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！

龙图腾网获悉中南大学申请的专利一种铁路沿线沉降时空预测方法及装置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：CN120706630B 。

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：202510797140.4，技术领域涉及：G06Q10/04；该发明授权一种铁路沿线沉降时空预测方法及装置是由徐林荣;何元幸子;邓志兴;李佳珅设计研发完成，并于2025-06-16向国家知识产权局提交的专利申请。

本一种铁路沿线沉降时空预测方法及装置在说明书摘要公布了：本发明提供一种铁路沿线沉降时空预测方法及装置。该预测方法包括：基于对铁路沿线进行监测获取的监测数据，识别不稳定靶区；获取不稳定靶区内每个监测点的时序沉降数据，并利用最优降噪模型进行降噪处理，得到每个监测点降噪处理后的时序沉降数据；基于预设距离阈值和不稳定靶区内每两个监测点之间的距离，获取邻接矩阵及度矩阵；基于每个监测点降噪处理后的时序沉降数据、邻接矩阵以及度矩阵，利用GCN‑LSTM预测模型，采用滚动预测方法对每个监测点的时序沉降数据进行超前预测，获取每个监测点的超前预测集。本发明通过构建“空间‑时序”耦合特征的GCN‑LSTM预测模型对监测点的时序沉降数据进行超前预测，具有预测精度高的优点。

本发明授权一种铁路沿线沉降时空预测方法及装置在权利要求书中公布了：1.一种铁路沿线沉降时空预测方法，其特征在于，所述预测方法包括以下步骤： 步骤S10、基于对铁路沿线进行监测获取的监测数据，识别不稳定靶区； 步骤S20、获取所述不稳定靶区内每个监测点的时序沉降数据，并利用最优降噪模型进行降噪处理，得到每个监测点降噪处理后的时序沉降数据； 步骤S30、基于预设距离阈值和所述不稳定靶区内每两个监测点之间的距离，构建邻接矩阵，并基于所述邻接矩阵的邻接关系构建度矩阵； 步骤S40、基于每个监测点降噪处理后的时序沉降数据、所述邻接矩阵以及所述度矩阵，利用GCN-LSTM预测模型，采用滚动预测方法对每个监测点的时序沉降数据进行超前预测，获取每个监测点的超前预测集，所述GCN-LSTM预测模型与所述预设距离阈值具有对应关系且为训练好的模型，其中，所述超前预测集包括多个与预测时间具有对应关系的预测沉降数据； 所述预设距离阈值为预先确定的最佳距离阈值，所述预测方法还包括位于步骤S20后且位于步骤S30前，获取最佳距离阈值以及所述GCN-LSTM预测模型的步骤，包括： 步骤1、基于每个监测点降噪处理后的时序沉降数据，利用滑动窗口法构建时间序列预测的输入特征和输出特征，获取包括由多组数据对组成的时间特征数据集，每组数据对包括具有预设时间序列长度的输入特征和输出特征； 步骤2、将所述时间特征数据集拆分为第一训练集和第一测试集； 步骤3、先基于所述第一训练集对三个时序预测模型进行训练，再基于第一测试集对训练好的三个时序预测模型进行评价，获取最优时序预测模型，三个时序预测模型包括贝叶斯岭回归模型、支持向量回归模型和长短期记忆网络模型，所述最优时序预测模型为长短期记忆网络模型； 步骤4、基于长短期记忆网络模型融合GCN模型，构建得到GCN-LSTM预测模型； 步骤5、设置多个距离阈值，并根据每个距离阈值和不稳定靶区内每两个监测点之间的距离，构建与多个距离阈值一一对应的多个空间特征数据集，每个空间特征数据集包括与距离阈值对应的邻接矩阵和度矩阵； 步骤6、基于所述时间特征数据集和多个空间特征数据集，构建得到与多个距离阈值一一对应的多个第二训练集和多个第二测试集，每个所述第二训练集均包括第一训练集以及空间特征数据集，且不同的第二训练集中的空间特征数据集不相同，每个第二测试集均包括第一测试集以及空间特征数据集，且不同的第二测试集中的空间特征数据集不相同，包括相同空间特征数据集的第二训练集和第二测试集具有对应关系； 步骤7、先利用多个所述第二训练集分别对GCN-LSTM预测模型进行训练，再利用多个第二测试集分别对训练好的GCN-LSTM预测模型进行评价，获取最佳距离阈值及与最佳距离阈值对应的GCN-LSTM预测模型。

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中南大学，其通讯地址为：410083 湖南省长沙市岳麓区麓山南路932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。