A Multi-Factor-Fusion Framework for Efficient Prediction of Pedestrian-level Wind Environment Based on Deep Learning
发表于 IEEE Access, 2025
论文提出了一种基于深度学习的多因素融合(MFF)框架,通过图卷积网络(GCN)和注意力长短期记忆网络(ALSTM)融合历史风速、障碍物分布和气象数据,端到端直接预测行人级风场,避免了传统 CFD 模拟的网格划分和迭代计算,效率提升显著。研究利用多尺度模拟数据(WRF+CFD)训练模型并校准预测结果,在案例中实现了10 分钟预测误差 3.52%、1 小时误差 10.23%,为城市风环境分析提供了高效解决方案。
引用方式: Hu, Z.Z.*, Min, Y.T., Leng, S., Li, S., Lin, J.R. (2025). A Multi-Factor-Fusion Framework for Efficient Prediction of Pedestrian-level Wind Environment Based on Deep Learning. IEEE Access, 13, 52912-52924. doi: 10.1109/ACCESS.2025.3553490 http://doi.org/10.1109/ACCESS.2025.3553490