[发明专利]缺失的测风数据的预测方法及装置

权利要求书

1.一种缺失的测风数据的预测方法，包括：

对输入的测风数据进行预处理，并将预处理后的测风数据转换为具有第一时间间隔的测风数据序列，其中，测风数据包括缺失部分的数据和无缺失部分的数据，测风数据序列包括缺失部分的数据序列和无缺失部分的数据序列；

使用测风数据序列中的无缺失部分的数据序列和与无缺失部分相应的同期中尺度数据对预设的数据预测模型进行训练；

基于训练后的数据预测模型，根据与缺失部分的数据相应的同期中尺度数据计算得到所述测风数据序列的缺失部分的数据序列；

基于训练后的数据预测模型，根据预处理后的测风数据中的无缺失部分的数据和所述测风数据序列的缺失部分的数据序列，计算测风数据的缺失部分的数据。

2.根据权利要求1所述的预测方法，其中，对输入的测风数据进行预处理的步骤包括：

对输入的测风数据进行异常数据筛选和清除处理。

3.根据权利要求1所述的预测方法，其中，对输入的测风数据进行预处理的步骤之后，所述方法还包括：

针对预处理后的测风数据中缺失部分的数据补充缺失的时间标签。

4.根据权利要求1所述的预测方法，其中，使用测风数据序列中的无缺失部分的数据序列和与无缺失部分相应的同期中尺度数据对预设的数据预测模型进行训练的步骤之前，所述方法还包括：

分别计算多套中尺度数据中的每套中尺度数据与测风数据的相关度；

根据计算得到的相关度，从多套中尺度数据中选择至少一套中尺度数据用于对预设的数据预测模型进行训练。

5.根据权利要求1所述的预测方法，其中，使用测风数据序列中的无缺失部分的数据序列和与无缺失部分相应的同期中尺度数据对预设的数据预测模型进行训练的步骤包括：

将测风数据序列中的无缺失部分的数据序列分成训练数据和检验数据；

将与训练数据相应的同期中尺度数据和训练数据分别作为训练的输入数据集和输出数据集，使用输入数据集和输出数据集对预设的数据预测模型中的神经网络模型进行训练；

使用检验数据和与检验数据相应的同期中尺度数据对训练后的数据预测模型进行检验；

当检验不通过时，根据用户的输入对预设的数据预测模型进行更新，对更新后的数据预测模型中的神经网络模型进行训练，并对训练后的数据预测模型进行检验，直至检验通过时结束训练。

6.根据权利要求5所述的预测方法，其中，神经网络模型是支持向量回归模型，

其中，使用输入数据集和输出数据集对预设的数据预测模型中的神经网络模型进行训练的步骤包括：

对输入数据集和输出数据集中的数据进行归一化处理；

通过交叉验证选择回归的最佳惩罚参数和最佳核函数参数；

使用最佳惩罚参数和最佳核函数参数对神经网络模型进行训练。

7.根据权利要求5所述的预测方法，其中，计算测风数据的缺失部分的数据的步骤包括：

根据所述测风数据序列的缺失部分的数据序列对预处理后的测风数据进行更新；

针对无缺失部分的数据生成每个时刻点离散化的变量值列表，并分别针对每个变量值生成每个时刻点的百分位值，根据百分位值确定每个变量值在每个时刻的状态；

根据无缺失部分的数据中的每个变量值在每个时刻的状态确定状态转移概率矩阵；

针对缺失部分的数据中的每个变量值，在每个时刻依次根据确定的预测参照状态以及状态转移概率矩阵，计算缺失部分的数据中的当前时刻的状态，其中，将与缺失部分最接近的无缺失部分的时刻的状态确定为预测参照状态；

根据计算得到的当前时刻的状态预测当前时刻的数据，

其中，在针对缺失部分的数据中的每个变量值，在每个时刻依次根据确定的预测参照状态以及状态转移概率矩阵，计算缺失部分的数据中的当前时刻的状态的步骤之前，所述方法还包括：

针对缺失部分的数据每隔第二时间间隔确定一个时刻，其中，第二时间间隔小于第一时间间隔。