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！

龙图腾网获悉山东科技大学申请的专利一种基于DTW-DCRNN的化工园区噪声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：CN115659609B 。

龙图腾网通过国家知识产权局官网在2026-03-17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：202211238200.1，技术领域涉及：G06F30/20；该发明授权一种基于DTW-DCRNN的化工园区噪声预测方法是由陈赓;曾庆田;梁宇;段华;姚文静;张煜东;周玉祥设计研发完成，并于2022-10-11向国家知识产权局提交的专利申请。

本一种基于DTW-DCRNN的化工园区噪声预测方法在说明书摘要公布了：本发明公开了一种基于DTW‑DCRNN的化工园区噪声预测方法，属于信号与信息处理领域，解决化工园区长期全局噪声预测问题。将时间动态规整理论引入到扩散卷积递归神经网络中，建立由时间动态规整方法、扩散卷积递归神经网络、Kalman滤波构成的时空噪声预测网络模型。使用惩罚系数改进DTW算法，通过DTW模型重构神经网络的空间关系；使用Kalman方法结合车流量特征动态调整神经网络的输出噪声预测。该方法首先基于时间序列相似度重构空间关系，之后将各站点的数据送入模型中进行预测与动态修正，从而实现多站点噪声预测、长期噪声预测、全局噪声水平预测，进而能够提前规避噪声扰民、损害健康的风险。

本发明授权一种基于DTW-DCRNN的化工园区噪声预测方法在权利要求书中公布了：1.一种基于DTW-DCRNN的化工园区噪声预测方法，其特征在于，采用改进的时间动态规整算法并通过监测站点的图结构重构空间关系，实现对化工园区噪声的长期时空预测，具体包括如下步骤： 步骤1、采集化工园区内的监测站点信息和车辆信息数据并进行处理； 步骤2、引入惩罚系数改进原始时间动态规整算法，并将其引入到扩散卷积递归神经网络中，再结合卡尔曼滤波构建噪声预测网络模型；具体过程如下： 步骤2.1、引入惩罚系数改进原始时间动态规整算法，计算序列相似度距离； 改进的时间动态规整算法的原理为：求得最优路径与公共子序列数目以计算惩罚系数，结合惩罚系数计算站与站之间的相似度距离；具体过程如下： 步骤2.1.1、计算距离矩阵； 步骤2.1.2、求矩阵最优路径； 步骤2.1.3、计算公共子序列数目和最优路径序列长度，进而求得权重，得到惩罚系数； 其中，最优路径序列长度为步骤2.1.2中最终求得的矩阵最优路径的长度； 公共子序列数目计算过程为：首先构建记录空列表record，循环遍历序列s1与s2，出现共有序列后用record列表记录共有序列长度ls1或ls2与所处序列位置g，将该公共子序列从s1序列中提取出来放置在s_sum数组中存储；遍历完成后s_sum的长度就是公共子序列的个数；计算公共子序列数目时，设置阈值为1，将长度大于1的子序列算作公共子序列，最后统计公共子序列的总数即为所需的公共噪声子序列数目； 权重w的计算公式如式3： 3 其中，subseq为公共噪声子序列长度，seq为矩阵最优路径的序列长度； 设置惩罚系数α的计算过程如式4，式中x表示公共子序列数目，wi表示第i个序列点的权重， 4 步骤2.1.4、将最优路径表示为r1,r2,…,rseq，rii=1,2,…,seq表示最优路径序列中第i个序列点的值，最后用惩罚系数与原DTW计算得到的最优路径中数值之和相乘得到改进后的序列相似度距离； 5 步骤2.2、将各个监测站点间的噪声序列相似度距离构成矩阵并计算为邻接矩阵，构建图关系拓扑结构； 步骤2.3、引入图卷积神经网络GCN构建邻接矩阵图结构，将邻接矩阵图结构输入到扩散卷积递归神经网络中进行噪声预测，得到初步预测结果； 步骤2.4、实时提取当前时间对应的道闸口处的车流量特征，使用Kalman滤波方法动态调整DCRNN噪声预测值； Kalman滤波使用上一状态的估计，做出对当前状态的预测；最后利用对当前状态的观测值修正在预测阶段获得的预测值，以获得一个更接进真实值的新估计值；具体实现是将归一化的车流量特征与噪声序列通过先验估计和协方差矩阵的预测，计算出噪声与飘移的卡尔曼增益，用卡尔曼增益修正更新协方差矩阵，继而修正预测当前时刻的噪声值； 步骤3、对构建的噪声预测网络模型进行训练，输出训练完成的模型； 步骤4、实时采集监测站点信息并基于训练完成的模型进行噪声的实时预测。

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山东科技大学，其通讯地址为：266590 山东省青岛市黄岛区前湾港路579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。