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！

龙图腾网恭喜浙江大学申请的专利基于多尺度多元时序特征融合的流感发病量预测方法及系统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：CN119400441B 。

龙图腾网通过国家知识产权局官网在2025-05-09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：202411537176.0，技术领域涉及：G16H50/70；该发明授权基于多尺度多元时序特征融合的流感发病量预测方法及系统是由俞刚;胡莎莎;齐国强设计研发完成，并于2024-10-31向国家知识产权局提交的专利申请。

本基于多尺度多元时序特征融合的流感发病量预测方法及系统在说明书摘要公布了：本发明公开了基于多尺度多元时序特征融合的流感发病量预测方法及系统，包括：1按日收集多元时序数据；2对收集的多元时序数据预处理，得到以日、周、月、季度为尺度的多元时序数据；3对不同尺度的多元时序数据分别进行深度融合和表征，得到不同尺度的时序数据表征，并利用金字塔特征融合网络进行融合，得到不同尺度下的时序特征编码序列；通过计算相似性优化不同尺度下的时序特征编码序列；4构建流感发病量预测模型，利用日时序特征编码序列作为输入，对预测模型进行训练；5训练完成后，针对输入的多尺度多元时序数据，对下一个时间点的流感发病量进行预测。利用本发明，可以提升流感发病量预测的准确性。

本发明授权基于多尺度多元时序特征融合的流感发病量预测方法及系统在权利要求书中公布了：1.一种基于多尺度多元时序特征融合的流感发病量预测方法，其特征在于，包括以下步骤：1按日收集多元时序数据，包含气象信息、流感发病量、流感类型分布比例、发病人群性别比例和发病人群年龄结构；2对按日收集的多元时序数据进行时序数据缺失值填充和异常值处理，并根据处理后的以日为尺度的多元时序数据XD生成以周、月、季度为尺度的多元时序数据XW、XM、XS；3对不同尺度的多元时序数据分别进行深度融合和表征，得到不同尺度的时序数据表征；利用金字塔特征融合网络，融合不同尺度的时序数据表征，得到不同尺度下的时序特征编码序列；通过计算不同尺度下时序特征编码序列之间的相似性，优化不同尺度下的时序特征编码序列；利用多元特征融合组件对不同尺度的多元时序数据分别进行深度融合和表征；多元特征融合组件的工作过程如下：对于每个尺度的多元时序数据，每个维度的时序特征由其专属的LSTM特征编码器进行编码，得到对应的专属编码序列；同时，所有维度的时序特征通过一个共享权重的共享LSTM特征编码器进行编码，得到共享编码序列；然后，将专属编码序列和共享编码序列进行加和，得到融合多元信息的时序数据表征；不同尺度的多元时序数据XD，XW，XM，XS经过多元特征融合组件后，分别得到对应时间尺度下的时序数据表征ZD，ZW，ZM，ZS；利用金字塔特征融合网络，融合不同尺度的时序数据表征，得到不同尺度下的时序特征编码序列，具体过程为：季节对应的时序数据表征ZS通过季节性LSTM编码网络，得到季节性时序特征编码序列LS；月度对应的时序数据表征ZM和季节性时序特征编码序列LS联合作为月度LSTM编码网络的输入，得到月度时序特征编码序列LM；周对应的时序数据表征ZW和月度时序特征编码序列LM联合作为周LSTM编码网络的输入，得到周时序特征编码序列LW；日对应的时序数据表征ZD和周时序特征编码序列LW联合作为日LSTM编码网络的输入，得到日时序特征编码序列LD；通过动态时间规整距离计算不同尺度下时序特征编码序列之间的相似性，具体的，动态时间规整距离允许时间序列在某些位置进行拉伸或压缩，以匹配另一序列中的相似模式，序列对比损失计算公式如下：Losss＝-dtwLS,LM-dtwLM,LW-dtwLW,LD其中，dtwLS,LM表示季节性时序特征编码序列LS和月度时序特征编码序列LM之间的动态时间规整距离，dtwLM,LW表示月度时序特征编码序列LM和周时序特征编码序列LW之间的动态时间规整距离，dtwLW,LD表示周时序特征编码序列LW和日时序特征编码序列LD之间的动态时间规整距离；4构建流感发病量预测模型，利用最细时间粒度的日时序特征编码序列作为输入，对预测模型进行训练；5训练完成后，针对输入的多尺度多元时序数据，对下一个时间点的流感发病量进行预测。

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浙江大学，其通讯地址为：310058 浙江省杭州市西湖区余杭塘路866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”。