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！

龙图腾网获悉南京信息工程大学申请的专利基于生成扩散与大气扩散融合模型的二氧化碳柱浓度预测方法、系统和电子设备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：CN120196933B 。

龙图腾网通过国家知识产权局官网在2025-08-01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：202510687057.1，技术领域涉及：G06F18/213；该发明授权基于生成扩散与大气扩散融合模型的二氧化碳柱浓度预测方法、系统和电子设备是由胡凯;李孟尧;黄郁鑫;李凌霄;沈帅;朱箫波;张跃馨设计研发完成，并于2025-05-27向国家知识产权局提交的专利申请。

本基于生成扩散与大气扩散融合模型的二氧化碳柱浓度预测方法、系统和电子设备在说明书摘要公布了：本申请公开了基于生成扩散与大气扩散融合模型的二氧化碳柱浓度预测方法、系统和电子设备，属于环境预测技术领域，包括获取目标区域中的二氧化碳柱浓度数据和气象数据的时刻动态特征，以及目标区域中区域网格化气象数据的时空动态特征，并将时刻动态特征和时空动态特征进行融合；对融合特征进行前向扩散操作和逆向去噪，得到初步预测结果；并通过局部平滑性损失约束预测结果中相邻时刻之间的平滑过度，通过趋势一致性损失约束初步预测结果和现有数据之间变化趋势的一致性。本申请整合时空特征融合，基于扩散模型进行前向加噪与逆向去噪重构预测数据，通过局部与趋势一致性损失保证预测结果的时刻序列平滑连续性和整体物理合理性，提高预测精度。

本发明授权基于生成扩散与大气扩散融合模型的二氧化碳柱浓度预测方法、系统和电子设备在权利要求书中公布了：1.一种基于生成扩散与大气扩散融合模型的二氧化碳柱浓度预测方法，其特征在于，包括： 确认目标区域，获取所述目标区域现有的多个时刻的第一数据和第二数据；所述第一数据包括二氧化碳柱浓度数据和气象数据，所述第二数据包括所述目标区域的区域网格化气象数据； 融合所述第一数据的时刻动态特征和所述第二数据的时空动态特征，获取融合特征；其中： 获取所述第一数据的时刻动态特征的步骤包括： 将各个时刻的所述第一数据转化为第一向量；所述第一向量的表征公式包括： 其中，xt为对应时刻t的第一向量，t＝1、2……Tinput，Tinput为时刻的数量；为维度为dmain的矩阵，dmain为第一数据中参量类型的数量，所述参量类型包括所述二氧化碳柱浓度数据参量和所述气象数据参量； 基于所述时刻的顺序，通过多个所述第一向量更新多层长短时记忆网络的隐藏状态和记忆状态；其表征公式包括： ht,ct＝LSTMxt,ht-1,ct-1； 其中，ht为对应时刻t的所述多层长短时记忆网络的隐藏状态；ct为对应时刻t的所述多层长短时记忆网络的记忆单元状态；LSTM为多层长短时记忆网络；xt为对应时刻t的第一向量；ht-1为对应时刻t-1的所述多层长短时记忆网络的隐藏状态；ct-1为对应时刻t-1的所述多层长短时记忆网络的记忆单元状态； 输出更新后的所述隐藏状态的序列为所述第一数据的时刻动态特征； 获取所述第二数据的时空动态特征的步骤包括： 获取所述第二数据的网格信息，基于所述网格信息将各个所述第二数据转化为第二向量；所述第二向量的表征公式包括： 其中，yt为对应时刻t的第二向量，t＝1、2……Tinput，Tinput为时刻的数量；为维度为H×W×C的矩阵，H为所述气象数据网格化后网格的高度，W为所述气象数据网格化后网格的宽度，C为数据通道数； 将所述第二向量输入卷积神经网络，获取所述第二数据的空间特征； 将所述空间特征输入多层长短时记忆网络，基于所述时刻的顺序，通过多个所述空间特征提取所述第二数据的时空动态特征；其表征公式包括： 其中，Faux为所述第二数据的时空动态特征；LSTM为所述多层长短时记忆网络；Fspatial,t为对应时刻t的第二数据的空间特征；Tinput为时刻的数量；为维度为Tinpnt×daux_features的矩阵，daux_features为LSTM输出的第二数据的时刻动态特征维度； 基于扩散模型对所述融合特征进行前向扩散和逆向去噪，获取初步预测结果； 基于局部平滑性损失约束所述初步预测结果中相邻所述时刻之间平滑过度，并基于趋势一致性损失约束所述初步预测结果与现有的所述二氧化碳柱浓度数据变化趋势的一致性，获取最终预测结果。

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南京信息工程大学，其通讯地址为：210044 江苏省南京市浦口区宁六路219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”。