多数据联合预测方法、装置、电子设备及存储介质与流程

1.本技术涉及机器学习技术领域，尤其涉及一种多数据联合预测方法、装置、电子设备及存储介质。


背景技术：

2.神经网络属于机器学习和认知科学领域，是一种仿生结构和功能的数学模型或计算模型，用于对函数进行估计或近似。神经网络由大量的人工神经元联结进行计算，具备学习功能，能在外界信息的基础上自适应改变内部结构。神经网络的学习是通过训练样本的输入，对各个层的权重进行校正的过程。有效学习后的神经网络在数据预测任务上有极佳的性能表现。
3.目前，对于一个系统中的多个待预测的数据，通常对于每一个待预测的数据分别构建模型进行训练和预测，并且利用离散的数据点作为训练数据，无法有效利用数据中的时序信息，并且多个待预测的数据对应多个相互独立的模型，结构上冗余，且训练和预测时间长。
4.另外，现有工况预测/能耗预测方法多基于工况曲线的绘制来进行预测，一般只能利用到短期或者瞬时的各传感器状态信息，不能有效利用信息。


技术实现要素：

5.为了解决上述技术问题或者至少部分地解决上述技术问题，本技术的实施例提供了一种多数据联合预测方法、装置、电子设备及存储介质。
6.第一方面，本技术的实施例提供了一种多数据联合预测方法，包括以下步骤：
7.将具有时序特征的历史工况数据输入预先训练好的工况预测模型中，得到通过所述工况预测模型预测出的工况预测数据；
8.将具有时序特征的历史工况数据和工况预测数据输入预先训练好的能耗预测模型，得到能耗预测值；
9.将具有时序特征的历史工况数据、工况预测数据以及能耗预测值输入预先训练好的负载预警模型中，得到负载预测值，其中，所述工况预测模型、所述能耗预测模型与所述负载预警模型按序串联连接，在模型训练过程中进行联合训练，以及在预测过程中进行联合预测；
10.根据负载预测值与预设负载阈值之间的大小关系，确定并输出负载预警结果以及所述工况预测值和能耗预测值。
11.在一种可能的实施方式中，所述方法还包括：
12.实时监测当前工况数据、能耗值和负载预警结果的数据量与上一次模型训练使用的数据量之间的增量是否达到预设增量阈值：
13.当监测到当前工况数据、能耗值和负载预警结果的数据量与上一次模型训练使用的数据量之间的增量达到预设增量阈值时，利用增量后的工况数据、能耗值和负载预警结
果联合更新按序串联的工况预测模型、能耗预测模型和负载预警模型。
14.在一种可能的实施方式中，所述在模型训练过程中进行联合训练，包括：
15.利用已知的具有时序特征的历史工况数据作为输入，目标工况数据作为输出对工况预测模型进行训练，得到训练好的工况预测模型；
16.将已知的具有时序特征的历史工况数据输入训练好的工况预测模型，得到工况预测模型的输出值；
17.将已知的具有时序特征的历史工况数据以及训练好的工况预测模型的输出值作为输入值，将已知的能耗值作为输出值，对能耗预测模型进行训练，得到训练好的能耗预测模型；
18.将已知的具有时序特征的历史工况数据、训练好的工况预测模型的输出值和训练好的能耗预测模型的输出值作为输入值，将已知的负载预测值作为输出值，对负载预警模型进行训练，得到训练好的负载预警模型。
19.在一种可能的实施方式中，所述工况预测模型根据具有时序特征的历史工况数据从循环神经网络、长短期记忆网络和门限循环单元网络中选择得到；所述能耗预测模型为多层感知机网络或卷积神经网络；所述负载预警模型为卷积神经网络，其中，工况预测模型、能耗预测模型和负载预警模型中与具有时序特征的历史工况数据对应的初始权重值根据历史数据的时间从后向前呈现衰减特性。
20.在一种可能的实施方式中，所述工况预测模型根据具有时序特征的历史工况数据从循环神经网络、长短期记忆网络和门限循环单元网络中选择得到，包括：
21.在所述联合训练按序串联的工况预测模型、能耗预测模型和负载预警模型期间，当具有时序特征的历史工况数据的时间间隔小于预设时长阈值时，选择循环神经网络作为工况预测模型；
22.当具有时序特征的历史工况数据的时间间隔大于或等于预设时长阈值时，选择长短期记忆网络作为工况预测模型；
23.当具有时序特征的历史工况数据的数据量小于预设数据量阈值且时间间隔大于或等于预设时长阈值时，选择门限循环单元网络作为工况预测模型。
24.在一种可能的实施方式中，所述方法还包括：
25.当具有时序特征的历史工况数据的数据量小于预设数据量阈值且时间间隔小于预设时长阈值时，利用bootstrap重采样方法对具有时序特征的历史工况数据进行重采样处理，以根据重采样处理后的具有时序特征的历史工况数据对选择的循环神经网络进行训练。
26.在一种可能的实施方式中，所述方法还包括：
27.将具有时序特征的历史工况数据、工况预测数据以及能耗预测值输入预先训练好的故障预测模型中，输出得到故障预警结果，其中，所述故障预测模型与所述能耗预测模型串联连接，使得所述故障预测模型的输入值包括所述能耗预测模型的输出值。
28.第二方面，本技术的实施例提供了一种多数据联合预测装置，包括：
29.工况预测模块，其用于将具有时序特征的历史工况数据输入预先训练好的工况预测模型中，得到通过所述工况预测模型预测出的工况预测数据；
30.能耗预测模块，其用于将具有时序特征的历史工况数据和工况预测数据输入预先
训练好的能耗预测模型，得到能耗预测值；
31.负载预测模块，其用于将具有时序特征的历史工况数据、工况预测数据以及能耗预测值输入预先训练好的负载预警模型中，得到负载预测值，其中，所述工况预测模型、所述能耗预测模型与所述负载预警模型按序串联连接，在模型训练过程中进行联合训练，以及在预测过程中进行联合预测；
32.输出模块，其用于根据负载预测值与预设负载阈值之间的大小关系，确定并输出负载预警结果以及所述工况预测值和能耗预测值。
33.第三方面，本技术的实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
34.存储器，用于存放计算机程序；
35.处理器，用于执行存储器上所存放的程序时，实现上述多数据联合预测方法的步骤。
36.第四方面，本技术的实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述多数据联合预测方法的步骤。
37.本技术实施例提供的上述技术方案与现有技术相比具有如下优点：
38.本技术实施例提供的该方法，将具有时序特征的历史工况数据输入预先训练好的工况预测模型中，得到通过所述工况预测模型预测出的工况预测数据；将具有时序特征的历史工况数据和工况预测数据输入预先训练好的能耗预测模型，得到能耗预测值；将具有时序特征的历史工况数据、工况预测数据以及能耗预测值输入预先训练好的负载预警模型中，得到负载预测值，其中，所述工况预测模型、所述能耗预测模型与所述负载预警模型按序串联连接，在模型训练过程中进行联合训练，以及在预测过程中进行联合预测；根据负载预测值与预设负载阈值之间的大小关系，确定并输出负载预警结果以及所述工况预测值和能耗预测值，能够利用带有时序特征的工况数据通过多个串联的模型进行联合预测，通过减少多个模型结构上的冗余提高多个预测数据的预测效率，并且对时序特征的有效利用以及多个串联的模型的联合训练，能够提高预测值的精度。
附图说明
39.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。
40.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
41.图1示意性示出了本技术实施例提供的一种多数据联合预测方法的流程示意图；
42.图2示意性示出了本技术实施例提供的模型串联的结构示意图；
43.图3示意性示出了本技术又一实施例提供的一种多数据联合预测方法流程示意图；
44.图4示意性示出了本技术实施例提供的步骤s13的详细流程示意图；
45.图5示意性示出了本技术实施例提供的步骤s41的详细流程示意图；
46.图6示意性示出了本技术实施例提供的一种多数据联合预测装置的结构示意图；
47.图7示意性示出了本技术实施例提供的一种电子设备结构示意图。
具体实施方式
48.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术的一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
49.参见图1，本技术的多数据联合预测方法，包括以下步骤：
50.s11，将具有时序特征的历史工况数据输入预先训练好的工况预测模型中，得到通过所述工况预测模型预测出的工况预测数据；
51.在实际应用中，具有时序特征的历史工况数据可以是按照工况数据采集时刻的先后顺序排序的工况数据，所述工况数据可以是一种数据，也可以是多种数据，当工况数据为一种数据时，可以是不同时刻下的环境和/或设备运行中的温度、电压、耗电量等中的任意一种，当工况数据为多种数据时，可以是不同时刻下的环境和/或设备运行中的温度、电压、耗电量等中的至少两种。工况预测数据可以是相对于历史工况数据的采集时刻的未来时刻的工况数据，例如，历史工况数据的采集时刻为过去半个月每天上午8点，工况预测数据对应的时刻为今天、明天以及未来任意一天或多天的每天上午8点。
52.s12，将具有时序特征的历史工况数据和工况预测数据输入预先训练好的能耗预测模型，得到能耗预测值；
53.在实际应用中，能耗预测模型的权重值的大小与工况数据对应的时刻之间的关系是：时刻越早，该时刻下的工况数据匹配的权重值越小，使得较新的工况数据对能耗预测值的影响较大。
54.s13，将具有时序特征的历史工况数据、工况预测数据以及能耗预测值输入预先训练好的负载预警模型中，得到负载预测值，其中，所述工况预测模型、所述能耗预测模型与所述负载预警模型按序串联连接，如图2所示，在模型训练过程中进行联合训练，以及在预测过程中进行联合预测；
55.在实际应用中，负载预警模型的权重值的大小与工况数据对应的时刻之间的关系是：时刻越早，该时刻下的工况数据匹配的权重值越小，使得较新的工况数据对负载预测值的影响较大。
56.在实际应用中，负载预警模型可以替换为故障预测模型，或者，可以将故障预测模型与负载预警模型并联。
57.在设备运行异常运行时，对故障信息(包括当前工况数据以及故障类型)进行收集，包括故障发生时和发生前一段时间的工况数据，根据这些数据训练故障预测模型，以利用故障预测模型及时感知隐患和可能出现的设备故障信号，并发出告警。
58.s14，根据负载预测值与预设负载阈值之间的大小关系，确定并输出负载预警结果以及所述工况预测值和能耗预测值。
59.在实际应用中，将负载预测值与预设负载阈值对比，当负载预测值大于预设负载阈值时，负载预警结果为异常。
60.参见图3，所述方法还包括：
61.s31，实时监测当前工况数据、能耗值和负载预警结果的数据量与上一次模型训练使用的数据量之间的增量是否达到预设增量阈值：
62.在实际应用中，与上一次模型训练使用的工况数据、能耗值和负载预警结果的数据量相比，新的工况数据、能耗值和负载预警结果累积到一定量时，即认为当前工况数据、能耗值和负载预警结果的数据量与上一次模型训练使用的数据量之间的增量达到预设增量阈值。
63.若是，则执行步骤s32；
64.若否，则执行步骤s33；
65.s32，利用增量后的工况数据、能耗值和负载预警结果联合更新按序串联的工况预测模型、能耗预测模型和负载预警模型；
66.在实际应用中，所述联合更新按序串联的工况预测模型、能耗预测模型和负载预警模型，包括：
67.利用已知的增量后的具有时序特征的历史工况数据作为输入，目标工况数据作为输出对工况预测模型进行训练，得到训练好的工况预测模型；
68.将已知的增量后的具有时序特征的历史工况数据输入训练好的工况预测模型，得到工况预测模型的输出值；
69.将已知的增量后的具有时序特征的历史工况数据以及训练好的工况预测模型的输出值作为输入值，将已知的能耗值作为输出值，对能耗预测模型进行训练，得到训练好的能耗预测模型；
70.将已知的增量后的具有时序特征的历史工况数据、训练好的工况预测模型的输出值和训练好的能耗预测模型的输出值作为输入值，将已知的负载预测值作为输出值，对负载预警模型进行训练，得到训练好的负载预警模型。
71.s33，不予响应。
72.本实施例的多数据预测方法能够基于历史工况数据来训练预测模型，并随设备运行状态的新数据进行同步的多数据预测与多模型更新，预测效率高，并且预测值的精度高。
73.参见图4，步骤s13中，所述在模型训练过程中进行联合训练，包括：
74.s41，利用已知的具有时序特征的历史工况数据作为输入，目标工况数据作为输出对工况预测模型进行训练，得到训练好的工况预测模型。
75.在实际应用中，所述工况预测模型根据具有时序特征的历史工况数据从循环神经网络、长短期记忆网络和门限循环单元网络中选择得到。
76.在实际应用中，工况预测模型的权重值初始值的大小与工况数据对应的时刻之间的关系是：时刻越早，该时刻下的工况数据匹配的权重值初始值越小，使得较新的工况数据对工况预测值的影响较大。
77.s42，将已知的具有时序特征的历史工况数据输入训练好的工况预测模型，得到工况预测模型的输出值。
78.s43，将已知的具有时序特征的历史工况数据以及训练好的工况预测模型的输出值作为输入值，将已知的能耗值作为输出值，对能耗预测模型进行训练，得到训练好的能耗预测模型。
79.在实际应用中，能耗预测模型的权重值初始值的大小与工况数据对应的时刻之间
的关系是：时刻越早，该时刻下的工况数据匹配的权重值初始值越小，使得较新的工况数据对能耗预测值的影响较大。
80.在实际应用中，所述能耗预测模型为多层感知机网络或卷积神经网络。
81.s44，将已知的具有时序特征的历史工况数据、训练好的工况预测模型的输出值和训练好的能耗预测模型的输出值作为输入值，将已知的负载预测值作为输出值，对负载预警模型进行训练，得到训练好的负载预警模型。
82.在实际应用中，负载预警模型的权重值初始值的大小与工况数据对应的时刻之间的关系是：时刻越早，该时刻下的工况数据匹配的权重值初始值越小，使得较新的工况数据对负载预测值的影响较大。
83.在实际应用中，所述负载预警模型为卷积神经网络，所述负载预警模型为卷积神经网络，其中，工况预测模型、能耗预测模型和负载预警模型中与具有时序特征的历史工况数据对应的初始权重值根据历史数据的时间从后向前呈现衰减特性。
84.参见图5，步骤s41中，所述工况预测模型根据具有时序特征的历史工况数据从循环神经网络、长短期记忆网络和门限循环单元网络中选择得到，包括：
85.s51，在所述联合训练按序串联的工况预测模型、能耗预测模型和负载预警模型期间，判断具有时序特征的历史工况数据的时间间隔是否小于预设时长阈值：
86.在实际应用中，所述具有时序特征的历史工况数据的时间间隔至少包括相邻两个历史工况数据对应的时刻之差以及历史工况数据对应的最大与最小时刻之差，当相邻两个历史工况数据对应的时刻之差小于第一预设时长阈值，并且历史工况数据对应的最大与最小时刻之差小于第一预设时长阈值，认为具有时序特征的历史工况数据的时间间隔小于预设时长阈值。
87.若是，则执行步骤s52；
88.若否，则执行步骤s53；
89.s52，选择循环神经网络作为工况预测模型；
90.s53，选择长短期记忆网络作为工况预测模型；
91.s54，判断具有时序特征的历史工况数据的数据量是否小于预设数据量阈值：
92.若是，则执行步骤s55；
93.若否，则返回步骤s53；
94.s55，选择门限循环单元网络作为工况预测模型。
95.在实际应用中，当具有时序特征的历史工况数据的数据量小于预设数据量阈值且时间间隔小于预设时长阈值时，利用bootstrap重采样方法对具有时序特征的历史工况数据进行重采样处理，以根据重采样处理后的具有时序特征的历史工况数据对选择的循环神经网络进行训练。
96.本实施例的多数据联合预测方法通过三个模型的串联，三个独立任务分别进行训练，同时前一模型的输入可作为下一模型的输出，完成整个完整系统的单次构建，能够实现一次预测过程输出多个预测数据，预测效率高，同时在模型预测和模型训练中均使用具有时序特征的工况数据，并且工况预测模型采用时序神经网络模型，能够有效利用不同时刻下工况数据之间的时间关系信息，使得模型输出的预测值更准确。
97.本实施例的多数据联合预测方法能够根据动态更新的工况数据、能耗值和负载值
自动更新模型，并同步预测未来时刻的工况数据、能耗值和负载值，使得模型输出的预测值更准确且预测速度更快。
98.本实施例的多数据联合预测方法中的长短期记忆网络相较于循环神经网络更能捕捉长距离、长时间间隔信息，可以根据工况数据对应的时间序列的长短选择不同模型，实现模型适应数据特性的灵活性。
99.本实施例的多数据联合预测方法采用时序的神经网络模型(长短期记忆网络或循环神经网络)能够有效利用各传感器信号的时间序列信息，能够更加准确地完成工况点/能耗的预测。
100.本实施例的多数据联合预测方法利用一段时间内的设备运行状态数据，基于神经网络进行训练，能够对未来一段时间内的设备运行状态曲线进行预测，同时基于设备状态进行能耗与效率的计算及预测，提高了预测效率和预测值的准确度。
101.如图6所示，本技术实施例提供了一种多数据联合预测装置，所述装置包括：工况预测模块11、能耗预测模块12、负载预测模块13和输出模块14。
102.本实施例中，工况预测模块11，其用于将具有时序特征的历史工况数据输入预先训练好的工况预测模型中，得到通过所述工况预测模型预测出的工况预测数据；
103.本实施例中，能耗预测模块12，其用于将具有时序特征的历史工况数据和工况预测数据输入预先训练好的能耗预测模型，得到能耗预测值；
104.本实施例中，负载预测模块13，其用于将具有时序特征的历史工况数据、工况预测数据以及能耗预测值输入预先训练好的负载预警模型中，得到负载预测值，其中，所述工况预测模型、所述能耗预测模型与所述负载预警模型按序串联连接，在模型训练过程中进行联合训练，以及在预测过程中进行联合预测；
105.本实施例中，输出模块14，其用于根据负载预测值与预设负载阈值之间的大小关系，确定并输出负载预警结果以及所述工况预测值和能耗预测值。
106.上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
107.对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本技术方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
108.基于同一发明构思，如图7所示，本技术实施例提供了一种电子设备，包括处理器1110、通信接口1120、存储器1130和通信总线1140，其中，处理器1110，通信接口1120，存储器1130通过通信总线1140完成相互间的通信；
109.存储器1130，用于存放计算机程序；
110.处理器1110，用于执行存储器1130上所存放的程序时，实现如下所示多数据联合预测方法：
111.将具有时序特征的历史工况数据输入预先训练好的工况预测模型中，得到通过所述工况预测模型预测出的工况预测数据；
112.将具有时序特征的历史工况数据和工况预测数据输入预先训练好的能耗预测模型，得到能耗预测值；
113.将具有时序特征的历史工况数据、工况预测数据以及能耗预测值输入预先训练好的负载预警模型中，得到负载预测值，其中，所述工况预测模型、所述能耗预测模型与所述负载预警模型按序串联连接，在模型训练过程中进行联合训练，以及在预测过程中进行联合预测；
114.根据负载预测值与预设负载阈值之间的大小关系，确定并输出负载预警结果以及所述工况预测值和能耗预测值。
115.上述的通信总线1140可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该通信总线1140可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
116.通信接口1120用于上述电子设备与其他设备之间的通信。
117.存储器1130可以包括随机存取存储器(random access memory，简称ram)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储器1130还可以是至少一个位于远离前述处理器1110的存储装置。
118.上述的处理器1110可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(digital signal processing，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、现场可编程门阵列(field-programmable gate array，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
119.本技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述任意可能的实现方式中的多数据联合预测方法。
120.可选地，存储介质可以是非临时性计算机可读存储介质，例如，所述非临时性计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。
121.基于同一发明构思，本技术实施例还提供了一种计算机可读存储介质，包括计算机程序，所述程序被处理器执行时实现上述任意可能的实现方式中的多数据联合预测方法。
122.在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时，全部或部分地产生按照本技术实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集
成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘solid state disk(ssd))等。
123.最后应说明的是：以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围。