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！

龙图腾网恭喜武汉大学申请的专利多尺度注意力机制的GNSS序列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：CN114626012B 。

龙图腾网通过国家知识产权局官网在2025-06-03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：202210186738.6，技术领域涉及：G06F17/16；该发明授权多尺度注意力机制的GNSS序列预测方法及系统是由李昭;王健;姜卫平设计研发完成，并于2022-02-28向国家知识产权局提交的专利申请。

本多尺度注意力机制的GNSS序列预测方法及系统在说明书摘要公布了：本发明提供一种多尺度注意力机制的GNSS序列预测方法及系统，包括获取GNSS台站坐标时间序列观测值，按照统一量纲排序；采用不同尺度的滑动窗口构建多尺度滑动窗口，构建新的子序列集；注意力机制网络构建，搭建多个注意力网络模型，对每个子序列集分为训练集和测试集，对每一个注意力网络训练和优化；多模型预测，用每个注意力网络预测，最终加权得到最终的预测结果。本发明首次将多尺度滑动窗口与注意力机制网络结合应用于GNSS时间序列预测中，能够有效地提高GNSS台站序列预测的准确率。

本发明授权多尺度注意力机制的GNSS序列预测方法及系统在权利要求书中公布了：1.一种多尺度注意力机制的GNSS序列预测方法，其特征在于，包括以下步骤：步骤1，获取GNSS测站的坐标时间序列观测值，按照时间顺序采用统一量纲进行排列，序列为x1,x2,x3,...,xm-2,xm-1,xm，记做Xm；其中m是序列的总长度；步骤2，设使用n个不同的单一尺度滑动窗口进行组合，形成新的子序列集Yn；单一尺度滑动窗口构建方式是采用两个同样大小的滑动窗口异步同时形成，构建方式为，设当前构建新的子序列集Yp尺度为Scale，异步间隔为Step，两个窗口每次同时滑动1步，构建的数据格式如下： 作为新的子序列集Yp其中，[X'1:scale,X'1+step,scale+step]代表子序列集Yp的第一个训练的数据，X'1:scale是输入，X'1+step,scale+step是预测真值；[X'2:scale+1,X'2+step,scale+step+1]代表子序列集Yp的第二个训练的数据，X'2:scale+1是输入，X'2+step,scale+step+1是预测真值；…；[X'p:scale+p-1,X'p+step,scale+step+p-1]代表子序列集Yp的第p个训练的数据，X'p:scale+p-1是输入，X'p+step,scale+step+p-1是输出；X'1:scale代表从原始数据中取得[x1,x2,x3,...,xscale-2,xscale-1,xscale]的集合，其他含义如上述所示；p代表当前尺度下滑动窗口能建立的训练数据个数；滑动窗口的长度为scale，两个异步滑动窗口的异步间隔为step，其中scalestep，scale+stepm，多尺度滑动窗口构建中，将多个不同的单一尺度滑动窗口进行组合，第1个尺度的滑动窗口长度为scale1，两个异步滑动窗口的异步间隔为step，每次滑动1个单元量，构建数据格式如： 其中分别代表第1个尺度滑动窗口的第1个输入值和对应预测真值；分别代表第1个尺度滑动窗口的第2个输入值和对应的预测真值；…；分别代表第1个尺度滑动窗口的第u个输入值和对应的预测真值，u代表第1个尺度滑动窗口下可以构建的子序列集的大小；第2个尺度的滑动窗口长度为scale2，两个异步滑动窗口的异步间隔为step，每次滑动1个单元量，构建数据格式如： 其中分别代表第2个尺度滑动窗口的第1个输入值和对应预测真值；分别代表第2个尺度滑动窗口的第2个输入值和对应的预测真值；…；分别代表第2个尺度滑动窗口的第p个输入值和对应的预测真值；p代表第2个尺度滑动窗口下可以构建的子序列集的大小；……第n个尺度的滑动窗口长度为scalen，两个异步滑动窗口的异步间隔为step，每次滑动1个单元量，构建数据格式如： 其中分别代表第n个尺度滑动窗口的第1个输入值和对应预测真值；分别代表第n个尺度滑动窗口的第2个输入值和对应的预测真值；…；分别代表第n个尺度滑动窗口的第v个输入值和对应的预测真值，v代表第n个尺度滑动窗口下可以构建的子序列集的大小；多尺度滑动窗口中，尺度总数n的取值大于等于2，滑动窗口的scale各不相同，两个同尺度下的滑动窗口的异步间隔step都是相同的；步骤3，注意力机制网络构建，构建n个注意力机制网络，单个注意力机制网络实现方式为，输入的数据通过PositionEncoding输入到Encoder模块，Encoder部分包含多头注意力Multi-HeadAttention和残差神经网络Add和正则化Norm，将前述结果输入到前馈神经网络FeedForward，然后继续残差神经网络Add和正则化Norm，最终Decoder部分通过全连接神经网络Linear输出；将对应的输入子序列集分为训练集和测试集，对每一个注意力机制网络进行训练及优化；步骤4，多模型预测，使用n个注意力机制网络最终将得到n个结果，记第1个网络预测结果为result1、第2个网络预测结果为result2、…、第n个网络预测结果为resultn，最终GNSS序列预测结果R为每个子网络预测结果的加权值，计算公式如下：R＝result1×weight1+result2×weight2+...+resultn×weightnweight1+weight2+...+weightn-1+weightn＝1其中，weight1、weight2、…、weightn-1、weightn为每个注意力网络预测结果对应的权重值。

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武汉大学，其通讯地址为：430072 湖北省武汉市武昌区珞珈山武汉大学；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”。