模型训练方法及装置、磁盘寿命预测方法及装置制造方法及图纸

本申请实施例公开了一种模型训练方法及装置和一种磁盘寿命预测方法及装置，该模型训练方法，包括：获得预先训练好的初始模型；初始模型至少有两类输出；利用初始模型，对目标对象的发展趋势进行多次预测，得到多组预测输出；每组预测输出包括每类输出的分类概率；根据多组预测输出，对初始模型计算的分类概率进行校准，得到校准后的模型；校准后的模型用于对目标对象的发展趋势进行预测。可以根据目标对象的实际使用情况，对模型计算的分类概率进行校准，修正模型的预测误差，从而提高了模型对目标对象发展趋势预测的准确性，利用该校准后的模型可以准确预测磁盘的寿命。

Model Training Method and Device, Disk Life Prediction Method and Device

The embodiment of this application discloses a model training method and device, and a disk life prediction method and device. The model training method includes: obtaining a pre-trained initial model; the initial model has at least two kinds of outputs; using the initial model, the development trend of the target object is predicted several times, and multiple groups of predictive outputs are obtained; each group of predictive outputs includes each type of output. Classification probability; Calibration of the classification probability calculated by the initial model according to the multi-group predictive output to obtain the calibrated model; The calibrated model is used to predict the development trend of the target object. According to the actual use of the target object, the classification probability calculated by the model can be calibrated, and the prediction error of the model can be corrected, thus improving the accuracy of the prediction of the development trend of the target object. Using the calibrated model, the disk life can be predicted accurately.

【技术实现步骤摘要】
模型训练方法及装置、磁盘寿命预测方法及装置
本申请涉及计算机
，尤其涉及一种模型训练方法及装置和一种磁盘寿命预测方法及装置。
技术介绍
目前，在对磁盘寿命进行预测时，一般会利用通过机器学习算法构建的磁盘寿命预测模型，将磁盘的自我监测、分析及报告(Self-MonitoringAnalysisandReportingTechnology，SMART)信息作为磁盘寿命预测模型的输入得到磁盘寿命的分类区间。虽然在测试时磁盘寿命预测模型能够得到较准确的预测结果，但在实际应用中发现，磁盘寿命受实际使用情况影响较大，磁盘寿命预测模型的输出结果并不能准确的得到磁盘的寿命，对磁盘寿命预测不准确。
技术实现思路
有鉴于此，本申请实施例一方面提供了一种模型训练方法及装置，另一方面提供了一种磁盘寿命预测方法及装置，能够解决现有技术中磁盘寿命预测模型的输出结果并不能准确预测磁盘的寿命的问题。本申请实施例提供的一种模型训练方法，包括：获得预先训练好的初始模型；所述初始模型至少有两类输出；利用所述初始模型，对目标对象的发展趋势进行多次预测，得到多组预测输出；每组预测输出包括每类输出的分类概率；根据所述多组预测输出，对所述初始模型计算的分类概率进行校准，得到校准后的模型；所述校准后的模型用于对所述目标对象的发展趋势进行预测。可选的，所述根据所述多组预测输出，对所述初始模型计算的分类概率进行校准，具体包括：统计所述多组预测输出中每类输出的分类概率均值，得到每类输出的第一概率均值，并获得所述初始预测模型每类输出的分类概率均值，得到每类输出的第二概率均值；所述第二概率均值利用所述初始模型的训练数据集得到；根据所述第一概率均值和所述第二概率均值，获得每类输出的组间差异；根据所述组间差异的大小，为每类输出设置对应的分类惩罚系数；所述组间差异越大所述分类惩罚系数的绝对值越大；利用所述分类惩罚系数修正初始设定的每类输出的分类权重；使用所述分类权重对所述初始模型计算的每类输出的分类概率进行校准。可选的，所述根据所述多组预测输出，对所述初始模型计算的分类概率进行校准，具体包括：根据所述多组预测输出中最近一次预测的预测输出，获得其中分类概率最大的输出类别；根据所述分类概率最大的输出类别，为所述初始模型的每类输出设置对应的分类趋势系数；输出类别与所述分类概率最大的输出类别差异越小其对应的分类趋势系数越大；利用所述分类趋势系数修正初始设定的每类输出的分类权重；使用所述分类权重对所述初始模型计算的每类输出的分类概率进行校准。可选的，所述使用所述分类权重对所述初始模型计算的每类输出的分类概率进行校准，之前还包括：在获得每类输出的第一概率均值后，根据每类输出的所述第一概率均值和在所述多组预测输出中的概率，获得所述多组预测输出的组内差异；所述第一概率均值为每类输出在所述多组预测输出中分类概率的均值；判断所述组内差值是否小于预设阈值；若是，则重置所述每类输出的分类权重。本申请实施例提供的一种磁盘寿命预测方法，包括：获取目标磁盘的SMART信息；将所述SMART信息输入预先得到的预测模型；所述预测模型根据如上述实施例提供的模型训练方法中的任意一种得到；根据所述预测模型的输出结果，获得所述目标磁盘的寿命；所述预测模型将分类概率最大的类别作为结果输出。本申请实施例提供的一种模型训练装置，包括：获取模块、预测模块和校准模块；所述获取模块，用于获得预先训练好的初始模型；所述初始模型至少有两类输出；所述预测模块，用于利用所述初始模型，对目标对象的发展趋势进行多次预测，得到多组预测输出；每组预测输出包括每类输出的分类概率；所述校准模块，用于根据所述多组预测输出，对所述初始模型计算的分类概率进行校准，得到校准后的模型；所述校准后的模型用于对所述目标对象的发展趋势进行预测。可选的，所述校准模块，具体包括：统计子模块、分析子模块、第一设置子模块、第一修正子模块和第一校准子模块；所述统计子模块，用于统计所述多组预测输出中每类输出的分类概率均值，得到每类输出的第一概率均值，并获得所述初始预测模型每类输出的分类概率均值，得到每类输出的第二概率均值；所述第二概率均值利用所述初始模型的训练数据集得到；所述分析子模块，用于根据所述第一概率均值和所述第二概率均值，获得每类输出的组间差异；所述第一设置子模块，用于根据所述组间差异的大小，为每类输出设置对应的分类惩罚系数；所述组间差异越大所述分类惩罚系数的绝对值越大；所述第一修正子模块，用于利用所述分类惩罚系数修正初始设定的每类输出的分类权重；所述第一校准子模块，用于使用所述分类权重对所述初始模型计算的每类输出的分类概率进行校准。可选的，所述校准模块，具体包括：获得子模块、第二设置子模块、第二修正子模块和第二校准子模块；所述获得子模块，用于根据所述多组预测输出中最近一次预测的预测输出，获得其中分类概率最大的输出类别；所述第二设置子模块，用于根据所述分类概率最大的输出类别，为所述初始模型的每类输出设置对应的分类趋势系数；输出类别与所述分类概率最大的输出类别差异越小其对应的分类趋势系数越大；所述第二修正子模块，用于利用所述分类趋势系数修正初始设定的每类输出的分类权重；所述第二校准子模块，用于使用所述分类权重对所述初始模型计算的每类输出的分类概率进行校准。可选的，所述装置，还包括：分析模块、判断模块和重置模块；所述分析模块，用于在获得每类输出的第一概率均值后，根据每类输出的所述第一概率均值和在所述多组预测输出中的概率，获得所述多组预测输出的组内差异；所述第一概率均值为每类输出在所述多组预测输出中分类概率的均值；所述判断模块，用于判断所述组内差值是否小于预设阈值；所述重置模块，用于当所述判断模块判断所述组内差值小于所述预设阈值时，重置所述每类输出的分类权重。本申请实施例提供的一种磁盘寿命预测装置，包括：信息获取单元、模型输入单元和结果获取单元；所述信息获取单元，用于获取目标磁盘的SMART信息；所述模型输入单元，用于将所述SMART信息输入预先得到的预测模型；所述预测模型根据如上述实施例提供的模型训练装置中的任意一种得到；所述结果获取单元，用于根据所述预测模型的输出结果，获得所述目标磁盘的寿命；所述预测模型将分类概率最大的类别作为结果输出。与现有技术相比，本申请至少具有以下优点：在本申请实施例中，首先获得预先训练好的初始模型，利用该初始模型对目标对象的发展趋势进行多次预测，得到多组预测输出，然后利用得到的多组预测输出对初始模型计算的分类概率进行校准，得到校准后的模型来继续对目标对象的发展趋势进行预测，可以根据目标对象的实际使用情况，对模型计算的分类概率进行校准，修正模型的预测误差，从而提高了模型对目标对象发展趋势预测的准确性，利用该校准后的模型可以准确预测磁盘的寿命。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请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的前提下，还可以根据这些附图获得其它的附图。图1为本申请实施例提供的一种模型训练方法的流程示意图；图2为本申请实施例提供的另一种模型训练方法的流程示意图；图3本文档来自技高网...

【技术保护点】
1.一种模型训练方法，其特征在于，所述方法包括：获得预先训练好的初始模型；所述初始模型至少有两类输出；利用所述初始模型，对目标对象的发展趋势进行多次预测，得到多组预测输出；每组预测输出包括每类输出的分类概率；根据所述多组预测输出，对所述初始模型计算的分类概率进行校准，得到校准后的模型；所述校准后的模型用于对所述目标对象的发展趋势进行预测。

【技术特征摘要】
1.一种模型训练方法，其特征在于，所述方法包括：获得预先训练好的初始模型；所述初始模型至少有两类输出；利用所述初始模型，对目标对象的发展趋势进行多次预测，得到多组预测输出；每组预测输出包括每类输出的分类概率；根据所述多组预测输出，对所述初始模型计算的分类概率进行校准，得到校准后的模型；所述校准后的模型用于对所述目标对象的发展趋势进行预测。2.根据权利要求1所述的方法，其特征在于，所述根据所述多组预测输出，对所述初始模型计算的分类概率进行校准，具体包括：统计所述多组预测输出中每类输出的分类概率均值，得到每类输出的第一概率均值，并获得所述初始预测模型每类输出的分类概率均值，得到每类输出的第二概率均值；所述第二概率均值利用所述初始模型的训练数据集得到；根据所述第一概率均值和所述第二概率均值，获得每类输出的组间差异；根据所述组间差异的大小，为每类输出设置对应的分类惩罚系数；所述组间差异越大所述分类惩罚系数的绝对值越大；利用所述分类惩罚系数修正初始设定的每类输出的分类权重；使用所述分类权重对所述初始模型计算的每类输出的分类概率进行校准。3.根据权利要求1或2所述的方法，其特征在于，所述根据所述多组预测输出，对所述初始模型计算的分类概率进行校准，具体包括：根据所述多组预测输出中最近一次预测的预测输出，获得其中分类概率最大的输出类别；根据所述分类概率最大的输出类别，为所述初始模型的每类输出设置对应的分类趋势系数；输出类别与所述分类概率最大的输出类别差异越小其对应的分类趋势系数越大；利用所述分类趋势系数修正初始设定的每类输出的分类权重；使用所述分类权重对所述初始模型计算的每类输出的分类概率进行校准。4.根据权利要求3所述的方法，其特征在于，所述使用所述分类权重对所述初始模型计算的每类输出的分类概率进行校准，之前还包括：在获得每类输出的第一概率均值后，根据每类输出的所述第一概率均值和在所述多组预测输出中的概率，获得所述多组预测输出的组内差异；所述第一概率均值为每类输出在所述多组预测输出中分类概率的均值；判断所述组内差值是否小于预设阈值；若是，则重置所述每类输出的分类权重。5.一种磁盘寿命预测方法，其特征在于，所述方法包括：获取目标磁盘的SMART信息；将所述SMART信息输入预先得到的预测模型；所述预测模型根据权利要求1-4任意一项所述的模型训练方法得到；根据所述预测模型的输出结果，获得所述目标磁盘的寿命；所述预测模型将分类概率最大的类别作为结果输出。6.一种模型训练装置，其特征在于，所述装置包括：获取模块、预测模块和校准模块；所述获取模块，用于获得预先训练好的初始模型；所述初始模型至少有两类输出；所述预测模块，用于利用所述初始模型，对目标对象的发展趋势进行多次预测，得到多组预测输出；每组预测...

【专利技术属性】
技术研发人员：谢全泉，李娟，
申请(专利权)人：郑州云海信息技术有限公司，
类型：发明
国别省市：河南,41