预报的多目标优化极限学习机模型MOELM，以极限学习机ELM为骨架，结合快速精英多目标遗传算法NSGA‑Ⅱ，以径流整体拟合和极端洪水事件的均方根误差最小为目标优化径流模拟效果，通过部分互信息法PMI和经验指南分别从模型输入信息和隐藏节点数的进行灵敏度分析；将训练好的MOELM迁移至其他水库，检验模型的可移植性。与传统水文模型相比，该方法在典型洪水事件中能够有效提高洪水预报的精准度，降低对极端洪水的模拟误差，且水文迁移能力强，在洪水预报时更具可扩展性和鲁棒性。

本发明授权基于机器学习的水库入库径流预报方法、系统及介质在权利要求书中公布了：1.基于机器学习的水库入库径流预报方法，其特征在于，包括下述步骤： S1、收集水库入库径流数据，并对径流数据进行扩充得到径流样本集； S2、构建水库入库径流预报的多目标优化极限学习机模型MOELM并进行训练，MOELM模型是以极限学习机ELM为骨架，结合快速精英多目标遗传算法NSGA‑Ⅱ，以径流整体拟合和极端洪水事件的均方根误差最小为目标优化径流模拟效果，具体包括： S21、以NSGA‑Ⅱ多目标优化算法为框架，随机生成ELM输入层与隐含层间连接权值IW和偏重值B； S22、以初始生成的IW和B为参数，构建ELM模型，以历史入库径流系列为输入，得到模拟径流； S23、基于模拟径流与实测径流计算整个径流系列的相对误差以及极端洪水径流系列模拟误差； S24、基于NSGA‑Ⅱ算法，以整个径流系列的相对误差以及极端洪水径流系列模拟误差最小为目标，进行多目标优化； S25、将输出NSGA‑Ⅱ最后迭代优化得到的IW和B及根据ELM模型得到的模拟径流，以得到训练好的MOELM模型； S3、通过部分互信息法PMI和经验指南分别从模型输入信息和隐藏节点数的角度对MOELM模型进行灵敏度分析； S4、将训练好的MOELM模型迁移至其他水库，检验模型的可移植性； S5、基于灵敏度分析和可移植性检验的MOELM模型对水库入库径流进行预报； 所述步骤S1中，基于马尔可夫扩充入库径流样本集，具体为： 统计实际径流样本均值和标准差，以作为上下界，从小到大将径流样本划分为枯水年、较枯水年、平水年、较丰水年、丰水年径流五组； 建立不同类别径流样本的状态转移概率矩阵，分析状态转移概率； 离散序列的马氏链可用x2统计量来检验，设所研究的序列包含m个可能的状态，用记为转移频数概率矩阵，i，j∈E，将转移频数概率矩阵的各列之和除以各行各列的总和，求得“边际概率”，以“边际概率”分析统计量，此时统计量服从自由度为m‑12的分布，给出致信度，查表可得的值，当表示统计量大于自由度m‑12相对应的χ2值，指的是在χ2分布中，与给定的致信度α和自由度 m−12相对应的临界值时，认为当前径流样本满足“马氏性”； 计算各阶自相关系数，求解各种步长的马尔可夫链的权重； 预测所需径流样本，将同一状态的各预测概率加权和作为指标值处于第状态的预测概率； 确定指标值后，将指标值加入到原序列，即实现第状态的径流样本补充，补充其余所需样本，最终得到径流样本集； 将径流样本集中的径流样本按照设定比例划分为训练集、验证集和测试集，作为MOELM模型训练的输入； 所述步骤S3中，通过部分互信息法PMI和经验指南分别从模型输入信息和隐藏节点数的角度对MOELM模型进行灵敏度分析，具体为： S31、对于灵敏度分析，选用部分互信息法PMI，表达如下： 其中，的联合概率分布，表示到的距离； 在径流预报模拟中，对于输入层结构灵敏度分析，先采用部分互信息法从预报因子集合中初步筛选出与径流相关性最强预报因子集；然后根据初筛得到的预报因子组合，使用相关系数法计算不同滞时下预报因子与径流的相关性系数，识别最重要的输入预报因子集；通过分析所选因子集在随机森林RF模型的相关系数和输入重要性，验证灵敏度； S32、对于隐藏层节点数灵敏度分析，基于隐藏层经验指南中的经验公式，把PMI选择的输入用于测试MOELM模型隐藏层节点数量，在两个间隔内改变隐藏节点的数量，分析不同隐藏节点数量条件下径流模拟效果，经验公式表达如下： 式中，为隐藏层神经元的数量，为径流样本的数量，为输入层的数量，为输出层分类的数量，为一个取值范围在[2,10]之间的常数。

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珠江水利委员会珠江水利科学研究院;中铁广州工程局集团有限公司，其通讯地址为：510611 广东省广州市天河区天寿路105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。