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污染物协同与时空特征融合的污染物异常检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：CN120561881B 。

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：202511068958.9，技术领域涉及：G06F18/25；该发明授权基于多污染物协同与时空特征融合的污染物异常检测方法是由肖珍龙;夏周翔;陈能汪设计研发完成，并于2025-07-31向国家知识产权局提交的专利申请。

本基于多污染物协同与时空特征融合的污染物异常检测方法在说明书摘要公布了：本发明公开了基于多污染物协同与时空特征融合的污染物异常检测方法，包括以下步骤：S1、构建多污染物传感器网络数据集；S2、对研究区域内多污染物传感器网络数据集进行清洗与预处理；S3、对多污染物传感器网络数据集通过贝叶斯变分推断学习单污染物传感器网络的有向图邻接矩阵，建模传感器间的不对称因果关系；S4、对预测目标地点的传感器节点使用单污染物空间特征提取模块处理，基于分层注意力机制进行多污染之间的空间特征融合；S5、对预测目标地点的多污染物传感器网络数据融合空间特征和有向图使用时空特征融合模块，进行多污染物数据预测；S6、基于多污染物协同生成空气污染物监测值的异常得分和动态更新阈值，进行异常检测。

本发明授权基于多污染物协同与时空特征融合的污染物异常检测方法在权利要求书中公布了：1.基于多污染物协同与时空特征融合的污染物异常检测方法，其特征在于，包括以下步骤： S1、采集城市污染物监测系统中多个传感器节点的数据，构建多污染物传感器网络数据集； S2、对研究区域内多污染物传感器网络数据集进行清洗与预处理； S3、对处理后的多污染物传感器网络数据集通过贝叶斯变分推断学习单污染物传感器网络的有向图邻接矩阵，建模传感器间的不对称因果关系； 步骤S3的具体过程为： S31、将传感器网络建模为有向图，其中，为监测污染物c的传感器节点集合；为污染物c的邻接矩阵； S32、通过Schur分解将邻接矩阵分解为正交矩阵与下三角矩阵，结合Gumbel-Sinkhorn分布优化节点排序； S33、引入变分推断最大化证据下界，学习稀疏有向邻接矩阵，并通过物理先验约束消除自环路径； S4、对预测目标地点的传感器节点使用单污染物空间特征提取模块处理，利用有向图引导的图注意力机制提取单污染物多跳邻域空间特征，基于分层注意力机制进行多污染之间的空间特征融合； 步骤S4的具体过程为： S41、基于多跳邻接矩阵加权融合生成聚合邻接矩阵，其中，K为跳数；为污染物c的可学习衰减系数； S42、通过有向图引导的图注意力机制计算单污染物传感器网络数据污染物c在传感器节点i、时间t的空间特征，注意力权重由邻接权重与特征交互项得分联合确定，计算公式为：，，，其中，为修正线性单元，引入非线性激活；为污染物c在节点i对自身的注意力权重；为共享线性变换矩阵，用于特征映射；为传感器节点i在时间t的输入特征；为传感器节点j在时间t的输入特征；为污染物c节点i的邻居集合；为激活函数；为可学习参数向量的转置；为传感器节点i的可学习嵌入向量；e为哈达玛积；为节点i的共享线性变换矩阵；为传感器节点j的可学习嵌入向量；为节点j的共享线性变换矩阵；为多污染物在子图上的邻接权重；为污染物c在节点i与节点m的特征交互得分；为传感器节点m；为节点i在污染物c的子图上的k跳邻居集合；t为时间； S43、基于历史数据计算目标污染物p与其他污染物c的皮尔逊相关系数，筛选Top-K强相关污染物子集；其中，为协方差；为目标污染物p的观测序列；为目标污染物c的观测序列；为目标污染物p的标准差；为目标污染物c的标准差； S44、在子集内，动态注意力能量，结合实时异常因子与统计相关性与调整注意力权重，其中，为可学习参数向量；为目标污染物p的空间特征；为连接；为污染物c的空间特征；为平衡系数；为污染物c的注意力能量；为污染物n的注意力能量； S45、通过Softmax函数生成归一化跨污染物注意力权重，加权融合多源空间特征，计算公式为：，其中，为融合后的全局空间特征； S5、对预测目标地点的多污染物传感器网络数据融合空间特征和有向图使用时空特征融合模块，在动态调整有向图结构的同时，进行多污染物数据预测，并基于多污染物数据预测的结果进行多污染物之间的动态注意力调整； S6、基于多污染物协同生成空气污染物监测值的异常得分和动态更新阈值，进行异常检测。

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。