CN114358406A - 资源数据处理方法、资源预测模型的训练方法和装置 - Google Patents
资源数据处理方法、资源预测模型的训练方法和装置 Download PDFInfo
- Publication number
- CN114358406A CN114358406A CN202111618429.3A CN202111618429A CN114358406A CN 114358406 A CN114358406 A CN 114358406A CN 202111618429 A CN202111618429 A CN 202111618429A CN 114358406 A CN114358406 A CN 114358406A
- Authority
- CN
- China
- Prior art keywords
- resource
- data
- time information
- historical
- sample
- 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.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种资源数据处理方法、资源预测模型的训练方法、装置、设备、介质和产品,涉及人工智能技术领域,具体为大数据、机器学习等技术领域。资源数据处理方法包括:获取与历史时间信息相关联的历史资源关联数据;基于历史时间信息与第一指定时间信息之间的关联性,确定针对历史资源关联数据的权重;基于历史资源关联数据和权重,确定针对第一指定时间信息的第一目标资源数据。
Description
技术领域
本公开涉及人工智能技术领域,具体为大数据、机器学习等技术领域,更具体地,涉及一种资源数据处理方法、资源预测模型的训练方法、装置、电子设备、介质和程序产品。
背景技术
在一些场景中,需要基于历史资源关联数据来预测未来的资源使用情况,以便及时采取相关措施来进行资源决策。资源包括但不仅限于电力资源、水利资源、天然气资源。历史资源关联数据包括但不仅限于历史资源消耗数据和与资源关联的其他数据。但是,相关技术对未来资源的使用情况的预测准确性较低、预测效率较低。
发明内容
本公开提供了一种资源数据处理方法、资源预测模型的训练方法、装置、电子设备、存储介质以及程序产品。
根据本公开的一方面,提供了一种资源数据处理方法,包括:获取与历史时间信息相关联的历史资源关联数据;基于所述历史时间信息与第一指定时间信息之间的关联性,确定针对所述历史资源关联数据的权重;基于所述历史资源关联数据和所述权重,确定针对所述第一指定时间信息的第一目标资源数据。
根据本公开的一方面,提供了一种资源预测模型的训练方法,包括:获取与第一样本时间相关联的第一样本资源关联数据和与第二样本时间相关联的第二样本资源关联数据;利用所述资源预测模型,基于所述第一样本时间信息与所述第二样本时间信息之间的关联性,确定针对所述第一样本资源关联数据的权重;利用所述资源预测模型,基于所述第一样本资源关联数据和所述权重,得到针对所述第二样本时间信息的预测结果;基于所述预测结果和所述第二样本资源关联数据,调整所述资源预测模型的模型参数。
根据本公开的另一方面,提供了一种资源数据处理装置,包括:第一获取模块、第一确定模块以及第二确定模块。第一获取模块,用于获取与历史时间信息相关联的历史资源关联数据;第一确定模块,用于基于所述历史时间信息与第一指定时间信息之间的关联性,确定针对所述历史资源关联数据的权重;第二确定模块,用于基于所述历史资源关联数据和所述权重,确定针对所述第一指定时间信息的第一目标资源数据。
根据本公开的一方面,提供了一种资源预测模型的训练装置,包括:第三获取模块、第六确定模块、获得模块和第二调整模块。第三获取模块,用于获取与第一样本时间相关联的第一样本资源关联数据和与第二样本时间相关联的第二样本资源关联数据;第六确定模块,用于利用所述资源预测模型,基于所述第一样本时间信息与所述第二样本时间信息之间的关联性,确定针对所述第一样本资源关联数据的权重;获得模块,用于利用所述资源预测模型,基于所述第一样本资源关联数据和所述权重,得到针对所述第二样本时间信息的预测结果;第二调整模块,用于基于所述预测结果和所述第二样本资源关联数据,调整所述资源预测模型的模型参数。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器和与所述至少一个处理器通信连接的存储器。其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的资源数据处理方法和/或资源预测模型的训练方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行上述的资源数据处理方法和/或资源预测模型的训练方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现上述的资源数据处理方法和/或资源预测模型的训练方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1示意性示出了根据本公开一实施例的资源数据处理方法的流程图;
图2示意性示出了根据本公开另一实施例的资源数据处理方法的流程图;
图3示意性示出了根据本公开一实施例的资源数据处理方法的原理图;
图4示意性示出了根据本公开一实施例的资源预测模型的训练的流程图;
图5示意性示出了根据本公开一实施例的资源数据处理装置的框图;
图6示意性示出了根据本公开一实施例的资源预测模型的训练装置的框图;以及
图7是用来实现本公开实施例的用于执行资源数据处理和/或资源预测模型的训练的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
根据本公开的实施例,提供了一种资源数据处理方法,包括:获取与历史时间信息相关联的历史资源关联数据。然后,基于历史时间信息与第一指定时间信息之间的关联性,确定针对历史资源关联数据的权重。接下来,基于历史资源关联数据和权重,确定针对第一指定时间信息的第一目标资源数据。
根据本公开的实施例,提供了一种资源预测模型的训练方法,包括:获取与第一样本时间相关联的第一样本资源关联数据和与第二样本时间相关联的第二样本资源关联数据。然后,利用资源预测模型,基于第一样本时间信息与第二样本时间信息之间的关联性,确定针对第一样本资源关联数据的权重,利用资源预测模型,基于第一样本资源关联数据和权重,得到针对第二样本时间信息的预测结果。接下来,基于预测结果和第二样本资源关联数据,调整资源预测模型的模型参数。
下面参考图1~图4来描述根据本公开示例性实施方式的资源数据处理方法和资源预测模型的训练方法。
图1示意性示出了根据本公开一实施例的资源数据处理方法的流程图。
如图1所示,本公开实施例的资源数据处理方法100例如可以包括操作S110~操作S130。
在操作S110,获取与历史时间信息相关联的历史资源关联数据。
在操作S120,基于历史时间信息与第一指定时间信息之间的关联性,确定针对历史资源关联数据的权重。
在操作S130,基于历史资源关联数据和权重,确定针对第一指定时间信息的第一目标资源数据。
示例性地,资源包括但不仅限于电力资源、水利资源、天然气资源。本公开的实施例以电力资源为例。历史时间信息例如为历史时间段或历史时刻,第一指定时间信息例如包括未来时间段或者未来时刻。
示例性地,历史资源关联数据可以包括历史资源消耗数据、第一资源计划数据和历史环境数据,历史资源消耗数据、第一资源计划数据和历史环境数据之间相关联。
历史资源消耗数据例如包括针对历史时间信息的历史电力负荷、针对历史时间信息的发电厂的历史发电量等。
第一资源计划数据例如包括发电厂的计划发电量,发电厂的计划发电量可以是发电厂针对第一指定时间信息的计划发电量,或者针对除历史时间信息之外的其他时间信息的计划发电量。
历史环境数据例如包括针对历史时间信息的天气数据,天气数据包括但不仅限于气温、天气现象、湿度、压力、福照度、风力。
第一目标资源数据例如包括资源预测数据,资源预测数据包括针对第一指定时间信息的未来资源消耗数据。
示例性地,历史时间信息与第一指定时间信息之间是存在关联关系的,由此,可以基于历史时间信息与第一指定时间信息之间的关联性来确定针对历史资源关联数据的权重。
例如,当历史时间信息包括多个历史时间段或者多个历史时刻时,针对与多个历史时间段或者多个历史时刻一一对应的多个历史资源关联数据,多个历史资源关联数据中有些历史资源关联数据对应的历史时间信息与第一指定时间信息之间关联性较强,有些历史资源关联数据对应的历史时间信息与第一指定时间信息之间关联性较弱。
针对历史时间信息与第一指定时间信息之间关联性较强的那部分历史资源关联数据,可以确定该部分历史资源关联数据对应的权重较大,针对历史时间信息与第一指定时间信息之间关联性较低的那部分历史资源关联数据,可以确定该部分历史资源关联数据对应的权重较小。
接下来,基于各个历史资源关联数据和各自对应的权重,确定针对第一指定时间信息的第一目标资源数据。即,预测针对第一指定时间信息的未来资源消耗数据。
根据本公开的实施例,由于与第一指定时间信息关联性较强的历史时间信息所对应的历史资源关联数据通常较能表征第一目标资源数据,因此确定关联性较强的历史资源关联数据的权重较大,使得基于历史资源关联数据和权重来预测针对第一指定时间信息的第一目标资源数据时,更多考虑了关联性较强的那部分历史资源关联数据,提高了第一目标资源数据的预测准确性和预测效率。
图2示意性示出了根据本公开另一实施例的资源数据处理方法的流程图。
如图2所示,本公开实施例的资源数据处理方法200例如可以包括操作S201~操作S210。
在操作S201,获取与历史时间信息相关联的历史资源关联数据。
示例性地,历史时间信息包括至少一个历史时间信息,至少一个历史时间信息例如包括目标历史时间信息和剩余历史时间信息。历史资源关联数据包括与目标历史时间信息对应的历史资源关联数据以及与剩余历史时间信息对应的其他历史资源关联数据。示例性地,可以增大针对目标历史时间信息的历史资源关联数据的权重,并减小其他历史资源关联数据的权重,具体包括以下操作S202~操作S204。
在操作S202,从至少一个历史时间信息中确定与第一指定时间信息存在周期关系的目标历史时间信息。
示例性地,周期关系可以表征一天、一个月、一年等等周期。以周期为一天为例,第一指定时间信息例如为明天12:00,则目标历史时间信息可以是今天12:00。如果第一指定时间信息为明天12:00~14:00,则目标历史时间信息可以是今天12:00~14:00。
在操作S203,将与目标历史时间信息相关联的历史资源关联数据的权重设置为第一权重。
在操作S204,针对至少一个历史时间信息中除目标历史时间信息之外的剩余历史时间信息,将与剩余历史时间信息相关联的历史资源关联数据的权重设置为第二权重。
示例性地,第一权重例如大于或等于第二权重。
在操作S205,基于历史资源关联数据和权重,确定针对第一指定时间信息的第一目标资源数据。
根据本公开的实施例,针对历史时间信息中与第一指定时间信息存在周期关系的目标历史时间信息,由于未来的第一目标资源数据与目标历史时间信息所对应的历史资源关联数据之间通常存在内在的关联关系,因此增大与目标历史时间信息相关联的历史资源关联数据的权重,从而提高第一目标资源数据的预测准确性。
在预测得到针对第一指定时间信息的第一目标资源数据之后,为了预测未来更加长远的第二目标资源数据,可以结合历史资源关联数据和第一目标资源数据来预测第二目标资源数据。具体如下操作S206~操作S209。
在操作S206,获取与第一目标资源数据相关联的目标资源关联数据。
示例性地,目标资源关联数据包括第一目标资源数据、第二资源计划数据和目标环境数据,第一目标资源数据、第二资源计划数据和目标环境数据之间相关联。
第二资源计划数据例如包括发电厂的计划发电量,发电厂的计划发电量可以是发电厂针对第二指定时间信息的计划发电量,或者针对除第一时间信息之外的其他时间信息的计划发电量。
目标环境数据例如包括针对第一指定时间信息的天气预测数据,天气预测数据包括但不仅限于气温、天气现象、湿度、压力、福照度、风力。
在操作S207,基于历史时间信息与第二指定时间信息之间的关联性,确定针对历史资源关联数据的权重。
例如,历史时间信息包括至少一个历史时间信息,针对至少一个历史时间信息中与第二指定时间信息存在周期关系的历史时间信息,增大与该历史时间信息相关联的历史资源关联数据的权重。
在操作S208,基于第一指定时间信息与第二指定时间信息之间的关联性,确定针对目标资源关联数据的权重。
例如,第一指定时间信息包括至少一个第一指定时间信息,针对至少一个第一指定时间信息中与第二指定时间信息存在周期关系的第一指定时间信息,增大与该第一指定时间信息相关联的目标资源关联数据的权重。
在操作S209,基于历史资源关联数据和对应的权重以及目标资源关联数据和对应的权重,确定针对第二指定时间信息的第二目标资源数据。
示例性地,第一目标资源数据例如包括针对第一指定时间信息的未来资源消耗数据,第二目标资源数据例如包括针对第二指定时间信息的未来资源消耗数据。
根据本公开的实施例,通过建立滚动预测机制来预测未来长期的资源数据,例如可以先预测短期的资源数据,然后再基于短期的资源数据和过去的资源数据预测长期的资源数据,相比于一次性预测长期的资源数据,通过循环多次预测短期的资源数据来实现预测长期的资源数据,提高了预测的效果。
在操作S210,基于资源规划信息,调整第一目标资源数据和第二目标资源数据中的至少一个。
示例性地,资源规划信息例如包括区域未来规划信息,例如资源规划信息表征了区域未来是否存在新增工厂、电力调度等情况。当得到第一目标资源数据或第二目标资源数据之后,如果资源规划信息表征区域存在新增工厂、电力调度等情况,可以调整第一目标资源数据或第二目标资源数据,提高第一目标资源数据或第二目标资源数据的准确性。
在另一示例中,可以首先获取初始数据,然后对初始数据进行关联性分析,以便从初始数据中选择历史资源关联数据。
例如,对发电厂的历史发电量和历史电力负荷进行相关性分析,得到历史电力负荷与发电厂之间的关联强度。如果某个主线路的历史电力负荷(用电量)特征和某个发电厂的发电量数据特征相似,则确定该主线路的历史电力负荷和该发电厂之间相关联。
例如,分析天气数据与历史电力负荷之间的关联性,例如温度越高时,由于开空调等原因,历史电力负荷(用电量)越高。由此,天气数据与历史电力负荷之间的关联性例如表征两者是否存在关联、关联的强度、正相关或负相关等。
针对历史电力负荷进行分析,对于相同区域或不同区域的历史电力负荷进行聚类形成不同的负荷类型。例如,针对相同区域内或不同区域内的多个主线路,如果多个主线路的历史电力负荷(用电量)特征相似,可以将其聚类为一类。后续在确定第一目标资源数据时,当某个主线路在时间维度上的历史资源关联数据存在缺失时,可以将与之相似的其他主线路的历史资源关联数据作为该主线路缺失的历史资源关联数据。
可以理解,通过对初始数据进行关联性分析得到存在关联的历史资源关联数据,然后基于历史资源关联数据预测第一目标资源数据,提高预测效果。
在另一实施例中,可以通过资源预测模型预测第一目标资源数据和第二目标资源数据。第一目标资源数据例如包括主线路(母线)在未来第一指定时间信息的电力负荷(用电量),第二目标资源数据例如包括主线路(母线)在未来第二指定时间信息的电力负荷(用电量)。
例如,当通过资源预测模型预测第一目标资源数据时,可以将与历史时间信息相关联的历史资源关联数据输入资源预测模型中,由资源预测模型基于历史时间信息与第一指定时间信息之间的关联性确定针对历史资源关联数据的权重,并基于历史资源关联数据和权重,确定针对第一指定时间信息的第一目标资源数据。
图3示意性示出了根据本公开一实施例的资源数据处理方法的原理图。
如图3所示,第一目标资源数据302的预测过程如图中实线箭头指示。针对与历史时间信息相关联的历史资源关联数据301,将历史资源关联数据301输入资源预测模型300中,由资源预测模型300基于历史时间信息与第一指定时间信息之间的关联性确定针对历史资源关联数据301的权重,并基于历史资源关联数据301和权重,预测针对第一指定时间信息的第一目标资源数据302。
示例性地,第二目标资源数据304的预测过程如图中虚线箭头指示。在得到第一目标资源数据302之后,获取与第一目标资源数据302相关联的目标资源关联数据303,将历史资源关联数据301和目标资源关联数据303输入资源预测模型300中,预测得到针对第二指定时间信息的第二目标资源数据304。
示例性地,资源预测模型包括深度学习模型,例如包括时间序列预测模型。以下参考图4来描述资源预测模型的训练方法。
图4示意性示出了根据本公开一实施例的资源预测模型的训练的流程图。
在操作S410,获取与第一样本时间相关联的第一样本资源关联数据和与第二样本时间相关联的第二样本资源关联数据。
在操作S420,利用资源预测模型,基于第一样本时间信息与第二样本时间信息之间的关联性,确定针对第一样本资源关联数据的权重。
在操作S430,利用资源预测模型,基于第一样本资源关联数据和权重,得到针对第二样本时间信息的预测结果。
在操作S440,基于预测结果和第二样本资源关联数据,调整资源预测模型的模型参数。
示例性地,第一样本时间信息表征的时刻或时间段在第二样本时间信息表征的时刻或时间段之后,第一样本时间信息和第二样本时间信息例如均表征过去的时间信息。
示例性地,第一样本资源关联数据包括第一样本资源消耗数据、第三资源计划数据和样本环境数据,第一样本资源消耗数据、第三资源计划数据和样本环境数据相关联。
第一样本资源消耗数据例如包括针对第一样本时间信息的历史电力负荷、针对第一样本时间信息的发电厂的历史发电量等。
第三资源计划数据例如包括发电厂的计划发电量,发电厂的计划发电量可以是发电厂针对第二样本时间信息的计划发电量,或者针对除第一样本时间信息之外的其他时间信息的计划发电量。
样本环境数据例如包括针对第一样本时间信息的天气数据,天气数据包括但不仅限于气温、天气现象、湿度、压力、福照度、风力。
示例性地,第二样本资源关联数据包括第二样本资源消耗数据,第二样本资源消耗数据例如包括针对第二样本时间信息的历史电力负荷、针对第二样本时间信息的发电厂的历史发电量等。
例如,资源预测模型可以基于第一样本时间信息与第二样本时间信息之间的关联性确定针对第一样本资源关联数据的权重。例如,针对第一样本时间信息与第二样本时间信息之间关联性较强的那部分第一样本资源关联数据,可以确定该部分第一样本资源关联数据对应的权重较大,针对第一样本时间信息与第二样本时间信息关联性较低的那部分第一样本资源关联数据,可以确定该部分第一样本资源关联数据对应的权重较小。
资源预测模型基于第一样本资源关联数据和权重,得到针对第二样本时间信息的预测结果,并以第二样本资源关联数据作为参考调整资源预测模型的模型参数,以降低预测结果与第二样本资源关联数据之间的差异,从而训练得到资源预测模型。
根据本公开的实施例,基于时间的关联性调整权重来训练资源预测模型,提高了资源预测模型的预测精度。
在本公开的另一示例中,第一样本时间信息例如包括至少一个第一样本时间信息。例如,利用资源预测模型从至少一个第一样本时间信息中确定与第二样本时间信息存在周期关系的目标第一样本时间信息,并利用资源预测模型,增大与目标第一样本时间信息相关联的第一样本资源关联数据的权重。
例如,利用资源预测模型,将与目标第一样本时间信息相关联的第一样本资源关联数据的权重设置为第三权重。另外,针对至少一个第一样本时间信息中除目标第一样本时间信息之外的剩余第一样本时间信息,利用资源预测模型将与剩余第一样本时间信息相关联的第一样本资源关联数据的权重设置为第四权重,其中,第三权重大于或等于第四权重。
可以理解,资源预测模型通过引入时间注意力机制,对不同时间的数据赋予不同的权重,提高了预测准确性。资源预测模型包括TPA-LSTM模型,TPA-LSTM模型是一种引入时间注意力机制的时间序列模型。
如图5所示,本公开实施例的资源数据处理装置500例如包括第一获取模块510、第一确定模块520以及第二确定模块530。
第一获取模块510可以用于获取与历史时间信息相关联的历史资源关联数据。根据本公开实施例,第一获取模块510例如可以执行上文参考图1描述的操作S110,在此不再赘述。
第一确定模块520可以用于基于历史时间信息与第一指定时间信息之间的关联性,确定针对历史资源关联数据的权重。根据本公开实施例,第一确定模块520例如可以执行上文参考图1描述的操作S120,在此不再赘述。
第二确定模块530可以用于基于历史资源关联数据和权重,确定针对第一指定时间信息的第一目标资源数据。根据本公开实施例,第二确定模块530例如可以执行上文参考图1描述的操作S130,在此不再赘述。
根据本公开的实施例,历史时间信息包括至少一个历史时间信息;第一确定模块520包括:第一确定子模块和第一增大子模块。第一确定子模块,用于从至少一个历史时间信息中确定与第一指定时间信息存在周期关系的目标历史时间信息;第一增大子模块,用于增大与目标历史时间信息相关联的历史资源关联数据的权重。
根据本公开的实施例,第一增大子模块还用于:将与目标历史时间信息相关联的历史资源关联数据的权重设置为第一权重;第一确定模块还包括:第一设置子模块,用于针对至少一个历史时间信息中除目标历史时间信息之外的剩余历史时间信息,将与剩余历史时间信息相关联的历史资源关联数据的权重设置为第二权重,其中,第一权重大于或等于第二权重。
根据本公开的实施例,装置500还可以包括:第二获取模块、第三确定模块、第四确定模块和第五确定模块。第二获取模块,用于获取与第一目标资源数据相关联的目标资源关联数据;第三确定模块,用于基于历史时间信息与第二指定时间信息之间的关联性,确定针对历史资源关联数据的权重;第四确定模块,用于基于第一指定时间信息与第二指定时间信息之间的关联性,确定针对目标资源关联数据的权重;第五确定模块,用于基于历史资源关联数据和对应的权重以及目标资源关联数据和对应的权重,确定针对第二指定时间信息的第二目标资源数据。
根据本公开的实施例,历史资源关联数据包括历史资源消耗数据、第一资源计划数据和历史环境数据中的至少一个,历史资源消耗数据、第一资源计划数据和历史环境数据之间相关联;目标资源关联数据包括第一目标资源数据、第二资源计划数据和目标环境数据中的至少一个,第一目标资源数据、第二资源计划数据和目标环境数据之间相关联;第一目标资源数据和第二目标资源数据中的至少一个包括未来资源消耗数据。
根据本公开的实施例,装置500还可以包括:第一调整模块,用于基于资源规划信息,调整第一目标资源数据和第二目标资源数据中的至少一个。
图6示意性示出了根据本公开一实施例的资源预测模型的训练装置的框图。
如图6所示,本公开实施例的资源预测模型的训练装置600例如包括第三获取模块610、第六确定模块620、获得模块630以及第二调整模块640。
第三获取模块610可以用于获取与第一样本时间相关联的第一样本资源关联数据和与第二样本时间相关联的第二样本资源关联数据。根据本公开实施例,第三获取模块610例如可以执行上文参考图4描述的操作S410,在此不再赘述。
第六确定模块620可以用于利用资源预测模型,基于第一样本时间信息与第二样本时间信息之间的关联性,确定针对第一样本资源关联数据的权重。根据本公开实施例,第六确定模块620例如可以执行上文参考图4描述的操作S420,在此不再赘述。
获得模块630可以用于利用资源预测模型,基于第一样本资源关联数据和权重,得到针对第二样本时间信息的预测结果。根据本公开实施例,获得模块630例如可以执行上文参考图4描述的操作S430,在此不再赘述。
第二调整模块640可以用于基于预测结果和第二样本资源关联数据,调整资源预测模型的模型参数。根据本公开实施例,第二调整模块640例如可以执行上文参考图4描述的操作S440,在此不再赘述。
根据本公开的实施例,第一样本时间信息包括至少一个第一样本时间信息;第六确定模块620包括:第二确定子模块和第二增大子模块。第二确定子模块,用于利用资源预测模型,从至少一个第一样本时间信息中确定与第二样本时间信息存在周期关系的目标第一样本时间信息;第二增大子模块,用于利用资源预测模型,增大与目标第一样本时间信息相关联的第一样本资源关联数据的权重。
根据本公开的实施例,第二增大子模块还用于:利用资源预测模型,将与目标第一样本时间信息徐昂关联的第一样本资源关联数据的权重设置为第三权重;第六确定模块还包括:第一设置子模块,用于针对至少一个第一样本时间信息中除目标第一样本时间信息之外的剩余第一样本时间信息,利用资源预测模型将与剩余第一样本时间信息相关联的第一样本资源关联数据的权重设置为第四权重,其中,第三权重大于或等于第四权重。
根据本公开的实施例,第一样本资源关联数据包括第一样本资源消耗数据、第三资源计划数据和样本环境数据中的至少一个,第一样本资源消耗数据、第三资源计划数据和样本环境数据相关联;第二样本资源关联数据包括第二样本资源消耗数据。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图7是用来实现本公开实施例的用于执行资源数据处理和/或资源预测模型的训练的电子设备的框图。
图7示出了可以用来实施本公开实施例的示例电子设备700的示意性框图。电子设备700旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示,设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理,例如资源数据处理方法和/或资源预测模型的训练方法。例如,在一些实施例中,资源数据处理方法和/或资源预测模型的训练方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM703并由计算单元701执行时,可以执行上文描述的资源数据处理方法和/或资源预测模型的训练方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行资源数据处理方法和/或资源预测模型的训练方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程资源数据处理装置和/或资源预测模型的训练装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (23)
1.一种资源数据处理方法,包括:
获取与历史时间信息相关联的历史资源关联数据;
基于所述历史时间信息与第一指定时间信息之间的关联性,确定针对所述历史资源关联数据的权重;以及
基于所述历史资源关联数据和所述权重,确定针对所述第一指定时间信息的第一目标资源数据。
2.根据权利要求1所述的方法,其中,所述历史时间信息包括至少一个历史时间信息;所述基于所述历史时间信息与第一指定时间信息之间的关联性,确定针对所述历史资源关联数据的权重包括:
从所述至少一个历史时间信息中确定与所述第一指定时间信息存在周期关系的目标历史时间信息;以及
增大与所述目标历史时间信息相关联的历史资源关联数据的权重。
3.根据权利要求2所述的方法,其中:
所述增大与所述目标历史时间信息相关联的历史资源关联数据的权重包括:
将与所述目标历史时间信息相关联的历史资源关联数据的权重设置为第一权重;
所述基于所述历史时间信息与第一指定时间信息之间的关联性,确定针对所述历史资源关联数据的权重还包括:
针对所述至少一个历史时间信息中除所述目标历史时间信息之外的剩余历史时间信息,将与所述剩余历史时间信息相关联的历史资源关联数据的权重设置为第二权重,
其中,所述第一权重大于或等于第二权重。
4.根据权利要求1-3中任意一项所述的方法,还包括:
获取与所述第一目标资源数据相关联的目标资源关联数据;
基于所述历史时间信息与第二指定时间信息之间的关联性,确定针对所述历史资源关联数据的权重;
基于所述第一指定时间信息与所述第二指定时间信息之间的关联性,确定针对所述目标资源关联数据的权重;以及
基于所述历史资源关联数据和对应的权重以及所述目标资源关联数据和对应的权重,确定针对所述第二指定时间信息的第二目标资源数据。
5.根据权利要求4所述的方法,其中:
所述历史资源关联数据包括历史资源消耗数据、第一资源计划数据和历史环境数据中的至少一个,所述历史资源消耗数据、所述第一资源计划数据和所述历史环境数据之间相关联;
所述目标资源关联数据包括所述第一目标资源数据、第二资源计划数据和目标环境数据中的至少一个,所述第一目标资源数据、所述第二资源计划数据和所述目标环境数据之间相关联;
所述第一目标资源数据和所述第二目标资源数据中的至少一个包括未来资源消耗数据。
6.根据权利要求1-5中任意一项所述的方法,还包括:
基于资源规划信息,调整所述第一目标资源数据和所述第二目标资源数据中的至少一个。
7.一种资源预测模型的训练方法,包括:
获取与第一样本时间相关联的第一样本资源关联数据和与第二样本时间相关联的第二样本资源关联数据;
利用所述资源预测模型,基于所述第一样本时间信息与所述第二样本时间信息之间的关联性,确定针对所述第一样本资源关联数据的权重;
利用所述资源预测模型,基于所述第一样本资源关联数据和所述权重,得到针对所述第二样本时间信息的预测结果;以及
基于所述预测结果和所述第二样本资源关联数据,调整所述资源预测模型的模型参数。
8.根据权利要求7所述的方法,其中,所述第一样本时间信息包括至少一个第一样本时间信息;所述利用所述资源预测模型,基于所述第一样本时间信息与所述第二样本时间信息之间的关联性,确定针对所述第一样本资源关联数据的权重包括:
利用所述资源预测模型,从所述至少一个第一样本时间信息中确定与所述第二样本时间信息存在周期关系的目标第一样本时间信息;以及
利用所述资源预测模型,增大与所述目标第一样本时间信息相关联的第一样本资源关联数据的权重。
9.根据权利要求8所述的方法,其中:
所述利用所述资源预测模型,增大与所述目标第一样本时间信息相关联的第一样本资源关联数据的权重包括:
利用所述资源预测模型,将与所述目标第一样本时间信息相关联的第一样本资源关联数据的权重设置为第三权重;
所述利用所述资源预测模型,增大与所述目标第一样本时间信息相关联的第一样本资源关联数据的权重还包括:
针对所述至少一个第一样本时间信息中除所述目标第一样本时间信息之外的剩余第一样本时间信息,利用所述资源预测模型将与所述剩余第一样本时间信息相关联的第一样本资源关联数据的权重设置为第四权重,
其中,所述第三权重大于或等于第四权重。
10.根据权利要求7所述的方法,其中:
所述第一样本资源关联数据包括第一样本资源消耗数据、第三资源计划数据和样本环境数据中的至少一个,所述第一样本资源消耗数据、所述第三资源计划数据和所述样本环境数据相关联;
所述第二样本资源关联数据包括第二样本资源消耗数据。
11.一种资源数据处理装置,包括:
第一获取模块,用于获取与历史时间信息相关联的历史资源关联数据;
第一确定模块,用于基于所述历史时间信息与第一指定时间信息之间的关联性,确定针对所述历史资源关联数据的权重;以及
第二确定模块,用于基于所述历史资源关联数据和所述权重,确定针对所述第一指定时间信息的第一目标资源数据。
12.根据权利要求11所述的装置,其中,所述历史时间信息包括至少一个历史时间信息;所述第一确定模块包括:
第一确定子模块,用于从所述至少一个历史时间信息中确定与所述第一指定时间信息存在周期关系的目标历史时间信息;以及
第一增大子模块,用于增大与所述目标历史时间信息相关联的历史资源关联数据的权重。
13.根据权利要求12所述的装置,其中:
所述第一增大子模块还用于:
将与所述目标历史时间信息相关联的历史资源关联数据的权重设置为第一权重;
所述第一确定模块还包括:
第一设置子模块,用于针对所述至少一个历史时间信息中除所述目标历史时间信息之外的剩余历史时间信息,将与所述剩余历史时间信息相关联的历史资源关联数据的权重设置为第二权重,
其中,所述第一权重大于或等于第二权重。
14.根据权利要求11-13中任意一项所述的装置,还包括:
第二获取模块,用于获取与所述第一目标资源数据相关联的目标资源关联数据;
第三确定模块,用于基于所述历史时间信息与第二指定时间信息之间的关联性,确定针对所述历史资源关联数据的权重;
第四确定模块,用于基于所述第一指定时间信息与所述第二指定时间信息之间的关联性,确定针对所述目标资源关联数据的权重;以及
第五确定模块,用于基于所述历史资源关联数据和对应的权重以及所述目标资源关联数据和对应的权重,确定针对所述第二指定时间信息的第二目标资源数据。
15.根据权利要求14所述的装置,其中:
所述历史资源关联数据包括历史资源消耗数据、第一资源计划数据和历史环境数据中的至少一个,所述历史资源消耗数据、所述第一资源计划数据和所述历史环境数据之间相关联;
所述目标资源关联数据包括所述第一目标资源数据、第二资源计划数据和目标环境数据中的至少一个,所述第一目标资源数据、所述第二资源计划数据和所述目标环境数据之间相关联;
所述第一目标资源数据和所述第二目标资源数据中的至少一个包括未来资源消耗数据。
16.根据权利要求11-15中任意一项所述的装置,还包括:
第一调整模块,用于基于资源规划信息,调整所述第一目标资源数据和所述第二目标资源数据中的至少一个。
17.一种资源预测模型的训练装置,包括:
第三获取模块,用于获取与第一样本时间相关联的第一样本资源关联数据和与第二样本时间相关联的第二样本资源关联数据;
第六确定模块,用于利用所述资源预测模型,基于所述第一样本时间信息与所述第二样本时间信息之间的关联性,确定针对所述第一样本资源关联数据的权重;
获得模块,用于利用所述资源预测模型,基于所述第一样本资源关联数据和所述权重,得到针对所述第二样本时间信息的预测结果;以及
第二调整模块,用于基于所述预测结果和所述第二样本资源关联数据,调整所述资源预测模型的模型参数。
18.根据权利要求17所述的装置,其中,所述第一样本时间信息包括至少一个第一样本时间信息;所述第六确定模块包括:
第二确定子模块,用于利用所述资源预测模型,从所述至少一个第一样本时间信息中确定与所述第二样本时间信息存在周期关系的目标第一样本时间信息;以及
第二增大子模块,用于利用所述资源预测模型,增大与所述目标第一样本时间信息相关联的第一样本资源关联数据的权重。
19.根据权利要求18所述的装置,其中:
所述第二增大子模块还用于:
利用所述资源预测模型,将与所述目标第一样本时间信息相关联的第一样本资源关联数据的权重设置为第三权重;
所述第六确定模块还包括:
第一设置子模块,用于针对所述至少一个第一样本时间信息中除所述目标第一样本时间信息之外的剩余第一样本时间信息,利用所述资源预测模型将与所述剩余第一样本时间信息相关联的第一样本资源关联数据的权重设置为第四权重,
其中,所述第三权重大于或等于第四权重。
20.根据权利要求17所述的装置,其中:
所述第一样本资源关联数据包括第一样本资源消耗数据、第三资源计划数据和样本环境数据中的至少一个,所述第一样本资源消耗数据、所述第三资源计划数据和所述样本环境数据相关联;
所述第二样本资源关联数据包括第二样本资源消耗数据。
21.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-10中任一项所述的方法。
22.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行权利要求1-10中任一项所述的方法。
23.一种计算机程序产品,包括计算机程序/指令,其特征在于,所述计算机程序/指令被处理器执行时实现权利要求1-10中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111618429.3A CN114358406A (zh) | 2021-12-27 | 2021-12-27 | 资源数据处理方法、资源预测模型的训练方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111618429.3A CN114358406A (zh) | 2021-12-27 | 2021-12-27 | 资源数据处理方法、资源预测模型的训练方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114358406A true CN114358406A (zh) | 2022-04-15 |
Family
ID=81103418
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111618429.3A Pending CN114358406A (zh) | 2021-12-27 | 2021-12-27 | 资源数据处理方法、资源预测模型的训练方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114358406A (zh) |
-
2021
- 2021-12-27 CN CN202111618429.3A patent/CN114358406A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110073567B (zh) | 分布式资源电力需求预测系统和方法 | |
KR102468316B1 (ko) | 과거 데이터에 기초한 시계열 예측 방법 및 장치 | |
CN116882321B (zh) | 气象影响量化评估方法、装置、存储介质及电子设备 | |
CN114282670A (zh) | 神经网络模型的压缩方法、设备和存储介质 | |
CN116307215A (zh) | 一种电力系统的负荷预测方法、装置、设备及存储介质 | |
CN114881129A (zh) | 一种模型训练方法、装置、电子设备及存储介质 | |
CN115146853A (zh) | 基于电碳因子的用碳量确定方法、装置、设备及存储介质 | |
CN115271218A (zh) | 基于电碳因子的碳排放量预测方法、装置、设备及介质 | |
CN116756522B (zh) | 概率预报方法、装置、存储介质及电子设备 | |
CN113379153A (zh) | 用于预测电力负荷的方法、预测模型训练方法及装置 | |
CN115453661B (zh) | 气象预报方法、装置、设备以及存储介质 | |
CN114358406A (zh) | 资源数据处理方法、资源预测模型的训练方法和装置 | |
CN115882451A (zh) | 新能源电站的发电功率预测方法、装置、以及设备 | |
CN115601042A (zh) | 信息识别方法、装置、电子设备及存储介质 | |
CN114186738A (zh) | 一种故障预警方法、装置、电子设备和存储介质 | |
CN113361621A (zh) | 用于训练模型的方法和装置 | |
CN113012682A (zh) | 误唤醒率确定方法、装置、设备、存储介质和程序产品 | |
CN114066059B (zh) | 一种预测环境污染的方法和装置 | |
CN114742263B (zh) | 负荷预测方法、装置、电子设备及存储介质 | |
CN115983445A (zh) | Pue预测方法、pue预测模型的训练方法、装置及设备 | |
CN116562421A (zh) | 负荷预测方法、装置、设备及介质 | |
CN113342990A (zh) | 知识图谱的构建方法和装置 | |
CN116205321A (zh) | 用碳量确定方法、装置、设备及存储介质 | |
CN114021714A (zh) | 一种迁移学习训练方法、装置、电子设备及存储介质 | |
CN114580740A (zh) | 母线负荷预测方法、装置、电子设备及存储介质 |
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 |