(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111133887.8 (22)申请日 2021.09.27 (65)同一申请的已公布的文献号 申请公布号 CN 113779892 A (43)申请公布日 2021.12.10 (73)专利权人 中国人民解 放军国防科技大 学 地址 410073 湖南省长 沙市开福区德雅路 109号 (72)发明人 臧增亮　牛丹　陈善龙　陈夕松　 李毅　尤伟　潘晓滨　 (74)专利代理 机构 长沙国科天河知识产权代理 有限公司 432 25 专利代理师 彭小兰 (51)Int.Cl. G06F 30/27(2020.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 111/08(2020.01) G06F 113/08(2020.01) 审查员 沈晴 (54)发明名称 一种风速和风向的预测方法 (57)摘要 本发明公开了一种风速和风向的预测方法， 通过获取目标站点的观测数据与模式数据， 并根 据观测数据与模式数据建立初始数据集； 对初始 数据集进行预处理获得目标数据集； 从目标数据 集中提取时间特征信息， 并使用线性预测模块从 目标数据集中提取并添加两组特征数据； 在融合 自适应权重机制与改进长短记忆单元序列网络 中， 对长短记忆网络中c ell隐藏状态信息和输入 信息进行交互处理； 对隐藏状态信息进行概率采 样处理； 利用自适应权重机制将编码模块与解码 模块的隐藏状态信息进行加权求和以生成网络 预测模型； 利用网络预测模型对 所述目标数据集 进行集成学习以获得最终模型并使用所述最终 预测模型进行风速和风向的预测， 实现了精确对 风向和风速进行 预测。 权利要求书2页 说明书7页 附图3页 CN 113779892 B 2022.09.02 CN 113779892 B 1.一种风速和风向的预测方法， 其特 征在于， 所述方法包括： 获取目标站点的观测数据与模式数据， 并根据所述观测数据与模式数据建立初始数据 集； 对所述初始数据集进行 预处理获得目标 数据集； 从所述目标数据集中提取时间特征信 息， 并使用线性预测模块从所述目标数据集中提 取并添加两组特 征数据； 在融合自适应权重机制与改进长短记忆单元序列网络中， 对所述长短记忆网络 中cell 隐藏状态信息和输入信息进行交 互处理； 对所述隐藏状态信息进行概 率采样处 理； 利用自适应权重机制将编码模块与解码模块的隐藏状态信息进行加权求和以生成网 络预测模型； 利用所述网络预测模型对所述目标数据集进行集成学习以获得最终模型并使用所述 最终预测模型进行风速和风向的预测。 2.如权利要求1所述的方法， 其特征在于， 所述对所述初始数据集进行预处理获得目标 数据集的步骤， 包括： 剔除所述初始数据集中不符合预设条件的数据单 元； 在检测到所述数据单元缺失或者有误时， 使用对应阈值范围内的数据的均值进行补 充； 根据处理结果获得目标 数据集。 3.如权利要求1所述的方法， 其特征在于， 所述从所述目标数据集中提取时间特征信 息， 并使用线性预测模块从所述目标 数据集中提取并添加两组特 征数据的步骤， 包括： 将所述目标数据集中的模式数据与真实数据进行规格匹配， 模式数据M1，…， Mm与观测 数据O1，…， On， 其中Mi表示t时刻模式预测的第i个特征数据， 1≤i≤m， m表示t时刻模式数据 的特征总数， Oj表示t时刻实际观测的第j个特征数据， 1≤j≤n， n表示t时刻实际观测数据 的特征总数； 利用线性预测模块与观测数据的数据元组从所述目标数据集中使用其趋势项模型为 风速与风向观测数据增添两组趋势序列， 为观测数据的顺序排列元组， 作为两组特征数据 加入到所述目标 数据集中。 4.如权利要求2所述的方法， 其特征在于， 所述利用线性预测模块与观测数据的数据 元 组从所述目标数据集中使用其趋势项模型为风速与风向观测数据增添两组趋势序列， 为观 测数据的顺序排列元组， 作为两组特 征数据加入到所述目标 数据集中的步骤之后， 还 包括： 将新生成的数据模块与原有的数据集重新组合， 聚合成一个新的数据集元组， 分成训 练集和测试集。 5.如权利要求1所述的方法， 其特征在于， 所述在融合自适应权重机制与改进长短记忆 单元序列网络中， 对所述长 短记忆网络中cell隐藏状态信息和输入信息进 行交互处理的步 骤， 包括： 在融合自适应权重机制与改进长短记忆单元序列网络中， 改进的cell单元对上一单元 的输出hprev与当前cell单元输入x进行交替交互处理， 并定义为Inter(x， hprev， cprev)， 交互 过程为( 表示hadmard乘积)：权　利　要　求　书 1/2 页 2 CN 113779892 B 2奇数i∈[1. ..r] 偶数i∈[1. ..r] Q， R为额外设定矩阵， 参数i控制x和h进行交 互计算； 提取运算后数值作为输入到序列单元网络中， 训练拼接成四个状态( 表示hadmard乘 积)： It＝σ(Wixx+Wihhprev+bi) Ft＝σ(Wfxx+Wfhhprev+bf) Ot＝σ(Woxx+Wohhprev+bo) 其中It， Ft， Ot， Ct， H分别代表 输入门， 遗忘门， 输出门， 记忆细胞状态， 下一轮候选隐藏状 态； 得出当前记 忆细胞状态(c)与下一轮候选隐藏状态(h)传输 到下一网络单 元中。 6.如权利要求1所述的方法， 其特征在于， 所述对所述隐藏状态信 息进行概率采样处理 的步骤， 包括： 针对训练中每一个cell单元的隐藏状态(h)， 设置概率p作为选择真实标记， 以1 ‑p的概 率选择模型自身的输出； 随着训练的进行， p的数值会减小， 即尽量选择模型自 己的输出， 致使模型训练和预测 保持一致， 针对每完成一次epoc h训练重新定义 一次概率p： 将所述概率选择学习方法融入训练网络 。 7.如权利要求1所述的方法， 其特征在于， 所述利用自适应权重机制 将编码模块与解码 模块的隐藏状态信息进行加权求和以生成网络预测模型的步骤， 包括： 利用自适应权重机制将编码模块与解码模块的隐藏状态信 息进行加权求和， 具体方法 为： 针对输入的信息X＝[x1， x2， ...， xt]进行注意力分步计算， 定义A tteni为注意力分步： Atteni＝softmax(score(Xi， q)) 其中score(Xi， q)为双线性模型的评分机制； 针对处理后的信息进行加权平均的具体方式为： 其中q为上 下文信息； 根据上述计算 步骤生成网络预测模型。权　利　要　求　书 2/2 页 3 CN 113779892 B 3