CN113722975B - 网络模型训练方法、室温预测方法、装置、设备及介质 - Google Patents
网络模型训练方法、室温预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113722975B CN113722975B CN202011583039.2A CN202011583039A CN113722975B CN 113722975 B CN113722975 B CN 113722975B CN 202011583039 A CN202011583039 A CN 202011583039A CN 113722975 B CN113722975 B CN 113722975B
- Authority
- CN
- China
- Prior art keywords
- difference
- moment
- network model
- time
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012549 training Methods 0.000 title claims abstract description 117
- 238000000034 method Methods 0.000 title claims abstract description 100
- 230000007774 longterm Effects 0.000 claims abstract description 57
- 238000002372 labelling Methods 0.000 claims abstract description 32
- 230000006870 function Effects 0.000 claims description 85
- 238000012544 monitoring process Methods 0.000 claims description 76
- 238000012512 characterization method Methods 0.000 claims description 74
- 238000000605 extraction Methods 0.000 claims description 58
- 238000012545 processing Methods 0.000 claims description 14
- 238000010438 heat treatment Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 7
- 238000005286 illumination Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 13
- 230000007246 mechanism Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 7
- 238000013136 deep learning model Methods 0.000 description 7
- 230000004927 fusion Effects 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 238000010206 sensitivity analysis Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 230000007423 decrease Effects 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 101150067085 los1 gene Proteins 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本申请提出一种网络模型训练方法、室温预测方法、装置、设备及介质,其中训练方法包括:将训练样本中多个时刻中第一时刻的数据和第一时刻之前的第二时刻的数据之差作为短期差异,输入网络模型,预测得到第一时刻之后的目标时刻相对第一时刻的第一预测差值;将第一时刻的数据和第二时刻之前的第三时刻的数据之差作为长期差异,输入网络模型,预测得到目标时刻相对第一时刻的第二预测差值;根据第一预测差值和第二预测差值分别与对应的标注差值之间的差异,确定损失函数的取值;根据损失函数的取值调整网络模型的模型参数,以使损失函数取值最小化。由此,同时根据短期差异和长期差异对模型进行训练,可提升预测结果的准确性。
Description
技术领域
本申请涉及深度学习技术领域,尤其涉及一种网络模型训练方法、室温预测方法、装置、设备及介质。
背景技术
在室外温度较低时,政府可以通过集中供热等方式为居民家中提供暖气,从而保障适宜的室内温度,进而保障居住环境的舒适性。然而室内温度受到多种因素影响,在实际供热过程中,室内温度经常会存在过高或过低等上下波动情况,因此,如何对换热站供热场景进行模拟,预测未来室内温度,从而合理地调控供热温度,以保障居住环境的舒适性至关重要。
相关技术中,基于物理机制的模型,比如气候补偿器,Energyplus仿真软件等,来预测未来室内温度。
实际应用过程中,本申请发明人发现,上述基于物理机制的模型预测室内温度的方式,预测结果的准确性较低。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
本申请提出一种网络模型训练方法、室温预测方法、装置、设备及介质,以实现提升室内温度预测结果的准确性,用于解决现有技术中室内温度预测结果的准确性较低的技术问题。
本申请第一方面实施例提出了一种网络模型训练方法,包括:
获取训练样本;其中,所述训练样本中包含时间数据序列,其中,所述时间数据序列中包含多个时刻的数据;
将所述多个时刻中第一时刻的数据和所述第一时刻之前的第二时刻的数据之差作为短期差异,输入网络模型,以预测得到所述第一时刻之后的目标时刻相对所述第一时刻的第一预测差值;
将所述第一时刻的数据和所述第二时刻之前的第三时刻的数据之差作为长期差异,输入所述网络模型,以预测得到所述目标时刻相对所述第一时刻的第二预测差值;
根据所述第一预测差值和所述第二预测差值分别与对应的标注差值之间的差异,确定损失函数的取值;
根据所述损失函数的取值,调整所述网络模型的模型参数,以使所述损失函数取值最小化。
本申请实施例的网络模型训练方法,通过将训练样本中多个时刻中第一时刻的数据和第一时刻之前的第二时刻的数据之差作为短期差异,输入网络模型,以预测得到第一时刻之后的目标时刻相对第一时刻的第一预测差值;将第一时刻的数据和第二时刻之前的第三时刻的数据之差作为长期差异,输入网络模型,以预测得到目标时刻相对第一时刻的第二预测差值;根据第一预测差值和第二预测差值分别与对应的标注差值之间的差异,确定损失函数的取值;根据损失函数的取值,调整网络模型的模型参数,以使损失函数取值最小化。由此,同时根据短期差异和长期差异,对网络模型进行训练,可以提升模型预测结果的准确性。
本申请第二方面实施例提出了一种基于网络模型的室温预测方法,所述网络模型是采用如本申请第一方面实施例所述的网络模型训练方法训练得到,所述方法包括:
获取多个时刻对室温影响因素进行监测得到的监测数据;
将所述多个时刻中参考时刻的监测数据与所述参考时刻之前的历史时刻的监测数据之差,输入经过训练的所述网络模型,以将所述网络模型的输出作为预测温差;
根据所述参考时刻的实际室温和所述预测温差,生成在所述参考时刻之后时刻的预测室温。
本申请实施例的基于网络模型的室温预测方法,通过获取多个时刻对室温影响因素进行监测得到的监测数据;将多个时刻中参考时刻的监测数据与参考时刻之前的历史时刻的监测数据之差,输入经过训练的网络模型,以将网络模型的输出作为预测温差;根据参考时刻的实际室温和预测温差,生成在参考时刻之后时刻的预测室温。由此,使用训练后的网络模型预测室温,可以提升预测结果的准确性。
本申请第三方面实施例提出了一种网络模型训练装置,包括:
获取模块,用于获取训练样本;其中,所述训练样本中包含时间数据序列,其中,所述时间数据序列中包含多个时刻的数据;
第一预测模块,用于将所述多个时刻中第一时刻的数据和所述第一时刻之前的第二时刻的数据之差作为短期差异,输入网络模型,以预测得到所述第一时刻之后的目标时刻相对所述第一时刻的第一预测差值;
第二预测模块,用于将所述第一时刻的数据和所述第二时刻之前的第三时刻的数据之差作为长期差异,输入所述网络模型,以预测得到所述目标时刻相对所述第一时刻的第二预测差值;
确定模块,用于根据所述第一预测差值和所述第二预测差值分别与对应的标注差值之间的差异,确定损失函数的取值;
训练模块,用于根据所述损失函数的取值,调整所述网络模型的模型参数,以使所述损失函数取值最小化。
本申请实施例的网络模型训练装置,通过将训练样本中多个时刻中第一时刻的数据和第一时刻之前的第二时刻的数据之差作为短期差异,输入网络模型,以预测得到第一时刻之后的目标时刻相对第一时刻的第一预测差值;将第一时刻的数据和第二时刻之前的第三时刻的数据之差作为长期差异,输入网络模型,以预测得到目标时刻相对第一时刻的第二预测差值;根据第一预测差值和第二预测差值分别与对应的标注差值之间的差异,确定损失函数的取值;根据损失函数的取值,调整网络模型的模型参数,以使损失函数取值最小化。由此,同时根据短期差异和长期差异,对网络模型进行训练,可以提升模型预测结果的准确性。
本申请第四方面实施例提出了一种基于网络模型的室温预测装置,所述网络模型是采用如本申请第三方面实施例所述的网络模型训练装置训练得到,所述装置包括:
监测模块,用于获取多个时刻对室温影响因素进行监测得到的监测数据;
输入模块,用于将所述多个时刻中参考时刻的监测数据与所述参考时刻之前的历史时刻的监测数据之差,输入经过训练的所述网络模型,以将所述网络模型的输出作为预测温差;
处理模块,用于根据所述参考时刻的实际室温和所述预测温差,生成在所述参考时刻之后时刻的预测室温。
本申请实施例的基于网络模型的室温预测装置,通过获取多个时刻对室温影响因素进行监测得到的监测数据;将多个时刻中参考时刻的监测数据与参考时刻之前的历史时刻的监测数据之差,输入经过训练的网络模型,以将网络模型的输出作为预测温差;根据参考时刻的实际室温和预测温差,生成在参考时刻之后时刻的预测室温。由此,使用训练后的网络模型预测室温,可以提升预测结果的准确性。
本申请第五方面实施例提出了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如本申请第一方面实施例提出的网络模型训练方法,或者,实现如本申请第二方面实施例提出的基于网络模型的室温预测方法。
本申请第六方面实施例提出了一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请第一方面实施例提出的网络模型训练方法,或者,实现如本申请第二方面实施例提出的基于网络模型的室温预测方法。
本申请第七方面实施例提出了一种计算机程序产品,包括计算机程序/指令,当所述计算机程序产品中的计算机程序/指令被处理器执行时,执行如本申请第一方面实施例提出的网络模型训练方法,或者,执行如本申请第二方面实施例提出的基于网络模型的室温预测方法。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为室内温度的影响因素示意图;
图2为本申请实施例一所提供的网络模型训练方法的流程示意图;
图3为本申请实施例二所提供的网络模型训练方法的流程示意图;
图4为本申请实施例三所提供的网络模型训练方法的流程示意图;
图5为本申请实施例四所提供的网络模型训练方法的流程示意图;
图6为本申请实施例五所提供的网络模型训练方法的流程示意图;
图7为本申请实施例中的网络模型的结构示意图;
图8为本申请实施例六所提供的基于网络模型的室温预测方法的流程示意图;
图9为本申请实施例中各模型的预测精度示意图;
图10为本申请实施例中各模型的可解释性示意图;
图11为本申请实施例七所提供的网络模型训练装置的结构示意图;
图12为本申请实施例八所提供的基于网络模型的室温预测装置的结构示意图;
图13示出了适于用来实现本申请实施方式的示例性计算机设备的框图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
目前室内温度受到多种因素影响,如图1所示,首先,室外天气的变化极大地影响着室内温度,尤其是室外温度、风向、风速、光照强度等因素。其次,进水温度也影响室内温度,例如,参见图1,换热站将一定温度的热水通过管道输送到每个房屋,进而借助散热片向室内散热,管道的进水温度升高,室内温度也随之升高。再者,房屋结构、管道材质、室内的人员活动等因素也会影响着室内温度。最后,之前时刻的室内温度也会影响当前时刻的室内温度。
因此,如何对换热站供热场景进行模拟,预测未来室内温度,从而合理地调控供热温度,以保障居住环境的舒适性至关重要。
相关技术中,基于物理机制的模型,比如气候补偿器,Energyplus仿真软件等,来预测未来室内温度。
虽然,基于物理机制的模型预测室内温度的方式,具有一定的可解释性,比如在其他影响因素不变的情况下,当供热温度升高时,室内温度也随之升高,且升高的幅度处于符合常识的量级上。但是,基于物理机制的模型是基于热平衡原理,来预测未来室内温度,预测过程需要获取相关的实际物理参数,例如房屋的结构特征和保温措施等,但在使用过程中,经常无法获取上述参数,并且,只考虑供热温度、室外温度等几个核心因素,而忽略了很多其他因素,导致预测结果的准确性较低。
因此,本申请实施例主要针对现有技术中,室内温度预测结果的准确性较低的技术问题,提出一种基于网络模型的室温预测方法。
本申请实施例的基于网络模型的室温预测方法,考虑了多种室温影响因素,可以提升预测结果的准确性,并且,通过长短期差分网络模型,同时考虑短期差异和长期差异的影响,可以进一步提升预测结果的准确性。
下面参考附图描述本申请实施例的网络模型训练方法、室温预测方法、装置、设备及介质。
图2为本申请实施例一所提供的网络模型训练方法的流程示意图。
本申请实施例以该网络模型训练方法被配置于网络模型训练装置中来举例说明,该网络模型训练装置可以应用于任一计算机设备中,以使该计算机设备可以执行网络模型训练功能。
其中,计算机设备可以为个人电脑(Personal Computer,简称PC)、云端设备、移动设备等,移动设备例如可以为手机、平板电脑、个人数字助理、穿戴式设备、车载设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。
如图2所示,该网络模型的训练方法可以包括以下步骤:
步骤001,获取训练样本;其中,训练样本中包含时间数据序列,其中,时间数据序列中包含多个时刻的数据。
本申请实施例中,可以获取多个训练样本,其中,每个训练样本中包含在多个时刻监测得到的数据。
步骤002,将多个时刻中第一时刻的数据和第一时刻之前的第二时刻的数据之差作为短期差异,输入网络模型,以预测得到第一时刻之后的目标时刻相对第一时刻的第一预测差值。
本申请实施例中,第一时刻可以为多个时刻中的非首个时刻,比如,多个时刻分别为时刻1、时刻2、…、时刻n,时刻n+1,时刻n+2,…时刻t,其中,t为时刻的总个数,n为小于t的正整数,则第一时刻可以为时刻n、时刻n+1、时刻n+2等等,本申请实施例对此并不作限制。
本申请实施例中,第二时刻可以为第一时刻之前,且距离第一时刻较近的时刻,比如第二时刻可以为第一时刻的前一时刻,或者,第二时刻可以为第一时刻之前的其他时刻,本申请对此并不作限制。比如,第一时刻为时刻n,则第二时刻可以为时刻n-1、时刻n-2等等。
本申请实施例中,目标时刻可以为第一时刻之后的任一时刻,比如,目标时刻可以为第一时刻的下一时刻,或者,目标时刻还可以为第一时刻之后的其他时刻,本申请对此并不作限制。比如,第一时刻为时刻n,则目标时刻可以为时刻n+1、时刻n+2等等。
本申请实施例中,可以将多个时刻中第一时刻的数据和第一时刻之前的第二时刻的数据之差,作为短期差异,将短期差异输入网络模型,预测得到第一时刻之后的目标时刻相对第一时刻的预测差值,本申请实施例中记为第一预测差值。其中,第一预测差值表征短期的数据变化量。
步骤003,将第一时刻的数据和第二时刻之前的第三时刻的数据之差作为长期差异,输入网络模型,以预测得到目标时刻相对第一时刻的第二预测差值。
本申请实施例中,第三时刻可以为第二时刻之前,且距离第二时刻较远的时刻,比如第三时刻可以为多个时刻中的首个时刻,或者,第三时刻可以为第二时刻之前的其他时刻,本申请对此并不作限制。比如,第一时刻为时刻n,第二时刻可以为时刻n-1,则第三时刻可以为n-k等,其中,k为大于1的正整数,例如k的取值,可以随机选择第一时刻之前2个月内的任一时刻。
应当理解的是,短期差异仅刻画了时间差较小的情况,如果仅考虑短期影响,会忽视全局情况,因此,本申请实施例中,为了提升预测结果的准确性,还可以考虑长期影响,以弥补对时间差较小的情况的关注不足。具体地,可以将第一时刻的数据和第二时刻之前的第三时刻的数据之差,作为长期差异,将长期差异输入网络模型,预测得到目标时刻相对第一时刻的预测差值,本申请实施例中记为第二预测差值。其中,第二预测差值表征长期的数据变化量。
需要说明的是,上述仅以步骤003在步骤002之后执行进行示例,实际应用时,为了提升训练效率,步骤003还可以与步骤002并列执行,或者,步骤003还可以在步骤002之前执行,本申请对此并不做限制。
步骤004,根据第一预测差值和第二预测差值分别与对应的标注差值之间的差异,确定损失函数的取值。
本申请实施例中,差异可以为相对差值、绝对差值、方差、均方误差、均方根误差等,本申请对此并不作限制。
本申请实施例中,标注差值是指训练样本中标注的实际测量得到的不同时刻之间的数据差值,例如,目标时刻相对第一时刻的第一预测差值对应的标注差值,是指训练样本中标注的实际测量得到的目标时刻与第一时刻之间的数据差值。
本申请实施例中,可以计算第一预测差值和对应时刻的标注差值之间的差异,并计算第二预测差值和对应时刻的标注差值之间的差异,根据第一预测差值和对应时刻的标注差值之间的差异,以及第二预测差值和对应时刻的标注差值之间的差异,确定损失函数的取值。其中,损失函数的取值,与第一预测差值和对应时刻的标注差值之间的差异成正向关系,且与第二预测差值和对应时刻的标注差值之间的差异成正向关系。也就是说,损失函数的取值,随第一预测差值和对应时刻的标注差值之间的差异的增大而增大,和/或,随第二预测差值和对应时刻的标注差值之间的差异的增大而增大。
步骤005,根据损失函数的取值,调整网络模型的模型参数,以使损失函数取值最小化。
本申请实施例中,可以根据损失函数的取值,调整网络模型的模型参数,以使损失函数取值最小化,以提升网络模型的预测精度。当损失函数最小化时,可以结束网络模型的训练过程。
本申请实施例的网络模型训练方法,通过将训练样本中多个时刻中第一时刻的数据和第一时刻之前的第二时刻的数据之差作为短期差异,输入网络模型,以预测得到第一时刻之后的目标时刻相对第一时刻的第一预测差值;将第一时刻的数据和第二时刻之前的第三时刻的数据之差作为长期差异,输入网络模型,以预测得到目标时刻相对第一时刻的第二预测差值;根据第一预测差值和第二预测差值分别与对应的标注差值之间的差异,确定损失函数的取值;根据损失函数的取值,调整网络模型的模型参数,以使损失函数取值最小化。由此,同时根据短期差异和长期差异,对网络模型进行训练,可以提升模型预测结果的准确性。
为了清楚说明上述实施例,下述实施例将以该网络模型应用于室温预测场景中进行举例说明。
图3为本申请实施例二所提供的网络模型训练方法的流程示意图。
如图3所示,该用于室温预测的网络模型训练方法可以包括以下步骤:
步骤101,获取训练样本;其中,训练样本中包含在多个时刻对室温影响因素进行监测得到的监测数据。
本申请实施例中,为了提升预测结果的准确性,室温影响因素可以包括供热因素、气象因素、室内环境因素中的至少一个。
其中,供热因素可以包括供水温度、回水温度等。
其中,气象因素可以包括室外温度、室外湿度、风向、风速、光照强度、天气等。
其中,室内环境因素可以包括室温、湿度等。
本申请实施例中,可以获取多个训练样本,其中,每个训练样本中包含在多个时刻对室温影响因素进行监测得到的监测数据。例如,可以在不同的室内环境下,对各室内环境对应的室内影响因素进行监测,得到各室内环境对应的训练样本。
步骤102,将多个时刻中第一时刻的监测数据和第一时刻之前的第二时刻的监测数据之差作为短期差异,输入网络模型,以预测得到第一时刻之后的目标时刻相对第一时刻的第一预测温差。
本申请实施例中,第一时刻可以为多个时刻中的非首个时刻,比如,多个时刻分别为时刻1、时刻2、…、时刻n,时刻n+1,时刻n+2,…时刻t,其中,t为时刻的总个数,n为小于t的正整数,则第一时刻可以为时刻n、时刻n+1、时刻n+2等等,本申请实施例对此并不作限制。
本申请实施例中,第二时刻可以为第一时刻之前,且距离第一时刻较近的时刻,比如第二时刻可以为第一时刻的前一时刻,或者,第二时刻可以为第一时刻之前的其他时刻,本申请对此并不作限制。比如,第一时刻为时刻n,则第二时刻可以为时刻n-1、时刻n-2等等。
本申请实施例中,目标时刻可以为第一时刻之后的任一时刻,比如,目标时刻可以为第一时刻的下一时刻,或者,目标时刻还可以为第一时刻之后的其他时刻,本申请对此并不作限制。比如,第一时刻为时刻n,则目标时刻可以为时刻n+1、时刻n+2等等。
需要说明的是,现有技术中,还可以基于数据驱动的预测模型,例如线性回归、人工神经网络等,预测室内温度。其中,基于数据驱动的预测模型考虑了多种因素的影响,相对预测精度较高,但可解释差。例如,在其他影响因素不变的情况,当供热温度升高时,理论上预测的室内温度也应随之升高,但是预测模型有时输出的室内温度却下降了,且下降幅度也不在符合常识的量级,比如下降的幅度较大,因此,基于该方法得到的预测结果并不准确,若根据预测结果进行供热温度调整,容易造成调整结果出错的情况。
其中,丢失可解释性的原因在于多重共线性,即多种不同因素对室内温度的影响是复杂的,直接通过回归类模型,会有无穷多种系数组合来达到相同预测精度,进而难以得到满足可解释性的系数组合。
因此,本申请实施例中,针对普通架构的深度学习模型无法解决多重共线性问题,可以通过长短期差分网络模型,同时考虑短期差分和长期差分的影响,解决了多重共线性问题,从而在保障预测精度的同时,提高可解释性。
具体地,可以首先将第一时刻的监测数据和第一时刻之前的第二时刻的监测数据之差,作为短期差异,将短期差异输入网络模型,预测得到第一时刻之后的目标时刻相对第一时刻的预测温差,本申请实施例中记为第一预测温差。其中,第一预测温差表征短期的室温变化量。
步骤103,将第一时刻的监测数据和第二时刻之前的第三时刻的监测数据之差作为长期差异,输入网络模型,以预测得到目标时刻相对第一时刻的第二预测温差。
本申请实施例中,第三时刻可以为第二时刻之前,且距离第二时刻较远的时刻,比如第三时刻可以为多个时刻中的首个时刻,或者,第三时刻可以为第二时刻之前的其他时刻,本申请对此并不作限制。比如,第一时刻为时刻n,第二时刻可以为时刻n-1,则第三时刻可以为n-k等,其中,k为大于1的正整数,例如k的取值,可以随机选择第一时刻之前2个月内的任一时刻。
应当理解的是,短期差异仅刻画了时间差较小的情况,如果仅考虑短期影响,会忽视全局情况,因此,本申请实施例中,为了提升预测结果的准确性,还可以考虑长期影响,以弥补对时间差较小的情况的关注不足。具体地,可以将第一时刻的监测数据和第二时刻之前的第三时刻的监测数据之差,作为长期差异,将长期差异输入网络模型,预测得到目标时刻相对第一时刻的预测温差,本申请实施例中记为第二预测温差。其中,第二预测温差表征长期的室温变化量。
需要说明的是,上述仅以步骤103在步骤102之后执行进行示例,实际应用时,为了提升训练效率,步骤103还可以与步骤102并列执行,或者,步骤103还可以在步骤102之前执行,本申请对此并不做限制。
步骤104,根据第一预测温差和第二预测温差分别与对应的实际室温温差之间的差异,确定损失函数的取值。
本申请实施例中,差异可以为相对差值、绝对差值、方差、均方误差、均方根误差等,本申请对此并不作限制。
本申请实施例中,实际室温温差,是指实际测量得到的不同时刻之间的室内温度差值。比如,目标时刻相对第一时刻的第一预测温差对应的实际室温温差,是指测量得到的目标时刻的实际室温与第一时刻的实际室温之间的差值。
本申请实施例中,可以计算第一预测温差和对应时刻的实际室温温差之间的差异,并计算第二预测温差和对应时刻的实际室温温差之间的差异,根据第一预测温差和对应时刻的实际室温温差之间的差异,以及第二预测温差和对应时刻的实际室温温差之间的差异,确定损失函数的取值。其中,损失函数的取值,与第一预测温差和对应时刻的实际室温温差之间的差异成正向关系,且与第二预测温差和对应时刻的实际室温温差之间的差异成正向关系。也就是说,损失函数的取值,随第一预测温差和对应时刻的实际室温温差之间的差异的增大而增大,和/或,随第二预测温差和对应时刻的实际室温温差之间的差异的增大而增大。
步骤105,根据损失函数的取值,调整网络模型的模型参数,以使损失函数取值最小化。
本申请实施例中,可以根据损失函数的取值,调整网络模型的模型参数,以使损失函数取值最小化,以提升网络模型的预测精度。当损失函数最小化时,可以结束网络模型的训练过程,之后,可以使用训练后的网络模型预测室温,可以提升预测结果的准确性。
本申请实施例的网络模型训练方法,通过将训练样本中多个时刻中第一时刻的监测数据和第一时刻之前的第二时刻的监测数据之差作为短期差异,输入网络模型,以预测得到第一时刻之后的目标时刻相对第一时刻的第一预测温差;将第一时刻的监测数据和第二时刻之前的第三时刻的监测数据之差作为长期差异,输入网络模型,以预测得到目标时刻相对第一时刻的第二预测温差;根据第一预测温差和第二预测温差分别与对应的实际室温温差之间的差异,确定损失函数的取值;根据损失函数的取值,调整网络模型的模型参数,以使损失函数取值最小化。由此,同时根据短期差异和长期差异,对网络模型进行训练,使用训练后的网络模型预测室温,可以提升预测结果的准确性。
在本申请实施例的一种可能的实现方式中,可以根据第一预测差值以及目标时刻相对第一时刻的标注差值,生成第一损失量,并根据第二预测差值以及目标时刻相对第一时刻的标注差值,生成第二损失量,根据第一损失量和第二损失量的加权和,确定损失函数的取值。
下面结合实施例三,对上述过程进行详细说明。
图4为本申请实施例三所提供的网络模型训练方法的流程示意图。
如图4所示,该网络模型训练方法可以包括以下步骤:
步骤201,获取训练样本;其中,训练样本中包含时间数据序列,其中,时间数据序列中包含多个时刻的数据。
步骤202,将多个时刻中第一时刻的数据和第一时刻之前的第二时刻的数据之差作为短期差异,输入网络模型,以预测得到第一时刻之后的目标时刻相对第一时刻的第一预测差值。
步骤203,将第一时刻的数据和第二时刻之前的第三时刻的数据之差作为长期差异,输入网络模型,以预测得到目标时刻相对第一时刻的第二预测差值。
步骤201至203的执行过程可以参见上述实施例中步骤001至003的执行过程,或者,参见上述实施例中步骤101至103的执行过程,在此不做赘述。
步骤204,根据第一预测差值,以及根据目标时刻相对第一时刻的标注差值,生成第一损失量。
本申请实施例中,可以根据第一预测差值,与目标时刻相对第一时刻的标注差值之间的差异,生成第一损失量。
比如,以上述差异为均方误差进行示例,可以计算第一预测差值,与目标时刻相对第一时刻的标注差值之间的均方误差,将计算得到的均方误差,作为第一损失量。例如,标记第一损失量为Loss1。
作为一种示例,以该网络模型应用于室温预测场景中进行示例,可以根据第一预测温差,以及根据目标时刻相对第一时刻的实际室温温差,生成第一损失量。
其中,可以根据目标时刻的监测数据,确定目标时刻的实际室温,并根据第一时刻的监测数据,确定第一时刻的实际室温,将目标时刻的实际室温与第一时刻的实际室温作差,得到目标时刻相对第一时刻的实际室温温差。
本申请实施例中,可以根据第一预测温差,与目标时刻相对第一时刻的实际室温温差之间的差异,生成第一损失量。
比如,以上述差异为均方误差进行示例,可以计算第一预测温差,与目标时刻相对第一时刻的实际室温温差之间的均方误差,将计算得到的均方误差,作为第一损失量。
步骤205,根据第二预测差值,以及根据目标时刻相对第一时刻的标注差值,生成第二损失量。
本申请实施例中,可以根据第二预测差值,与目标时刻相对第一时刻的标注差值之间的差异,生成第二损失量。
比如,以上述差异为均方误差进行示例,可以计算第二预测差值,与目标时刻相对第一时刻的标注差值之间的均方误差,将计算得到的均方误差,作为第二损失量。例如,标记第二损失量为Loss2。
作为一种示例,以该网络模型应用于室温预测场景中进行示例,可以根据第二预测温差,以及根据目标时刻相对第一时刻的实际室温温差,生成第二损失量。
本申请实施例中,可以根据第二预测温差,与目标时刻相对第一时刻的实际室温温差之间的差异,生成第二损失量。
比如,以上述差异为均方误差进行示例,可以计算第二预测温差,与目标时刻相对第一时刻的实际室温温差之间的均方误差,将计算得到的均方误差,作为第二损失量。
需要说明的是,本申请实施例中仅以步骤205在步骤204之后执行进行示例,实际应用时,步骤205还可以在步骤204之前执行,或者,步骤205还可以与步骤204并列执行,本申请实施例对此并不作限制。
步骤206,根据第一损失量和第二损失量的加权和,确定损失函数的取值。
本申请实施例中,可以根据第一损失量和第二损失量的加权和,确定损失函数的取值。其中,损失函数的取值,与第一损失量和第二损失量的加权和成正向关系,也就是说,损失函数的取值,随第一损失量和第二损失量的加权和的增大而增大,反之,随第一损失量和第二损失量的加权和的减小而减小。
步骤207,根据损失函数的取值,调整网络模型的模型参数,以使损失函数取值最小化。
步骤207的执行过程可以参见上述实施例中步骤105的执行过程,在此不做赘述。
在本申请实施例的一种可能的实现方式中,为了进一步提升模型预测结果的准确性,还可以根据第一时刻的表征相对第二时刻的表征之差,以及根据第一时刻相对第二时刻的标注差值,生成第三损失量,根据第一时刻的表征相对第三时刻的表征之差,以及根据第一时刻相对第三时刻的标注差值,生成第四损失量,从而可以同时对第一损失量、第二损失量、第三损失量和第四损失量加权求和,得到损失函数的取值。
下面结合实施例四,对上述过程进行详细说明。
图5为本申请实施例四所提供的网络模型训练方法的流程示意图。
如图5所示,该网络模型训练方法可以包括以下步骤:
步骤301,获取训练样本;其中,训练样本中包含时间数据序列,其中,时间数据序列中包含多个时刻的数据。
步骤302,将多个时刻中第一时刻的数据和第一时刻之前的第二时刻的数据之差作为短期差异,输入网络模型,以预测得到第一时刻之后的目标时刻相对第一时刻的第一预测差值。
步骤303,将第一时刻的数据和第二时刻之前的第三时刻的数据之差作为长期差异,输入网络模型,以预测得到目标时刻相对第一时刻的第二预测差值。
步骤301至303的执行过程可以参见上述实施例中步骤001至003的执行过程,或者参见上述实施例中步骤101至103的执行过程,在此不做赘述。
步骤304,根据第一预测差值,以及根据目标时刻相对第一时刻的标注差值,生成第一损失量。
步骤305,根据第二预测差值,以及根据目标时刻相对第一时刻的标注差值,生成第二损失量。
步骤304至305的执行过程可以参见上述实施例中步骤204至205的执行过程,在此不做赘述。
步骤306,根据第一时刻的表征相对第二时刻的表征之差,以及根据第一时刻相对第二时刻的标注差值,生成第三损失量;其中,表征是对时间数据序列中的数据进行特征提取得到。
本申请实施例中,可以对第一时刻的数据进行特征提取,得到第一时刻的表征。比如可以基于独热编码或称为one-hot编码或称为一位有效编码,提取得到第一时刻的表征。并且,可以对第二时刻的数据进行特征提取,得到第二时刻的表征。之后,可以将第一时刻的表征与第二时刻的表征作差,得到第一时刻的表征相对第二时刻的表征之差。
需要说明的是,上述特征提取方法仅为示例,本领域人员还可以基于其他特征提取方法,对第一时刻、第二时刻的数据进行特征提取,本申请实施例对此并不作限制。
本申请实施例中,可以根据第一时刻的表征相对第二时刻的表征之差,与第一时刻相对第二时刻的标注差值之间的差异,生成第三损失量。
比如,以上述差异为均方误差进行示例,可以计算第一时刻的表征相对第二时刻的表征之差,与第一时刻相对第二时刻的标注差值之间的均方误差,将计算得到的均方误差,作为第三损失量。例如,标记第三损失量为Loss3。
作为一种示例,以该网络模型应用于室温预测场景中进行示例,可以根据第一时刻的表征相对第二时刻的表征之差,以及根据第一时刻相对第二时刻的实际室温温差,生成第三损失量;其中,表征是对监测数据进行特征提取得到。
其中,可以根据第一时刻的监测数据,确定第一时刻的实际室温,并根据第二时刻的监测数据,确定第二时刻的实际室温,将第一时刻的实际室温与第二时刻的实际室温作差,得到第一时刻相对第二时刻的实际室温温差。
本申请实施例中,可以对第一时刻的监测数据进行特征提取,得到第一时刻的表征。比如可以基于独热编码或称为one-hot编码或称为一位有效编码,提取得到第一时刻的表征。并且,可以对第二时刻的监测数据进行特征提取,得到第二时刻的表征。之后,可以将第一时刻的表征与第二时刻的表征作差,得到第一时刻的表征相对第二时刻的表征之差。
本申请实施例中,可以根据第一时刻的表征相对第二时刻的表征之差,与第一时刻相对第二时刻的实际室温温差之间的差异,生成第三损失量。
比如,以上述差异为均方误差进行示例,可以计算第一时刻的表征相对第二时刻的表征之差,与第一时刻相对第二时刻的实际室温温差之间的均方误差,将计算得到的均方误差,作为第三损失量。
步骤307,根据第一时刻的表征相对第三时刻的表征之差,以及根据第一时刻相对第三时刻的标注差值,生成第四损失量。
本申请实施例中,可以对第一时刻的数据进行特征提取,得到第一时刻的表征,并且,可以对第三时刻的数据进行特征提取,得到第三时刻的表征。之后,可以将第一时刻的表征与第三时刻的表征作差,得到第一时刻的表征相对第三时刻的表征之差。
本申请实施例中,可以根据第一时刻的表征相对第三时刻的表征之差,与第一时刻相对第三时刻的标注差值之间的差异,生成第三损失量。
比如,以上述差异为均方误差进行示例,可以计算第一时刻的表征相对第三时刻的表征之差,与第一时刻相对第三时刻的标注差值之间的均方误差,将计算得到的均方误差,作为第四损失量。例如,标记第四损失量为Loss4。
作为一种示例,以该网络模型应用于室温预测场景中进行示例,可以根据第一时刻的表征相对第三时刻的表征之差,以及根据第一时刻相对第三时刻的实际室温温差,生成第四损失量。
本申请实施例中,可以根据第一时刻的监测数据,确定第一时刻的实际室温,并根据第三时刻的监测数据,确定第三时刻的实际室温,将第一时刻的实际室温与第三时刻的实际室温作差,得到第一时刻相对第三时刻的实际室温温差。
本申请实施例中,可以对第一时刻的监测数据进行特征提取,得到第一时刻的表征,并且,可以对第三时刻的监测数据进行特征提取,得到第三时刻的表征。之后,可以将第一时刻的表征与第三时刻的表征作差,得到第一时刻的表征相对第三时刻的表征之差。
本申请实施例中,可以根据第一时刻的表征相对第三时刻的表征之差,与第一时刻相对第三时刻的实际室温温差之间的差异,生成第三损失量。
比如,以上述差异为均方误差进行示例,可以计算第一时刻的表征相对第三时刻的表征之差,与第一时刻相对第三时刻的实际室温温差之间的均方误差,将计算得到的均方误差,作为第四损失量。
需要说明的是,上述仅以304、305、306、307顺序执行进行示例,实际应用时,本申请对步骤304、305、306、307的执行时序并不做限制,可以并列执行,也可以顺序执行,并且,在顺序执行时,对各步骤的执行顺序并不作限制,比如,可以顺序执行步骤305、304、307、306,也可以顺序执行306、307、304、305,等等,本申请实施例对此并不作限制。
步骤308,对第一损失量、第二损失量、第三损失量和第四损失量加权求和,以得到损失函数的取值。
本申请实施例中,可以对第一损失量、第二损失量、第三损失量和第四损失量加权求和,以得到损失函数的取值。
例如,标记损失函数为Loss,则可以通过下述公式计算损失函数:
Loss=α·Loss1+β·Loss2+γ·Loss3+δ·Loss4; (1)
其中,α、β、γ、δ分别为Loss1、Loss2、Loss3、Loss4对应的权重,对于权重值α、β、γ、δ,可以直接全部设置为1,或者,也可以通过参数搜索得到最佳组合,本申请实施例对此并不作限制。
步骤309,根据损失函数的取值,调整网络模型的模型参数,以使损失函数取值最小化。
本申请实施例中,步骤309可以分别采用本申请的各实施例中的任一种方式实现,本申请实施例并不对此作出限定,也不再赘述。
在本申请实施例的一种可能的实现方式中,网络模型可以包括标签差分子网络,标签差分子网络中可以包含参数共享的至少三个特征提取分支,可以通过至少三个特征提取分支,分别提取得到第一时刻的表征、第二时刻的表征、第三时刻的表征。下面结合实施例五,对上述过程进行详细说明。
图6为本申请实施例五所提供的网络模型训练方法的流程示意图。
如图6所示,该网络模型训练方法可以包括以下步骤:
步骤401,获取训练样本;其中,训练样本中包含时间数据序列,其中,时间数据序列中包含多个时刻的数据。
步骤401可以分别采用本申请的各实施例中的任一种方式实现,本申请实施例并不对此作出限定,也不再赘述。
步骤402,将第一时刻的数据输入特征提取分支中的第一分支,进行特征提取,以得到第一时刻的表征。
其中,特征提取分支,为网络模型中标签差分子网络中的参数共享的至少三个特征提取分支。
本申请实施例中,可以基于第一分支,对第一时刻的数据进行特征提取,以得到第一时刻的表征。
作为一种示例,网络模型的结构可以如图7所示,图7为本申请实施例中的网络模型的结构示意图。其中,网络模型可以包括标签差分子网络,该标签差分子网络可以包括三个参数共享的特征提取分支,特征提取分支中的第一分支为FusionNet1。以该网络模型应用于室温预测场景中进行示例,Xt可以表示第一时刻的监测数据,该第一分支可以对第一时刻的监测数据进行特征提取,得到第一时刻中各室温影响因素对应的特征向量,将上述各室温影响因素对应的特征向量进行融合,以得到第一时刻的表征。
步骤403,将第二时刻的数据输入特征提取分支中的第二分支,进行特征提取,以得到第二时刻的表征。
本申请实施例中,可以基于第二分支,对第二时刻的数据进行特征提取,以得到第二时刻的表征。
作为一种示例,如图7所示,特征提取分支中的第二分支为FusionNet2。以该网络模型应用于室温预测场景中进行示例,Xt-1可以表示第二时刻的监测数据,该第二分支可以对第二时刻的监测数据进行特征提取,得到第二时刻中各室温影响因素对应的特征向量,将上述各室温影响因素对应的特征向量进行融合,以得到第二时刻的表征。
步骤404,将第三时刻的数据输入特征提取分支中的第三分支,进行特征提取,以得到第三时刻的表征。
本申请实施例中,可以基于第三分支,对第三时刻的数据进行特征提取,以得到第三时刻的表征。
作为一种示例,如图7所示,特征提取分支中的第三分支为FusionNet3。以该网络模型应用于室温预测场景中进行示例,Xt-k可以表示第三时刻的监测数据,该第三分支可以对第三时刻的监测数据进行特征提取,得到第三时刻中各室温影响因素对应的特征向量,将上述各室温影响因素对应的特征向量进行融合,以得到第三时刻的表征。
图7中,第一分支FusionNet1、第二分支FusionNet2、第三分支FusionNet3的结构相同,且网络权重共享,均由一个拼接层和多个全连接层(节点数分别为32,8,1)组成,激活函数为relu函数。
需要说明的是,上述仅以402、403、404顺序执行进行示例,实际应用时,本申请对步骤402、403、404的执行时序并不做限制,可以并列执行,也可以顺序执行,并且,在顺序执行时,对各步骤的执行顺序并不作限制,比如,可以顺序执行步骤403、402、404,也可以顺序执行404、403、402,等等,本申请实施例对此并不作限制。
步骤405,将多个时刻中第一时刻的数据和第一时刻之前的第二时刻的数据之差作为短期差异,输入网络模型,以预测得到第一时刻之后的目标时刻相对第一时刻的第一预测差值。
步骤406,将第一时刻的数据和第二时刻之前的第三时刻的数据之差作为长期差异,输入网络模型,以预测得到目标时刻相对第一时刻的第二预测差值。
步骤407,根据第一预测差值,以及根据目标时刻相对第一时刻的标注差值,生成第一损失量。
步骤408,根据第二预测差值,以及根据目标时刻相对第一时刻的标注差值,生成第二损失量。
需要说明的是,上述仅以步骤402至404在步骤405至408之前执行进行示例,实际应用时,步骤402至404还可以与步骤405至408并列执行,或者,也可以顺序执行,并且,在顺序执行时,对各步骤的执行顺序并不作限制,比如,步骤402至404可以在步骤406之后执行,或者,步骤402至404还可以在步骤408之后执行,等等,本申请对此并不作限制。
步骤409,根据第一时刻的表征相对第二时刻的表征之差,以及根据第一时刻相对第二时刻的标注差值,生成第三损失量。
其中,表征是对时间数据序列中的数据进行特征提取得到。
步骤410,根据第一时刻的表征相对第三时刻的表征之差,以及根据第一时刻相对第三时刻的标注差值,生成第四损失量。
步骤411,对第一损失量、第二损失量、第三损失量和第四损失量加权求和,以得到损失函数的取值。
步骤412,根据损失函数的取值,调整网络模型的模型参数,以使损失函数取值最小化。
本申请实施例中,步骤405至412可以分别采用本申请的各实施例中的任一种方式实现,本申请实施例并不对此作出限定,也不再赘述。
在本申请实施例的一种可能的实现方式中,网络模型还可以包括特征差分子网络,其中,特征差分子网络中可以包含参数共享的至少两个特征差分网络分支,针对上述步骤002、步骤102、步骤202、步骤302或步骤405,可以通过至少两个特征差分网络分支中的一个,输入短期差异,输出第一预测差值或第一预测温差,针对步骤003、步骤103、步骤203、步骤303或步骤406,可以通过至少两个特征差分网络分支中的另一个,输入长期差异,输出第二预测差值或第二预测温差。
作为一种示例,如图7所示,网络模型还可以包括特征差分子网络,该特征差分子网络可以包括参数共享的两个特征差分网络分支(FusionNet),其中,两个特征差分网络分支的结构相同,且网络权重共享。以该网络模型应用于室温预测场景中进行示例,可以将第一时刻的监测数据和第二时刻的监测数据进行连续特征差分处理,得到短期差异,将短期差异输入两个特征差分网络分支中的一个,得到第一预测温差△Y1。并将第一时刻的监测数据和第三时刻的监测数据进行连续特征差分处理,得到长期差异,将长期差异输入两个特征差分网络分支中的另一个,得到第二预测温差△Y2。也就是说,图7中,网络模型的输入包含三部分:第一时刻的监测数据Xt、第二时刻的监测数据Xt-1和第三时刻的监测数据Xt-k。输出4个参数:△Y1、△Y2、△Y3和△Y4,其中,△Y3表示第一时刻的表征相对第三时刻的表征之差,△Y4表示第一时刻的表征相对第二时刻的表征之差。可以分别根据△Y1、△Y2、△Y3和△Y4对应的实际室温温差,与△Y1、△Y2、△Y3和△Y4之间的均方误差Loss1、Loss2、Loss3、Loss4,计算损失函数Loss,即,Loss=α·Loss1+β·Loss2+γ·Loss3+δ·Loss4,当损失函数最小化时,可以结束网络模型的训练过程。
可以理解的是,借助Xt,Xt-1,和Xt-k,网络模型可以分别学习t和t-1时刻之间的变化,以及t和t-k时刻的变化。其中,t和表示t-1时刻之间的变化表示着短期的变化量。如果只考虑短期影响,会忽视全局情况,仅刻画时间差值较小的情况,当时间差值较大时,会超出模型范围,丢失可解释性。t和t-k时刻之间的变化表示着长期的变化量,使得预测幅度和方向准确。如果只考虑长期影响,预测精度较差,对时间差值较小时的情况关注不足。
因此,本申请实施例中,网络模型中的特征差分子网络和标签差分子网络可以分别从特征层和标签层同时考虑长期差分和短期差分的影响,提升预测结果的准确性。
上述实施例为网络模型的训练过程,在对网络模型进行训练之后,可以利用该网络模型进行室温预测。因此,本申请还提出了一种基于网络模型的室温预测方法,其中,网络模型采用如前述图2至图6任一实施例提出的网络模型训练方法训练得到。
图8为本申请实施例六所提供的基于网络模型的室温预测方法的流程示意图。
如图8所示,该基于网络模型的室温预测方法可以包括以下步骤:
步骤501,获取多个时刻对室温影响因素进行监测得到的监测数据。
本申请实施例中,在想要对某个室内环境进行室温预测时,可以在该室内环境下,对该室内环境对应的室内影响因素进行监测,获取多个时刻对室温影响因素进行监测得到的监测数据。
步骤502,将多个时刻中参考时刻的监测数据与参考时刻之前的历史时刻的监测数据之差,输入经过训练的网络模型,以将网络模型的输出作为预测温差。
本申请实施例中,参考时刻可以为多个时刻中的非首个时刻,比如当多个时刻包含当前时刻以及当前时刻之前的多个时刻时,该参考时刻可以为当前时刻。
本申请实施例中,历史时刻可以为参考时刻之前,且距离参考时刻较近的时刻,比如,历史时刻可以为参考时刻的前一时刻,或者,历史时刻可以为参考时刻之前的其他时刻,本申请对此并不作限制。
本申请实施例中,可以将参考时刻的监测数据与参考时刻之前的历史时刻的监测数据之差,输入经过训练的网络模型,以将网络模型的输出作为预测温差。
例如,参见图7,假设参考时刻为某个训练样本中的第一时刻,历史时刻为该训练样本中的第二时刻,则可以将Xt和Xt-1进行连续特征差分处理,将差分处理结果输入至网络模型中的特征差分子网络中的至少两个特征差分网络分支中的一个,输出△Y1。
步骤503,根据参考时刻的实际室温和预测温差,生成在参考时刻之后时刻的预测室温。
本申请实施例中,可以将参考时刻的实际室温和预测温差相加,得到参考时刻之后时刻的预测室温。
例如,参考时刻对应的实际室温为Yt,则网络模型根据参考时刻的前一时刻的特征数据Xt-1以及参考时刻的特征数据Xt,可以预测得到预测温差△Y1,标记参考时刻的后一时刻或下一时刻对应的预测室温Yt+1,则Yt+1=Yt+△Y1。
作为一种示例,对物理机制模型、普通的深度学习模型以及本申请实施例提出的网络模型在5个不同换热站(即A换热站、B换热站、C换热站、D换热站、E换热站)进行室温预测,预测精度如图9所示。其中,物理机制模型预测精度较差,平均绝对误差(MeanAbosolute Error,简称MAE)在1左右,而普通的深度学习模型和本申请实施例提出的网络模型预测精度基本一致,都在0.1左右,相比于物理机制模型而言,本申请实施例提出的网络模型在预测准确性上有较大的提升。
作为一种示例,对物理机制模型、普通的深度学习模型以及本申请实施例提出的网络模型在A换热站上进行供热温度的敏感性分析,确定各模型对应的可解释性如图10所示。其中,供热温度的敏感性分析是指,在保证其他室温影响因素不变的情况下,调整供热温度去查看对应的室温变化。
如图10所示,普通的深度学习模型基本没有学到对应的变化趋势,而物理机制模型和本申请实施例提出的网络模型的敏感性分析曲线整体趋势是相似的,包括方向和幅度。也就是说,本申请实施例提出的网络模型取得了与物理机制模型基本一致的可解释性。更进一步地,物理机制模型的敏感性分析曲线基本为线性的,而本申请实施例提出的网络模型的敏感性分析曲线为非线性的,实际应用时,供热温度的敏感性曲线更接近非线性,因此,可以认为本申请实施例提出的网络模型取得了比物理机制模型更优的可解释性。
综上,普通的深度学习模型将所有特征拼接在一块,利用多个全连接网络进行学习及预测室温,虽然能够保证预测结果的准确率,但是容易丢失可解释性。原因为,普通架构的深度学习模型无法解决多重共线性问题。而本申请实施例提出的网络模型,同时考虑短期差分和长期差分的影响,解决了多重共线性问题,从而使得基于数据驱动的预测模型在保障预测精度的同时,能够提高可解释性,即具备敏感性分析中温度变化方向、幅度等角度的可解释性,从而模拟出换热站供热优化场景。
本申请实施例的基于网络模型的室温预测方法,通过获取多个时刻对室温影响因素进行监测得到的监测数据;将多个时刻中参考时刻的监测数据与参考时刻之前的历史时刻的监测数据之差,输入经过训练的网络模型,以将网络模型的输出作为预测温差;根据参考时刻的实际室温和预测温差,生成在参考时刻之后时刻的预测室温。由此,使用训练后的网络模型预测室温,可以提升预测结果的准确性。
与上述图2至图6实施例提供的网络模型训练方法相对应,本申请还提供一种网络模型训练装置,由于本申请实施例提供的网络模型训练装置与上述图2至图6实施例提供的网络模型训练方法相对应,因此在网络模型训练方法的实施方式也适用于本申请实施例提供的网络模型训练装置,在本申请实施例中不再详细描述。
图11为本申请实施例七所提供的网络模型训练装置的结构示意图。
如图11所示,该网络模型训练装置1100可以包括:获取模块1101、第一预测模块1102、第二预测模块1103、确定模块1104以及训练模块1105。
其中,获取模块1101,用于获取训练样本;其中,训练样本中包含时间数据序列,其中,时间数据序列中包含多个时刻的数据。
第一预测模块1102,用于将多个时刻中第一时刻的数据和第一时刻之前的第二时刻的数据之差作为短期差异,输入网络模型,以预测得到第一时刻之后的目标时刻相对第一时刻的第一预测差值。
第二预测模块1103,用于将第一时刻的数据和第二时刻之前的第三时刻的数据之差作为长期差异,输入网络模型,以预测得到目标时刻相对第一时刻的第二预测差值。
确定模块1104,用于根据第一预测差值和第二预测差值分别与对应的标注差值之间的差异,确定损失函数的取值。
训练模块1105,用于根据损失函数的取值,调整网络模型的模型参数,以使损失函数取值最小化。
进一步地,在本申请实施例的一种可能的实现方式中,确定模块1104可以包括:
第一生成单元,用于根据第一预测差值,以及根据目标时刻相对第一时刻的标注差值,生成第一损失量。
第二生成单元,用于根据第二预测差值,以及根据目标时刻相对第一时刻的标注差值,生成第二损失量。
确定单元,用于根据第一损失量和第二损失量的加权和,确定损失函数的取值。
进一步地,在本申请实施例的一种可能的实现方式中,确定单元,具体用于:根据第一时刻的表征相对第二时刻的表征之差,以及根据第一时刻相对第二时刻的标注差值,生成第三损失量;其中,表征是对时间数据序列中的数据进行特征提取得到;根据第一时刻的表征相对第三时刻的表征之差,以及根据第一时刻相对第三时刻的标注差值,生成第四损失量;对第一损失量、第二损失量、第三损失量和第四损失量加权求和,以得到损失函数的取值。
进一步地,在本申请实施例的一种可能的实现方式中,网络模型包括标签差分子网络,标签差分子网络中包含参数共享的至少三个特征提取分支,该网络模型训练装置1100还可以包括:
第一提取模块,用于将第一时刻的数据输入特征提取分支中的第一分支,进行特征提取,以得到第一时刻的表征。
第二提取模块,用于将第二时刻的数据输入特征提取分支中的第二分支,进行特征提取,以得到第二时刻的表征。
第三提取模块,用于将第三时刻的数据输入特征提取分支中的第三分支,进行特征提取,以得到第三时刻的表征。
进一步地,在本申请实施例的一种可能的实现方式中,网络模型包括特征差分子网络,其中,特征差分子网络中包含参数共享的至少两个特征差分网络分支;至少两个特征差分网络分支中的一个,用于输入短期差异,输出第一预测差值;至少两个特征差分网络分支中的另一个,用于输入长期差异,输出第二预测差值。
本申请实施例的网络模型训练装置,通过将训练样本中多个时刻中第一时刻的数据和第一时刻之前的第二时刻的数据之差作为短期差异,输入网络模型,以预测得到第一时刻之后的目标时刻相对第一时刻的第一预测差值;将第一时刻的数据和第二时刻之前的第三时刻的数据之差作为长期差异,输入网络模型,以预测得到目标时刻相对第一时刻的第二预测差值;根据第一预测差值和第二预测差值分别与对应的标注差值之间的差异,确定损失函数的取值;根据损失函数的取值,调整网络模型的模型参数,以使损失函数取值最小化。由此,同时根据短期差异和长期差异,对网络模型进行训练,可以提升模型预测结果的准确性。
与上述图8实施例提供的基于网络模型的室温预测方法相对应,本申请还提供一种基于网络模型的室温预测装置,由于本申请实施例提供的基于网络模型的室温预测装置与上述图8实施例提供的基于网络模型的室温预测方法相对应,因此在基于网络模型的室温预测方法的实施方式也适用于本实施例提供的基于网络模型的室温预测装置,在本申请实施例中不再详细描述。
图12为本申请实施例八所提供的基于网络模型的室温预测装置的结构示意图。其中,网络模型是采用如本申请前述实施例提出的网络模型训练装置训练得到。
如图12所示,该基于网络模型的室温预测装置1200可以包括:监测模块1201、输入模块1202以及处理模块1203。
其中,监测模块1201,用于获取多个时刻对室温影响因素进行监测得到的监测数据。
输入模块1202,用于将多个时刻中参考时刻的监测数据与参考时刻之前的历史时刻的监测数据之差,输入经过训练的网络模型,以将网络模型的输出作为预测温差。
处理模块1203,用于根据参考时刻的实际室温和预测温差,生成在参考时刻之后时刻的预测室温。
进一步地,在本申请实施例的一种可能的实现方式中,室温影响因素包括:供热因素、气象因素和室内环境因素中的一个或多个组合。
进一步地,在本申请实施例的一种可能的实现方式中,供热因素包括供水温度和回水温度中的至少一个;和/或,气象因素包括室外温度、室外湿度、风向、风速和光照强度中的至少一个;和/或,室内环境因素包括室温和湿度中的至少一个。
本申请实施例的基于网络模型的室温预测装置,通过获取多个时刻对室温影响因素进行监测得到的监测数据;将多个时刻中参考时刻的监测数据与参考时刻之前的历史时刻的监测数据之差,输入经过训练的网络模型,以将网络模型的输出作为预测温差;根据参考时刻的实际室温和预测温差,生成在参考时刻之后时刻的预测室温。由此,使用训练后的网络模型预测室温,可以提升预测结果的准确性。
为了实现上述实施例,本申请还提出一种计算机设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时,实现如本申请前述实施例提出的网络模型训练方法,或者,实现如本申请前述实施例提出的基于网络模型的室温预测方法。
为了实现上述实施例,本申请还提出一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请前述实施例提出的网络模型训练方法,或者,实现如本申请前述实施例提出的基于网络模型的室温预测方法。
为了实现上述实施例,本申请还提出一种计算机程序产品,当计算机程序产品中的指令处理器执行时,执行如本申请前述实施例提出的网络模型训练方法,或者,执行如本申请前述实施例提出的基于网络模型的室温预测方法。
图13示出了适于用来实现本申请实施方式的示例性计算机设备的框图。图13显示的计算机设备12仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图13所示,计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture;以下简称:ISA)总线,微通道体系结构(Micro Channel Architecture;以下简称:MAC)总线,增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation;以下简称:VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnection;以下简称:PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(Random Access Memory;以下简称:RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图13未显示,通常称为“硬盘驱动器”)。尽管图13中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如:光盘只读存储器(Compact Disc Read OnlyMemory;以下简称:CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory;以下简称:DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本申请所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network;以下简称:LAN),广域网(Wide Area Network;以下简称:WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白,尽管图中未示出,可以结合计算机设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现前述实施例中提及的网络模型训练方法,或者,基于网络模型的室温预测方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是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,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (18)
1.一种网络模型训练方法,其特征在于,所述方法包括以下步骤:
获取训练样本;其中,所述训练样本中包含时间数据序列,其中,所述时间数据序列中包含多个时刻的数据;
将所述多个时刻中第一时刻的数据和所述第一时刻之前的第二时刻的数据之差作为短期差异,输入网络模型,以预测得到所述第一时刻之后的目标时刻相对所述第一时刻的第一预测差值;
将所述第一时刻的数据和所述第二时刻之前的第三时刻的数据之差作为长期差异,输入所述网络模型,以预测得到所述目标时刻相对所述第一时刻的第二预测差值;
根据所述第一预测差值和所述第二预测差值分别与对应的标注差值之间的差异,确定损失函数的取值;其中,所述标注差值是指所述训练样本中标注的实际测量得到的不同时刻之间的数据差值;
根据所述损失函数的取值,调整所述网络模型的模型参数,以使所述损失函数的取值最小化。
2.根据权利要求1所述的网络模型训练方法,其特征在于,所述根据所述第一预测差值和所述第二预测差值分别与对应的标注差值之间的差异,确定损失函数的取值,包括:
根据所述第一预测差值,以及根据所述目标时刻相对所述第一时刻的标注差值,生成第一损失量;
根据所述第二预测差值,以及根据所述目标时刻相对所述第一时刻的标注差值,生成第二损失量;
根据所述第一损失量和所述第二损失量的加权和,确定所述损失函数的取值。
3.根据权利要求2所述的网络模型训练方法,其特征在于,所述根据所述第一损失量和所述第二损失量的加权和,确定所述损失函数的取值,包括:
根据所述第一时刻的表征相对所述第二时刻的表征之差,以及根据所述第一时刻相对所述第二时刻的标注差值,生成第三损失量;其中,所述表征是对所述时间数据序列中的数据进行特征提取得到;
根据所述第一时刻的表征相对所述第三时刻的表征之差,以及根据所述第一时刻相对所述第三时刻的标注差值,生成第四损失量;
对所述第一损失量、所述第二损失量、所述第三损失量和所述第四损失量加权求和,以得到所述损失函数的取值。
4.根据权利要求3所述的网络模型训练方法,其特征在于,所述网络模型包括标签差分子网络,所述标签差分子网络中包含参数共享的至少三个特征提取分支,所述获取训练样本之后,还包括:
将所述第一时刻的数据输入所述特征提取分支中的第一分支,进行特征提取,以得到所述第一时刻的表征;
将所述第二时刻的数据输入所述特征提取分支中的第二分支,进行特征提取,以得到所述第二时刻的表征;
将所述第三时刻的数据输入所述特征提取分支中的第三分支,进行特征提取,以得到所述第三时刻的表征。
5.根据权利要求1-4任一项所述的网络模型训练方法,其特征在于,所述网络模型包括特征差分子网络,其中,所述特征差分子网络中包含参数共享的至少两个特征差分网络分支;
所述至少两个特征差分网络分支中的一个,用于输入所述短期差异,输出所述第一预测差值;
所述至少两个特征差分网络分支中的另一个,用于输入所述长期差异,输出所述第二预测差值。
6.一种基于网络模型的室温预测方法,其特征在于,其中,所述网络模型是采用如权利要求1-5任一项所述的网络模型训练方法训练得到,所述方法包括以下步骤:
获取多个时刻对室温影响因素进行监测得到的监测数据;
将所述多个时刻中参考时刻的监测数据与所述参考时刻之前的历史时刻的监测数据之差,输入经过训练的所述网络模型,以将所述网络模型的输出作为预测温差;
根据所述参考时刻的实际室温和所述预测温差,生成在所述参考时刻之后时刻的预测室温。
7.根据权利要求6所述的室温预测方法,其特征在于,所述室温影响因素包括:供热因素、气象因素和室内环境因素中的一个或多个组合。
8.根据权利要求7所述的室温预测方法,其特征在于,
所述供热因素包括供水温度和回水温度中的至少一个;
和/或,所述气象因素包括室外温度、室外湿度、风向、风速和光照强度中的至少一个;
和/或,所述室内环境因素包括室温和湿度中的至少一个。
9.一种网络模型训练装置,其特征在于,所述装置包括:
获取模块,用于获取训练样本;其中,所述训练样本中包含时间数据序列,其中,所述时间数据序列中包含多个时刻的数据;
第一预测模块,用于将所述多个时刻中第一时刻的数据和所述第一时刻之前的第二时刻的数据之差作为短期差异,输入网络模型,以预测得到所述第一时刻之后的目标时刻相对所述第一时刻的第一预测差值;
第二预测模块,用于将所述第一时刻的数据和所述第二时刻之前的第三时刻的数据之差作为长期差异,输入所述网络模型,以预测得到所述目标时刻相对所述第一时刻的第二预测差值;
确定模块,用于根据所述第一预测差值和所述第二预测差值分别与对应的标注差值之间的差异,确定损失函数的取值;其中,所述标注差值是指所述训练样本中标注的实际测量得到的不同时刻之间的数据差值;
训练模块,用于根据所述损失函数的取值,调整所述网络模型的模型参数,以使所述损失函数的取值最小化。
10.根据权利要求9所述的网络模型训练装置,其特征在于,所述确定模块,包括:
第一生成单元,用于根据所述第一预测差值,以及根据所述目标时刻相对所述第一时刻的标注差值,生成第一损失量;
第二生成单元,用于根据所述第二预测差值,以及根据所述目标时刻相对所述第一时刻的标注差值,生成第二损失量;
确定单元,用于根据所述第一损失量和所述第二损失量的加权和,确定所述损失函数的取值。
11.根据权利要求10所述的网络模型训练装置,其特征在于,所述确定单元,具体用于:
根据所述第一时刻的表征相对所述第二时刻的表征之差,以及根据所述第一时刻相对所述第二时刻的标注差值,生成第三损失量;其中,所述表征是对所述时间数据序列中的数据进行特征提取得到;
根据所述第一时刻的表征相对所述第三时刻的表征之差,以及根据所述第一时刻相对所述第三时刻的标注差值,生成第四损失量;
对所述第一损失量、所述第二损失量、所述第三损失量和所述第四损失量加权求和,以得到所述损失函数的取值。
12.根据权利要求11所述的网络模型训练装置,其特征在于,所述网络模型包括标签差分子网络,所述标签差分子网络中包含参数共享的至少三个特征提取分支,所述装置还包括:
第一提取模块,用于将所述第一时刻的数据输入所述特征提取分支中的第一分支,进行特征提取,以得到所述第一时刻的表征;
第二提取模块,用于将所述第二时刻的数据输入所述特征提取分支中的第二分支,进行特征提取,以得到所述第二时刻的表征;
第三提取模块,用于将所述第三时刻的数据输入所述特征提取分支中的第三分支,进行特征提取,以得到所述第三时刻的表征。
13.根据权利要求9-12任一项所述的网络模型训练装置,其特征在于,所述网络模型包括特征差分子网络,其中,所述特征差分子网络中包含参数共享的至少两个特征差分网络分支;
所述至少两个特征差分网络分支中的一个,用于输入所述短期差异,输出所述第一预测差值;
所述至少两个特征差分网络分支中的另一个,用于输入所述长期差异,输出所述第二预测差值。
14.一种基于网络模型的室温预测装置,其特征在于,其中,所述网络模型是采用如权利要求9-13任一项所述的网络模型训练装置训练得到,所述基于网络模型的室温预测装置包括:
监测模块,用于获取多个时刻对室温影响因素进行监测得到的监测数据;
输入模块,用于将所述多个时刻中参考时刻的监测数据与所述参考时刻之前的历史时刻的监测数据之差,输入经过训练的所述网络模型,以将所述网络模型的输出作为预测温差;
处理模块,用于根据所述参考时刻的实际室温和所述预测温差,生成在所述参考时刻之后时刻的预测室温。
15.根据权利要求14所述的室温预测装置,其特征在于,所述室温影响因素包括:供热因素、气象因素和室内环境因素中的一个或多个组合。
16.根据权利要求15所述的室温预测装置,其特征在于,
所述供热因素包括供水温度和回水温度中的至少一个;
和/或,所述气象因素包括室外温度、室外湿度、风向、风速和光照强度中的至少一个;
和/或,所述室内环境因素包括室温和湿度中的至少一个。
17.一种计算机设备,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如权利要求1-5中任一所述的网络模型训练方法,或者,实现如权利要求6-8中任一所述的基于网络模型的室温预测方法。
18.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-5中任一所述的网络模型训练方法,或者,实现如权利要求6-8中任一所述的基于网络模型的室温预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011583039.2A CN113722975B (zh) | 2020-12-28 | 2020-12-28 | 网络模型训练方法、室温预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011583039.2A CN113722975B (zh) | 2020-12-28 | 2020-12-28 | 网络模型训练方法、室温预测方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113722975A CN113722975A (zh) | 2021-11-30 |
CN113722975B true CN113722975B (zh) | 2023-12-05 |
Family
ID=78672400
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011583039.2A Active CN113722975B (zh) | 2020-12-28 | 2020-12-28 | 网络模型训练方法、室温预测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113722975B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101267362A (zh) * | 2008-05-16 | 2008-09-17 | 亿阳信通股份有限公司 | 一种性能指标值正常波动范围的动态确定方法及其装置 |
CN109902832A (zh) * | 2018-11-28 | 2019-06-18 | 华为技术有限公司 | 机器学习模型的训练方法、异常预测方法及相关装置 |
CN110781947A (zh) * | 2019-10-22 | 2020-02-11 | 北京交通大学 | 用电负荷预测模型训练、用电负荷预测方法及装置 |
CN111152796A (zh) * | 2020-04-07 | 2020-05-15 | 北京三快在线科技有限公司 | 一种车辆运动状态预测方法及装置 |
WO2020108483A1 (zh) * | 2018-11-28 | 2020-06-04 | 腾讯科技(深圳)有限公司 | 模型训练方法、机器翻译方法、计算机设备和存储介质 |
-
2020
- 2020-12-28 CN CN202011583039.2A patent/CN113722975B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101267362A (zh) * | 2008-05-16 | 2008-09-17 | 亿阳信通股份有限公司 | 一种性能指标值正常波动范围的动态确定方法及其装置 |
CN109902832A (zh) * | 2018-11-28 | 2019-06-18 | 华为技术有限公司 | 机器学习模型的训练方法、异常预测方法及相关装置 |
WO2020108483A1 (zh) * | 2018-11-28 | 2020-06-04 | 腾讯科技(深圳)有限公司 | 模型训练方法、机器翻译方法、计算机设备和存储介质 |
CN110781947A (zh) * | 2019-10-22 | 2020-02-11 | 北京交通大学 | 用电负荷预测模型训练、用电负荷预测方法及装置 |
CN111152796A (zh) * | 2020-04-07 | 2020-05-15 | 北京三快在线科技有限公司 | 一种车辆运动状态预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113722975A (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111507370B (zh) | 获得自动标注图像中检查标签的样本图像的方法和装置 | |
CN113065013B (zh) | 图像标注模型训练和图像标注方法、系统、设备及介质 | |
CN113762501A (zh) | 预测模型的训练方法、装置、设备和存储介质 | |
CN116089870A (zh) | 基于元学习的小样本条件下工业设备故障预测方法及装置 | |
EP3904987B1 (en) | Control support apparatus, control support method, control support program, computer readable medium with control support program recorded thereon and control system | |
US20230140696A1 (en) | Method and system for optimizing parameter intervals of manufacturing processes based on prediction intervals | |
JP6086875B2 (ja) | 発電量予測装置および発電量予測方法 | |
CN116680569A (zh) | 基于rwkv神经网络的风资源预测方法和装置 | |
CN116861262B (zh) | 一种感知模型训练方法、装置及电子设备和存储介质 | |
CN113722975B (zh) | 网络模型训练方法、室温预测方法、装置、设备及介质 | |
US20220027739A1 (en) | Search space exploration for deep learning | |
CN114757097B (zh) | 一种线路故障诊断方法及装置 | |
CN116085245A (zh) | 一种基于os-elm的压缩机性能在线预测方法及系统 | |
CN115984640A (zh) | 一种基于组合蒸馏技术的目标检测方法、系统和存储介质 | |
CN115879536A (zh) | 一种基于因果效应的学习认知分析模型鲁棒性优化方法 | |
CN115438575A (zh) | 一种用于高精度翼型流场预测的分析方法 | |
Stadler et al. | Mesh deformation based on artificial neural networks | |
Li et al. | Building thermal dynamics modeling with deep transfer learning using a large residential smart thermostat dataset | |
CN109800923B (zh) | 一种分散式风力发电短期功率组合预测方法 | |
Yun et al. | [Retracted] Quality Evaluation and Satisfaction Analysis of Online Learning of College Students Based on Artificial Intelligence | |
CN111753461B (zh) | 潮汐水位修正方法、目标余水位获取方法、装置和设备 | |
CN115808504B (zh) | 一种用于浓度预测的气体传感器在线漂移补偿方法 | |
CN113031600B (zh) | 一种轨迹生成方法、装置、存储介质及电子设备 | |
CN113191017B (zh) | 虚拟量测模型构建方法、虚拟量测方法、系统、电子设备及计算机可读存储介质 | |
CN115329906B (zh) | 一种基于图正则化网络的故障诊断方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |