[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

说明书

本发明涉及建筑结构风压预测技术领域，公开了一种基于parallel CNN‑GRU的风压短期预测方法、装置和计算机设备，其中，方法包括：获取建筑结构的原始风压数据；构建parallelCNN‑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parallel CNN‑GRU神经网络模型，得到所述建筑结构的完整风压数据。本发明提供了的基于parallel CNN‑GRU的风压短期预测方法、装置和计算机设备，解决了现有风压数据采集中异常、失真、损失数据频繁出现的问题。

技术领域

本发明涉及建筑结构风压预测技术领域，特别涉及一种基于parallel CNN-GRU的风压短期预测方法、装置和计算机设备。

背景技术

由于建筑结构长期处于复杂的服役环境，因此，在数据采集过程中造成的异常、失真、损失数据难以恢复。风敏结构状态的确定主要依赖于对传感器风压数据的分析和判断，当数据无法满足完整性及有效性等条件时，建筑结构状态误判的可能性将被增大。

由于风压数据之间具有相关性且时间维度前后具有依赖性，传感器所获取的风压信号数据量较多，而现有的机器学习方法无法充分考虑风压信号的时间序列和多变量相关特征的提取。同时，现有的联合网络模型往往采用数据单向传输的串联结构，在数据处理过程中易造成数据的部分相关特性丢失，从而降低模型对缺失数据的预测性能。

发明内容

本发明提供了一种基于parallel CNN-GRU的风压短期预测方法、装置和计算机设备，以解决现有风压数据采集中异常、失真、损失数据频繁出现的问题。。

本发明提供了一种基于parallel CNN-GRU的风压短期预测方法，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parallel CNN-GRU神经网络模型，得到所述建筑结构的完整风压数据。

进一步地，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。

进一步地，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；