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！

龙图腾网获悉南开大学申请的专利一种针对流程工业中不规则时序数据的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：CN120409796B 。

龙图腾网通过国家知识产权局官网在2026-02-24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：202510499944.6，技术领域涉及：G06Q10/04；该发明授权一种针对流程工业中不规则时序数据的预测方法是由王宇龙;王恺设计研发完成，并于2025-04-21向国家知识产权局提交的专利申请。

本一种针对流程工业中不规则时序数据的预测方法在说明书摘要公布了：本发明提供一种针对流程工业中不规则时序数据的预测方法，属于工业时序数据预测技术领域，包括以下步骤：数据采集与预处理；构建不规则时序数据的图表示；构建与训练时空关系图卷积神经网络模型；在线预测，并实际应用，时空关系图卷积神经网络模型包括：全连接图转换模块、时空关系图卷积层和分层“三明治”结构，本发明在流程工业环境下针对不规则采样的多变量时序数据构建了无须预对齐的全连接图表示，并基于时空关系图卷积模块实现了对异步且复杂的时空依赖结构的高精度预测，分层“三明治”策略进一步在大规模图数据上保证了计算效率与模型性能，适用于工业现场含大量异步传感器测点的实时预测和故障预警等需求。

本发明授权一种针对流程工业中不规则时序数据的预测方法在权利要求书中公布了：1.一种针对流程工业中不规则时序数据的预测方法，其特征在于：所述方法包括以下步骤： S1：数据采集与预处理：在所需场景布设N个传感器，n表示第n个传感器，监测不同工艺参数，采集到的数据进行预处理，对极端异常点或明显错误测量进行剔除或修正； S2：构建不规则时序数据的图表示：将所有历史观测点及未来需要预测的时间点统一视作全连接图中的节点，从而利用图神经网络灵活建模不规则时序间的关系； S3：构建与训练时空关系图卷积神经网络模型：在全连接图上引入时空关系图卷积网络以自然捕获异步时空依赖，基于关系图卷积改进的时空关系图卷积算子，在完成时空关系图卷积结构的迭代后，对于未来待预测节点进行解码并进行回归预测，为降低计算量，构建“三明治”式分层聚合结构，通过“超节点”机制降低图的分辨率，再进行局部-全局信息融合，具体包括如下步骤： S301：配置参数，构建时空关系图卷积神经网络模型结构； 所述参数包括初始节点特征、时间编码和变量标识编码，为凸显时间相距较远的节点对在依赖程度上的减弱，在聚合时采用带时间因子的归一化，记为节点j向节点i传播消息的归一化系数，定义如下： ； 其中表示在关系r下与节点i相邻的邻居节点集合，即所有与节点i通过关系类型r相连的节点；er为与变量对r相关联的可学习标量权重，用于平衡不同变量间的相对影响，其中r为中的某一关系，表示空间关系集合，用于描述不同传感器变量之间的关系类型；pi，pj分别是节点i,j的时间嵌入向量，结合上述归一化策略后，节点i在第k层的更新写为 ； 其中为第k层中与关系r相关的时间变换矩阵，用于捕获时间维度上的特征变换；为第k层中与关系r相关的空间变换矩阵，用于捕获空间维度上的特征变换；二者相乘实现时空特征的解耦变换；是节点i在第k层的隐向量，为对应关系r的变换矩阵，为激活函数，为自连接变换矩阵，将整层操作抽象为 ； 其中为第k层所有节点的隐向量矩阵，L为节点总数，d为隐向量维度，P为时间编码，S为空间编码包含该层的全部可学习参数，多层堆叠可逐步提炼更高阶的时空关联信息； S302：生成超节点，进行“三明治”式分层卷积，根据时间轴对原始节点进行分段或采样，聚合得到一批超节点，每个超节点代表某时间范围内的统一抽象，令其时空编码分别记为与，在中间层以超节点为单位做卷积，减小图大小，所述“三明治”式分层卷积包括如下步骤： 对第k层进行更新时，先在底层将所有原节点与超节点做一次时空关系图卷积传播，得到超节点表示；再在中间层对本身做卷积更新得到；最后在顶层把的信息回映射到原节点分辨率，生成，记三步如下： ； 最后采用残差机制 ； 既保留底层信息又融入了超节点层的全局上下文，该过程视作一个复合层，能在较少的计算代价下完成全图的多粒度聚合； S303：通过解码器及损失函数进行模型训练，确保模型在不规则时序数据中有效学得空间-时间交互规律，包括以下步骤： 1预测任务与解码 在完成时空关系图卷积结构的迭代后，得到每个节点的最终表示，对于未来待预测节点，其对应的表示可通过解码器映射为真实数值： ； 其中与真实观测的维度相同，用于回归预测； 2损失函数 对于回归场景，可采用均方误差或平均绝对误差： ； 其中，n代表传感器的索引，对应S1中定义的第n个传感器，l代表所述传感器n下的未来待预测时间戳的索引，为全部未来时间戳数，为模型预测值，为真实值；若需平衡模型复杂度，引入L2正则： ； 包含模型的全部可训练参数，为正则化系数，用于防止过拟合； 3训练过程 将历史观测划分为训练集与验证集，通过随机梯度下降或自适应优化算法在训练集上迭代最小化，在验证集上监测误差下降趋势，若达到收敛条件或最大迭代轮数便停止训练，此时模型即能在不规则时序数据中有效学得空间-时间交互规律； S4：在线预测，并实际应用：获取实时的传感器数据并追加到所述时空关系图中相应变量的时间戳节点后，进行在线预测，系统可将预测结果用于过程控制、异常预警、能耗优化或软传感器输出多种决策场景。

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南开大学，其通讯地址为：300110 天津市南开区卫津路94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。