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！

申请/专利权人：北京交通大学;中国铁道科学研究院集团有限公司;中国国家铁路集团有限公司

摘要：一种基于深度学习的时空多变量风场风速预测方法，属于风场预测技术领域。获取多个不同位置传感器的位置Ck、地形lk以及其记录的多场环境数据，包括：风场数据：风速Ws、风向Wd，温湿度场数据：温度T、湿度H和雨场数据降雨量R，获取的多传感器多变量时序数据，使用基于变分自编码器的方法对数据中的异常值和缺失值进行处理；对数据进行0‑1归一化，将处理后的数据作为历史时序数据集，从历史时序数据集构建风场预测训练集和测试集。本发明能够准确预测高山峡谷地区风场的风速变化，并将这种预测应用于风灾预警、施工安全规划以及风力发电的项目管理和优化，实现将为在复杂地形中开展建筑和风力发电项目的相关行业提供重要的决策支持和安全保障。

主权项：1.一种基于深度学习的时空多变量风场风速预测方法，其特征在于，包括如下步骤：步骤1、获取多个不同位置传感器的位置Ck、地形lk以及其记录的多场环境数据，包括：风场数据：风速Ws、风向Wd，温湿度场数据：温度T、湿度H和雨场数据降雨量R，步骤2、将步骤1中获取的多传感器多变量时序数据，使用基于变分自编码器的方法对数据中的异常值和缺失值进行处理；对数据进行0-1归一化，将处理后的数据作为历史时序数据集，步骤3、从步骤2中的历史时序数据集构建风场预测训练集和测试集，训练集为Dtrain，测试集为Dtest；其中每个样本表示为其中l表示每个时序样本的长度，表示第k个传感器在第i时刻记录的风场数据，步骤4、将步骤3中的训练集Dtrain输入时序预测模型M中，得到输出为风速时序数据构建风场风速预测的有监督损失L，表示为公式1： 其中y表示训练集中预测风速的标签，步骤5、对于不同的预测时间步长Si，根据步长从小到大的顺序训练不同的模型，从步骤4中得到不同的预测模型Mi，并使用短步预测的结果来矫正长步预测的结果，步骤6、使用平均绝对误差MeanAbsoluteError，MAE，均方根误差RootMeanSquareError，RMSE评价指标在测试集Dtest对该风场风速预测方法性能进行验证。

全文数据：

权利要求：

百度查询： 北京交通大学 中国铁道科学研究院集团有限公司 中国国家铁路集团有限公司 一种基于深度学习的时空多变量风场风速预测方法