公开(公告)号：CN119719697B

公开(公告)日：2025-05-06

申请号：CN202510227779.9

申请日：2025-02-28

Applicant: 中南大学

Inventor： 舒臻孺 ,  邓鸿程 ,  蔡渊 ,  冯文海

IPC: G06F18/20 ,  G06N3/0442 ,  G06N7/01 ,  G06Q50/06 ,  G06F18/10

Abstract: 本发明涉及数据处理技术领域，具体涉及一种风速预测方法、设备及介质，本发明方法通过长短时记忆网络，将历史输入风速序列编码，得到原序列在隐空间特征映射。通过定义一个扩散步骤的马尔科夫链，在前向过程中向序列编码种逐步添加噪声，直至原编码成为纯噪声序列。然后使网络学习反向扩散过程，使其能够从噪声中构建原始序列在隐空间的特征映射关系。并从重构的特征关系中得到下一时刻的预测值。在风速预测领域，本发明方法相对于其他的深度学习方法准确率更高。

公开(公告)号：CN119719697A

公开(公告)日：2025-03-28

申请号：CN202510227779.9

申请日：2025-02-28

Applicant: 中南大学

Inventor： 舒臻孺 ,  邓鸿程 ,  蔡渊 ,  冯文海

IPC: G06F18/20 ,  G06N3/0442 ,  G06N7/01 ,  G06Q50/06 ,  G06F18/10

Abstract: 本发明涉及数据处理技术领域，具体涉及一种风速预测方法、设备及介质，本发明方法通过长短时记忆网络，将历史输入风速序列编码，得到原序列在隐空间特征映射。通过定义一个扩散步骤的马尔科夫链，在前向过程中向序列编码种逐步添加噪声，直至原编码成为纯噪声序列。然后使网络学习反向扩散过程，使其能够从噪声中构建原始序列在隐空间的特征映射关系。并从重构的特征关系中得到下一时刻的预测值。在风速预测领域，本发明方法相对于其他的深度学习方法准确率更高。

公开(公告)号：CN118585766A

公开(公告)日：2024-09-03

申请号：CN202410630320.9

申请日：2024-05-21

Applicant: 中南大学

Inventor： 舒臻孺 ,  邓鸿程

IPC: G06F18/20 ,  G06F18/10 ,  G06N3/0464 ,  G06N3/096 ,  G01W1/10 ,  G06F123/02

Abstract: 本发明涉及风速预测技术领域，公开了一种风速预测方法、介质及设备，方法包括：获取历史风速数据得到原始风速序列；对原始风速序列数据进行预处理；确定预测的风速的时间步长；分别对训练集和测试集中的原始风速序列进行奇异谱分析得多个子序列；构建预测子模型，对预测子模型进行训练；将所有的预测子模型的预测结果累加得到最终的预测结果。本发明方法通过奇异谱分析，将风速时间序列进行分解得到包含不同频率成分的子序列，通过下采样卷积交互神经网络对第一个子序列进行建模训练，再通过迁移学习将所学习到的权重参数迁移至其他子序列的预测模型中，将所有子序列的预测结果叠加得到最终的预测结果，风速预测精度明显提升。