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！

龙图腾网获悉北京航空航天大学申请的专利基于双向GRU和复杂网络的多属性人群风险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：CN116453703B 。

龙图腾网通过国家知识产权局官网在2025-12-02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：202310254224.4，技术领域涉及：G16H50/80；该发明授权基于双向GRU和复杂网络的多属性人群风险预测方法是由路丹;杨顺昆;边冲设计研发完成，并于2023-03-16向国家知识产权局提交的专利申请。

本基于双向GRU和复杂网络的多属性人群风险预测方法在说明书摘要公布了：本发明提出一种基于双向GRU和复杂网络的多属性人群风险预测方法，如下：1:获取多属性时序接触数据，将数据细化；2：基于不同属性群体的行为特征挖掘个体间的接触模式，提取个体在网络中的特征；3：分析动态传播机制，基于传播结果定量评估不同属性人群的风险；4：对个体特征及风险指标按照时间特征进行整合，获得不同属性下格式统一的时序数据集；5：构建用于时序风险预测的GRU整体模块结构；6：设定预测模型的输入层、编码层和解码层的参数及学习机制；7：对预测模型中注意力层的模块结构进行设置；8：基于训练、验证、测试三种用途对特征向量数据集进行划分；9：对模型进行训练与验证，基于测试数据集对模型的预测准确率进行测试。

本发明授权基于双向GRU和复杂网络的多属性人群风险预测方法在权利要求书中公布了：1.一种基于双向GRU和复杂网络的多属性人群风险预测方法，其特征在于，步骤如下： 步骤1:获取多属性时序接触数据，进行数据挖掘分析，基于个体的属性及时空接触行为将数据细化； 步骤2：基于不同属性群体的行为特征挖掘个体间的接触模式，根据接触人数和接触时长构建加权人际接触网络，提取个体在网络中的特征； 步骤3：针对时序接触网络模拟流行病动态传播过程，分析动态传播机制，基于传播结果定量评估不同属性人群的风险； 步骤4：对个体特征及风险指标按照时间特征进行整合，对多属性风险时序数据集的样本进行预处理，获得不同属性下格式统一的时序数据集； 步骤5：构建用于时序风险预测的GRU整体模块结构； 步骤6：设定预测模型的输入层、编码层和解码层的参数及学习机制； 步骤7：对预测模型中注意力层的模块结构进行设置； 步骤8：基于训练、验证、测试三种用途对特征向量数据集进行划分； 步骤9：利用划分好的训练批量数据集和验证批量数据集对模型进行训练与验证，基于测试数据集对模型的预测准确率进行测试； 其中，在步骤5中，做法如下：引入时序注意力机制的GRU编码器-解码器结构的风险预测框架，该框架由三个部分组成：双向GRU组成的编码器、引入时间注意力机制作为注意力层及GRU神经网络作为解码器； 其中，编码器负责从输入的时序风险序列中学习时间信息，采用双向GRU神经网络模型来编码历史时间序列，Bi-GRU由正向GRU和反向GRU组成，双向GRU模型将输入的时间序列x＝x1,x2,...xT进行正向和反向递归处理，最后集成加权输出隐藏状态ht表达式为： 其中，箭头表示处理方向，xt表示Bi-GRU模型的输入，ht表示Bi-GRU模型的输出隐藏状态，通过双向GRU编码器GRUencoder，基于元素的和来组合正向GRU输出的和反向输出的 中间层为时间注意力机制作用层，注意力层的计算过程如下所示： 首先根据当前编码器输出的隐藏状态ht以及目前解码器的隐藏状态si，通过公式2的score函数度量两者的相似性，计算方法包括：求点积、求余弦Cosine相似度和采用神经网络ML求解，从而得到一阶的相关程度值矩阵ei,t，表示第i个变量在t∈[1,2...,j,...,n]时刻的相关程度，其中之后通过公式3对矩阵中的值进行归一化处理，得到注意力权重值βi,t，采用softmax函数对长度为n的向量ei归一化，最终由公式4得到注意力层输出的状态ct； 之后将注意力层的输出状态ct作为解码器GRUdecoder神经网络的输入，解码器将隐藏层前一时刻的状态st-1与输入状态ct进行递归处理，通过以下表达式实现预测值的输出： yt＝GRUdecoderct,st-15； 其中，在步骤7中，做法如下： ①第一层为置换层即Permute层：将Bi-GRU模型的输出作为输入序列inputs，通过Permute2,1，置换输入的第1和第2维度，即进行行列互换；输入维度为input_dim＝5，时间步time_steps＝1000，由之前的1000行，5列调整为5行，1000列； ②第二层为密集层即Dense层：采用激活函数softmax计算每个特征的权重，计算过程基于公式3实现； ③第三层为Lambda层：将第二层获得的多维注意力权重取平均，通过公式Lambdalambdax:K.meanx,axis＝1实现，其中K.mean为主要函数，能够实现对权重向量取均值； ④第四层为RepeatVector层：将得到的平均权重按照输入维度进行复制，通过命令RepeatVectorinput_dim实现，使得每一维特征的权重一致； ⑤第五层仍然为置换层即Permute层：基于④获得的权重，为了与输入数据的对应元素相乘，需要在乘法前将转置维度，通过命令Permute2,1，即将5行，1000列权重矩阵进行行列转置为1000行，5列的数据格式； ⑥第六层为相乘层即Multiply层：将转置后的注意力权重数据与输入数据的对于元素相乘，通过命令Multiply实现。

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北京航空航天大学，其通讯地址为：100191 北京市海淀区学院路37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。