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！

龙图腾网获悉四川轻化工大学申请的专利一种基于时空特征解耦的嵌入式滑坡实时预警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：CN121034058B 。

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：202511562317.9，技术领域涉及：G08B31/00；该发明授权一种基于时空特征解耦的嵌入式滑坡实时预警方法是由唐宇峰;程钢;胡新承;何俚秋;阿海木沙;邹鑫杰;郭际设计研发完成，并于2025-10-29向国家知识产权局提交的专利申请。

本一种基于时空特征解耦的嵌入式滑坡实时预警方法在说明书摘要公布了：本发明公开了一种基于时空特征解耦的嵌入式滑坡实时预警方法，属于地质灾害智能监测与预警技术领域。其内容包括：获取滑坡体的历史时序监测数据并构建训练数据集；对数据进行时空特征解耦，分解为全局分量与细节分量；构建一个包含全局分支与细节分支的双分支轻量化时序卷积网络，并在云端完成联合训练与自适应权重融合；对训练好的网络进行差异化轻量化处理并部署于嵌入式终端；在嵌入式端利用实时数据流进行特征解耦与预测，结合轻量化蒙特卡罗Dropout方法得到预测值及不确定性估计，最终实现动态阈值计算与分级预警。本发明有效解决了现有方法在嵌入式终端难以兼顾预测精度与计算效率的难题，实现了滑坡灾害的实时、精准与自适应预警。

本发明授权一种基于时空特征解耦的嵌入式滑坡实时预警方法在权利要求书中公布了：1.一种基于时空特征解耦的嵌入式滑坡实时预警方法，其特征在于，包括以下步骤： 步骤一：获取滑坡体的历史时序监测数据，并基于滑动窗口法构建训练数据集，其中，每个训练样本用于预测其对应窗口之后的一个或多个时间点的监测数据； 步骤二：对所述历史时序监测数据进行时空特征解耦，将原始序列分解为表征长期演化趋势的全局分量和表征短期波动与突变的局部细节分量； 步骤三：构建一个双分支轻量化时序卷积网络，该网络的输入为长度L的监测数据序列，输出为步骤一所述的一个或多个时间点的预测值；所述网络包括一个全局分支和一个细节分支； 所述全局分支中包含的深度可分离卷积层总数，多于所述细节分支中包含的深度可分离卷积层总数； 步骤四：在云端使用训练数据集对所述双分支轻量化时序卷积网络进行联合训练，并采用自适应权重融合模块将两个分支的输出进行融合，得到最终预测值； 步骤五：对训练好的双分支轻量化时序卷积网络进行差异化的轻量化处理： 对所述全局分支进行高强度的剪枝与量化；对所述细节分支进行低强度的剪枝与量化或保留全精度； 步骤六：将轻量化处理后的模型部署于嵌入式终端； 步骤七：在嵌入式终端，对实时采集的监测数据流，维护一个长度为L的最新数据滑动窗口；采用与步骤二相同的时空特征解耦方法对该窗口内的数据进行预处理； 步骤八：将解耦后的全局分量与细节分量，分别输入部署好的双分支网络中，得到预测值Tb； 步骤九：基于轻量化的蒙特卡罗Dropout方法，得到模型预测值的不确定性估计Ut，并基于预测值Tb和不确定性估计Ut计算动态预警阈值； 所述基于轻量化的蒙特卡罗Dropout方法，得到模型预测值的不确定性估计Ut，其方法如下： 在嵌入式终端进行推理时，对同一输入数据执行K次前向传播，每次前向传播均随机激活Dropout层，得到K个不同的预测输出{y1,y2,...,yk}； 通过计算这K次预测输出的标准差σ得到不确定性估计值Ut，即： U t =σ{y1,y2,...,yk} 其中，K为一个介于2至4之间的整数； 所述动态预警阈值根据历史数据波动性和模型不确定性进行动态计算，计算方法为： T dmax=Tb×1+α×UtUmax T dmin=Tb×1-α×UtUmax 其中：Tdmax为动态预警阈值上限；Tdmin为动态预警阈值下限；Tb为预测值；Umax为训练阶段不确定性估计的历史最大值；α为调整系数，取值范围为0.1~0.3； 步骤十：将实时监测数据与动态预警阈值比较，实现分级预警。

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四川轻化工大学，其通讯地址为：643000 四川省自贡市自流井区汇东学苑街180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。