CN119783564B 一种基于改良后Transformer神经网络模型预测城市排水管网流量的方法 （清华大学深圳国际研究生院）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN119783564B(45)授权公告日2025.07.04

(21)申请号202510285542.6

(22)申请日2025.03.11

(65)同一申请的已公布的文献号申请公布号CN119783564A

(43)申请公布日2025.04.08

(73)专利权人清华大学深圳国际研究生院

地址518071广东省深圳市南山区桃源街

道丽水路2279号

(72)发明人李漫洁曹政

(74)专利代理机构深圳新创友知识产权代理有限公司44223

专利代理师王震宇

(51)Int.CI.

GO6F30/27(2020.01)

GO6F30/18(2020.01)

GO6F30/28(2020.01)

GO6F18/15(2023.01)

GO6F18/213(2023.01)

GO6F18/214(2023.01)

GO6F18/21(2023.01)

GO6N3/0455(2023.01)

GO6N3/084(2023.01)

G06F113/14(2020.01)

(56)对比文件

CN119477974A,2025.02.18

HanlinYin等.RR-Former:Rainfall-runoffmodelingbasedon

Transformer.JournalofHydrology.2022,正文第1-18页.

审查员郭瑞

权利要求书2页说明书10页附图12页

(54)发明名称

一种基于改良后Transformer神经网络模型预测城市排水管网流量的方法

(57)摘要

本发明提出了一种基于改良后Transformer

CN119783564B神经网络模型的城市排水管网流量预测方法，包括步骤：S1、通过构建降雨参数化引擎，模拟不同条件下的降雨过程，生成降雨数据集。S2、利用校准后的物理模型，根据降雨数据计算出相应的排口流量，形成流量数据集。S3,对数据进行预处理，包括构建数据集、删除无效数据、补齐特征和标签，以形成训练和验证数据集。S4、构建RO-former模型，该模型采用编码器-解码器架构，通过动态掩码和交叉注意力机制处理降雨与流量数据。S5、通过损失函数对模型进行训练和优化，得到可用于实时预测城市排水管网流量的模型。

CN119783564B

S1、

S1、降雨数据生成：基于区域降雨特征，构建降雨参数

化引擎，模拟不同重现期、历时和峰值系数下的降雨过

程，生成具有代表性的降雨数据集；

S2、流量数据模拟：将生成的降雨数据输入经过校准的

物理模型，计算得到对应排口的流量过程，形成流量数

据集；

53、数据预处理：构建数据集，将降雨过程和排口流量

过程作为输入和标签，刑除无效数据，补齐特征和标签，

形成训练和验证数据集：

S4、深度学习模型构建：构建基于编码器-解码器架构

的RO-former模型，其中编码器通过动态掩码机制识别

有效数据位置，解码器采用因果掩码和动态长度掩码，

支持任意历时降雨输入，并通过交叉注意力机制将降雨

特征与流量响应对齐：

S5、模型训练与优化：使用损失函数对模型进行训练和优化，训练好的模型用于城市排水管网流量预测

CN119783564B权利要求书1/2页

2

1.一种基于改良后Transformer神经网络模型预测城市排水管网流量的方法，其特征在于，包括以下步骤：

S1、降雨数据生成：基于区域降雨特征，构建降雨参数化引擎，模拟不同重现期、历时和峰值系数下的降雨过程，生成具有代表性的降雨数据集；

S2、流量数据模拟：将生成的降雨数据输入经过校准的物理模型，计算得到对应排口的流量过程，形成流量数据集；

S3、数据预处理：构建数据集，将降雨过程和排口流量过程作为输入和标签，删除无效数据，补齐特征和标签，形成训练和验证数据集；其中，将降雨过程和排口流量过程作为输入和标签，删除无效数据，补齐特征和标签包括通过数据加载器对数据进行分批次处理，并动态删除无效数据，补齐特征和标签；

S4、深度学习模型构建：构建基于编码器-解码器架构的RO-former模型，其中编码器通过动态掩码机制识别有效数据位置，解码器采用因果掩码和动态长度掩码，支持任意历时降雨输入，并通过交叉注意力机制将降雨特征与流量响应