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！

龙图腾网获悉福州大学申请的专利一种基于时空动态超图神经网络的在线降水预报模型的构建方法与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：CN121482298B 。

龙图腾网通过国家知识产权局官网在2026-04-24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：202610023446.9，技术领域涉及：G06T17/00；该发明授权一种基于时空动态超图神经网络的在线降水预报模型的构建方法与系统是由王正鸿;黄维;林展设计研发完成，并于2026-01-08向国家知识产权局提交的专利申请。

本一种基于时空动态超图神经网络的在线降水预报模型的构建方法与系统在说明书摘要公布了：本发明提出了一种基于时空动态超图神经网络的在线降水预报模型的构建方法与系统，包括：建立超图的图模型，原始图的邻接矩阵和超图的关联矩阵。以超图图神经网络机制为核心，建立基于时空动态超图神经网络的在线降水预报模型；然后采用编码器拼接降水数据的时间序列和空间序列拼接后输入具有全连接结构的多层感知器，最后由解码器采用具有全连接结构的多层感知器输出预测序列；其中建立编码器包括建立用于捕捉气象要素的时间嵌入模块和建立超图注意力网络；其中建立解码器包括建立了具备全连接结构的多层感知器。建立在线学习机制、季节性样本存储池和基于混合域动态回放的在线训练机制，用于修正在线降水预报模型的输出。

本发明授权一种基于时空动态超图神经网络的在线降水预报模型的构建方法与系统在权利要求书中公布了：1.一种基于时空动态超图神经网络的在线降水预报模型的构建方法，其特征在于，包括以下内容： 步骤S1：建立超图的图模型，原始图的邻接矩阵和超图的关联矩阵； 步骤S2：以超图神经网络机制为核心，建立基于时空动态超图神经网络的在线降水预报模型；包括采用编码器接收降水的时间数据和空间数据；然后采用编码器拼接降水数据的时间序列和空间序列拼接后输入具有全连接结构的多层感知器，最后由解码器采用具有全连接结构的多层感知器输出预测序列； 其中建立编码器包括建立用于捕捉气象要素的时间嵌入模块和建立超图注意力网络； 其中建立解码器包括建立了具备全连接结构的多层感知器； 步骤S3：建立在线学习机制、季节性样本存储池、以及包括混合域损失函数和时空相似性回放机制的在线训练机制，用于修正在线降水预报模型的输出； 其中，步骤S3包括以下内容： 步骤S31：采用混合域损失函数反映降水系统中时域和频域信息，包括以下内容： ； 其中、分别表示频域损失与时域损失； 其中F表示傅里叶变换； 其中n表示一个批次数据量的大小； 其中yi表示输入的真实值； 其中表示模型对于输入数据给出的预测值； 其中表示时序数据任务领域的经典混合损失； 步骤S32：采用时空相似性回放机制为在线降水预报模型实现在线动态调整功能，包括以下内容： 步骤S321：定义季节性样本存储池M，包括： 对于预设的容量大小为|M|的季节性样本存储池，设其中随机存有mint,|M|个0-t时刻的历史数据样本，保证可选范围内的所有样本被选中的概率一致，即对任意时刻t，有，其中， 其中为对应，，，时刻的历史数据； 步骤S322：定义时空相似性样本，包括从时空相似性角度选择与时刻t的数据Xt最为相似的降雨序列； 步骤S323：定义时间相似性样本，在M中搜索时间相似性最大的k个历史样本作为采样方式，记作； 步骤S324：定义空间相似性样本，包括从训练损失最大的k个地区的降雨序列，记作 ，； 步骤S325：通过训练损失最大地区的索引idl与时间相似性最大历史索引idm，得到最具时空相似性的样本，即，三者分别表示存储在M中的历史输入、标签以及模型预测值，存入M的历史样本均为经过模型得到预测结果的样本，同时会保存原始标签以及模型输出的预测值，即； 时间相似性为：； 其中表示时序数据任务领域的经典混合损失； 其中N表示超图的顶点总数量； 其中表示历史输入数据在其对应时刻模型状态下得到的模型预测值； 其中表示余弦相似度计算； 其中表示季节性样本存储池中的键矩阵； 其中表示季节性样本存储池中的样本。

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福州大学，其通讯地址为：350108 福建省福州市闽侯县福州大学城乌龙江北大道2号福州大学；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。