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！

龙图腾网获悉国网辽宁省电力有限公司物资分公司申请的专利融合时序特征学习与领域知识推理的多专项电力物资需求预测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：CN121660596B 。

龙图腾网通过国家知识产权局官网在2026-05-08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：202511752759.X，技术领域涉及：G06Q10/087；该发明授权融合时序特征学习与领域知识推理的多专项电力物资需求预测方法及系统是由王超;刘黎洋;郭子瑶;董思晴;朱楠设计研发完成，并于2025-11-26向国家知识产权局提交的专利申请。

本融合时序特征学习与领域知识推理的多专项电力物资需求预测方法及系统在说明书摘要公布了：本发明公开了一种融合时序特征学习与领域知识推理的多专项电力物资需求预测方法及系统，涉及电力物资管理领域。该方法包括：获取电力项目物资历史数据，构建多维特征数据集；基于Transformer架构构建时序特征学习模型，通过多头自注意力机制和时间衰减机制捕捉物资需求的长期依赖关系；构建电力物资领域知识图谱，采用图神经网络进行知识推理；设计自适应特征融合层，将时序特征与领域知识特征进行门控融合；建立多任务学习框架，同时优化需求量预测、采购批次规划和时间窗口预测三个任务；通过后处理机制，确保预测结果符合业务约束。本发明实现了对不同类型电力物资需求的精准预测，显著提升了电力企业物资管理的智能化水平。

本发明授权融合时序特征学习与领域知识推理的多专项电力物资需求预测方法及系统在权利要求书中公布了：1.融合时序特征学习与领域知识推理的多专项电力物资需求预测方法，其特征在于，包括以下步骤： 步骤S1：获取电力项目物资历史数据，构建包含16类专项物资的多维特征数据集，所述多维特征数据集包括历史需求序列特征、项目属性特征、时间周期特征和物资关联特征； 步骤S2：基于Transformer架构构建时序特征学习模型，将所述多维特征数据集中的特征向量作为输入，通过所述时序特征学习模型的输入嵌入层、融合时间衰减机制的多头自注意力层、前馈网络层以及残差连接与层归一化机制，提取物资需求的时序特征向量； 步骤S3：构建电力物资领域知识图谱，定义物资实体、项目类型、技术标准、供应商、仓库在内的实体集合及其关系；采用图神经网络对知识图谱进行编码，通过消息传递机制聚合邻居节点信息；基于编码后的图表示，通过规则推理、知识图谱多跳推理实现知识推理，生成领域知识特征向量； 步骤S4：设计自适应特征融合层，通过门控机制计算融合权重，将所述时序特征向量与所述领域知识特征向量进行自适应融合，生成综合特征表示； 步骤S5：建立多任务学习框架，基于所述综合特征表示，通过共享编码器层和任务特定层，同时训练需求量预测分支、采购批次优化分支和时间窗口预测分支三个子任务，采用动态权重调整策略平衡各任务损失函数；具体包括： 所述共享编码器层包括底层的Transformer编码器和特征融合层，所有任务共享底层表示，学习通用特征表示； 所述需求量预测分支采用三层全连接网络，网络结构为，其中为物资类别数；损失函数为均方误差，其中为第i类物资的预测需求量，为真实需求量； 所述采购批次优化分支采用Actor-Critic强化学习框架；定义状态空间，其中为各类物资的当前库存水平，为预测的未来需求，为可用资金，为各类物资的供应商产能；定义动作空间，其中为采购批次数，为第批次各类物资的采购量；设计奖励函数，其中为库存成本，为缺货成本，为采购成本，,,为权重系数；Actor网络输出策略，Critic网络估计状态价值；优势函数，其中为折扣因子；Actor损失，Critic损失； 所述时间窗口预测分支采用LSTM网络，隐藏单元数为128；输入门，遗忘门，输出门；候选记忆；记忆单元；隐藏状态；输出序列长度为预测时间窗口长度；损失函数为交叉熵，其中为真实分布，为预测分布，为时间分类数； 采用动态权重调整策略自适应平衡各任务分支的损失函数，总损失函数，初始权重；根据任务不确定性调整权重，其中为学习率，为任务在验证集上的损失方差；归一化权重； 步骤S6：建立基于规则的后处理模块，对预测结果进行业务约束检验、时序平滑处理、异常检测与修正以及季节性调整，生成最终的物资需求预测计划。

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国网辽宁省电力有限公司物资分公司，其通讯地址为：110002 辽宁省沈阳市和平区文化路63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。