本发明涉及深度学习、大数据，特别涉及一种基于深度学习技术的风速与温度预测方法。
背景技术：
1、在当今快速发展的信息技术时代，深度学习和大数据技术已成为推动各行各业创新的关键驱动力。特别是在气象领域，准确预测风速和温度对于农业、航空、能源管理、城市规划以及灾害预防等多个方面具有重要意义。随着深度学习技术的发展，特别是卷积神经网络(cnn)、循环神经网络(rnn)和长短期记忆网络(lstm)等模型的出现，为气象数据的处理和分析提供了新的视角。这些模型能够从大量历史气象数据中学习复杂的非线性关系，从而提高预测的准确性和效率。此外，大数据技术的应用为气象预测提供了丰富的数据资源。通过收集和整合来自地面站、卫星、无人机等多种来源的气象数据，可以构建更加全面和多元的数据集，为深度学习模型的训练和验证提供支持。
2、然而，传统的气象预测方法，如基于物理模型的数值天气预报，往往受限于计算能力和数据收集的局限性，难以实现高精度和实时性。例如专利申请号为cn202311556068.3的基于气象环境数据的变压器温度预测模型及方法，公开了获取气象环境监测数据，所述气象环境监测数据包括环境温度，湿度，风速，海拔高度；基于气象环境监测数据中环境温度的变化对变压器温度进行分析，预测在不同环境温度下变压器温度，基于气象环境监测数据中湿度的变化对变压器温度进行分析，预测在不同湿度下变压器温度，基于气象环境监测数据中风速的变化对变压器温度进行分析，预测在不同风速下变压器温度，基于气象环境监测数据中海拔高度的变化对变压器温度进行分析，预测在不同海拔高度下变压器温度；基于气象环境监测数据对变压器温度进行分析，获得在不同的环境温度、湿度、风速、海拔高度下的变压器温度预测值，建立变压器温度预测线性回归方程；使用真实数据，评估变压器温度预测符合系数，基于计算变压器温度预测的符合系数，评估变压器温度预测线性回归方程是否拟合真实数据，若变压器温度预测线性回归方程不能拟合真实数据，则对变压器温度预测线性回归方程进行优化；该现有技术能够根据气象环境数据预测出变压器温度的变化趋势，相对于大量布置传感器来监测温度，可以减少传感器的数量和维护工作，降低了成本和工作量。但是上述对比文件中没有对采集的数据中，没有考虑不同数据的相互影响作用，从而导致预测的结果准确性较低。
技术实现思路
1、为解决以上现有技术存在的问题，本发明提出了一种基于深度学习技术的风速与温度预测方法，该方法包括：获取电气象平台的风速与温度数据，并对数据进行缺失值填充处理；根据填充后的数据构建属性集，并对属性集中的数据进行映射处理；构建自适应属性交互图神经网络；对数据中的风速指标和温度指标进行初始化，并分别标记为y1和y2；将映射后的属性特征、y1和y2输入到自适应属性交互图神经网络中进行交互，将交互后的特征进行拼接，得到总的特征向量；将总的特征向量通过cvae网络映射到标签对应的潜在语义空间中，得到映射后的特征空间向量；将映射后的特征空间向量输入到训练后的dnn网络中，得到气象平台的风速与温度预测结果。
2、本发明的有益效果：
3、1、本发明针对于数据缺失值问题，使用bayimpute进行缺失值填充，提高了数据质量，从而增强了模型的训练基础。
4、2、本发明针对不同属性和不同属性与标签之间的交互问题，通过引入属性交互图神经网络和条件变分自编码器，能够捕捉到风速与温度预测数据的深层次特征和复杂关系。
5、4、本发明针对不同指标下的特征表达问题，将温度和风速作为条件，使用条件变分自编码器进行预测，增强了模型对于这两个相关指标的区分能力和泛化能力
6、5、本发明的方法是一个端到端的学习过程，从数据预处理到特征交互提取，再到预测，这有助于模型更好地学习和优化，同时提供了更高的可解释性。
1.一种基于深度学习技术的风速与温度预测方法，其特征在于，包括：获取电气象平台的风速与温度数据，并对数据进行缺失值填充处理；根据填充后的数据构建属性集，并对属性集中的数据进行映射处理；构建自适应属性交互图神经网络；对数据中的风速指标和温度指标进行初始化，并分别标记为y1和y2；将映射后的属性特征、y1和y2输入到自适应属性交互图神经网络中进行交互，将交互后的特征进行拼接，得到总的特征向量；将总的特征向量通过cvae网络映射到标签对应的潜在语义空间中，得到映射后的特征空间向量；将映射后的特征空间向量输入到训练后的dnn网络中，得到气象平台的风速与温度预测结果。
2.根据权利要求1所述的一种基于深度学习技术的风速与温度预测方法，其特征在于，对数据进行缺失值填充处理包括：
3.根据权利要求1所述的气象平台的风速与温度预测方法，其特征在于，对属性集中的数据进行映射处理包括将属性集中的连续值属性通过线性层进行映射，类别属性通过通过embedding进行映射；其表达式为：
4.根据权利要求1所述的一种基于深度学习技术的风速与温度预测方法，其特征在于，自适应属性交互图神经网络为：
5.根据权利要求1所述的一种基于深度学习技术的风速与温度预测方法，其特征在于，采用自适应属性交互图神经网络对输入数据进行交互包括：
6.根据权利要求5所述的一种基于深度学习技术的风速与温度预测方法，其特征在于，计算属性以及标签之间的相似性为：
7.根据权利要求5所述的一种基于深度学习技术的风速与温度预测方法，其特征在于，采用注意力机制对交互后的特征进行加权融合包括：
8.根据权利要求1所述的一种基于深度学习技术的风速与温度预测方法，其特征在于，cvae网络对输入数据进行处理包括：使用条件编码器对输入特征和标签y1，y2进行编码，得到潜在空间中的均值分布μ和标准差分布σ；从标准正态分布中采样随机噪声∈1，∈2；对随机噪声进行采样，生成潜在变量x1，x2；其中潜在变量为映射后的特征空间向量。
9.根据权利要求8所述的气象平台的风速与温度预测方法，其特征在于，生成潜在变量x1和x2的公式为：
10.根据权利要求1所述的一种基于深度学习技术的风速与温度预测方法，其特征在于，训练dnn网络的损失函数为：
