CN109992866B - 负荷预测模型的训练方法、装置、可读介质及电子设备 - Google Patents

Abstract

本发明公开了负荷预测模型的训练方法、装置、可读介质及电子设备，涉及计算机领域，方法包括：获取多个历史负荷预测任务的训练数据特征及其选取的历史算法；将每个历史负荷预测任务的训练数据特征及其选取的历史算法作为一个训练数据，根据各个训练数据进行机器学习以得到算法选择模型；获取当前负荷预测任务的多个样本负荷数据，并提取各个样本负荷数据的当前数据特征；通过算法选择模型从各个历史算法中预测与当前数据特征相匹配的当前算法；获取对应于当前算法的至少一个超参数；根据当前算法、至少一个超参数以及各个样本负荷数据训练得到当前负荷预测模型。通过本发明的技术方案，可减少计算时长、节约计算资源、降低人工干预程度。

Description

负荷预测模型的训练方法、装置、可读介质及电子设备

技术领域

本发明涉及计算机技术领域，尤其涉及负荷预测模型的训练方法、装置、可读介质及电子设备。

背景技术

为了实现结合实际生产需求对产能设备进行调控以节约能源，经常需要执行负荷预测任务，即针对每个负荷预测任务训练相应的负荷预测模型，以便后续通过训练得到的负荷预测模型预测产能设备的产能负荷(比如，电负荷、热负荷、冷负荷)。

目前，存在大量的算法能够适用于负荷预测任务，存在一个新的负荷预测任务而需要为其训练对应的负荷预测模型时，需要将能够适用于负荷预测任务的全部算法在相应的样本负荷数据上进行测试，进而由工作人员根据测试结果选择出与本次负荷预测任务相匹配的算法，进而根据选择的算法、各个样本负荷数据以及相应的超参数训练得到负荷预测模型。

通过上述方式实现训练负荷预测模型时，需要将能够适用于负荷预测任务的全部算法在新的负荷预测任务的样本负荷数据上进行测试，从而花费较多的计算时长以及计算资源，且人工干预程度较高。

发明内容

本发明提供一种负荷预测模型的训练方法、装置、可读存储介质及电子设备，可减少计算时长、节约计算资源、降低人工干预程度。

第一方面，本发明提供了一种负荷预测模型的训练方法，包括：

获取多个历史负荷预测任务的训练数据特征及其选取的历史算法；

将每个所述历史负荷预测任务的所述训练数据特征及其选取的所述历史算法作为一个训练数据，根据各个所述训练数据进行机器学习以得到算法选择模型；

获取当前负荷预测任务的多个样本负荷数据，并提取各个所述样本负荷数据的当前数据特征；

通过所述算法选择模型从各个所述历史算法中预测与所述当前数据特征相匹配的当前算法；

获取对应于所述当前算法的至少一个超参数；

根据所述当前算法、所述至少一个超参数以及各个所述样本负荷数据训练得到当前负荷预测模型。

优选地，

所述根据各个所述训练数据进行机器学习以得到算法选择模型，包括：根据各个所述训练数据，基于随机森林算法训练得到算法选择模型。

优选地，

所述获取对应于所述当前算法的至少一个超参数，包括：

接收用户从外部输入的对应于所述当前算法的至少一个超参数；

或，

根据各个所述样本负荷数据，基于贝叶斯优化确定所述当前算法的至少一个超参数。

优选地，

所述训练数据特征，包括：数据采样周期、频谱、自相关系数及偏相关系数中的任意一个或多个。

第二方面，本发明提供了一种负荷预测模型的训练装置，包括：

历史数据处理模块，用于获取多个历史负荷预测任务的训练数据特征及其选取的历史算法；

选择模型训练模块，用于将每个所述历史负荷预测任务的所述训练数据特征及其选取的所述历史算法作为一个训练数据，根据各个所述训练数据进行机器学习以得到算法选择模型；

样本数据处理模块，用于获取当前负荷预测任务的多个样本负荷数据，并提取各个所述样本负荷数据的当前数据特征；

选择模型调用模块，用于通过所述算法选择模型从各个所述历史算法中预测与所述当前数据特征相匹配的当前算法；

超参数获取模块，用于获取对应于所述当前算法的至少一个超参数；

训练处理模块，用于根据所述当前算法、所述至少一个超参数以及各个所述样本负荷数据训练得到当前负荷预测模型。

优选地，

所述选择模型训练模块，用于根据各个所述训练数据，基于随机森林算法训练得到算法选择模型。

优选地，

所述超参数获取模块，用于接收用户从外部输入的对应于所述当前算法的至少一个超参数；或，根据各个所述样本负荷数据，基于贝叶斯优化确定所述当前算法的至少一个超参数。

优选地，

所述训练数据特征，包括：数据采样周期、频谱、自相关系数及偏相关系数中的任意一个或多个。

第三方面，本发明提供了一种可读存储介质，包括执行指令，当电子设备的处理器执行所述执行指令时，所述处理器执行如第一方面中任一所述的方法。

第四方面，本发明提供了一种电子设备，包括处理器以及存储有执行指令的存储器，当所述处理器执行所述存储器存储的所述执行指令时，所述处理器执行如第一方面中任一所述的方法。

本发明提供了一种负荷预测模型的训练方法、装置、可读存储介质及电子设备，该方法通过获取多个历史负荷预测任务的训练数据特征及其选取的历史算法，进而将每个历史负荷预测任务的训练数据特征及其选取的历史算法作为一个训练数据，并根据各个训练数据进行机器学习以得到算法选择模型，当存在新的负荷预测任务(当前负荷预测任务)时，即可获取当前负荷预测任务的多个样本负荷数据，并提取各个样本负荷数据的当前数据特征，之后则可通过算法选择模型从各个历史算法中预测与当前数据特征相匹配的当前算法，进一步获取对应于当前算法的至少一个超参数之后，即可根据当前算法、至少一个超参数以及各个样本负荷数据训练得到当前负荷预测模型。综上可见，本发明提供的技术方案无需将能够适用于负荷预测任务的全部算法在当前负荷预测任务的样本负荷数据上进行测试，可减少计算时长并节约资源，同时也无需由用户选择与当前负荷任务相匹配的当前算法，降低了人工干预程度。

附图说明

为了更清楚地说明本发明实施例或现有的技术方案，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，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，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。

图1为本发明一实施例提供的一种负荷预测模型的训练方法的流程示意图；

图2为本发明一实施例提供的一种负荷预测模型的训练装置的结构示意图；

图3为本发明一实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图对本发明的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明实施例提供了一种负荷预测模型的训练方法，包括如下步骤101～步骤106：

步骤101，获取多个历史负荷预测任务的训练数据特征及其选取的历史算法。

历史负荷预测任务的训练数据特征具体指的是：训练得到该历史负荷预测任务时所使用的多组历史样本负荷数据的数据特征，训练数据特征包括但不限于各个历史样本负荷数据的数据采集周期、频谱、自相关系数及偏相关系数中的任意一个或多个。

历史负荷预测任务选取的历史算法，具体指的是最终训练得到的对应于该历史负荷预测任务的负荷预测模型所使用的算法。

不同的算法对具有不同数据特征的负荷数据可能具有不同的性能表现，即不同的算法对具有相同数据特征的负荷数据进行预测时，其预测结果的准确性可能各不相同，当存在一个新的负荷预测任务(后续以当前负荷预测任务指示新的负荷预测任务)时，则需要根据当前负荷任务所对应的样本负荷数据选择与其相匹配的当前算法，从而确保根据该当前算法训练得到的负荷预测模型能够较为准确的实现负荷预测。

步骤102，将每个所述历史负荷预测任务的所述训练数据特征及其选取的所述历史算法作为一个训练数据，根据各个所述训练数据进行机器学习以得到算法选择模型。

举例来说，历史负荷预测任务X的训练数据特征包括具体包括数据采集周期t、自相关系数p及偏相关系数q，历史负荷预测任务X所选取的历史算法为Y，那么，参数t、p、q、Y则应当组成一个训练数据，进行机器学习以得到算法选择模型时，该训练数据中参数t、p、q应当作为算法选择模型的输入参数，参数Y应当作为算法选择模型的输出参数。

作为一种实施方式，所述根据各个所述训练数据进行机器学习以得到算法选择模型，包括：根据各个所述训练数据，基于随机森林算法训练得到算法选择模型。显而易见的，也可基于其他算法训练得到算法选择模型。

步骤103，获取当前负荷预测任务的多个样本负荷数据，并提取各个所述样本负荷数据的当前数据特征。

显而易见的，当前数据特征包括但不限于各个样本负荷数据的数据采集周期、频谱、自相关系数及偏相关系数中的任意一个或多个。

步骤104，通过所述算法选择模型从各个所述历史算法中预测与所述当前数据特征相匹配的当前算法。

具体地，可对训练得到的算法选择模型进行调用，以将提取的当前数据特征输入算法选择模型，使得算法选择模型根据输入的当前数据特征对应输出其预测的与当前数据特征相匹配的当前算法。

显而易见的，算法选择模型输出的当前算法应当为各个历史负荷预测任务所选取的各个历史算法中的一个，为了确保后续训练得到的负荷预测模型能够更为准确的实现负荷预测，历史负荷预测任务的数量应当相对较多，使得各个历史负荷预测任务所选取的各个历史算法尽可能的包括全部适用于负荷预测任务的算法。

步骤105，获取对应于所述当前算法的至少一个超参数。

对于适用于负荷预测的每一种算法，根据该算法训练得到相应的负荷预测模型之前，均需要得到一个或多个超参数，超参数也将在一定程度上影响训练得到的负荷预测模型的准确性，即超参数将在一定程度上决定训练得到的负荷预测模型是否能够准确实现负荷预测。

为了进一步减少计算时长、节约计算资源，在一种可能实现的方式中，所述获取对应于所述当前算法的至少一个超参数，包括：接收用户从外部输入的对应于所述当前算法的至少一个超参数。这里，输入的各个超参数可以是经验值。

为了进一步降低人工干预程度，实现自动化训练负荷预测模型，在另一种可能实现的方式中，所述获取对应于所述当前算法的至少一个超参数，包括：根据各个所述样本负荷数据，基于贝叶斯优化确定所述当前算法的至少一个超参数。显而易见的，也可基于其他算法实现确定当前算法的各个超参数。

步骤106，根据所述当前算法、所述至少一个超参数以及各个所述样本负荷数据训练得到当前负荷预测模型。

具体地，可基于该当前算法模型及确定的各个超参数在由多个样本负荷数据构成的训练数据集上进行训练，不断对该当前算法模型的其他参数进行调整，进而根据当前算法、各个超参数以及调整后的各个其他参数构成对应于当前负荷预测任务的当前负荷预测模型。

基于与本发明方法实施例相同的构思，请参考图2，本发明实施例还提供了一种负荷预测模型的训练装置，在一较佳实施例中，负荷训练装置是由计算机程序组成的若干个程序模块构成，本发明所称的模块是指一种电子设备(如图3)的处理器执行并且能够完成固定功能的一系列计算机执行指令段，其存储在存储器中。所述负荷预测模型的训练装置，包括：

历史数据处理模块201，用于获取多个历史负荷预测任务的训练数据特征及其选取的历史算法；

选择模型训练模块202，用于将每个所述历史负荷预测任务的所述训练数据特征及其选取的所述历史算法作为一个训练数据，根据各个所述训练数据进行机器学习以得到算法选择模型；

样本数据处理模块203，用于获取当前负荷预测任务的多个样本负荷数据，并提取各个所述样本负荷数据的当前数据特征；

选择模型调用模块204，用于通过所述算法选择模型从各个所述历史算法中预测与所述当前数据特征相匹配的当前算法；

超参数获取模块205，用于获取对应于所述当前算法的至少一个超参数；

训练处理模块206，用于根据所述当前算法、所述至少一个超参数以及各个所述样本负荷数据训练得到当前负荷预测模型。

本发明一个实施例中，所述选择模型训练模块202，用于根据各个所述训练数据，基于随机森林算法训练得到算法选择模型。

本发明一个实施例中，所述超参数获取模块205，用于接收用户从外部输入的对应于所述当前算法的至少一个超参数；或，根据各个所述样本负荷数据，基于贝叶斯优化确定所述当前算法的至少一个超参数。

本发明一个实施例中，所述训练数据特征，包括：数据采样周期、频谱、自相关系数及偏相关系数中的任意一个或多个。

为了描述的方便，描述以上装置实施例时以功能分为各种单元或模块分别描述，在实施本发明时可以把各单元或模块的功能在同一个或多个软件和/或硬件中实现。

图3是本发明实施例提供的一种电子设备的结构示意图。在硬件层面，该电子设备包括处理器301以及存储有执行指令的存储器302，可选地还包括内部总线303及网络接口304。其中，存储器302可能包含内存3021，例如高速随机存取存储器(Random-AccessMemory，RAM)，也可能还包括非易失性存储器3022(non-volatile memory)，例如至少1个磁盘存储器等；处理器301、网络接口302和存储器可以通过内部总线303相互连接，该内部总线303可以是ISA(Industry StandardArchitecture，工业标准体系结构)总线、PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA(ExtendedIndustry StandardArchitecture，扩展工业标准结构)总线等；所述内部总线303可以分为地址总线、数据总线、控制总线等，为便于表示，图3中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。当然，该电子设备还可能包括其他业务所需要的硬件。当处理器执行存储器存储的执行指令时，处理器执行本发明任意一个实施例中所述的方法，并至少用于执行：

获取多个历史负荷预测任务的训练数据特征及其选取的历史算法；

将每个所述历史负荷预测任务的所述训练数据特征及其选取的所述历史算法作为一个训练数据，根据各个所述训练数据进行机器学习以得到算法选择模型；

获取当前负荷预测任务的多个样本负荷数据，并提取各个所述样本负荷数据的当前数据特征；

通过所述算法选择模型从各个所述历史算法中预测与所述当前数据特征相匹配的当前算法；

获取对应于所述当前算法的至少一个超参数；

根据所述当前算法、所述至少一个超参数以及各个所述样本负荷数据训练得到当前负荷预测模型。

在一种可能实现的方式中，处理器从非易失性存储器中读取对应的执行指令到内存中然后运行，也可从其它设备上获取相应的执行指令，以在逻辑层面上形成负荷预测模型的训练装置。处理器执行存储器所存放的执行指令，以通过执行的执行指令实现本发明任一实施例中提供的负荷预测模型的训练方法。

处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable GateArray，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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

本发明实施例还提供了一种可读存储介质，包括执行指令，当电子设备的处理器执行所述执行指令时，所述处理器执行本发明任意一个实施例中提供的方法。该电子设备具体可以是如图3所示的电子设备；执行指令是符合预测模型的训练装置所对应计算机程序。

前述各个实施例中所述的电子设备可以为计算机。

综上所述，本发明各个实施例提供的技术方案至少具有如下有益效果：

1、通过获取多个历史负荷预测任务的训练数据特征及其选取的历史算法，进而将每个历史负荷预测任务的训练数据特征及其选取的历史算法作为一个训练数据，并根据各个训练数据进行机器学习以得到算法选择模型，当存在新的负荷预测任务(当前负荷预测任务)时，即可获取当前负荷预测任务的多个样本负荷数据，并提取各个样本负荷数据的当前数据特征，之后则可通过算法选择模型从各个历史算法中预测与当前数据特征相匹配的当前算法，进一步获取对应于当前算法的至少一个超参数之后，即可根据当前算法、至少一个超参数以及各个样本负荷数据训练得到当前负荷预测模型。综上可见，本发明提供的技术方案无需将能够适用于负荷预测任务的全部算法在当前负荷预测任务的样本负荷数据上进行测试，可减少计算时长并节约资源，同时也无需由用户选择与当前负荷任务相匹配的当前算法，降低了人工干预程度。

2、根据当前负荷预测任务的各个样本负荷数据，基于贝叶斯优化确定当前算法的至少一个超参数，无需人工确定并输入当前算法的各个超参数，可进一步降低人工干预程度；从而使得存在新的负荷预测任务时，全程无需过多的人员干预即可自动化确定出与该当前负荷预测任务相匹配的当前算法及对应于该当前算法的各个超参数，最终实现自动化训练负荷预测模型。

本领域内的技术人员应明白，本发明的实施例可提供为方法或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例，或软件和硬件相结合的形式。

本发明中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (4)

1.一种负荷预测模型的训练方法，其特征在于，包括：

获取多个历史负荷预测任务的训练数据特征及其选取的历史算法；

将每个所述历史负荷预测任务的所述训练数据特征及其选取的所述历史算法作为一个训练数据，根据各个所述训练数据，基于随机森林算法训练得到算法选择模型，所述训练数据特征，包括：数据采样周期、频谱、自相关系数及偏相关系数中的任意一个或多个；

获取当前负荷预测任务的多个样本负荷数据，并提取各个所述样本负荷数据的当前数据特征；

通过所述算法选择模型从各个所述历史算法中预测与所述当前数据特征相匹配的当前算法；

接收用户从外部输入的对应于所述当前算法的至少一个超参数；或，根据各个所述样本负荷数据，基于贝叶斯优化确定所述当前算法的至少一个超参数；

根据所述当前算法、所述至少一个超参数以及各个所述样本负荷数据训练得到当前负荷预测模型。

2.一种负荷预测模型的训练装置，其特征在于，包括：

历史数据处理模块，用于获取多个历史负荷预测任务的训练数据特征及其选取的历史算法；

选择模型训练模块，用于将每个所述历史负荷预测任务的所述训练数据特征及其选取的所述历史算法作为一个训练数据，根据各个所述训练数据，基于随机森林算法训练得到算法选择模型，所述训练数据特征，包括：数据采样周期、频谱、自相关系数及偏相关系数中的任意一个或多个；

样本数据处理模块，用于获取当前负荷预测任务的多个样本负荷数据，并提取各个所述样本负荷数据的当前数据特征；

选择模型调用模块，用于通过所述算法选择模型从各个所述历史算法中预测与所述当前数据特征相匹配的当前算法；

超参数获取模块，用于接收用户从外部输入的对应于所述当前算法的至少一个超参数；或，根据各个所述样本负荷数据，基于贝叶斯优化确定所述当前算法的至少一个超参数；

训练处理模块，用于根据所述当前算法、所述至少一个超参数以及各个所述样本负荷数据训练得到当前负荷预测模型。

3.一种可读存储介质，包括执行指令，当电子设备的处理器执行所述执行指令时，所述处理器执行如权利要求1所述的方法。

4.一种电子设备，包括处理器以及存储有执行指令的存储器，当所述处理器执行所述存储器存储的所述执行指令时，所述处理器执行如权利要求1所述的方法。

Images