CN111797489B - 温度预测方法、装置及存储介质 - Google Patents

Abstract

本申请公开了一种温度预测方法、装置及存储介质，属于管道输送技术领域。该方法包括：获取待进行温度预测的目标管道的N组实测参数，对N组实测参数进行归一化处理，得到N组归一化实测参数，将N组归一化实测参数作为温度预测模型的输入，通过温度预测模型确定M个预测温度，将M个预测温度作为第二时间段内目标管道的下游流体的M个预测温度。本申请基于第一时间段获取的目标管道的N组实测参数确定N组归一化实测参数，之后通过温度预测模型预测第二时间段内目标管道的下游流体的M个预测温度。由于M个预测温度是在N组实测参数的基础上通过温度预测模型得到的，从而保证了M个预测温度的准确性。

Description

温度预测方法、装置及存储介质

技术领域

本申请涉及管道输送技术领域，特别涉及一种温度预测方法、装置及存储介质。

背景技术

通过管道对流体进行输送时，为了保证不同环境下流体的正常输送，均会设置加热炉，以对输送的流体加热。而如果加热后流体的温度过高，则很容易造成热量的浪费，或者加热后流体的温度较低，比如输送的流体为油品，则很容易析出蜡晶，并聚结在管道的内壁，减小过流面积，降低管输效率，甚至造成管道的堵塞，引发安全事故。因此，为了避免热量的浪费、管输效率的降低或者安全事故的发生，在流体输送过程中，确定管道沿线上流体的温度成为了重中之重。

相关技术中，对于埋地管道而言，均是基于管道上游处流体的温度、上游处土壤的温度、下游处土壤的温度、管输量和管道沿线总传热系数，通过苏霍夫油温计算公式计算管道沿线上油品的温度。

通常，埋地管道的散热传递过程分为：流体至管道内壁的放热、管壁或保温层的热传导和油管外壁至周围土壤的传热。由于季节的变化导致管道经过的土壤的温度不断变化，进而导致油管外壁至周围土壤的传热强弱也不断变化，从而造成管道的总传热系数不为定值。而通过苏霍夫油温计算公式计算管道沿线上油品的温度时，采用的管道的总传热系数为某一时间段内的经验值，从而导致确定的油品的温度与油品的实际温度存在偏差。

发明内容

本申请提供了一种温度预测方法、装置及存储介质，可以解决目标管道输送流体时预测的温度存在偏差的问题。所述技术方案如下：

第一方面，提供了一种温度预测方法，所述方法包括：

获取待进行温度预测的目标管道的N组实测参数，所述N组实测参数是在第一时间段内采样得到的，每组实测参数至少包括上游流体的实测温度、上游土壤的实测温度、下游土壤的实测温度和实测管输量，所述N为正整数；

对所述N组实测参数进行归一化处理，得到N组归一化实测参数；

将所述N组归一化实测参数作为温度预测模型的输入，通过所述温度预测模型确定M个预测温度，将所述M个预测温度作为第二时间段内所述目标管道的下游流体的M个预测温度，所述第二时间段是指待进行温度预测的时间段，所述第一时间段的起始时间点早于所述第二时间段的起始时间点，且所述第一时间段的起始时间点与所述第二时间段的起始时间点之间的时间间隔为时长阈值，所述M为正整数。

可选地，所述对所述N组实测参数进行归一化处理，得到N组归一化实测参数，包括：

对于所述N组实测参数中的第一类实测参数，确定所述N组实测参数中第一类实测参数的数值总和，所述第一类实测参数是指所述上游流体的实测温度、所述上游土壤的实测温度、所述下游土壤的实测温度和所述实测管输量中的任一；

将每组实测参数中的第一类实测参数与所述数值总和的比值，确定为每组实测参数中的第一类实测参数对应的归一化实测参数。

可选地，所述将所述N组归一化实测参数作为温度预测模型的输入，通过所述温度预测模型确定M个预测温度之前，还包括：

获取所述目标管道的至少一个历史参数集合，每个历史参数集合包括N组历史参数，且所述至少一个历史参数集合包括的历史参数是在至少一个第三时间段内采样得到的，每个第三时间段的时长均等于所述第一时间段的时长，每组历史参数至少包括所述上游流体的历史温度、所述上游土壤的历史温度、所述下游土壤的历史温度和历史管输量；

获取所述至少一个历史参数集合一一对应的至少一个历史温度集合，每个历史温度集合包括的M个历史温度，且所述至少一个历史温度集合包括的历史温度是在至少一个第四时间段内对所述下游流体采样得到的，每个第四时间段的时长等于所述第二时间段的时长；

搭建初始温度预测模型，基于所述至少一个历史参数集合和所述至少一个历史温度集合，通过随机梯度下降法，确定所述初始温度预测模型的模型参数；

通过所述模型参数对所述初始温度预测模型进行初始化，得到所述温度预测模型。

可选地，所述初始温度预测模型包括编码部和解码部，所述编码部包括两层编码网络，每层编码网络中包括N个网络神经单元，所述解码部包括两层解码网络，每层解码网络中包括M个网络神经单元。

可选地，所述基于所述至少一个历史参数集合和所述至少一个历史温度集合，通过随机梯度下降法，确定所述初始温度预测模型的模型参数，包括：

确定每个历史参数集合中的N组历史参数分别对应的N组归一化历史参数，以及每个历史温度集合中的M个历史温度分别对应的M个归一化历史温度；

对于所述至少一个历史参数集合中的任一历史参数集合，将所述任一历史参数集合中的N组历史参数对应的N组归一化历史参数作为所述初始温度预测模型的编码部的输入，将所述任一历史参数集合对应的一个历史温度集合中的M个历史温度对应的M个归一化历史温度作为所述初始温度预测模型的解码部的输入，确定所述初始温度预测模型的损失函数；

基于确定的至少一个损失函数，通过所述随机梯度下降法确定所述模型参数。

可选地，所述基于确定的至少一个损失函数，通过所述随机梯度下降法确定所述模型参数，包括：

获取所述初始温度预测模型的初始模型参数；

对所述至少一个损失函数求和，得到总损失函数；

确定所述总损失函数对模型参数变量的偏导函数；

基于所述偏导函数和所述初始模型参数，确定优化模型参数；

如果基于所述初始模型参数和所述优化模型参数确定所述总损失函数满足收敛条件，则将所述优化模型参数确定为所述初始温度预测模型的模型参数；

如果基于所述初始模型参数和所述优化模型参数确定所述总损失函数不满足收敛条件，则将所述优化模型参数作为初始模型参数，并返回基于所述偏导函数和所述初始模型参数，确定优化模型参数的步骤，直至满足收敛条件。

可选地，所述基于所述初始模型参数和所述优化模型参数确定所述总损失函数满足收敛条件，包括：

基于所述初始模型参数，确定所述总损失函数对应的初始数值；

基于所述优化模型参数，确定所述总损失函数对应的优化数值；

如果所述初始数值与所述优化数值之间的差值小于第一参考数值，则确定所述总损失函数满足收敛条件。

可选地，所述基于所述至少一个历史参数集合和所述至少一个历史温度集合，通过随机梯度下降法，确定所述初始温度预测模型的模型参数之前，还包括：

对于每个历史参数集合包括的N组历史参数，基于所述N组历史参数的采样时间点，以及所述N组历史参数中包括的第一类历史参数，确定所述第一类历史参数的第一拟合曲线，所述第一类历史参数是指所述上游流体的历史温度、所述上游土壤的历史温度、所述下游土壤的历史温度、所述历史管输量中的任一；

对于所述N组历史参数中的第一组历史参数，如果基于所述第一组历史参数的采样时间点在所述第一拟合曲线上确定的数值与所述第一组历史参数包括的第一类历史参数之间的差值大于第二参考数值，则将所述第一组历史参数包括的第一类历史参数更新为在所述第一拟合曲线上确定的数值，所述第一组历史参数是所述N组历史参数中的任一组历史参数。

可选地，所述基于所述至少一个历史参数集合和所述至少一个历史参数集合，结合所述初始温度预测模型和随机梯度下降法，确定所述初始温度预测模型的模型参数之前，还包括：

对于每个历史温度集合包括的M个历史温度，基于所述M个历史温度的采样时间点，确定所述M个历史温度的第二拟合曲线；

对于所述M个历史温度中的第一历史温度，如果基于所述第一历史温度的采样时间点在所述第二拟合曲线上确定的数值与所述第一历史温度之间的差值大于第三参考数值，则将所述第一历史温度更新为在所述第三拟合曲线上确定的数值，所述第一历史温度是所述M个历史温度中的任一个历史温度。

第二方面，提供了一种温度预测装置，所述装置包括：

第一获取模块，用于获取待进行温度预测的目标管道的N组实测参数，所述N组实测参数是在第一时间段内采样得到的，每组实测参数至少包括上游流体的实测温度、上游土壤的实测温度、下游土壤的实测温度和实测管输量，所述N为正整数；

处理模块，用于对所述N组实测参数进行归一化处理，得到N组归一化实测参数；

第一确定模块，用于将所述N组归一化实测参数作为温度预测模型的输入，通过所述温度预测模型确定M个预测温度，将所述M个预测温度作为第二时间段内所述目标管道的下游流体的M个预测温度，所述第二时间段是指待进行温度预测的时间段，所述第一时间段的起始时间点早于所述第二时间段的起始时间点，且所述第一时间段的起始时间点与所述第二时间段的起始时间点之间的时间间隔为时长阈值，所述M为正整数。

可选地，所述处理模块包括：

第一确定单元，用于对于所述N组实测参数中的第一类实测参数，确定所述N组实测参数中第一类实测参数的数值总和，所述第一类实测参数是指所述上游流体的实测温度、所述上游土壤的实测温度、所述下游土壤的实测温度和所述实测管输量中的任一；

第二确定单元，用于将每组实测参数中的第一类实测参数与所述数值总和的比值，确定为每组实测参数中的第一类实测参数对应的归一化实测参数。

可选地，所述装置还包括：

第二获取模块，用于获取所述目标管道的至少一个历史参数集合，每个历史参数集合包括N组历史参数，且所述至少一个历史参数集合包括的历史参数是在至少一个第三时间段内采样得到的，每个第三时间段的时长均等于所述第一时间段的时长，每组历史参数至少包括所述上游流体的历史温度、所述上游土壤的历史温度、所述下游土壤的历史温度和历史管输量；

第三获取模块，用于获取所述至少一个历史参数集合一一对应的至少一个历史温度集合，每个历史温度集合包括的M个历史温度，且所述至少一个历史温度集合包括的历史温度是在至少一个第四时间段内对所述下游流体采样得到的，每个第四时间段的时长等于所述第二时间段的时长；

第二确定模块，用于搭建初始温度预测模型，基于所述至少一个历史参数集合和所述至少一个历史温度集合，通过随机梯度下降法，确定所述初始温度预测模型的模型参数；

第三确定模块，用于通过所述模型参数对所述初始温度预测模型进行初始化，得到所述温度预测模型。

可选地，所述初始温度预测模型包括编码部和解码部，所述编码部包括两层编码网络，每层编码网络中包括N个网络神经单元，所述解码部包括两层解码网络，每层解码网络中包括M个网络神经单元。

可选地，所述第二确定模块包括：

第三确定单元，用于确定每个历史参数集合中的N组历史参数分别对应的N组归一化历史参数，以及每个历史温度集合中的M个历史温度分别对应的M个归一化历史温度；

第四确定单元，用于对于所述至少一个历史参数集合中的任一历史参数集合，将所述任一历史参数集合中的N组历史参数对应的N组归一化历史参数作为所述初始温度预测模型的编码部的输入，将所述任一历史参数集合对应的一个历史温度集合中的M个历史温度对应的M个归一化历史温度作为所述初始温度预测模型的解码部的输入，确定所述初始温度预测模型的损失函数；

第五确定单元，用于基于确定的至少一个损失函数，通过所述随机梯度下降法确定所述模型参数。

可选地，所述第五确定单元主要用于：

获取所述初始温度预测模型的初始模型参数；

对所述至少一个损失函数求和，得到总损失函数；

确定所述总损失函数对模型参数变量的偏导函数；

基于所述偏导函数和所述初始模型参数，确定优化模型参数；

如果基于所述初始模型参数和所述优化模型参数确定所述总损失函数满足收敛条件，则将所述优化模型参数确定为所述初始温度预测模型的模型参数；

如果基于所述初始模型参数和所述优化模型参数确定所述总损失函数不满足收敛条件，则将所述优化模型参数作为初始模型参数，并返回基于所述偏导函数和所述初始模型参数，确定优化模型参数的步骤，直至满足收敛条件。

可选地，所述第五确定单元还用于：

基于所述初始模型参数，确定所述总损失函数对应的初始数值；

基于所述优化模型参数，确定所述总损失函数对应的优化数值；

如果所述初始数值与所述优化数值之间的差值小于第一参考数值，则确定所述总损失函数满足收敛条件。

可选地，所述装置还包括：

第四确定模块，用于对于每个历史参数集合包括的N组历史参数，基于所述N组历史参数的采样时间点，以及所述N组历史参数中包括的第一类历史参数，确定所述第一类历史参数的第一拟合曲线，所述第一类历史参数是指所述上游流体的历史温度、所述上游土壤的历史温度、所述下游土壤的历史温度、所述历史管输量中的任一；

第一更新模块，用于对于所述N组历史参数中的第一组历史参数，如果基于所述第一组历史参数的采样时间点在所述第一拟合曲线上确定的数值与所述第一组历史参数包括的第一类历史参数之间的差值大于第二参考数值，则将所述第一组历史参数包括的第一类历史参数更新为在所述第一拟合曲线上确定的数值，所述第一组历史参数是所述N组历史参数中的任一组历史参数。

可选地，所述装置还包括：

第五确定模块，用于对于每个历史温度集合包括的M个历史温度，基于所述M个历史温度的采样时间点，确定所述M个历史温度的第二拟合曲线；

第二更新模块，用于对于所述M个历史温度中的第一历史温度，如果基于所述第一历史温度的采样时间点在所述第二拟合曲线上确定的数值与所述第一历史温度之间的差值大于第三参考数值，则将所述第一历史温度更新为在所述第三拟合曲线上确定的数值，所述第一历史温度是所述M个历史温度中的任一个历史温度。

第三方面，提供了一种计算机可读存储介质，所述存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面提供的任一所述方法的步骤。

第四方面，提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行第一方面提供的温度预测方法。

本申请提供的技术方案带来的有益效果至少可以包括：

本申请通过获取第一时间段内目标管道的上游流体的实测温度、上游土壤的实测温度、下游土壤的实测温度和实测管输量，以得到目标管道的N组实测参数。之后，基于N组实测参数的N组归一化实测参数，通过温度预测模型预测第二时间段内目标管道的下游流体的M个预测温度。由于M个预测温度是在N组实测参数的基础上通过温度预测模型得到的，从而保证了M个预测温度的准确性。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的一种温度预测方法的流程示意图；

图2是本申请实施例提供的另一种温度预测方法的流程示意图；

图3是本申请实施例提供的一种确定初试温度预测模型的结构示意图；

图4是本申请实施例提供的一种温度预测装置的结构示意图；

图5是本申请实施例提供的一种终端的框图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

图1是本申请实施例提供的一种温度预测方法的流程示意图。该方法可以应用于终端中，具体地可以应用于温度预测装置中，该温度预测装置可以集成于终端中，参见图1，该方法包括如下步骤。

步骤101：获取待进行温度预测的目标管道的N组实测参数，该N组实测参数是在第一时间段内采样得到的，每组实测参数至少包括上游流体的实测温度、上游土壤的实测温度、下游土壤的实测温度和实测管输量，N为正整数。

步骤102：对该N组实测参数进行归一化处理，得到N组归一化实测参数。

步骤103：将该N组归一化实测参数作为温度预测模型的输入，通过该温度预测模型确定M个预测温度，将该M个预测温度作为第二时间段内目标管道的下游流体的M个预测温度，第二时间段是指待进行温度预测的时间段，第一时间段的起始时间点早于第二时间段的起始时间点，且第一时间段的起始时间点与第二时间段的起始时间点之间的时间间隔为时长阈值，M为正整数。

本申请实施例中，获取第一时间段内目标管道的上游流体的实测温度、上游土壤的实测温度、下游土壤的实测温度和实测管输量，以得到目标管道的N组实测参数。之后，基于N组实测参数的N组归一化实测参数，通过温度预测模型预测第二时间段内目标管道的下游流体的M个预测温度。由于M个预测温度是在N组实测参数的基础上通过温度预测模型得到的，从而保证了M个预测温度的准确性。

可选地，对该N组实测参数进行归一化处理，得到N组归一化实测参数，包括：

对于该N组实测参数中的第一类实测参数，确定该N组实测参数中第一类实测参数的数值总和，第一类实测参数是指上游流体的实测温度、上游土壤的实测温度、下游土壤的实测温度和实测管输量中的任一；

将每组实测参数中的第一类实测参数与该数值总和的比值，确定为每组实测参数中的第一类实测参数对应的归一化实测参数。

可选地，将该N组归一化实测参数作为温度预测模型的输入，通过该温度预测模型确定M个预测温度之前，还包括：

获取目标管道的至少一个历史参数集合，每个历史参数集合包括N组历史参数，且该至少一个历史参数集合包括的历史参数是在至少一个第三时间段内采样得到的，每个第三时间段的时长均等于第一时间段的时长，每组历史参数至少包括上游流体的历史温度、上游土壤的历史温度、下游土壤的历史温度和历史管输量；

获取该至少一个历史参数集合一一对应的至少一个历史温度集合，每个历史温度集合包括的M个历史温度，且该至少一个历史温度集合包括的历史温度是在至少一个第四时间段内对下游流体采样得到的，每个第四时间段的时长等于第二时间段的时长；

搭建初始温度预测模型，基于该至少一个历史参数集合和该至少一个历史温度集合，通过随机梯度下降法，确定初始温度预测模型的模型参数；

通过该模型参数对初始温度预测模型进行初始化，得到该温度预测模型。

可选地，初始温度预测模型包括编码部和解码部，该编码部包括两层编码网络，每层编码网络中包括N个网络神经单元，该解码部包括两层解码网络，每层解码网络中包括M个网络神经单元。

可选地，基于该至少一个历史参数集合和该至少一个历史温度集合，通过随机梯度下降法，确定初始温度预测模型的模型参数，包括：

确定每个历史参数集合中的N组历史参数分别对应的N组归一化历史参数，以及每个历史温度集合中的M个历史温度分别对应的M个归一化历史温度；

对于该至少一个历史参数集合中的任一历史参数集合，将任一历史参数集合中的N组历史参数对应的N组归一化历史参数作为初始温度预测模型的编码部的输入，将任一历史参数集合对应的一个历史温度集合中的M个历史温度对应的M个归一化历史温度作为初始温度预测模型的解码部的输入，确定初始温度预测模型的损失函数；

基于确定的至少一个损失函数，通过随机梯度下降法确定模型参数。

可选地，基于确定的至少一个损失函数，通过随机梯度下降法确定模型参数，包括：

获取初始温度预测模型的初始模型参数；

对该至少一个损失函数求和，得到总损失函数；

确定总损失函数对模型参数变量的偏导函数；

基于偏导函数和初始模型参数，确定优化模型参数；

如果基于初始模型参数和优化模型参数确定总损失函数满足收敛条件，则将优化模型参数确定为初始温度预测模型的模型参数；

如果基于初始模型参数和优化模型参数确定总损失函数不满足收敛条件，则将优化模型参数作为初始模型参数，并返回基于偏导函数和初始模型参数，确定优化模型参数的步骤，直至满足收敛条件。

可选地，基于初始模型参数和优化模型参数确定总损失函数满足收敛条件，包括：

基于初始模型参数，确定总损失函数对应的初始数值；

基于优化模型参数，确定总损失函数对应的优化数值；

如果初始数值与优化数值之间的差值小于第一参考数值，则确定总损失函数满足收敛条件。

可选地，基于该至少一个历史参数集合和该至少一个历史温度集合，通过随机梯度下降法，确定初始温度预测模型的模型参数之前，还包括：

对于每个历史参数集合包括的N组历史参数，基于N组历史参数的采样时间点，以及N组历史参数中包括的第一类历史参数，确定第一类历史参数的第一拟合曲线，第一类历史参数是指上游流体的历史温度、上游土壤的历史温度、下游土壤的历史温度、历史管输量中的任一；

对于N组历史参数中的第一组历史参数，如果基于第一组历史参数的采样时间点在第一拟合曲线上确定的数值与第一组历史参数包括的第一类历史参数之间的差值大于第二参考数值，则将第一组历史参数包括的第一类历史参数更新为在第一拟合曲线上确定的数值，第一组历史参数是N组历史参数中的任一组历史参数。

可选地，基于该至少一个历史参数集合和该至少一个历史参数集合，结合初始温度预测模型和随机梯度下降法，确定初始温度预测模型的模型参数之前，还包括：

对于每个历史温度集合包括的M个历史温度，基于M个历史温度的采样时间点，确定M个历史温度的第二拟合曲线；

对于M个历史温度中的第一历史温度，如果基于第一历史温度的采样时间点在第二拟合曲线上确定的数值与第一历史温度之间的差值大于第三参考数值，则将第一历史温度更新为在第三拟合曲线上确定的数值，第一历史温度是M个历史温度中的任一个历史温度。

上述所有可选技术方案，均可按照任意结合形成本申请的可选实施例，本申请实施例对此不再一一赘述。

图2是本申请实施例提供的一种温度预测方法的流程示意图。该方法可以应用于终端中，具体地可以应用于温度预测装置中，该温度预测装置可以集成于终端中，参见图2，该方法包括如下步骤。

本申请实施例中，在通过该方法对目标管道中的流体的温度进行预测之前，可以先基于流体流经目标管段的历史数据训练得到温度预测模型。具体的，可以通过如下步骤201-步骤204训练得到。

由于不同管道所输送的流体的特性不同，所处的地势不同，且管径、管道长度等参数均可能不同，因此为了保证训练得到的温度预测模型的适用性，可以针对不同的管道分别进行训练。接下来以需要进行温度预测的管道为例，将需要进行温度预测的管道作为目标管道，详细描述得到目标管道的温度预测模型的过程。

步骤201：获取目标管道的至少一个历史参数集合。

在目标管道输送流体的过程中，可能会因为环境温度的不同，采取不同的输送工艺。比如，当环境温度较低时，为了保证流体的温度，可能需要较多的加热炉对输送的流体进行加热，且环境温度越低，加热炉的数量越多。而当环境温度较高时，可能需要较少的加热炉对输送的流体进行加热，且环境温度越高，加热炉的数量越少。因此，为了保证训练得到的温度预测模型能够适用于不同的输送工艺，可以在不同输送工艺条件下分别获取目标管道的一个历史参数集合，从而得到目标管道的至少一个历史参数集合。

目标管道输送流体时，可以通过目标管道上安装的自动检测设备对输送流体的流体数据进行采样，通过用于测量目标管道上下游处环境数据的检测设备对环境数据进行采样。采样得到的流体数据和环境数据可以存储在SCADA(Supervisory Control and DataAcquisition，数据采集与监视控制)系统中，当然也可以存储在其他存储设备中。本申请实施例在获取至少一个历史参数集合时，可以预先设置第一获取时长，进而基于第一获取时长确定至少一个第三时间段，之后可以直接从SCADA系统中获取在每个第三时间段内采样得到的流体数据和环境数据，并将每个第三时间段内获取到的流体数据和环境数据作为一个历史参数集合，从而得到至少一个历史参数集合。也即是，该至少一个历史参数集合包括的历史参数是在至少一个第三时间段内采样得到的。

其中，对流体数据进行采样的设备可以包括温度传感器和流量传感器，对环境数据进行采样的设备可以包括温度传感器。基于第一获取时长确定的至少一个第三时间段中每个第三时间段可以相同，也可以不同。比如，假设第一获取时长为1小时，则确定的至少一个第三时间段可以均为9:00～10:00，当然，确定的至少一个第三时间段可以为9:00～10:00和11:00～12:00等。每个历史参数集合中可以包括N组历史参数，N为正整数，每组历史参数至少可以包括上游流体的历史温度、上游土壤的历史温度、下游土壤的历史温度和历史管输量，每组历史参数还可以包括目标管道的历史沿线摩阻或者其他历史参数。

其中，N组历史参数可以是在第三时间段内均匀采样得到的，上游流体是指输送流体时目标管道的输入端的流体，上游土壤是指目标管道的输入端所处位置处的土壤，下游土壤是指目标管道的输出端所处位置处的土壤。

比如，本申请实施例中加热炉数量为5时，在第三时间段为5:00～17:00的12小时内获取到第一个历史参数集合，加热炉数量为6时，在第三时间段为8:00～20:00的12小时内获取到第二个历史参数集合，加热炉数量为9时，在第三时间段为11:00～23:00的12小时内获取到第三个历史参数集合。第一历史参数集合、第二历史参数集合和第三历史参数集合均包括每隔半小时获取到的24组历史参数。

步骤202：获取该至少一个历史参数集合一一对应的至少一个历史温度集合。

具体地，本步骤中获取至少一个历史温度集合的具体实现方式可以和上述步骤201中获取至少一个历史参数集合的具体实现方式相同或相似，本申请实施例在此不再赘述。

其中，每个历史温度集合包括的M个历史温度，M为正整数，且该至少一个历史温度集合包括的历史温度是在至少一个第四时间段内对下游流体采样得到的。下游流体是指输送流体时目标管道的输出端的流体。

需要说明的是，在通过上述步骤201确定了至少一个第三时间段后，对于任一第三时间段，可以将该任一第三时间段的起始时间点向后推迟时长阈值，得到第四时间段的起始时间点，之后对于每个第四时间段的起始时间点，基于预先设置的第二获取时长确定至少一个第四时间段，每个第四时间段的时长相同。

其中，时长阈值可以根据目标管道的管道长度和输送的流体的流速进行确定，比如时长阈值可以为管道长度与流速之间的比值。

比如，假设时长阈值为5小时，则第一个历史参数集合对应的第一个历史温度集合是在第四时间段10:00～10:00的24小时内获取到的，第二个历史参数集合对应的第二个历史温度集合是在第四时间段13:00～13:00的24小时内获取到的，第三个历史参数集合对应的第三个历史温度集合是在第四时间段16:00～16:00的24小时内获取到的。第一历史温度集合、第二历史温度集合和第三历史温度集合均均包括每隔半小时获取到的48个历史温度。

步骤203：搭建初始温度预测模型，基于该至少一个历史参数集合和至少一个历史温度集合，通过随机梯度下降法，确定初始温度预测模型的模型参数。

其中，搭建的初始温度预测模型可以如图3所示，该初始温度预测模型包括编码部和解码部，编码部和解码部可以通过中间向量C关联，编码部包括两层编码网络，每层编码网络中包括N个网络神经单元，解码部包括两层解码网络，每层解码网络中包括M个网络神经单元。当然，编码部也可以包括由N个网络神经单元组成的一层编码网络，解码部可以包括由M个网络神经单元组成的一层解码网络。

每个网络神经单元可以为RNN(Recurrent neural network，循环神经网络)单元、LSTM(Long short term memory，长短记忆)单元或者GRU(Gated Recurrent Unit，门递归)单元，搭建的初始温度预测模型可以为seq2seq(Sequence to Sequence，序列到序列)模型。

继续上述举例，当获取的每个历史参数集合中包括24组历史参数，每个历史温度集合中包括48个历史温度，这样搭建的初始温度模型中的编码部的每层编码网络包括24个网络神经单元，解码部的每层解码网络包括48个网络神经单元。

在搭建好初始温度预测模型后，可以基于该至少一个历史参数集合和至少一个历史温度集合，通过随机梯度下降法，确定初始温度预测模型的模型参数。具体可以通过如下步骤(1)-(3)实现。

(1)、确定每个历史参数集合中的N组历史参数分别对应的N组归一化历史参数，以及每个历史温度集合中的M个历史温度分别对应的M个归一化历史温度。

对于该至少一个历史参数集合中的任一历史参数集合，示例性地，对于该任一历史参数集合中包括的N组历史参数中的第一类历史参数，确定该N组历史参数中的第一类历史参数的数值总和；将每组历史参数中的第一类历史参数与该数值总和的比值，确定为每组历史参数中的第一类历史参数对应的归一化历史参数，从而得到该任一历史参数集合中包括的N组历史参数对应的N组归一化历史参数。对于该至少一个历史温度集合中的任一历史温度集合，对于该任一历史温度集合中包括的M个历史温度，确定该M个历史温度的数值总和，将每个历史温度与该数值总和的比值，确定为每个历史温度对应的归一化历史温度，从而得到该任一历史温度集合中包括的M个历史温度对应的M个归一化历史温度。

其中，第一类历史参数是指上游流体的历史温度、上游土壤的历史温度、下游土壤的历史温度和历史管输量中的任一。

当然，还可以通过其他方法确定每个历史参数集合中的N组历史参数分别对应的N组归一化历史参数，以及每个历史温度集合中的M个历史温度分别对应的M个归一化历史温度，具体可以参考现有技术，本申请实施例在此不再赘述。

继续上述举例，对于每个历史参数集合中的多组历史参数，可以确定该多组历史参数中上游流体的历史温度的上游流体温度总和，之后将每个历史参数中的上游流体温度与上游流体温度总和之间的比值确定为上游流体的归一化历史温度，重复该步骤得到每组历史参数中上游土壤的归一化历史温度、下游土壤的归一化历史温度和归一化历史管输量。对于每个历史温度集合中的多个历史温度，可以确定该多个历史温度的下游流体的历史温度总和，之后将每个历史温度与下游流体的历史温度总和之间的比值确定为下游流体的归一化历史温度。

(2)、对于该至少一个历史参数集合中的任一历史参数集合，将该任一历史参数集合中的N组历史参数对应的N组归一化历史参数作为初始温度预测模型的编码部的输入，将该任一历史参数集合对应的一个历史温度集合中的M个历史温度对应的M个归一化历史温度作为初始温度预测模型的解码部的输入，确定初始温度预测模型的损失函数。

示例性地，当搭建的初始温度预测模型包括的编码部包括两层编码网络，解码部包括两层解码网络，且编码部中的第一层编码网络包括的网络神经单元的输出作为第二层编码网络包括的网络神经单元的输入，解码部中第一层解码网络包括的网络神经单元的输出作为第二层解码网络包括的网络神经单元的输入，此时，如图3所示，可以将任一历史参数集合中的N组历史参数对应的N组归一化历史参数x(1)～x(N)依次作为编码部中的第一层编码网络包括的N个网络神经单元h1(1)～h1(N)的输入，将起始标记go和任一历史参数集合对应的一个历史温度集合中的M个历史温度对应的M个归一化历史温度中的y(1)～y(M-1)依次作为解码部中的第一层解码网络包括的M个网络神经单元h3(1)～h3(M)的输入。之后通过初始温度预测模型确定一个损失函数，进而得到至少一个损失函数。

其中，N组归一化历史参数按照N组历史参数的采样时间进行排序，且N组归一化历史参数与编码部中的第一层编码网络中的N个网络神经单元一一对应。M个归一化历史温度按照M个历史温度的采样时间进行排序，且M个归一化历史温度与解码部中的第一层解码网络中的M个网络神经单元一一对应。

其中，将该任一历史参数集合中的N组历史参数对应的N组归一化历史参数作为初始温度预测模型的编码部的输入，将该任一历史参数集合对应的一个历史温度集合中的M个历史温度对应的M个归一化历史温度作为初始温度预测模型的解码部的输入后，如图3所示，通过初始温度预测模型的解码部输出M个温度预测函数y`(1)～y`(M)，之后确定每个温度预测函数y`(M)与对应的历史温度y(M)之间的欧式距离，得到每个温度预测函数对应的欧式距离，再将M个温度预测函数分别对应的欧式距离的平均值确定为确定得到的损失函数。该损失函数是指关于初始温度模型中的模型参数变量的函数表达式。通过初始温度预测模型输出M个温度预测函数的具体实现方式可以参考现有技术，本申请实施例在此不再赘述。

需要说明的是，在得到至少一个损失函数后，为了避免每个损失函数过拟合，可以通过正则项对每个损失函数进行修正，进而将修正后的至少一个损失函数确定为基于至少一个历史参数集合和至少一个历史温度集合，通过初始温度预测模型得到的至少一个损失函数。

(3)、基于确定的至少一个损失函数，通过随机梯度下降法确定模型参数。

具体地，获取初始温度预测模型的初始模型参数，对至少一个损失函数求和，得到总损失函数，确定该总损失函数对模型参数变量的偏导函数，基于偏导函数和初始模型参数，确定优化模型参数。如果基于初始模型参数和优化模型参数确定该总损失函数满足收敛条件，则将该优化模型参数确定为温度预测模型的模型参数。如果基于初始模型参数和优化模型参数确定总损失函数不满足收敛条件，则将优化模型参数作为初始模型参数，并返回基于偏导函数和初始模型参数，确定优化模型参数的步骤，直至满足收敛条件。

其中，初始模型参数包括每个网络神经单元中的多个模型参数变量一一对应的对应的参数。初始模型参数可以是随机生成得到的，当然，初始模型参数也可以是人为设置的，只要每个网络神经单元中的每个模型参数变量对应的参数大于或等于0，且小于或等于1即可。

由于一个损失函数是关于每个网络神经单元包括的多个模型参数变量的函数表达式，也即是总损失函数是关于每个网络神经单元包括的多个模型参数变量的函数表达式。因此，可以针对总损失函数关于每个网络神经单元中的每个模型参数变量求偏导，得到每个网络神经单元中的每个模型参数变量的偏导函数。得到的偏导函数的个数和初始模型参数包括的参数的个数相同，且一一对应。

之后将初始模型参数中的每个参数作为对应的偏导函数的输入，通过对应的偏导函数得到对应的偏导数值，将每个参数与对应的偏导数值之和作为优化参数，从而得到初始温度预测模型的优化模型参数。

其中，确定总损失函数满足收敛的实现过程中为：基于初始模型参数，确定总损失函数对应的初始数值，基于优化模型参数，确定总损失函数对应的优化数值，如果初始数值与优化数值之间的差值小于第一参考数值，则确定总损失函数满足收敛条件。

其中，可以将初始模型参数作为总损失函数的输入，通过总损失函数进行计算得到初始数值，将优化模型参数作为总损失函数的输入，通过总损失函数进行计算得到优化数值，第一参考数值可以基于经验进行预先设置。

进一步地，本申请实施例中，为了保证获取的历史参数和历史温度的准确性，避免历史参数和历史温度中存在空值或者异常值，因此基于至少一个历史参数集合和至少一个历史温度集合，通过随机梯度下降法，确定初始温度预测模型的模型参数之前，示例地，可以按照如下方式对获取到的至少一个历史参数集合和至少一个历史温度集合进行修正处理。

对于每个历史参数集合包括的N组历史参数，基于N组历史参数的采样时间点，以及N组历史参数中包括的第一类历史参数，确定第一类历史参数的第一拟合曲线，第一类历史参数是指上游流体的历史温度、上游土壤的历史温度、下游土壤的历史温度、历史管输量中的任一。对于N组历史参数中的第一组历史参数，如果基于第一组历史参数的采样时间点在第一拟合曲线上确定的数值与第一组历史参数包括的第一类历史参数之间的差值大于第二参考数值，则将第一组历史参数包括的第一类历史参数更新为在第一拟合曲线上确定的数值，第一组历史参数是N组历史参数中的任一组历史参数。

对于每个历史温度集合包括的M个历史温度，基于M个历史温度的采样时间点，确定M个历史温度的第二拟合曲线。对于M个历史温度中的第一历史温度，如果基于第一历史温度的采样时间点在第二拟合曲线上确定的数值与第一历史温度之间的差值大于第三参考数值，则将第一历史温度更新为在第三拟合曲线上确定的数值，第一历史温度是M个历史温度中的任一个历史温度。

步骤204：通过模型参数对初始温度预测模型进行初始化，得到温度预测模型。

具体地，将初始温度预测模型中的初始模型参数替换为通过上述步骤203确定得到的模型参数，得到温度预测模型。

需要说明的是，在通过上述步骤进行训练得到温度预测模型后，还可以获取一个或多个历史参数集合和每个历史参数集合对应的历史温度集合，对训练得到的温度预测模型进行验证。也即是，将每个历史参数集合作为温度预测模型包括额编码部的输入，通过温度预测模型的解码部计算输出M个预测温度，并将M个预测温度与对应的历史温度集合中包括的M个历史温度进行比对，已验证温度预测模型的准确性。

比如，在对得到的温度预测模型进行预测时，通过温度预测模型的解码部计算输出的M个预测温度中的每个预测温度与相应的实测温度之间的差值的绝对值小于0.4摄氏度，从而能够保证通过温度预测模型进行温度预测的准确性。

步骤205：获取待进行温度预测的目标管道的N组实测参数，N组实测参数是在第一时间段内采样得到的。

本步骤中获取目标管道的N组实测参数的具体实现过程可以和上述步骤201中获取每个历史参数集合的实现过程相同或相似，本申请实施例在此不再赘述。

其中，每组实测参数至少包括上游流体的实测温度、上游土壤的实测温度、下游土壤的实测温度和实测管输量。第一时间段的时长可以和第三时间段的时长相等。

需要说明的是，每组实测参数包括的参数的类别和每组历史参数包括的类别相同，也即是每组历史参数包括上游流体的历史温度、上游土壤的历史温度、下游土壤的历史温度和历史管输量，则每组实测参数包括上游流体的实测温度、上游土壤的实测温度、下游土壤的实测温度和实测管输量。

进一步地，在获取到N组实测参数后，可以按照上述步骤203中描述的对每个历史参数集合包括的N组历史参数进行处理的相同或相似的方式对N组实测参数进行处理，以对N组实测参数中的每组实测参数可能包括的空值和异常值进行修正处理，提高温度预测的准确性。

步骤206：对N组实测参数进行归一化处理，得到N组归一化实测参数。

示例性地，对于该N组实测参数中的第一类实测参数，确定该N组实测参数中第一类实测参数的数值总和；将每组实测参数中的第一类实测参数与该数值总和的比值，确定为每组实测参数中的第一类实测参数对应的归一化实测参数。

其中，第一类实测参数是指上游流体的实测温度、上游土壤的实测温度、下游土壤的实测温度和实测管输量中的任一。

当然，本申请实施例中还可以通过其他方法对N组实测参数进行归一化处理，得到N组归一化实测参数，具体可以参考现有技术。

步骤207：将N组归一化实测参数作为温度预测模型的输入，通过温度预测模型确定M个预测温度，将M个预测温度作为第二时间段内目标管道的下游流体的M个预测温度。

其中，第二时间段是指待进行温度预测的时间段，待进行温度预测的时间段的时间长度与第四时间段的时间长度相等，也即是第二时间点的时间长度与第四时间段的时间长度相等。第一时间段的起始时间点早于第二时间段的起始时间点，且第一时间段的起始时间点与第二时间段的起始时间点之间的时间间隔为时长阈值。

本申请实施例中，获取到目标管道在不同输送工艺条件下的至少一个历史参数集合和至少一个历史温度集合后，为了保证训练得到的温度预测模型的实用性，可以对至少一个历史参数集合和至少一个历史温度集合中包括的空值和异常值进行修正，并进行归一化处理以得到至少一个归一化历史参数集合和至少一个归一化历史温度集合。再通过搭建的初始温度预测模型、至少一个归一化历史参数集合和至少一个归一化历史温度集合、随机梯度下降法确定初始温度预测模型的模型参数，从而得到可以在多个输送工艺条件下进行温度预测的温度预测模型。之后，获取目标管道的N组实测参数，并通过温度预测模型得到M个预测温度，以得到目标管道在第二时间段内的温度变化趋势，实现了对目标管道的温度的预测。由于得到的温度预测模型是基于至少一个历史参数集合和至少一个历史温度集合训练得到的，且在温度预测时N组实测参数是对目标管道实测得到的，从而提高了温度预测的准确性。

图4是本申请实施例提供的一种温度预测装置的结构示意图。参见图4，该装置包括：

第一获取模块401，用于获取待进行温度预测的目标管道的N组实测参数，N组实测参数是在第一时间段内采样得到的，每组实测参数至少包括上游流体的实测温度、上游土壤的实测温度、下游土壤的实测温度和实测管输量，N为正整数。

处理模块402，用于对N组实测参数进行归一化处理，得到N组归一化实测参数。

第一确定模块403，用于将N组归一化实测参数作为温度预测模型的输入，通过该温度预测模型确定M个预测温度，将M个预测温度作为第二时间段内目标管道的下游流体的M个预测温度，第二时间段是指待进行温度预测的时间段，第一时间段的起始时间点早于第二时间段的起始时间点，且第一时间段的起始时间点与第二时间段的起始时间点之间的时间间隔为时长阈值，M为正整数。

可选地，处理模块402包括：

第一确定单元，用于对于N组实测参数中的第一类实测参数，确定N组实测参数中第一类实测参数的数值总和，第一类实测参数是指上游流体的实测温度、上游土壤的实测温度、下游土壤的实测温度和实测管输量中的任一；

第二确定单元，用于将每组实测参数中的第一类实测参数与数值总和的比值，确定为每组实测参数中的第一类实测参数对应的归一化实测参数。

可选地，装置还包括：

第二获取模块，用于获取目标管道的至少一个历史参数集合，每个历史参数集合包括N组历史参数，且该至少一个历史参数集合包括的历史参数是在至少一个第三时间段内采样得到的，每个第三时间段的时长均等于第一时间段的时长，每组历史参数至少包括上游流体的历史温度、上游土壤的历史温度、下游土壤的历史温度和历史管输量；

第三获取模块，用于获取该至少一个历史参数集合一一对应的至少一个历史温度集合，每个历史温度集合包括的M个历史温度，且该至少一个历史温度集合包括的历史温度是在至少一个第四时间段内对下游流体采样得到的，每个第四时间段的时长等于第二时间段的时长；

第二确定模块，用于搭建初始温度预测模型，基于该至少一个历史参数集合和该至少一个历史温度集合，通过随机梯度下降法，确定初始温度预测模型的模型参数；

第三确定模块，用于通过模型参数对初始温度预测模型进行初始化，得到温度预测模型。

可选地，初始温度预测模型包括编码部和解码部，编码部包括两层编码网络，每层编码网络中包括N个网络神经单元，解码部包括两层解码网络，每层解码网络中包括M个网络神经单元。

可选地，第二确定模块包括：

第三确定单元，用于确定每个历史参数集合中的N组历史参数分别对应的N组归一化历史参数，以及每个历史温度集合中的M个历史温度分别对应的M个归一化历史温度；

第四确定单元，用于对于该至少一个历史参数集合中的任一历史参数集合，将任一历史参数集合中的N组历史参数对应的N组归一化历史参数作为初始温度预测模型的编码部的输入，将任一历史参数集合对应的一个历史温度集合中的M个历史温度对应的M个归一化历史温度作为初始温度预测模型的解码部的输入，确定初始温度预测模型的损失函数；

第五确定单元，用于基于确定的至少一个损失函数，通过随机梯度下降法确定模型参数。

可选地，第五确定单元主要用于：

获取初始温度预测模型的初始模型参数；

对该至少一个损失函数求和，得到总损失函数；

确定总损失函数对模型参数变量的偏导函数；

基于偏导函数和初始模型参数，确定优化模型参数；

如果基于初始模型参数和优化模型参数确定总损失函数满足收敛条件，则将优化模型参数确定为初始温度预测模型的模型参数；

如果基于初始模型参数和优化模型参数确定总损失函数不满足收敛条件，则将优化模型参数作为初始模型参数，并返回基于偏导函数和初始模型参数，确定优化模型参数的步骤，直至满足收敛条件。

可选地，第五确定单元还用于：

基于初始模型参数，确定总损失函数对应的初始数值；

基于优化模型参数，确定总损失函数对应的优化数值；

如果初始数值与优化数值之间的差值小于第一参考数值，则确定总损失函数满足收敛条件。

可选地，装置还包括：

第四确定模块，用于对于每个历史参数集合包括的N组历史参数，基于N组历史参数的采样时间点，以及N组历史参数中包括的第一类历史参数，确定第一类历史参数的第一拟合曲线，第一类历史参数是指上游流体的历史温度、上游土壤的历史温度、下游土壤的历史温度、历史管输量中的任一；

第一更新模块，用于对于N组历史参数中的第一组历史参数，如果基于第一组历史参数的采样时间点在第一拟合曲线上确定的数值与第一组历史参数包括的第一类历史参数之间的差值大于第二参考数值，则将第一组历史参数包括的第一类历史参数更新为在第一拟合曲线上确定的数值，第一组历史参数是N组历史参数中的任一组历史参数。

可选地，装置还包括：

第五确定模块，用于对于每个历史温度集合包括的M个历史温度，基于M个历史温度的采样时间点，确定M个历史温度的第二拟合曲线；

第二更新模块，用于对于M个历史温度中的第一历史温度，如果基于第一历史温度的采样时间点在第二拟合曲线上确定的数值与第一历史温度之间的差值大于第三参考数值，则将第一历史温度更新为在第三拟合曲线上确定的数值，第一历史温度是M个历史温度中的任一个历史温度。

本申请实施例通过获取第一时间段内目标管道的上游流体的实测温度、上游土壤的实测温度、下游土壤的实测温度和实测管输量，以得到目标管道的N组实测参数。之后，基于N组实测参数的N组归一化实测参数，通过温度预测模型预测第二时间段内目标管道的下游流体的M个预测温度。由于M个预测温度是在N组实测参数的基础上通过温度预测模型得到的，从而保证了M个预测温度的准确性。

需要说明的是：上述实施例提供的温度预测装置在对目标管道输送的流体的温度进行预测时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的温度预测装置与温度预测方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

图5示出了本申请一个示例性实施例提供的终端500的结构框图。参见图5，该终端500可以是：智能手机、平板电脑、笔记本电脑或台式电脑。终端500还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。参见图5，终端500可以包括处理器501和存储器502。

处理器501可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器501可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器501也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器501可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器501还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。

存储器502可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器502还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器502中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器501所执行以实现本申请中方法实施例提供的一种温度预测方法。

在一些实施例中，终端500还可选包括有：外围设备接口503和至少一个外围设备。处理器501、存储器502和外围设备接口503之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口503相连。具体地，外围设备包括：射频电路504、显示屏505、定位组件506和电源507中的至少一种。

外围设备接口503可被用于将I/O(Input/Output，输入/输出)相关的至少一个外围设备连接到处理器501和存储器502。在一些实施例中，处理器501、存储器502和外围设备接口503被集成在同一芯片或电路板上；在一些其他实施例中，处理器501、存储器502和外围设备接口503中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。

射频电路504用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路504通过电磁信号与通信网络以及其他通信设备进行通信。射频电路504将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路504包括：天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路504可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：万维网、城域网、内联网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity，无线保真)网络。在一些实施例中，射频电路504还可以包括NFC(Near Field Communication，近距离无线通信)有关的电路，本申请对此不加以限定。

显示屏505用于显示UI(User Interface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏505是显示屏时，显示屏505还具有采集在显示屏505的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器501进行处理。此时，显示屏505还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏505可以为一个，设置终端500的前面板；在另一些实施例中，显示屏505可以为至少两个，分别设置在终端500的不同表面或呈折叠设计；在再一些实施例中，显示屏505可以是柔性显示屏，设置在终端500的弯曲表面上或折叠面上。甚至，显示屏505还可以设置成非矩形的不规则图形，也即异形屏。显示屏505可以采用LCD(LiquidCrystal Display，液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。

定位组件506用于定位终端500的当前地理位置，以实现导航或LBS(LocationBased Service，基于位置的服务)。定位组件506可以是基于美国的GPS(GlobalPositioning System，全球定位系统)、中国的北斗系统或俄罗斯的伽利略系统的定位组件。

电源507用于为终端500中的各个组件进行供电。电源507可以是交流电、直流电、一次性电池或可充电电池。当电源507包括可充电电池时，该可充电电池可以是有线充电电池或无线充电电池。有线充电电池是通过有线线路充电的电池，无线充电电池是通过无线线圈充电的电池。该可充电电池还可以用于支持快充技术。

本领域技术人员可以理解，图5中示出的结构并不构成对终端500的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。

在上述实施例中，还提供了一种包括指令的非暂态的计算机可读存储介质，该计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器所执行以实现上述图1或图2所示实施例提供的方法。

本申请实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述图1或图2所示实施例提供的方法。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (6)

1.一种温度预测方法，其特征在于，所述方法包括：

获取待进行温度预测的目标管道的N组实测参数，所述N组实测参数是在第一时间段内采样得到的，每组实测参数至少包括上游流体的实测温度、上游土壤的实测温度、下游土壤的实测温度和实测管输量，所述N为正整数；

对于所述N组实测参数中的第一类实测参数，确定所述N组实测参数中的第一类实测参数的数值总和，所述第一类实测参数是指所述上游流体的实测温度、所述上游土壤的实测温度、所述下游土壤的实测温度和所述实测管输量中的任一；将每组实测参数中的第一类实测参数与所述数值总和的比值，确定为每组实测参数中的第一类实测参数对应的归一化实测参数；

将N组所述归一化实测参数作为温度预测模型的输入，通过所述温度预测模型确定M个预测温度，将所述M个预测温度作为第二时间段内所述目标管道的下游流体的M个预测温度，所述第二时间段是指待进行温度预测的时间段，所述第一时间段的起始时间点早于所述第二时间段的起始时间点，且所述第一时间段的起始时间点与所述第二时间段的起始时间点之间的时间间隔为时长阈值，所述M为正整数；

所述将N组所述归一化实测参数作为温度预测模型的输入，通过所述温度预测模型确定M个预测温度之前，还包括：获取所述目标管道的至少一个历史参数集合，每个历史参数集合包括N组历史参数，且所述至少一个历史参数集合包括的历史参数是在至少一个第三时间段内采样得到的，每个第三时间段的时长均等于所述第一时间段的时长，每组历史参数至少包括所述上游流体的历史温度、所述上游土壤的历史温度、所述下游土壤的历史温度和历史管输量；获取所述至少一个历史参数集合一一对应的至少一个历史温度集合，每个历史温度集合包括的M个历史温度，且所述至少一个历史温度集合包括的历史温度是在至少一个第四时间段内对所述下游流体采样得到的，每个第四时间段的时长等于所述第二时间段的时长；搭建初始温度预测模型，基于所述至少一个历史参数集合和所述至少一个历史温度集合，通过随机梯度下降法，确定所述初始温度预测模型的模型参数，所述初始温度预测模型包括编码部和解码部，所述编码部包括两层编码网络，每层编码网络中包括N个网络神经单元，所述解码部包括两层解码网络，每层解码网络中包括M个网络神经单元，其中，所述基于所述至少一个历史参数集合和所述至少一个历史温度集合，通过随机梯度下降法，确定所述初始温度预测模型的模型参数，包括：确定每个历史参数集合中的N组历史参数分别对应的N组归一化历史参数，以及每个历史温度集合中的M个历史温度分别对应的M个归一化历史温度；对于所述至少一个历史参数集合中的任一历史参数集合，将所述任一历史参数集合中的N组历史参数对应的N组归一化历史参数作为所述初始温度预测模型的编码部的输入，将所述任一历史参数集合对应的一个历史温度集合中的M个历史温度对应的M个归一化历史温度作为所述初始温度预测模型的解码部的输入，确定所述初始温度预测模型的损失函数；获取所述初始温度预测模型的初始模型参数；对所述至少一个损失函数求和，得到总损失函数；确定所述总损失函数对模型参数变量的偏导函数；基于所述偏导函数和所述初始模型参数，确定优化模型参数；如果基于所述初始模型参数和所述优化模型参数确定所述总损失函数满足收敛条件，则将所述优化模型参数确定为所述初始温度预测模型的模型参数；如果基于所述初始模型参数和所述优化模型参数确定所述总损失函数不满足收敛条件，则将所述优化模型参数作为初始模型参数，并返回基于所述偏导函数和所述初始模型参数，确定优化模型参数的步骤，直至满足收敛条件；通过所述模型参数对所述初始温度预测模型进行初始化，得到所述温度预测模型。

2.如权利要求1所述的方法，其特征在于，所述基于所述初始模型参数和所述优化模型参数确定所述总损失函数满足收敛条件，包括：

基于所述初始模型参数，确定所述总损失函数对应的初始数值；

基于所述优化模型参数，确定所述总损失函数对应的优化数值；

如果所述初始数值与所述优化数值之间的差值小于第一参考数值，则确定所述总损失函数满足收敛条件。

3.如权利要求1所述的方法，其特征在于，所述基于所述至少一个历史参数集合和所述至少一个历史温度集合，通过随机梯度下降法，确定所述初始温度预测模型的模型参数之前，还包括：

对于每个历史参数集合包括的N组历史参数，基于所述N组历史参数的采样时间点，以及所述N组历史参数中包括的第一类历史参数，确定所述第一类历史参数的第一拟合曲线，所述第一类历史参数是指所述上游流体的历史温度、所述上游土壤的历史温度、所述下游土壤的历史温度、所述历史管输量中的任一；

对于所述N组历史参数中的第一组历史参数，如果基于所述第一组历史参数的采样时间点在所述第一拟合曲线上确定的数值与所述第一组历史参数包括的第一类历史参数之间的差值大于第二参考数值，则将所述第一组历史参数包括的第一类历史参数更新为在所述第一拟合曲线上确定的数值，所述第一组历史参数是所述N组历史参数中的任一组历史参数。

4.如权利要求1所述的方法，其特征在于，所述基于所述至少一个历史参数集合和所述至少一个历史参数集合，结合所述初始温度预测模型和随机梯度下降法，确定所述初始温度预测模型的模型参数之前，还包括：

对于每个历史温度集合包括的M个历史温度，基于所述M个历史温度的采样时间点，确定所述M个历史温度的第二拟合曲线；

对于所述M个历史温度中的第一历史温度，如果基于所述第一历史温度的采样时间点在所述第二拟合曲线上确定的数值与所述第一历史温度之间的差值大于第三参考数值，则将所述第一历史温度更新为在所述第二拟合曲线上确定的数值，所述第一历史温度是所述M个历史温度中的任一个历史温度。

5.一种温度预测装置，其特征在于，所述装置包括：

获取模块，用于获取待进行温度预测的目标管道的N组实测参数，所述N组实测参数是在第一时间段内采样得到的，每组实测参数至少包括上游流体的实测温度、上游土壤的实测温度、下游土壤的实测温度和实测管输量，所述N为正整数；

处理模块，用于对于所述N组实测参数中的第一类实测参数，确定所述N组实测参数中的第一类实测参数的数值总和，所述第一类实测参数是指所述上游流体的实测温度、所述上游土壤的实测温度、所述下游土壤的实测温度和所述实测管输量中的任一；将每组实测参数中的第一类实测参数与所述数值总和的比值，确定为每组实测参数中的第一类实测参数对应的归一化实测参数；

确定模块，用于将N组所述归一化实测参数作为温度预测模型的输入，通过所述温度预测模型确定M个预测温度，将所述M个预测温度作为第二时间段内所述目标管道的下游流体的M个预测温度，所述第二时间段是指待进行温度预测的时间段，所述第一时间段的起始时间点早于所述第二时间段的起始时间点，且所述第一时间段的起始时间点与所述第二时间段的起始时间点之间的时间间隔为时长阈值，所述M为正整数；

所述确定模块，还用于在所述将N组所述归一化实测参数作为温度预测模型的输入，通过所述温度预测模型确定M个预测温度之前，获取所述目标管道的至少一个历史参数集合，每个历史参数集合包括N组历史参数，且所述至少一个历史参数集合包括的历史参数是在至少一个第三时间段内采样得到的，每个第三时间段的时长均等于所述第一时间段的时长，每组历史参数至少包括所述上游流体的历史温度、所述上游土壤的历史温度、所述下游土壤的历史温度和历史管输量；获取所述至少一个历史参数集合一一对应的至少一个历史温度集合，每个历史温度集合包括的M个历史温度，且所述至少一个历史温度集合包括的历史温度是在至少一个第四时间段内对所述下游流体采样得到的，每个第四时间段的时长等于所述第二时间段的时长；搭建初始温度预测模型，基于所述至少一个历史参数集合和所述至少一个历史温度集合，通过随机梯度下降法，确定所述初始温度预测模型的模型参数，所述初始温度预测模型包括编码部和解码部，所述编码部包括两层编码网络，每层编码网络中包括N个网络神经单元，所述解码部包括两层解码网络，每层解码网络中包括M个网络神经单元，其中，所述基于所述至少一个历史参数集合和所述至少一个历史温度集合，通过随机梯度下降法，确定所述初始温度预测模型的模型参数，包括：确定每个历史参数集合中的N组历史参数分别对应的N组归一化历史参数，以及每个历史温度集合中的M个历史温度分别对应的M个归一化历史温度；对于所述至少一个历史参数集合中的任一历史参数集合，将所述任一历史参数集合中的N组历史参数对应的N组归一化历史参数作为所述初始温度预测模型的编码部的输入，将所述任一历史参数集合对应的一个历史温度集合中的M个历史温度对应的M个归一化历史温度作为所述初始温度预测模型的解码部的输入，确定所述初始温度预测模型的损失函数；获取所述初始温度预测模型的初始模型参数；对所述至少一个损失函数求和，得到总损失函数；确定所述总损失函数对模型参数变量的偏导函数；基于所述偏导函数和所述初始模型参数，确定优化模型参数；如果基于所述初始模型参数和所述优化模型参数确定所述总损失函数满足收敛条件，则将所述优化模型参数确定为所述初始温度预测模型的模型参数；如果基于所述初始模型参数和所述优化模型参数确定所述总损失函数不满足收敛条件，则将所述优化模型参数作为初始模型参数，并返回基于所述偏导函数和所述初始模型参数，确定优化模型参数的步骤，直至满足收敛条件；通过所述模型参数对所述初始温度预测模型进行初始化，得到所述温度预测模型。

6.一种计算机可读存储介质，其特征在于，所述存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-4任一所述方法的步骤。

Images