[发明专利]基于parallel CNN-GRU的风压短期预测方法、装置和计算机设备

权利要求书

1.一种基于parallel CNN-GRU的风压短期预测方法，其特征在于，包括：

获取建筑结构的原始风压数据；

构建parallel CNN-GRU神经网络模型；

利用所述原始风压数据对所述parallel CNN-GRU神经网络模型进行训练，得到训练完成的parallel CNN-GRU神经网络模型；

采集建筑结构的实时风压数据，并将所述实时风压数据输入所述训练完成的parallelCNN-GRU神经网络模型，得到所述建筑结构的完整风压数据。

2.根据权利要求1所述的基于parallel CNN-GRU的风压短期预测方法，其特征在于，所述构建parallel CNN-GRU神经网络模型的步骤，包括：

确定CNN神经网络模型的隐藏层，所述CNN神经网络模型的隐藏层包括第一卷积层、第一池化层、第一Dropout层和第一全连接层；

确定GRU神经网络模型的隐藏层，所述GRU神经网络模型的隐藏层包括重置门和更新门；

将所述CNN神经网络模型的隐藏层与所述GRU神经网络模型的隐藏层并联形成所述parallel CNN-GRU神经网络模型的隐藏层；

确定所述parallel CNN-GRU神经网络模型的第二卷积层、第二池化层、第二Dropout层和第二全连接层，作为所述parallel CNN-GRU神经网络模型的输出层；

将对所述原始风压数据进行初步处理作为所述parallel CNN-GRU神经网络模型的输入层；

所述输入层、隐藏层和输出层组成所述parallel CNN-GRU神经网络模型。

3.根据权利要求1所述的基于parallel CNN-GRU的风压短期预测方法，其特征在于，所述利用所述原始风压数据对所述parallel CNN-GRU神经网络模型进行训练，得到训练完成的parallel CNN-GRU神经网络模型的步骤包括：

利用所述parallel CNN-GRU神经网络模型的输入层对所述原始风压数据进行初步处理，得到目标风压数据；其中，所述初步处理包括预处理、数据增强；

将所述目标风压数据划分为训练集数据、验证集数据和测试集数据；

将所述训练集数据输入所述parallel CNN-GRU神经网络模型的隐藏层，得到空间特征和时间特征；

将所述空间特征和时间特征进行拼接形成拼接特征，并通过所述parallel CNN-GRU神经网络模型的输出层得到结果风压数据；

利用所述验证集数据对所述parallel CNN-GRU神经网络模型进行优化；

利用所述测试集数据对优化后的parallel CNN-GRU神经网络模型进行测试，得到所述训练完成的parallel CNN-GRU神经网络模型。

4.根据权利要求3所述的基于parallel CNN-GRU的风压短期预测方法，其特征在于，所述将所述训练集数据输入所述parallel CNN-GRU神经网络模型的隐藏层，得到空间特征和时间特征的步骤，包括：

所述parallel CNN-GRU神经网络模型中CNN神经网络模型的第一卷积层用于提取初始空间特征；

所述初始空间特征经过所述CNN神经网络模型的第一池化层、第一Dropout层后，通过第一全连接层输出所述空间特征；

所述parallel CNN-GRU神经网络模型中GRU神经网络模型的重置门用于捕捉短期时序特征，更新门用于捕捉长期时序特征；

将所述短期时序特征和所述长期时序特征组合形成所述时间特征。