本发明公开了一种高层建筑长期风压缺失数据补全方法及装置，包括采集高层建筑的风压数据，确定缺失数据测点、历史风压数据以及周围风压数据，并将历史风压数据及其周围风压数据分别按时序整合成风压数据序列矩阵；采用经验模态分解算法将所述风压数据序列矩阵进行分解得到EMD分解数据样本；将EMD分解数据样本和缺失数据测点输入CNN‑BiGRU神经网络模型中进行模型训练；当实时风压数据缺失时，通过CNN‑BiGRU神经网络模型预测得到的风压预测数据对缺失数据进行补全；本发明基于EMD算法与CNN‑BiGRU模型实现，使得风压预测数据的预测精度高，能够准确评估高层建筑的表面风压。(56)对比文件陈金富 等.利用时空相关性的多位置多步风速预测模型《.中国电机工程学报》.2019,第39卷(第7期),第2093-2105、S25页，摘要，第2-5节.YI XUAN 等.Multi-Model Fusion Short-Term Load Forecasting Based on RandomForest Feature Selection and HybridNeural Network《.IEEE Access》.2021,第9卷69002-69009.黄佳星.基于机器学习方法的风荷载预测研究《.中国优秀硕士学位论文全文数据库 工程科技II辑》.2021,第C038-249页，正文第32-36、45页.