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！

龙图腾网获悉哈尔滨工业大学申请的专利一种基于特征增强的河流水质时空自适应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：CN119167216B 。

龙图腾网通过国家知识产权局官网在2025-11-21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：202411191147.3，技术领域涉及：G06F18/243；该发明授权一种基于特征增强的河流水质时空自适应预测方法是由田禹;张浩然;郭嘉磊;孙会航;李俐频设计研发完成，并于2024-08-28向国家知识产权局提交的专利申请。

本一种基于特征增强的河流水质时空自适应预测方法在说明书摘要公布了：一种基于特征增强的河流水质时空自适应预测方法，涉及环境工程领域。本发明是为了解决河流水质关键特征难以筛选，且水质进预测不准确的问题。本发明收集目标区域的河流水质特征数据进行清洗和补全，构建数据集；采用皮尔逊相关系数法对特征进行粗筛选，然后对随机森林模型进行两种训练设置，选择IncMSE和IncNodePurity两种方法得出河流水质特征的重要性得分，对两种重要性得分进行归一化并重新排序，找到其关键特征；进而找到最优训练方式及其对应模型，实现整个河网的水质指标的预测。

本发明授权一种基于特征增强的河流水质时空自适应预测方法在权利要求书中公布了：1.一种基于特征增强的河流水质时空自适应预测方法，其特征在于，包括： 分别以时间和空间作为步长单位对任一河流的水质特征数据进行划分，获得时间水质特征数据集和空间水质特征数据集； 采用所述时间水质特征数据集和空间水质特征数据集分别构建并训练获得时间训练模式下的时间随机森林模型集和空间训练模式下的空间随机森林模型集，时间随机森林模型和空间随机森林模型的输入均为水质特征数据，输出均为水质指标，所述水质指标为水质的响应变量； 基于两种随机森林模型集分别对初始水质特征集中的特征进行初筛选，获得时间训练模式下的时间关键特征子集和空间训练模式下的空间关键特征子集，两种随机森林模型集进行初筛选的方法相同，所述初筛选包括： 分别计算初始水质特征集中每个特征在当前随机森林模型集下的重要性得分，按照重要性得分对初始水质特征集中的特征重新排序，获得特征排序集；去掉特征排序集中重要性得分最低的特征，获得特征排序子集，再将该特征排序子集作为新的特征排序集并去掉其中重要性得分最低的特征，获得新的特征排序子集，依此类推，获得多个特征排序子集；使用多个特征排序子集分别对当前随机森林模型集中的每个随机森林模型进行训练，计算经各特征排序子集训练后当前随机森林模型集的均方根误差，并将均方根误差最小值对应的特征排序子集作为当前训练模式下的关键特征子集； 根据两种训练模式下的关键特征子集中的特征数量以及对应的均方根误差对特征进行精筛选，所述精筛选包括： 设Sg_P和Sh_K分别为两种训练模式下的关键特征子集，P和K分别表示两种训练模式，g和h分别为Sg_P和Sh_K中的特征数量，RMSEg_P和RMSEh_K分别为经Sg_P和Sh_K训练后随机森林模型集的均方根误差，则有： 当g≤h且RMSEg_P＜RMSEh_K时，将Sg_P作为最优河流水质特征集； 当g≥h且RMSEg_P＞RMSEh_K时，将Sh_K作为最优河流水质特征集； 当g≤h且RMSEg_P＞RMSEh_K时，计算K训练模式下第g个特征排序子集Sg_K对应的均方根误差RMSEg_K，然后判断RMSEg_K与RMSEg_P的大小，若RMSEg_K＞RMSEg_P，则将Sg_P作为最优河流水质特征集，若RMSEg_K＜RMSEg_P，则将Sh_K作为最优河流水质特征集； 当g≥h且RMSEg_P＜RMSEh_K时，计算P训练模式下第h个特征排序子集Sh_P对应的均方根误差RMSEh_P，然后判断RMSEh_P与RMSEh_K的大小，若RMSEh_P＜RMSEh_K，则将Sg_P作为最优河流水质特征集，若RMSEh_P＞RMSEh_K，则将Sh_K作为最优河流水质特征集； 将最优河流水质特征集对应的训练模式作为最佳训练模式，在最佳训练模式下采用最优河流水质特征集训练出最优随机森林模型集； 采用最优随机森林模型集对目标区域的河流水质指标进行预测，获得预测结果集； 取预测结果集中所有预测结果的平均值作为目标区域的河流水质最终预测结果。

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哈尔滨工业大学，其通讯地址为：150001 黑龙江省哈尔滨市南岗区西大直街92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。