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！

龙图腾网恭喜湖南优湖科技有限公司申请的专利基于深度学习的特征交叉电梯困人时间序列预测模型构建方法、所得模型及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：CN114626467B 。

龙图腾网通过国家知识产权局官网在2025-03-25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：202210267763.7，技术领域涉及：G06F18/2415；该发明授权基于深度学习的特征交叉电梯困人时间序列预测模型构建方法、所得模型及预测方法是由陈武;许卫全设计研发完成，并于2022-03-17向国家知识产权局提交的专利申请。

本基于深度学习的特征交叉电梯困人时间序列预测模型构建方法、所得模型及预测方法在说明书摘要公布了：本发明涉及基于深度学习的特征交叉电梯困人时间序列预测模型构建方法、所得模型及预测方法。该构建方法包括将历史信息数据组成时间序列，将输入信息传入单层全连接层转换为初级抽象特征，特征交互，传入LSTM神经网络并获得综合时序抽象特征，传入全连接层并转换为预测困人概率，以交叉熵损失函数计算预测损失，并通过反向传播更新LSTM神经网络参数以训练模型。该预测方法包括采用构建方法获得多个预测模型，利用侧重点略有差别的多个预测模型进行综合处理并得到综合困人概率作为预测结果。本发明能在缺少电梯组件实时运行数据的前提下，仅使用电梯的历史记录数据，抽取电梯的时序特征，预测电梯在下一个时间点的困人概率。

本发明授权基于深度学习的特征交叉电梯困人时间序列预测模型构建方法、所得模型及预测方法在权利要求书中公布了：1.一种基于深度学习的特征交叉电梯困人时间序列预测模型构建方法，其特征是，包括以下步骤：第一步、深度学习模型将电梯的历史信息数据按时间点分别组成时间序列用以输入；输入张量的维度为[batch_size，seq_len，features]，其中，batch_size为单次输入深度学习模型的时间序列数量，seq_len为时间序列的长度，features为每一个时间点时间序列所含的特征数量；第二步、将输入信息传入单层全连接层转换为初级抽象特征；按下式进行转换： I式I中，为全连接层的权重矩阵，为输入信息，为全连接层的偏置，为初级抽象特征；第三步、针对初级抽象特征自身做特征交互，获得特征交互结果；特征交互的具体过程如下：首先，将初级抽象特征从原始维度[batch_size，seq_len，features]拓展为，且的维度为[batch_size，seq_len，1，features]；将复制并拓展为，且的维度为[batch_size，seq_len，features，features]；之后，按下式对和做矩阵乘法进行特征交互： II式II中，为特征交互的结果，且的维度为[batch_size，seq_len，1，features]；之后，先将的维度缩减为[batch_size，seq_len，features]，再进行后续计算；第四步、将特征交互结果传入LSTM神经网络并获得综合时序抽象特征；第五步、将综合时序抽象特征传入两层全连接层并转换为预测困人概率；按下式进行转换： IX X式IX中，为第一层全连接层的权重矩阵，为第一层全连接层的偏置矩阵；式X中，为第二层全连接层的权重矩阵，为第二层全连接层的偏置矩阵，为预测困人概率；第六步、将预测困人概率与困人真实值传入交叉熵损失函数，计算预测损失，并通过反向传播更新LSTM神经网络参数以训练模型；所述困人真实值来自电梯的历史信息数据；其中，采用样本均衡的交叉熵损失函数，具体见下式： XI XII XIII式XI和式XII中，为正样本的权重系数，为负样本的权重系数，为正样本的数量，为负样本的数量；式XIII中，为电梯困人的真实情况，取值0或1；为预测困人概率；为预测损失；预测模型构建结束。

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湖南优湖科技有限公司，其通讯地址为：410119 湖南省长沙市长沙县高新开发区岳麓西大道588号芯城科技园2栋8楼8214房；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”。