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！

龙图腾网获悉桂林电子科技大学申请的专利一种基于小波变换的图卷积神经网络复合模型的大气污染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：CN119887482B 。

龙图腾网通过国家知识产权局官网在2026-03-03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：202411969107.7，技术领域涉及：G06Q50/26；该发明授权一种基于小波变换的图卷积神经网络复合模型的大气污染预测方法是由沈世铭;许睿;文建辉;李建;孙绍华;蔡天孚设计研发完成，并于2024-12-30向国家知识产权局提交的专利申请。

本一种基于小波变换的图卷积神经网络复合模型的大气污染预测方法在说明书摘要公布了：本发明提供一种基于小波变换的图卷积神经网络复合模型的大气污染预测方法，采用小波变换数据时频域分解技术对划分后的数据集进行时频域分解，解决了长时间数据的纠缠问题，构建的能够有效关联污染物的时间和空间信息，并考虑了多个站点间的传输，提升了模型的说服力，进而能够提升大气污染的预测精准度。该方法适用于城市大气污染预测，有助于模拟和预测大气环境变化，对空气污染防治、挖掘污染物传播规律具有借鉴意义。

本发明授权一种基于小波变换的图卷积神经网络复合模型的大气污染预测方法在权利要求书中公布了：1.一种基于小波变换的图卷积神经网络复合模型的大气污染预测方法，其特征在于，包括以下步骤： S1，数据预处理：对待预测区域内的大气污染物数据进行清洗，并划分为训练集，测试集和验证集； S2，采用小波变换数据时频域分解技术对划分后的数据集进行时频域分解； S3，将分解后的数据构建成图结构数据； S4，构建一图卷积神经网络复合模型，所述图卷积神经网络复合模型包括编码器及解码器，所述编码器为基于注意力机制构建的编码器，所述解码器由GCN和LSTM组成； S5，根据所述图结构数据和预设的损失函数，训练所述图卷积神经网络复合模型，直至所述损失函数收敛； 在步骤S5中，对于训练的每一次迭代过程，首先，使用所述编码器捕捉图结构数据中的时间和空间特征，包括以下步骤： S100，构建一基于时间-空间注意力机制的编码器，通过编码器的线性层对时间特征和空间特征进行映射，分别得到空间特征的查询矩阵、键矩阵和时间特征的查询矩阵、键矩阵； S200，将空间特征的查询矩阵和键矩阵的转置矩阵相乘得到空间相关性矩阵，并将时间特征的查询矩阵和键矩阵的转置矩阵相乘得到时间相关性矩阵； S300，分别对得到的空间相关性矩阵及时间相关性矩阵作归一化处理，并使用Tanh激活函数对归一化处理的空间相关性矩阵及时间相关性矩阵进一步调整，使相关性权重更加精确地捕捉关键特征和时空关系； S400，将调整后的空间相关性矩阵与原始数据矩阵相乘得到空间特征表示矩阵，将调整后的时间相关性矩阵与原始数据矩阵相乘得到时间特征表示矩阵，以加强在时空上具有较高相关性的变量在最终特征表示中的影响； S500，通过空间特征表示矩阵计算获得空间注意力权重，通过时间特征表示矩阵计算获得时间注意力权重，将获得的空间注意力权重及时间注意力权重加权求和，以增强大气数据中的时间和空间特征； 然后，利用所述解码器的GCN提取编码后的空间特征，LSTM挖掘编码后的时间特征，得到最终预测值，将预测值与标签值比对并计算损失函数值，继续迭代直至模型达到最优，即损失函数值最小，完成模型的训练； 所述解码器的工作流程为：原始信号Xi首先进入GCN的时空块，利用GCN通过图卷积提取对输入GCN的原始信号Xi提取空间权重矩阵A的空间特征Ht，然后将原始信号Xi与空间特征Ht进行连接得到整合注意力加权的GCN输出，，l为神经网络层的索引，该GCN输出形成LSTM的输入，记为Inputlstm＝[Xi,Jl+1]，如式1所示，序列建模如式2所示，将整合注意力加权的GCN输出到LSTM进行处理，如式3所示；最终通过全连接层结合LSTM的处理结果，得到预测结果： 式中，代表t时刻的LSTM的输出；代表t时刻的LSTM的隐藏层状态，代表t-1时刻的LSTM的隐藏层状态；代表t时刻的GCN的输出权重；inputt代表原始输入数据，inputt＝Xi＝[x1,x2,…xt]； S6，将从待预测区域实时获取的污染物变量输入步骤S5的图卷积神经网络复合模型中，经过运算后得到目标监测站在未来预设时间段内的大气污染预测结果。

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桂林电子科技大学，其通讯地址为：541004 广西壮族自治区桂林市七星区金鸡路1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。