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！

龙图腾网恭喜合肥工业大学申请的专利基于均值漂移聚类的WOA-QRLSTM水库入库流量概率性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：CN113935550B 。

龙图腾网通过国家知识产权局官网在2025-05-30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：202111411218.2，技术领域涉及：G06Q10/04；该发明授权基于均值漂移聚类的WOA-QRLSTM水库入库流量概率性预测方法是由何耀耀;周京京;张婉莹;朱创;刘玉婷;洪晓宇设计研发完成，并于2021-11-25向国家知识产权局提交的专利申请。

本基于均值漂移聚类的WOA-QRLSTM水库入库流量概率性预测方法在说明书摘要公布了：本发明公开了一种基于均值漂移聚类的WOA‑QRLSTM水库入库流量概率性预测方法，包括：1对收集到的水库入库流量及其影响因子进行预处理；2对预处理后的数据集用均值漂移聚类算法对其进行聚类，并把数据划分为训练集和测试集；3将训练集数据放入鲸鱼算法优化的分位数回归长短期神经网络WOA‑QRLSTM预测模型进行训练，测试集数据放入训练好的WOA‑QRLSTM预测模型，得到不同分位点下水库入库流量预测值；4不同分位点下水库入库流量预测值通过核密度估计计算得到未来水库入库流量的概率密度。本发明能提高水库入库流量预测的准确性，从而为水库运行调度提供有效水库入库流量预测信息。

本发明授权基于均值漂移聚类的WOA-QRLSTM水库入库流量概率性预测方法在权利要求书中公布了：1.一种基于均值漂移聚类和WOA-QRLSTM预测模型的水库入库流量概率预测方法，其特征是按如下步骤进行：步骤1、采集水库入库流量数据和影响水库入库流量的因子数据并进行预处理，得到处理后的数据集Dataset＝{[Wt,Gmt]|t＝1,2,...,T；m＝1,2,...,M}，其中，Wt表示第t日的水库入库流量；M表示水库入库流量的因子种类数，Gmt表示第m个影响因子在第t日的数值；T表示采集总天数；步骤2、以一定时间周期D为时间间隔，对预处理后的数据集Dataset进行划分，得到I组样本数据{Datagruopi|i＝1,2,...,I}，且I满足[TD]，其中，Datagroupi表示第i组样本数据，且Datagroupi＝[W′i,G′mi]，G′mi＝Gmd×i-1+1,Gmd×i-1+2,...,Gmd×iT为第i组样本数据的第m个影响因子，Gmd×i表示在第d×i日的第m个影响因子，W′i＝Wd×i-1+1,Wd×i-1+2,...,Wd×iT为第i组样本数据的水库入库流量，Wd×i表示在第d×i日的水库入库流量，i＝1,2,...,I；步骤3、将I组样本数据{Datagruopi|i＝1,2,...,I}划分为训练集Train＝{Datagroupi|i＝1,2,...,p}和测试集Test＝{Datagroupi|i＝p+1,p+2,...,I}，则训练集Train中含有p组样本数据，测试集Test中含有I-p组样本数据；使用均值漂移聚类分别对训练集Train和测试集Test进行聚类，得到K类样本数据，包括：K类训练集样本{Traink|k＝1,2,...,K}和K类测试集样本{Testk|k＝1,2,...,K}；其中，表示第k类的训练集，Ak为训练集Train的p组样本数据中属于第k类训练集Traink的样本数据的序号集合，为第k类训练集第i组样本数据的第m个影响因子，表示在第d×i日的第m个影响因子，Wki＝Wkd×i-1+1,Wkd×i-1+2,...,Wkd×iT为第k类训练集第i组样本数据的水库入库流量，Wkd×i表示在第d×i日的水库入库流量；为第k类的测试集；Bk为测试集Test的I-p组样本数据中属于第k类测试集Testk的样本数据的序号集合；步骤4、利用K类样本数据对鲸鱼算法优化的分位数回归长短期神经网络WOA-QRLSTM预测模型进行训练和优化；步骤4.1、第k类训练集Traink中第i组样本数据的第t日的样本数据Dataset′i＝{[W′it,G′i,mt]|t＝1,2,...,D；m＝1,2,...,M}，W′it表示第k类训练集Traink中第i组样本数据的第t日的水库入库流量，G′i,mt表示第k类训练集Traink中第i组样本数据第m个影响因子在第t日的数值；以第D天的水库入库流量W′iD作为第i组样本数据的响应变量；以M个水库入库流量影响因子在第D天的数值{G′i,mD|m＝1,2,...,M}和第k类训练集Traink中第i组样本数据剩余的D-1个样本数据Dataset″i＝{[W′it,G′i,mt]|t＝1,2,...,D-1；m＝1,2,...,M}共同作为第i组样本数据的解释变量，从而构建包含有M+D-1个解释变量和一个响应变量的数据集，记作表示第k类训练集Traink中第i组样本数据的解释变量；且是第k类训练集Traink中的第i组样本数据的第β个解释变量，是第k类训练集Traink中构建的第i组样本数据的响应变量；步骤4.2、按照步骤4.1的过程，对第k类测试集Testk也构建出包括M+D-1个解释变量和一个响应变量的数据集，记作其中，是第k类测试集Testk中构建的第i组样本数据的解释变量，是第k类测试集Testk中构建的第i组样本数据的响应变量；步骤4.3、利用式1构建WOA-QRLSTM预测模型，并基于第k类训练集Traink中构建的数据集对WOA-QRLSTM预测模型进行训练，并不断调整WOA-QRLSTM预测模型的权重和偏置，直到达到最大迭代次数，从而得到训练好的WOA-QRLSTM预测模型； 式1中，代表第z个分位点，且z＝1,2,…,Z，Z为分位点的数量；N代表第k类训练集Traink中样本数据的组数；Uτz表示在第z个分位点下的权重参数矩阵集合；Vτz表示在第z个分位点下的连接偏置向量集合；步骤4.4、利用第k类测试集Testk中构建的数据集中的第i组样本数据的解释变量输入最优WOA-QRLSTM预测模型中，从而得到K类测试集样本{Testk|k＝1,2,...,K}中数据集分别在Z个分位点下的条件分位数其中，表示第k类测试集Testk第i组数据在第z个分位点下的条件分位数；步骤5、将Z个分位点下的条件分位数作为高斯核函数的输入，利用式2计算得到第k类测试集Testk中的数据集中任意一天e的水库入库流量概率密度预测结果 式2中，h为窗宽，K·为高斯核函数。

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合肥工业大学，其通讯地址为：230009 安徽省合肥市包河区屯溪路193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”。