CN120256865A 一种基于特征提取和引导的水文时间序列预测网络及方法 （太原理工大学）.docxVIP

(19)国家知识产权局

(12)发明专利申请

(10)申请公布号CN120256865A(43)申请公布日2025.07.04

(21)申请号202510328017.8

(22)申请日2025.03.19

(71)申请人太原理工大学

地址030024山西省太原市迎泽西大街79

号

(72)发明人刘萍唐莉武鑫如张华栋郝戍峰赵雪花杨静

(74)专利代理机构太原高欣科创专利代理事务所(普通合伙)14109

专利代理师孟肖阳冷锦超

(51)Int.CI.

GO6F18/20(2023.01)

GO6F18/2131(2023.01)

GO6F18/2136(2023.01)

GO6NGO6NG06F

3/0455(2023.01)

3/0464(2023.01)

123/02(2023.01)

GO6F18/25(2023.01)

权利要求书2页说明书9页附图4页

(54)发明名称

一种基于特征提取和引导的水文时间序列预测网络及方法

(57)摘要

CN120256865A本申请提供了一种基于特征提取和引导的水文时间序列预测网络及方法，属于水文时间预测技术领域；解决了现有方法预测精度不足、误差增速快等问题；采用Informer的编码器-解码器模型结构，还包括特征提取模块，特征提取模块的输出作为编码器的输入；特征提取模块包括时域特征提取模块、频域特征提取模块和动态特征融合模块，时域特征提取模块用于提取水文时间序列数据中的多尺度时域特征；频域特征提取模块通过离散余弦变换提取水文时间序列数据中的全局频域特征；动态特征融合模块用于对时域特征和频域特征进行通道级和空间级融合；采

CN120256865A

Outputs

Outputs

FeedForward

FusionBridge

AAAm

MaskedProbSparseSelfattentionBlock

GuideFocus

Multi-headAttention

FeedForward

RevIN

Embedding

Inputs

Embeddng

CN120256865A权利要求书1/2页

2

1.一种基于特征提取和引导的水文时间序列预测网络，其特征在于：采用Informer的编码器-解码器模型结构，还包括特征提取模块，特征提取模块的输出作为编码器的输入；

特征提取模块包括时域特征提取模块、频域特征提取模块和动态特征融合模块，时域特征提取模块基于U型金字塔网络结构，用于提取水文时间序列数据中的多尺度时域特征；频域特征提取模块通过离散余弦变换提取水文时间序列数据中的全局频域特征；

动态特征融合模块用于对时域特征和频域特征进行通道级和空间级融合，通过全局通道信息和空间信息的动态选择机制，实现了对多尺度特征的自适应融合；

采用引导注意力机制代替了原编码器中的稀疏注意力机制，引导注意力机制通过引导注意力权重优化稀疏概率注意力分配，提升注意力对关键特征位置的聚焦能力。

2.根据权利要求1所述的一种基于特征提取和引导的水文时间序列预测网络，其特征在于：时域特征提取模块以U型网络结构为基础，提取和融合水文时间序列的多尺度特征，输入为经过预处理的时间序列数据，通过逐层平均池化操作，下采样获取不同层次的特征，并通过逐层的特征拼接和线性变化实现浅层特征和深层特征的融合与交互，浅层特征用于捕捉短期局部变化，深层特征更加注重长期全局趋势。

3.根据权利要求1所述的一种基于特征提取和引导的水文时间序列预测网络，其特征在于：频域特征提取模块采用离散余弦变换提取输入水文时间序列数据的频域特征，基于可学习的频率参数进行动态适配，优化数据分配，且通过矩阵变化实现频域特征的稀疏变化，为后续的动态特征融合模块提供高质量的频域特征表示。

4.根据权利要求3所述的一种基于特征提取和引导的水文时间序列预测网络，其特征在于：离散余弦变换的公式如下：

z=CDCTz=Tz;

其中会为通过离散余弦变化得到的频域表示，z为长度为N的时间序列，矩阵个的元素表示为：

其中N是时间序列长度，k表示频率索引，n是时间索引；ψ为可学习的频率参数，其初始值基于标准DCT频率设置，随后在训练过程中进行动态优化；nN,n?为通过离散余弦变换得到的有效频域分数量。

5.根据权利要求1所述的一种基于特征提取和引导的水文时间序列预测网络，其特征