本发明涉及建筑风环境预测，具体是涉及基于物理数据混合驱动的建筑风环境训练方法、预测方法。
背景技术：
1、已知的风速进入到建筑所在的环境之后，该风速被该环境影响之后而在各个位置处形成的新的风速，该环境内的各个位置处所形成的新风速就是建筑风环境。在建筑完工之前或完工之后，会根据建筑的分布位置和建筑高度预测建筑风环境。现有技术采用神经网络模型预测建筑风环境，而模型在用于预测建筑风环境之前，需要先对模型进行训练，训练之后的模型才能用于预测建筑风环境。现有技术由于在训练模型时所使用的损失函数为模型的预测值和真实值之间的差值，而导致现有技术训练模型需要大量的训练数据，从而增加了训练模型所需要的时间，进而降低了模型训练速度。
2、综上所述，现有技术中针对建筑风环境预测模型的训练方法降低了训练速度。
3、因此，现有技术还有待改进和提高。
技术实现思路
1、为解决上述技术问题，本发明提供了基于物理数据混合驱动的建筑风环境训练方法、预测方法，解决了现有技术中针对建筑风环境预测模型的训练方法降低了训练速度的问题。
2、为实现上述目的，本发明采用了以下技术方案：
3、第一方面，本发明提供一种基于物理数据混合驱动的建筑风环境训练方法，其中，包括：
4、构建训练数据集，所述训练数据集包括建筑形态样本数据和所述建筑形态样本数据所对应的建筑风环境真实数据；
5、对所述建筑形态样本数据应用神经网络模型，得到所述神经网络模型输出的建筑风环境训练数据；
6、依据所述建筑风环境真实数据和所述建筑风环境训练数据，确定所述神经网络模型的损失子函数；确定所述建筑风环境真实数据的真实变化率；确定所述建筑风环境训练数据的训练变化率；
7、依据所述真实变化率和所述训练变化率和所述损失子函数，得到所述神经网络模型的总损失函数，依据所述总损失函数，迭代训练所述神经网络模型，直至所述神经网络模型收敛，得到建筑风环境预测模型。
8、在一种实现方式中，所述构建训练数据集，包括：
9、获取建筑形态三维数据和所述建筑形态三维数据所对应的建筑风环境真实数据；
10、对所述建筑形态三维数据进行编码，得到建筑形态样本矩阵，所述建筑形态样本矩阵中的元素用于表征空间位置，元素的值用于表征所述空间位置处的属性信息，所述属性信息包括建筑属性信息和非建筑属性，并将所述建筑形态样本矩阵作为建筑形态样本数据，并由所述建筑风环境真实数据和所述建筑形态样本数据构建训练数据集。
11、在一种实现方式中，所述对所述建筑形态样本数据应用神经网络模型，得到所述神经网络模型输出的建筑风环境训练数据，包括：
12、对所述建筑形态样本矩阵应用神经网络模型，得到所述神经网络模型输出的各个相邻点所在位置处的相邻点风环境训练数据，各个所述相邻点为与测点相邻的点，所述测点为非建筑体所在的位置，所述测点的位置与所述建筑形态样本矩阵的中心位置相对应，并将所述相邻点风环境训练数据作为建筑风环境训练数据。
13、在一种实现方式中，确定所述建筑风环境训练数据的训练变化率，包括：
14、确定所述建筑风环境训练数据中的各个所述相邻点的相邻点风环境训练数据；
15、获取所述测点和各个所述相邻点之间的空间距离；
16、依据各个所述空间距离和各个所述相邻点的相邻点风环境训练数据，确定所述建筑风环境训练数据的训练变化率。
17、在一种实现方式中，所述依据各个所述空间距离和各个所述相邻点的相邻点风环境训练数据，确定所述建筑风环境训练数据的训练变化率，包括：
18、确定各个所述空间距离中的各个横向距离、各个纵向距离和各个竖向距离，且各个所述横向距离相等，各个所述纵向距离相等，各个所述竖向距离相等；
19、确定各个所述相邻点中的横向邻点、纵向邻点和竖向邻点；确定所述相邻点风环境训练数据中的所述横向邻点在横向上的风环境训练数据、所述纵向邻点在纵向上的风环境训练数据、所述竖向邻点在竖向上的风环境训练数据；
20、依据所述横向距离、所述纵向距离、所述竖向距离、所述横向邻点在横向上的风环境训练数据、所述纵向邻点在纵向上的风环境训练数据、所述竖向邻点在竖向上的风环境训练数据，确定所述建筑风环境训练数据的训练变化率。
21、在一种实现方式中，所述测点位于各个所述相邻点围成区域的中心。
22、在一种实现方式中，所述依据所述真实变化率和所述训练变化率和所述损失子函数，得到所述神经网络模型的总损失函数，包括：
23、将所述训练变化率减去所述真实变化率，得到所述神经网络模型的物理损失函数；
24、将所述物理损失函数和所述损失子函数进行加权计算，得到总损失函数。
25、第二方面，本发明实施例还提供一种预测方法，其中，包括：
26、基于上述所述的基于物理数据混合驱动的建筑风环境训练方法，得到建筑风环境预测模型；
27、获取建筑形态矩阵和入射风数据，所述建筑形态矩阵中的元素用于表征空间位置，元素的值用于表征位于空间位置上的建筑属性信息或非建筑属性，入射风为入射至建筑环境的风；
28、对所述建筑形态矩阵应用建筑风环境预测模型，得到建筑风环境预测数据。
29、第三方面，本发明实施例还提供一种终端设备，其中，所述终端设备包括存储器、处理器及存储在所述存储器中并可在所述处理器上运行的基于物理数据混合驱动的建筑风环境训练程序，所述处理器执行所述基于物理数据混合驱动的建筑风环境训练程序时，实现上述所述的基于物理数据混合驱动的建筑风环境训练方法的步骤；
30、或者，所述终端设备包括存储器、处理器及存储在所述存储器中并可在所述处理器上运行的预测程序，所述处理器执行所述预测程序时，实现上述所述的预测方法的步骤。
31、第四方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有基于物理数据混合驱动的建筑风环境训练程序，所述基于物理数据混合驱动的建筑风环境训练程序被处理器执行时，实现上述所述的基于物理数据混合驱动的建筑风环境训练方法的步骤；
32、或者，所述计算机可读存储介质上存储有预测程序，所述预测程序被处理器执行时，实现上述所述的预测方法的步骤。
33、有益效果：本发明在训练神经网络模型时，所使用的总损失函数包括了神经网络模型的损失子函数和真实变化率以及训练变化率。其中，损失子函数代表了模型预测的建筑风环境数据和真实的建筑风环境数据之间的差异，真实变化率代表了真实的建筑风环境数据随位置的变化信息，训练变化率代表了模型所预测的建筑风环境数据随位置的变化信息。从上述分析可知，本发明在损失子函数的基础上增设了真实变化率和训练变化率，这二者能够表征神经网络模型的物理损失程度，由于在计算总损失函数时考虑了模型的物理损失程度，从而提高了计算出来的总损失函数的精度，因此本发明使用较少的训练数据集训练模型，同时还能保证训练之后的模型精度。
1.一种基于物理数据混合驱动的建筑风环境训练方法，其特征在于，包括：
2.如权利要求1所述的基于物理数据混合驱动的建筑风环境训练方法，其特征在于，所述构建训练数据集，包括：
3.如权利要求2所述的基于物理数据混合驱动的建筑风环境训练方法，其特征在于，所述对所述建筑形态样本数据应用神经网络模型，得到所述神经网络模型输出的建筑风环境训练数据，包括：
4.如权利要求3所述的基于物理数据混合驱动的建筑风环境训练方法，其特征在于，所述确定所述建筑风环境训练数据的训练变化率，包括：
5.如权利要求4所述的基于物理数据混合驱动的建筑风环境训练方法，其特征在于，所述依据各个所述空间距离和各个所述相邻点的相邻点风环境训练数据，确定所述建筑风环境训练数据的训练变化率，包括：
6.如权利要求3-5任一项所述的基于物理数据混合驱动的建筑风环境训练方法，其特征在于，所述测点位于各个所述相邻点围成区域的中心。
7.如权利要求1所述的基于物理数据混合驱动的建筑风环境训练方法，其特征在于，所述依据所述真实变化率和所述训练变化率和所述损失子函数，得到所述神经网络模型的总损失函数，包括：
8.一种预测方法，其特征在于，包括：
