CN113688770A - 高层建筑长期风压缺失数据补全方法及装置 - Google Patents

Abstract

本发明公开了一种高层建筑长期风压缺失数据补全方法及装置，包括采集高层建筑的风压数据，确定缺失数据测点、历史风压数据以及周围风压数据，并将历史风压数据及其周围风压数据分别按时序整合成风压数据序列矩阵；采用经验模态分解算法将所述风压数据序列矩阵进行分解得到EMD分解数据样本；将EMD分解数据样本和缺失数据测点输入CNN‑BiGRU神经网络模型中进行模型训练；当实时风压数据缺失时，通过CNN‑BiGRU神经网络模型预测得到的风压预测数据对缺失数据进行补全；本发明基于EMD算法与CNN‑BiGRU模型实现，使得风压预测数据的预测精度高，能够准确评估高层建筑的表面风压。

Description

高层建筑长期风压缺失数据补全方法及装置

技术领域

本发明涉及建筑结构风压预测技术领域，特别是涉及一种高层建筑长期风压缺失数据补全方法及装置。

背景技术

风压传感器对于评估建筑物表面压力具有重要意义，但是，某些风压传感器在长期运行过程中会发生大规模的风压数据失效或者异常从而导致建筑物表面风压在较长期间内大规模的数据丢失，并且这些数据难以恢复。

目前，基于人工智能方法对高层建筑缺失风压数据预测方法主要分为两种：一种是“浅层”机器学***稳性，“浅层”的模型对风荷载的短期预测具有一定的局限性，无法处理海量的监测数据且准确率较低；另一种方法是传统的神经网络模型，具有普遍性、效率高等特点，但准确性有待进一步的提高。因此，有必要进一步提高传统神经网络模型的精度，开展既准确又实时的高层建筑风压预测工作。

发明内容

有鉴于此，本发明的目的在于提供一种高层建筑长期风压缺失数据补全方法及装置，以解决现有技术中高层建筑表面风压数据大规模缺失后难以准确预测、补全的问题。

为达到上述目的，本发明的一方面提供一种高层建筑长期风压缺失数据补全方法，具体包括以下步骤：

S1：采集高层建筑的风压数据，确定缺失数据测点，选择缺失数据测点的历史风压数据以及每一缺失数据测点对应的周围数据测点的测得的周围风压数据，并将所述历史风压数据及其周围风压数据分别按时序整合成风压数据序列矩阵；

S2：采用经验模态分解算法将所述风压数据序列矩阵进行分解为IMF分量和RES分量，得到EMD分解数据样本；

S3：将EMD分解数据样本和缺失数据测点测得的历史风压数据输入CNN-BiGRU神经网络模型中进行迭代训练，优化模型参数，得到训练好的CNN-BiGRU神经网络模型；

S4：采集高层建筑的实时风压数据，当实时风压数据缺失时，将数据缺失之前的风压数据及其周围风压数据输入训练好的CNN-BiGRU神经网络模型中，通过CNN-BiGRU神经网络模型预测得到风压预测数据，利用该风压预测数据对缺失数据进行补全。

进一步的，在所述步骤S2中，所述风压数据序列矩阵中包括有历史风压数据序列及其周围风压数据序列，所述历史风压数据序列及其周围风压数据序列记为原始风压数据序列，分别对各原始风压数据序列矩阵进行经验模态分解，其具体步骤为：

S201：筛选出原始风压数据序列中所有的极大值点和极小值点，对所述极大值点和极小值点分别进行拟合得到原始风压数据序列的上包络线和下包络线；

S202：根据所述上包络线和下包络线计算所述原始风压数据序列的均值包络，并计算所述原始风压数据序列与均值包络之间的差值得到第一风压数据序列；

S203：判断所述第一风压数据序列是否满足IMF分量成立的条件，若满足，则执行步骤S204，若不满足，则对第一风压数据序列重复执行步骤S201-S202，直至重复m次后得到的第i个风压数据序列满足IMF分量成立的条件为止；

S204：将第i个风压数据序列作为所述原始风压数据序列的第一个IMF分量，并将该第一个IMF分量从原始风压数据序列中分离得到第一剩余风压数据序列；

S205：判断第一剩余风压数据序列是否为单调函数，若是，则完成分解，否则对该第一剩余风压数据序列重复执行步骤S201-S204，直至重复p次得到的第j个剩余风压数据序列为单调函数为止，以分解得到p个IMF分量和一个RES分量。

进一步的，所述步骤S203中，IMF分量成立的条件为：

在整个时程内，所述第一风压数据序列上极大值点和极小值点的个数与过零点的个数相等或最多相差一个；

在整个时程内，所述第一风压数据序列上任意一点处的上包络线和下包络线的均值为零。

进一步的，所述步骤S3包括以下步骤：

S301：构建包含有CNN网络和BiGRU网络的CNN-BiGRU神经网络模型，并将步骤S2中得到EMD分解数据样本和缺失数据测点测得的历史风压数据输入构建好的CNN-BiGRU神经网络模型中；

S302：所述CNN网络基于风压数据序列矩阵和缺失数据测点提取周围风压数据与缺失数据测点之间的空间相关性特征序列；

S303：所述BiGRU网络以所述CNN网络提取到的空间相关性特征序列作为输入，进一步提取风压数据序列矩阵和缺失数据测点之间的时间前后依赖度特征，输出风压预测数据；

S304：将风压预测数据反向传递至CNN-BiGRU神经网络模型中进行迭代训练，直至CNN-BiGRU神经网络模型的损失函数趋于稳定或达到最大迭代次数时，完成训练，得到训练好的CNN-BiGRU神经网络模型。

进一步的，在步骤S302中，所述CNN网络包括一层卷积层和一层池化层，所述卷积层通过卷积运算综合学习风压数据序列矩阵中各历史风压数据序列的局部特征，以获取全局特征，所述池化层消除冗余特征信息，以提取周围风压数据与缺失数据测点之间的空间相关性特征序列。

进一步的，在步骤S303中，所述CNN-BiGRU神经网络模型包括两个结构相同的GRU子模型，两个所述GRU子模型分别对输入的IMF分量沿时间正序和逆序进行处理，其训练过程为：

S3031：将步骤S302中提取的空间相关性特征序列分别输入两个GRU子模型中，计算两个GRU子模型的重置门和更新门；

S3032：分别计算两个GRU子模型的候选激活状态，并根据候选激活状态、重置门和更新门计算得到对应GRU子模型的隐藏层输出；

S3033：将计算得到的两个GRU子模型的隐藏层输出融合以得到EMD分解数据样本和缺失数据测点之间的时间前后依赖度特征，进而输出风压预测值。

进一步的，在步骤S3033中，所述风压预测值y_t为：

其中：

为t时刻GRU子模型前向传播的隐藏层输出；

为t时刻另一GRU子模型后向传播的隐藏层输出；α_t,β_t分别为t时刻两个GRU子模型前向传播和后向传播的隐藏层输出的权重；b_t为t时刻BiGRU网络隐藏层状态所对应的偏置量。

进一步的，在步骤S304中，所述损失函数采用均方误差函数，其表达式为：

其中：x_t为t时刻输入BiGRU网络的空间相关性特征，y_t为待预测高层建筑在t时刻的风压预测数据，N为模型训练时迭代的次数。

本发明的另一方面提供一种高层建筑长期风压缺失数据补全装置，包括：

数据采集模块，用于采集高层建筑的风压数据，所述风压数据包括历史风压数据和实时风压数据；

数据筛选及整合模块，用于确定缺失数据测点，选择缺失数据测点之前时刻的历史风压数据以及每一历史风压数据的周围风压数据，并将所述历史风压数据及其周围风压数据分别按时序整合成风压数据序列矩阵；

数据分解模块，用于对所述数据筛选及整合模块输出的风压数据序列矩阵进行经验模态分解，得到多个IMF分量和一个RES分量，形成EMD分解数据样本；

模型训练模块，用于将所述数据分解模块分解得到的EMD分解数据样本和缺失数据测点测得的历史风压数据输入CNN-BiGRU神经网络模型中进行迭代训练，得到训练好的CNN-BiGRU神经网络模型；

预测数据输出模块，用于输出风压预测数据；以及

缺失数据补全模块，用于在实时风压数据缺失时，利用所述预测数据输出模块输出的风压预测数据对数据缺失之后的风压数据进行补全。

进一步的，还包括显示模块，用于对所述预测数据输出模块输出的风压预测数据进行显示。

本发明基于经验模态分解算法与CNN-BiGRU神经网络模型实现，通过经验模态分解算法将非线性风压数据分解为有限个频率由高到低的IMF分量的线性组合，分解出来的各IMF分量包含了原始风压数据的不同时间尺度的局部特征信号，然后将分解后的IMF分量和原始的缺失数据测点输入到CNN-BiGRU神经网络模型中，进行空间相关性特征序列和时间依赖度特征的提取，从而实现对大规模风压缺失数据的预测，以预测得到的风压预测数据对缺失数据进行补全，有利于准确评估高层建筑的表面风压。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

图1为本发明实施例一的高层建筑长期风压缺失数据补全方法的流程图。

图2为步骤S2的流程图。

图3为步骤S3的流程图。

图4为步骤S302中CNN网络的结构示意图。

图5为步骤S303中BiGRU网络的结构示意图。

图6为步骤S303的流程图。

图7为步骤S3031中GRU子模型的结构示意图。

图8为步骤步骤S4中风压缺失数据补全的过程示意图。

图9为本发明实施例二的高层建筑长期风压缺失数据补全装置的***框图。

具体实施方式

下面通过具体实施方式进一步详细说明：

实施例1

如图1所示，为本实施例的高层建筑长期风压缺失数据补全方法的流程图。本实施例的高层建筑长期风压缺失数据补全方法具体包括以下步骤：

S1：数据采集。

采集高层建筑的风压数据，确定缺失数据测点x_t(t为该缺失数据测点x_t的数据缺失时刻)，选择缺失数据测点x_t之前时刻的历史风压数据(即t时刻之前的历史风压数据)形成历史风压数据集合X，所述历史风压数据集合X可表示为：

X＝{x₁,x₂,…,x_t-1} (1)

再选择所述历史风压数据集合X中每一历史风压数据对应的周围风压数据形成周围风压数据集合Y，所述周围风压数据为与每一缺失数据测点x_t对应的周围数据测点测得的风压数据，在本实施例中，可根据预测精度选择以缺失数据测点x_t为圆心指定半径内的测点作为周围数据测点。所述周围风压数据集合Y可表示为：

其中：Y₁,Y₂…Y_N分别为历史风压数据集合X中历史风压数据对应的周围风压数据组；N为周围风压数据组的数量，也即历史风压数据集合X中历史风压数据的数量。

将所述历史风压数据集合X按时序整合形成历史风压数据序列X(t)，以及将周围风压数据集合Y均按时序整合形成周围风压数据序列Y₁(t),Y₂(t)…Y_N(t)，结合所述历史风压数据序列X(t)和周围风压数据序列Y₁(t),Y₂(t)…Y_N(t)形成风压数据序列矩阵E(t)，所述风压数据序列矩阵E(t)可表示为：

S2：数据分解。

具体的，采用经验模态分解算法(EMD算法)将所述风压数据序列矩阵E(t)中的历史风压数据序列X(t)和各周围风压数据序列Y₁(t),Y₂(t)…Y_N(t)分别分解成多个IMF分量和一个RES分量。EMD算法实质上是对非平稳信号进行平稳化处理，在本实施例中，由于高层建筑的风压数据是随机的，其得到的原始风压数据序列呈现出非平稳的上升或下降的趋势，因此采用EMD算法可以将原始风压数据序列中不同尺度的波动和趋势进行逐级分解，以产生一系列具有不同特征尺度的数据序列，每一数据序列即为一个IMF分量。

如图2所示，将所述历史风压数据序列X(t)及其周围风压数据序列Y₁(t),Y₂(t)…Y_N(t)记为原始风压数据序列E₀(t)，所述步骤S2对原始风压数据序列E₀(t)进行经验模态分解的具体步骤为：

S201：计算原始风压数据序列的上包络线和下包络线。

首先，首先，筛选出所述原始风压数据序列E₀(t)中所有的极大值点max[E₀(t)]，采用三次样条函数将所有的极大值点max[E₀(t)]拟合成所述原始风压数据序列E₀(t)的上包络线m₁(t)_max；然后，再筛选出所述原始风压数据序列E₀(t)中所有的极小值点min[E₀(t)]，采用三次样条函数将所有的极小值点min[E₀(t)]拟合成所述原始风压数据序列E₀(t)的下包络线m₁(t)_min。

S202：计算均值包络，得到第一风压数据序列。

根据所述上包络线m₁(t)_max和下包络线m₁(t)_min计算所述原始风压数据序列E₀(t)的均值包络m₁(t)：

基于上述公式(2)中求得的均值包络m₁(t)，计算所述原始风压数据序列E₀(t)与均值包络m₁(t)之间的差值得到第一风压数据序列d₁(t)：

d₁(t)＝E₀(t)-m₁(t) (5)

S203：第一风压数据序列条件判定。

判断步骤S202中求得的第一风压数据序列d₁(t)是否满足IMF分量成立的两个条件：

在整个时程内，所述第一风压数据序列d₁(t)上极大值点max[d₁(t)]和极小值点min[d₁(t)]的个数与过零点的个数相等或最多相差一个；

在整个时程内，所述第一风压数据序列d₁(t)上任意一点处的上包络线m₂(t)_max和下包络线m₂(t)_min的均值包络m₂(t)＝0。

若所述第一风压数据序列d₁(t)满足IMF分量成立的条件，则继续执行步骤S204。

若所述第一风压数据序列d₁(t)不满足IMF分量成立的条件，则将第一风压数据序列d₁(t)作为另一原始风压数据序列，重复执行步骤S201-S202，直至重复m次后得到的第i个风压数据序列d_i(t)(其中：i＝1,2,…,m，m为执行步骤S201-S202的次数，即d₁(t)为执行一次S201-S202步骤后得到的风压数据序列，d_m(t)为执行m次S201-S202步骤后得到的风压数据序列)满足IMF分量成立的条件为止。

S204：分离IMF分量，计算原始风压数据序列的剩余风压数据序列。

将步骤S203中得到的符合IMF分量成立条件的风压数据序列d_i(t)作为第一个IMF分量，记为IMF₁(t)，并将该第一个IMF分量IMF₁(t)从原始风压数据序列E₀(t)中分离得到第一个剩余风压数据序列r₁(t)：

r₁(t)＝E₀(t)-IMF₁(t) (6)

S205：剩余风压数据序列条件判定。

根据EMD算法的收敛条件，判断步骤S204中分解得到的第一个剩余风压数据序列r₁(t)是否为单调函数。

若是，则完成所述原始风压数据序列E₀(t)的分解，否则将该剩余风压数据序列r₁(t)作为新的原始风压数据序列重复执行步骤S2031-S2034，直至重复n次得到的第j个剩余风压数据序列r_j(t)(其中：j＝1,2,…,n，n为执行步骤S201-S204的次数，即r₁(t)为执行一次S201-S204步骤后得到的剩余风压数据序列，r_n(t)为执行n次S201-S204步骤后得到的剩余风压数据序列)为单调函数为止。根据EMD算法的收敛条件，当分解得到的剩余风压数据序列为单调函数时，其时间周期将大于原始风压数据序列E₀(t)的记录长度，因此可以将分解得到的最后一个剩余风压数据序列r_n(t)作为原始风压数据序列E₀(t)的趋势项，即RES分量，进而所述原始风压数据序列E₀(t)可表示为：

即对风压数据序列矩阵E(t)中第一个风压数据序列进行分解得到的n个IMF分量IMF_i(t)＝{IMF₁(t),IMF₂(t),…,IMF_n(t)}和一个RES分量。

按照上述步骤S201-S205对下一个风压数据序列进行分解，直至风压数据序列矩阵E(t)中所有风压数据序列完全分解完后，得到EMD分解数据样本S：

其中：p＝n，为每一风压数据序列分解得到的IMF分量的数量；q＝N，为风压数据序列矩阵E(t)中风压数据序列的数量；即S_1,1为第一个风压数据序列的第一个IMF分量，S_2,1为第二个风压数据序列的第一个IMF分量，以此类推。

然后将所述EMD分解数据样本S输入下述步骤S3的CNN-BiGRU神经网络模型中进行预测。

S3：模型训练。

将分解得到的EMD分解数据样本和缺失数据测点测得的历史风压数据输入CNN-BiGRU神经网络模型对风压数据分别进行空间相关性特征和时间前后依赖度特征提取，预测得到当前时刻的风压预测数据，并将该风压预测数据反向输入CNN-BiGRU神经网络模型中进行迭代训练，优化模型参数，得到训练好的CNN-BiGRU神经网络模型。

如图3所示，所述步骤S3对CNN-BiGRU神经网络模型进行训练的具体过程为：

S301：构建CNN-BiGRU神经网络模型。

在大规模的风压数据预测中，从空间维度上来看，某一时刻的风压数据与其周围的风压数据存在关联，从时间维度上来时，某一时刻的风压数据还同时与上一时刻以及未来的某一时刻均有关联，因此，在出现风压数据的大规模缺失时，将过去的风压数据影响因素和未来的风压数据影响因素以及周围风压数据与当前时刻的风压数据预测联系起来，能够使得风压预测数据更加准确，进而实现缺失数据的补全。

由于CNN网络具有局部连接、权值共享等特点，能够保留、提取IMF分量与缺失数据测点之间的空间相关性特征，而BiGRU网络能够自适应地感知上下时间序列特征信息，因此，基于CNN网络和BiGRU网络构建CNN-BiGRU神经网络模型，并将步骤S2中分解得到的EMD分解数据样本和缺失数据测点输入构建好的CNN-BiGRU神经网络模型中。

S302：空间相关性特征提取。

所述CNN网络基于EMD分解数据样本和缺失数据测点测得的历史风压数据提取周围风压数据与缺失数据测点之间的空间相关性特征，形成空间相关性特征序列。

如图4所示，所述CNN网络包括一层卷积层和一层池化层，所述卷积层通过卷积运算综合学习风压数据序列矩阵中各历史风压数据序列的局部特征(即EMD分解数据样本中各IMF分量所包含的不同尺度的特征)，以获取全局特征。然后池化层消除冗余特征信息，保留空间相关性特征，以实现提取周围风压数据与缺失数据测点之间的空间相关性特征的目的，并将该空间相关性特征按时序整合成空间相关性特征序列a(t)：

a(t)＝{a₁,a₂,…,a_t} (9)

S303：时间前后依赖度特征提取，输出风压预测数据。

所述BiGRU网络以所述CNN网络提取到的空间相关性特征序列a(t)作为输入，进一步提取风压数据序列矩阵和缺失数据测点之间的时间前后依赖度特征，输出风压预测数据。

具体的，如图5所示，为所述BiGRU网络的结构示意图，所述BiGRU网络由两个结构相同的GRU子模型组合而成，两个GRU子模型分别记为前向GRU子模型和后向GRU子模型，所述前向GRU子模型用对输入BiGRU网络的空间相关性特征序列a(t)沿时间正序进行处理，所述后向GRU子模型用于对输入BiGRU网络的空间相关性特征序列a(t)沿时间逆序进行处理。所述BiGRU网络包括一输入层、一隐藏层和一输出层，所述输入层用于输入空间相关性特征序列a(t)，所述输出层用于输出风压预测数据，所述隐藏层的输出可以由前向GRU子模型的前向隐藏层输出和后向GRU子模型的后向隐藏层输出加权求和得到。因此，BiGRU网络对输入的空间相关性特征序列a(t)的处理也可以看作是两个GRU子模型分别对空间相关性特征序列a(t)的处理。

如图6所示，步骤S303输出风压数据的具体步骤为：

S3031：计算GRU子模型的重置门和更新门。

具体的，如图7所示，将步骤S302中提取的空间相关性特征序列a(t)输入前向GRU子模型和后向GRU子模型中，并根据前向GRU子模型和后向GRU子模型在t-1的隐藏层输出，分别计算得到所述前向GRU子模型和后向GRU子模型在t时刻对应的重置门r_t：

再分别计算得到所述所述前向GRU子模型和后向GRU子模型在t时刻对应的更新门z_t：

其中：W_r,W_z,U_r,U_z为待训练的模型参数矩阵；σ为Sigmoid激活函数；x_t为t时刻输入GRU子模型空间相关性特征；

分别为前向GRU子模型和后向GRU子模型在t-1时刻的隐藏层输出；→表示沿时间前序进行处理，←表示沿时间逆序进行处理。

S3032：计算GRU子模型的隐藏层输出。

根据t时刻输入前向GRU子模型和后向GRU子模型的空间相关性特征、步骤S301中计算得到t时刻的重置门r_t以及前向GRU子模型和后向GRU子模型在t-1时刻的隐藏层输出，分别计算得到所述前向GRU子模型和后向GRU子模型在t时刻对应的候选激活状态

再根据t时刻的候选激活状态

重置门r_t和更新门z_t计算得到对应前向GRU子模型和后向GRU子模型在t时刻的隐藏层输出h_t：

其中：W,U为待训练的模型参数矩阵；tanh为双曲正切函数；

表示矩阵的乘积。

S3033：计算风压预测数据。

将步骤S302中计算得到前向GRU子模型在t时刻的前向隐藏层输出

和后向GRU子模型在t时刻的后向隐藏层输出

进行加权求和，计算得到BiGRU网络的隐藏层输出H_t：

其中：γ_t为t时刻前向GRU子模型的前向隐藏层输出的权重，β_t为t时刻后向GRU子模型的后向隐藏层输出的权重；b_t为t时刻BiGRU网络隐藏层状态所对应的偏置量。

所述BiGRU网络的隐藏层输出H_t即为所述CNN-BiGRU神经网络模型输出的风压预测数据y_t。

S304：迭代训练。

将步骤S3033中得到的风压预测数据y_t反向传递至CNN-BiGRU神经网络模型中进行迭代训练，直至CNN-BiGRU神经网络模型的损失函数趋于稳定或达到最大迭代次数时，完成训练，得到训练好的CNN-BiGRU神经网络模型。在本实施例中，所述损失函数采用均方误差函数，其表达式为：

其中：S_t为t时刻输入CNN-BiGRU神经网络模型的IMF分量，y_t为待预测高层建筑在t时刻的风压预测数据，M为模型训练时迭代的次数。

S4：风压缺失数据补全。

如图8所示，采集高层建筑的实时风压数据，当实时风压数据缺失时，将数据缺失之前的风压数据及其周围风压数据输入训练好的CNN-BiGRU神经网络模型中，通过CNN-BiGRU神经网络模型预测得到风压预测数据，利用该风压预测数据对缺失数据进行补全。

本实施例中，采用EMD算法对将风压数据序列矩阵中风压数据不同尺度的波动和趋势进行逐级分解，产生一系列具有不同特征尺度的数据序列，该数据序列即为分解得到的IMF分量，然后将IMF分量和缺失数据测点作为CNN-BiGRU神经网络模型的输入进行模型训练，最后得到风压预测数据，CNN-BiGRU神经网络模型在风压数据的预测中，不仅能够在空间维度上将周围风压数据影响因素与当前时刻的风压数据预测联系起来，还能够在时间维度上将过去的风压数据影响因素和未来的风压数据影响因素与当前时刻的风压数据预测联系起来，使得风压预测数据更加准确。

实施例二

如图9所示，为本实施例的高层建筑长期风压缺失数据补全装置的***框图。本实施例的高层建筑长期风压缺失数据补全装置包括数据采集模块100、数据筛选及整合模块200、数据分解模块300、模型训练模块400、预测数据输出模块500、缺失数据补全模块600和显示模型700，以实现高层建筑长期风压缺失数据的补全。

所述数据采集模块100用于采集高层建筑的风压数据，所述风压数据包括历史风压数据和实时风压数据；所述数据采集模块100还用于将历史风压数据传输到数据筛选及整合模块200中以及将实时风压数据传输至预测数据输出模块500中。在本实施例中，所述数据采集模块100优选为设置于高层建筑外立面上的风压传感器。

所述数据筛选及整合模块200用于确定缺失数据测点，选择缺失数据测点之前时刻的历史风压数据以及每一历史风压数据的周围风压数据，并将所述历史风压数据及其周围风压数据分别按时序整合成风压数据序列矩阵传输给数据分解模块300。

所述数据分解模块300用于对所述数据筛选及整合模块输出的风压数据序列矩阵进行经验模态分解，得到多个IMF分量和一个RES分量，形成EMD分解数据样本，并将所述EMD分解样本数据输入模型训练模块400中进行模型训练。

所述模型训练模块400用于将所述数据分解模块300分解得到的EMD分解数据样本和缺失数据测点测得的历史风压数据作为CNN-BiGRU神经网络模型的输入对风压数据进行预测，并将预测得到的风压预测数据反向传递至CNN-BiGRU神经网络模型中进行迭代训练，直至所述CNN-BiGRU神经网络模型的损失函数趋于稳定或达到最大迭代次数，即停止训练得到训练好的CNN-BiGRU神经网络模型。在本实施例中，所述损失函数采用均方误差函数。

所述预测数据输出模块500用于将数据采集模块采集100采集的实时风压数据输入训练好的CNN-BiGRU神经网络模型进行预测，并输出最终的风压预测数据至缺失数据补全模块600和显示模块700中。

所述缺失数据补全模块600用于在实时风压数据缺失时，利用所述预测数据输出模块500输出的最终风压预测数据对缺失的数据进行补全。

所述显示模块700用于对所述预测数据输出模块500输出的风压预测数据进行显示，以实现实现风压预测数据可视化。

本实施例中，所述数据筛选及整合模块200、数据分解模块300、模型训练模400、预测数据输出模块500、缺失数据补全模块600和显示模块700均可集成于一计算机上，结构简单，且EMD分解算法、CNN-BiGRU模型对硬件和计算的处理要求均不高，大大降低了本装置的成本。

以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和本发明的实用性。

Claims (10)

1.一种高层建筑长期风压缺失数据补全方法，其特征在于，包括以下步骤：

S1：采集高层建筑的风压数据，确定缺失数据测点，选择缺失数据测点的历史风压数据以及每一缺失数据测点对应的周围数据测点的测得的周围风压数据，并将所述历史风压数据及其周围风压数据分别按时序整合成风压数据序列矩阵；

S2：采用经验模态分解算法将所述风压数据序列矩阵分解为IMF分量和RES分量，得到EMD分解数据样本；

S3：将EMD分解数据样本和缺失数据测点测得的历史风压数据输入CNN-BiGRU神经网络模型中进行迭代训练，优化模型参数，得到训练好的CNN-BiGRU神经网络模型；

S4：采集高层建筑的实时风压数据，当实时风压数据缺失时，将数据缺失之前的风压数据及其周围风压数据输入训练好的CNN-BiGRU神经网络模型中，通过CNN-BiGRU神经网络模型预测得到风压预测数据，利用该风压预测数据对缺失数据进行补全。

2.根据权利要求1所述的高层建筑长期风压缺失数据补全方法，其特征在于，在所述步骤S2中，所述风压数据序列矩阵中包括有历史风压数据序列及其周围风压数据序列，所述历史风压数据序列及其周围风压数据序列记为原始风压数据序列，分别对各原始风压数据序列矩阵进行经验模态分解，其具体步骤为：

S201：筛选出原始风压数据序列中所有的极大值点和极小值点，对所述极大值点和极小值点分别进行拟合得到原始风压数据序列的上包络线和下包络线；

S202：根据所述上包络线和下包络线计算所述原始风压数据序列的均值包络，并计算所述原始风压数据序列与均值包络之间的差值得到第一风压数据序列；

S203：判断所述第一风压数据序列是否满足IMF分量成立的条件，若满足，则执行步骤S204，若不满足，则对第一风压数据序列重复执行步骤S201-S202，直至重复m次后得到的第i个风压数据序列满足IMF分量成立的条件为止；

S204：将第i个风压数据序列作为所述原始风压数据序列的第一个IMF分量，并将该第一个IMF分量从原始风压数据序列中分离得到第一剩余风压数据序列；

S205：判断第一剩余风压数据序列是否为单调函数，若是，则完成分解，否则对该第一剩余风压数据序列重复执行步骤S201-S204，直至重复p次得到的第j个剩余风压数据序列为单调函数为止，以分解得到p个IMF分量和一个RES分量。

3.根据权利要求2所述的高层建筑长期风压缺失数据补全方法，其特征在于，所述步骤S203中，IMF分量成立的条件为：

在整个时程内，所述第一风压数据序列上极大值点和极小值点的个数与过零点的个数相等或最多相差一个；

在整个时程内，所述第一风压数据序列上任意一点处的上包络线和下包络线的均值为零。

4.根据权利要求1所述的高层建筑长期风压缺失数据补全方法，其特征在于，所述步骤S3包括以下步骤：

S301：构建包含有CNN网络和BiGRU网络的CNN-BiGRU神经网络模型，并将步骤S2中得到EMD分解数据样本和缺失数据测点测得的历史风压数据输入构建好的CNN-BiGRU神经网络模型中；

S302：所述CNN网络基于风压数据序列矩阵和缺失数据测点提取周围风压数据与缺失数据测点之间的空间相关性特征序列；

S303：所述BiGRU网络以所述CNN网络提取到的空间相关性特征序列作为输入，进一步提取风压数据序列矩阵和缺失数据测点之间的时间前后依赖度特征，输出风压预测数据；

S304：将风压预测数据反向传递至CNN-BiGRU神经网络模型中进行迭代训练，直至CNN-BiGRU神经网络模型的损失函数趋于稳定或达到最大迭代次数时，完成训练，得到训练好的CNN-BiGRU神经网络模型。

5.根据权利要求4所述的高层建筑长期风压缺失数据补全方法，其特征在于，在步骤S302中，所述CNN网络包括一层卷积层和一层池化层，所述卷积层通过卷积运算综合学习风压数据序列矩阵中各历史风压数据序列的局部特征，以获取全局特征，所述池化层消除冗余特征信息，以提取周围风压数据与缺失数据测点之间的空间相关性特征序列。

6.根据权利要求4所述的高层建筑长期风压缺失数据补全方法，其特征在于，在步骤S303中，所述CNN-BiGRU神经网络模型包括两个结构相同的GRU子模型，两个所述GRU子模型分别对输入的IMF分量沿时间正序和逆序进行处理，其训练过程为：

S3031：将步骤S302中提取的空间相关性特征序列分别输入两个GRU子模型中，计算两个GRU子模型的重置门和更新门；

S3032：分别计算两个GRU子模型的候选激活状态，并根据候选激活状态、重置门和更新门计算得到对应GRU子模型的隐藏层输出；

S3033：将计算得到的两个GRU子模型的隐藏层输出融合以得到EMD分解数据样本和缺失数据测点之间的时间前后依赖度特征，进而输出风压预测值。

7.根据权利要求6所述的高层建筑长期风压缺失数据补全方法，其特征在于，在步骤S3033中，所述风压预测值y_t为：

其中：

为t时刻GRU子模型前向传播的隐藏层输出；

为t时刻另一GRU子模型后向传播的隐藏层输出；α_t,β_t分别为t时刻两个GRU子模型前向传播和后向传播的隐藏层输出的权重；b_t为t时刻BiGRU网络隐藏层状态所对应的偏置量。

8.根据权利要求4所述的高层建筑长期风压缺失数据补全方法，其特征在于，在步骤S304中，所述损失函数采用均方误差函数，其表达式为：

其中：x_t为t时刻输入BiGRU网络的空间相关性特征，y_t为待预测高层建筑在t时刻的风压预测数据，N为模型训练时迭代的次数。

9.一种高层建筑长期风压缺失数据补全装置，其特征在于，包括：

数据采集模块，用于采集高层建筑的风压数据，所述风压数据包括历史风压数据和实时风压数据；

数据筛选及整合模块，用于确定缺失数据测点，选择缺失数据测点之前时刻的历史风压数据以及每一历史风压数据的周围风压数据，并将所述历史风压数据及其周围风压数据分别按时序整合成风压数据序列矩阵；

数据分解模块，用于对所述数据筛选及整合模块输出的风压数据序列矩阵进行经验模态分解，得到多个IMF分量和一个RES分量，形成EMD分解数据样本；

模型训练模块，用于将所述数据分解模块分解得到的EMD分解数据样本和缺失数据测点测得的历史风压数据输入CNN-BiGRU神经网络模型中进行迭代训练，得到训练好的CNN-BiGRU神经网络模型；

预测数据输出模块，用于输出风压预测数据；以及

缺失数据补全模块，用于在实时风压数据缺失时，利用所述预测数据输出模块输出的风压预测数据对缺失的风压数据进行补全。

10.根据权利要求9所述的高层建筑长期风压缺失数据补全装置，其特征在于，还包括显示模块，用于对所述预测数据输出模块输出的风压预测数据进行显示。

Images