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！

龙图腾网获悉厦门大学申请的专利基于多源数据动静态特征融合的城市污染物分布预测方法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：CN120496663B 。

龙图腾网通过国家知识产权局官网在2025-10-14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：202510980988.0，技术领域涉及：G16C20/20；该发明授权基于多源数据动静态特征融合的城市污染物分布预测方法是由肖珍龙;郑辉;丁兴号;陈能汪设计研发完成，并于2025-07-16向国家知识产权局提交的专利申请。

本基于多源数据动静态特征融合的城市污染物分布预测方法在说明书摘要公布了：本发明公开了基于多源数据动静态特征融合的城市污染物分布预测方法，包括以下步骤：S1、采集研究区域内的多源异构数据，构建多源异构数据集；S2、对采集的多源异构数据进行预处理；S3、对遥感图像块、人口密度信息和海拔信息使用区块特征提取模块处理，得到区域长期静态特征；S4、对计算目标地点周围的部分站使用空气数据参考模块处理，从周围空气监测站点中获取到污染物分布的空气参考动态特征；S5、对待预测目标的区块长期静态特征和空气参考动态特征进行特征融合，计算预测目标空气污染物浓度；S6、优化模型至最优参数；该方法使用易采集的多源公开数据，将动、静态特征相融合，有效解决了没有监测站点区域的空气污染物浓度分布预测。

本发明授权基于多源数据动静态特征融合的城市污染物分布预测方法在权利要求书中公布了：1.基于多源数据动静态特征融合的城市污染物分布预测方法，其特征在于，包括以下步骤： S1、采集研究区域内的多源异构数据，构建多源异构数据集； S2、对采集的多源异构数据进行预处理； S3、对遥感图像块、人口密度信息和海拔信息使用区块特征提取模块处理，得到区域长期静态特征； 步骤S3的具体过程为： S31、以待处理地点为中心，获得区域范围内的遥感图像块，再将遥感图像块分别送入语义分割的子模块与特征表示的子模块中进行降维，得到从不同角度对遥感图像块进行描述的遥感图像特征； S32、获取与步骤S32经纬度区域范围对应的海拔数据与人口密度数据，经过表格特征提取子网络处理，得到海拔人口特征； S33、将遥感图像特征与海拔人口特征进行拼接融合，得到区域长期静态特征； S4、对计算目标地点周围的部分站使用空气数据参考模块处理，从周围空气监测站点中获取到污染物分布的空气参考动态特征； 步骤S4的具体过程为： S41、以待计算目标空气站点的坐标为中心，在区域内选择n个空气监测站点作为参考空气站点； S42、使用经纬度信息，分别计算n个空气监测站点与目标空气站点的距离信息与角度信息； S43、使用由步骤S3获得的区域长期静态特征、目标空气站点的距离信息与角度信息、空气监测站点在时间t的空气污染物浓度数据，进行拼接融合，得到n条空气参考动态特征； S5、对待预测目标的区块长期静态特征和空气参考动态特征进行特征融合，计算预测目标空气污染物浓度； 步骤S5的具体过程为： S51、对于待计算目标空气污染物浓度的地点，将从步骤S3得到的目标地点的区域长期静态特征和期望计算对应的时间t，分别与从步骤S4中得到的n条空气参考动态特征进行融合，得到n个空气浓度的预测值； S52、对每个预测值，根据参考空气站点与目标空气站点的距离，计算一个权值，再进行加权求和，得到预测目标空气污染物浓度，计算公式为：，，其中，为预测目标空气污染物浓度；=1,2,……,n；为第个权值；为总权值；为第个预测值；为第个参考空气站点与目标空气站点的距离； S6、优化模型至最优参数； 步骤S6的具体过程为： S61、使用决定系数衡量模型的拟合优度：其中，为决定系数；为空气监测站点总数；为第个空气监测站点；为第个空气监测站点的真实值；为对第个空气监测站点的推理值；为所有空气监测站点的真实值的平均值； S62、使用平均绝对误差与平均相对误差评估模型的表现：其中，MAE为平均绝对误差；MRE为平均相对误差； S63、使用多损失并行优化：，，，，其中，为L1损失；为L2损失；为对数损失；为尺度不变损失； S64、总损失为：其中，为总损失。

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厦门大学，其通讯地址为：361000 福建省厦门市思明南路422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。