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！

龙图腾网获悉四川科瑞软件有限责任公司申请的专利一种基于ST-GAN的多源数据动态风险预警方法及系统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：CN121414159B 。

龙图腾网通过国家知识产权局官网在2026-04-10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：202512000151.8，技术领域涉及：G06Q10/0635；该发明授权一种基于ST-GAN的多源数据动态风险预警方法及系统是由袁海月;黎晗;刘川杰;陈强;赵大全;陈松;罗霞设计研发完成，并于2025-12-29向国家知识产权局提交的专利申请。

本一种基于ST-GAN的多源数据动态风险预警方法及系统在说明书摘要公布了：本发明公开了一种基于ST‑GAN的多源数据动态风险预警方法及系统，所述方法包括以下步骤：S1.构建适应时空数据特性的时空生成对抗网络，利用该网络生成极端降水数据，实现时空不平衡数据消减，得到最终输出的均衡化数据；S2.将最终输出的均衡化数据与高维空间变量进行多源数据融合，并非线性时空信息转换方程，并通过局部线性化得到线性近似模型，来预测未来时间序列；S3.在极端降雨数据量相对不足的现状下，基于对偶学习理论的神经网络精确地学习非线性时空转化的参数，预估极端天气事件。本发明通过时空生成对抗网络ST‑GAN和多源数据融合引擎，显著提升了自然灾害预警的精度与效率。

本发明授权一种基于ST-GAN的多源数据动态风险预警方法及系统在权利要求书中公布了：1.一种基于ST-GAN的多源数据动态风险预警方法，其特征在于：包括以下步骤： S1.构建适应时空数据特性的时空生成对抗网络，利用该网络生成极端降水数据，实现时空不平衡数据消减，得到最终输出的均衡化数据； 所述步骤S1包括： S101.给定极端降雨的时序数据,作为原始非平衡数据： =,,….,； S102.采用编码器-解码器架构进行序列重建： 编码器将输入数据压缩为隐空间特征： ； 其中，=,,….,为历史时空序列数据，每个包含多个空间位置的观测值； 解码器基于隐空间特征重构数据； 式中，分别为编码器、解码器；和分别为编码器和解码器的可学习参数；对于时空序列重建，损失函数为，第一项表示均方误差损失，确保重构数据在时间维度上与真实数据一致，第二项为空间平滑正则项，强制生成数据在空间维度上保持地理连续性；为空间位置数量，为正则化系数； 使用损失函数对编码器-解码器进行预训练，以学习时空序列的重建；预训练时，从完整的极端降雨时序数据中构建多个训练样本，每个样本为一段连续的历史序列及其对应的下一时刻真实数据；预训练得到的编码器-解码器的参数用于初始化生成对抗网络； 、表示、中包含的第i个空间位置的观测值； S103.构建并训练生成对抗模型： A1、生成器的设计： 给定随机噪声N0,1； 由编码器根据历史时序数据生成历史隐状态：； 给出生成器的信号生成过程： ； 其中，：生成的隐空间特征，：生成器的网络参数，g是一个神经网络函数； 输出合成降雨数据： 通过解码器重构，输出合成降雨数据； A2、判别器设计： 输入：真实数据或生成数据； 判别过程：D;→[0,1]：判别器的参数；其中，为判别器输入，取真实数据或生成数据； 输出概率值：1=真实，0=生成； A3、损失函数设计： 生成器损失：； 其中，是由生成器产生并通过解码器重构的合成降雨数据，是判别器将生成数据判定为“真实”的概率；生成器的目标是最大化这个概率，因此在损失函数中体现为最小化其负对数； 判别器损失：； 其中，是来自真实数据分布的降雨数据，是由生成器产生并通过解码器重构的合成降雨数据，是判别器的输出函数；判别器的目标是最大化对真实数据判真和对生成数据判假的准确率，因此在损失函数中体现为最小化其负对数似然； A4、构建多组时序数据构成的数据集，进行生成对抗训练，每一次训练过程中，基于损失函数对生成对抗训练模型进行更新，得到训练好的生成对抗模型； S104.通过上述生成对抗训练，解码器最终输出合成的t时刻降雨数据，其与t时刻原始数据共同构成均衡化数据集，并进行预处理后得到均衡化数据； S2.将最终输出的均衡化数据与高维空间变量进行多源数据融合，并构建非线性时空信息转换方程，并通过局部线性化得到线性近似模型，来预测未来时间序列； 所述步骤S2包括： 输入：均衡化数据和高维空间变量，其中高维空间变量包括大气压、湿度； 处理： 将均衡化后的极端降雨数据组织为空间-时间数据矩阵，空间向量构建为其中，表示在时间点t，空间位置i的均衡化降雨量，D为空间位置总数； 时间向量构建为，其中表示在时间点的空间聚合降雨量，通过对所有空间位置在时间点的均衡化降雨量进行平均得到，即，L为时间窗口的大小； 将高维空间变量与均衡化降雨数据融合，构建增强的空间向量： ； 其中为大气压空间向量，为湿度空间向量； 基于上述数据矩阵，构建非线性时空信息转换方程： ； 其中，Φ和Ψ均为非线性可微函数，第一个方程是STI方程的初等形式，第二个方程是STI方程的共轭形式；表示多个变量在时间点t的空间向量，而表示变量y在多个时间点t、t+1、…、t+L−1的时间向量；I表示单位函数； 时空信息转换方程中的Φ和Ψ均为非线性可微函数，将非线性可微函数在局部线性化，得到一个线性近似模型： ； 该线性化近似模型通过拟合矩阵A和B来分别近似映射函数Φ和Ψ，具体地： 利用生成的均衡化数据集，通过最小二乘法等求解矩阵A和B，使得且；通过求解得到的A和B，使用线性变换来近似预测未来时间序列； 其中，AB=I，A和B分别是L×D和D×L的矩阵，L为时间维度，D为空间维度，I表示L×L单位矩阵； S3.在极端降雨数据量相对不足的现状下，基于对偶学习理论的神经网络精确地学习非线性时空转化的参数，预估极端天气事件。

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科瑞软件有限责任公司，其通讯地址为：621000 四川省绵阳市绵阳科创园区；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。