一种数据处理方法、服务器及电子设备技术

本申请提供的一种数据处理方法、服务器及电子设备，可利用循环神经网络训练一预测模型，该预测模型用于对预定设备的目标指标进行预测。在训练预测模型时，除了以训练样本为模型输入，还引入了待预测指标所对应的所述预定设备的设备状态信息，并具体以第一训练样本的上一样本在训练过程中输出的第一设备状态信息作为第一训练样本在进行训练时的状态输入信息，这就使得设备状态信息能够按各样本的训练次序在各样本的训练过程中进行传递，相对应地能够使得所得的预测模型达到对设备状态信息的长时记忆效果，后续在利用该预测模型进行预测时，能够结合预测样本的数据及记忆的设备状态信息对目标指标进行预测，从而可使得预测结果具备较高的准确率。

【技术实现步骤摘要】
一种数据处理方法、服务器及电子设备
本专利技术属于大数据分析预测
，尤其涉及一种数据处理方法、服务器及电子设备。
技术介绍
在以石化行业为代表的流程制造行业中，准确的预测其目标产出物(例如石化行业中的汽油、液化气等)的收率，对于指导生产过程，实现经济效益最大化是非常关键的。由于流程制造行业所涉及的流程繁多，工艺复杂，且各个流程间往往存在复杂的相互影响，从而会导致准确预测其目标产出物的收率较为困难。因此，对于流程制造行业而言，提供一种解决方案以能够有效、高准确率地预测诸如目标产出物收率等指标的指标数据十分必要。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种数据处理方法、服务器及电子设备，以能够有效、高准确率地预测诸如目标产出物收率等指标的指标数据。为此，本专利技术公开如下技术方案：一种数据处理方法，用于训练一预测模型，所述预测模型用于对预定设备的目标指标进行数据预测，所述方法包括：获得多个训练样本；每个训练样本包括针对所述预定设备的至少一个采集指标所获得的一组时序数据以及该组时序数据对应的目标指标实际值；针对待处理的第一训练样本，执行以下的预定处理：获得在对所述第一训练样本的上一个训练样本进行模型训练处理时所输出的第一设备状态信息；所述第一设备状态信息为所述预定设备的状态信息；将所述第一设备状态信息以及所述第一训练样本包括的一组时序数据输入循环神经网络模型；利用循环神经网络模型，基于输入的所述第一设备状态信息，对所述第一训练样本进行模型训练处理，以得到预测模型。上述方法，优选的，所述利用循环神经网络模型，基于输入的所述第一设备状态信息，对所述第一训练样本进行模型训练处理，以得到预测模型，包括：对所述第一训练样本的相应样本数据及所述第一设备状态信息进行整合处理，得到第一训练样本对应的整合样本；利用循环神经网络模型，对所述整合样本进行模型训练处理，得到模型输出的对应于所述第一训练样本的目标指标预测值以及第二设备状态信息；所述第二设备状态信息为所述预定设备的状态信息；基于第一训练样本的目标指标预测值以及第一训练样本对应的目标指标实际值，调整所述循环神经网络模型的模型参数，以得到预测模型。上述方法，优选的，每个训练样本对应的一组时序数据包括所述至少一个采集指标在预定数量的历史时序点中各个历史时序点的指标数据；每个历史时序点的指标数据对应一目标指标实际值；所述利用循环神经网络模型，基于输入的所述第一设备状态信息，对所述第一训练样本进行模型训练处理，以得到预测模型，包括：利用循环神经网络模型，基于所述第一设备状态信息，对所述第一训练样本中第一个时序点的样本数据进行模型训练处理，得到第一训练样本中第一个时序点的样本数据所对应的目标指标预测值及设备状态信息；若第一训练样本中存在未被处理的时序点样本数据，则利用循环神经网络模型，基于第一训练样本中相邻的上一个时序点样本数据对应得到的设备状态信息，对该未被处理的时序点样本数据进行模型训练处理，得到该未被处理的时序点样本数据所对应的目标指标预测值及设备状态信息；将第一训练样本中最后一个时序点样本数据对应得到的目标指标预测值及设备状态信息，分别作为第一训练样本的目标指标预测值及第二设备状态信息并输出；所述第二设备状态信息为所述预定设备的状态信息；基于第一训练样本中的最后一个时序点样本数据对应的目标指标预测值以及目标指标实际值，调整所述循环神经网络模型的模型参数，以得到预测模型。上述方法，优选的，所述获得多个训练样本，包括：按时间顺序获得所述至少一个采集指标在多个历史时序点的指标数据及每个历史时序点的指标数据对应的目标指标实际值；采用一滑动窗口以预定步长对所述多个历史时序点的指标数据及其对应的目标指标实际值进行滑动处理，滑动过程中每一个窗口内对应包括的采集指标的一组时序数据及目标指标实际值作为一个训练样本，得到多个训练样本；所述滑动窗口的时序点长度为所述预定数量。上述方法，优选的，在所述采用一滑动窗口以预定步长对所述多个历史时序点的指标数据进行滑动处理之前，还包括：对所述多个历史时序点的采集指标的指标数据进行筛选处理，得到所述多个历史时序点的符合预定条件的指标数据。上述方法，优选的，还包括：利用预测模型对待处理的预测样本进行预测处理，得到所述预测样本对应的目标指标预测值；所述预测样本对应的目标指标预测值的生成，利用了所述预测模型在训练阶段所涉及的所述预定设备的所有历史状态信息以及在对所述待处理的预测样本处理之前的预测阶段所涉及的所述预定设备的所有历史状态信息。一种服务器，用于训练一预测模型，所述预测模型用于对预定设备的目标指标进行数据预测，所述服务器包括：存储器，用于至少存储一组指令集；处理器，用于调用并执行所述存储器中的所述指令集，通过执行所述指令集进行以下操作：获得多个训练样本；每个训练样本包括针对所述预定设备的至少一个采集指标所获得的一组时序数据以及该组时序数据对应的目标指标实际值；针对待处理的第一训练样本，执行以下的预定处理：获得在对所述第一训练样本的上一个训练样本进行模型训练处理时所输出的第一设备状态信息；所述第一设备状态信息为所述预定设备的状态信息；将所述第一设备状态信息以及所述第一训练样本包括的一组时序数据输入循环神经网络模型；利用循环神经网络模型，基于输入的所述第一设备状态信息，对所述第一训练样本进行模型训练处理，以得到预测模型。上述服务器，优选的，所述处理器利用循环神经网络模型，基于输入的所述第一设备状态信息，对所述第一训练样本进行模型训练处理，以得到预测模型，具体包括：对所述第一训练样本的相应样本数据及所述第一设备状态信息进行整合处理，得到第一训练样本对应的整合样本；利用循环神经网络模型，对所述整合样本进行模型训练处理，得到模型输出的对应于所述第一训练样本的目标指标预测值以及第二设备状态信息；所述第二设备状态信息为所述预定设备的状态信息；基于第一训练样本的目标指标预测值以及第一训练样本对应的目标指标实际值，调整所述循环神经网络模型的模型参数，以得到预测模型。上述服务器，优选的，所述每个训练样本对应的一组时序数据包括所述至少一个采集指标在预定数量的历史时序点中各个历史时序点的指标数据；每个历史时序点的指标数据对应一目标指标实际值；所述处理器利用循环神经网络模型，基于输入的所述第一设备状态信息，对所述第一训练样本进行模型训练处理，以得到预测模型，包括：利用循环神经网络模型，基于所述第一设备状态信息，对所述第一训练样本中第一个时序点的样本数据进行模型训练处理，得到第一训练样本中第一个时序点的样本数据所对应的目标指标预测值及设备状态信息；若第一训练样本中存在未被处理的时序点样本数据，则利用循环神经网络模型，基于第一训练样本中相邻的上一个时序点样本数据对应得到的设备状态信息，对该未被处理的时序点样本数据进行模型训练处理，得到该未被处理的时序点样本数据所对应的目标指标预测值及设备状态信息；将第一训练样本中最后一个时序点样本数据对应得到的目标指标预测值及设备状态信息，分别作为第一训练样本的目标指标预测值及第二设备状态信息并输出；所述第二设备状态信息为所述预定设备的状态信息；基于第一训练样本中的最后一个时序点样本数据对应的目标指标预测值以及目标指标实际值，调整所述本文档来自技高网...

【技术保护点】
1.一种数据处理方法，其特征在于，用于训练一预测模型，所述预测模型用于对预定设备的目标指标进行数据预测，所述方法包括：获得多个训练样本；每个训练样本包括针对所述预定设备的至少一个采集指标所获得的一组时序数据以及该组时序数据对应的目标指标实际值；针对待处理的第一训练样本，执行以下的预定处理：获得在对所述第一训练样本的上一个训练样本进行模型训练处理时所输出的第一设备状态信息；所述第一设备状态信息为所述预定设备的状态信息；将所述第一设备状态信息以及所述第一训练样本包括的一组时序数据输入循环神经网络模型；利用循环神经网络模型，基于输入的所述第一设备状态信息，对所述第一训练样本进行模型训练处理，以得到预测模型。

【技术特征摘要】
1.一种数据处理方法，其特征在于，用于训练一预测模型，所述预测模型用于对预定设备的目标指标进行数据预测，所述方法包括：获得多个训练样本；每个训练样本包括针对所述预定设备的至少一个采集指标所获得的一组时序数据以及该组时序数据对应的目标指标实际值；针对待处理的第一训练样本，执行以下的预定处理：获得在对所述第一训练样本的上一个训练样本进行模型训练处理时所输出的第一设备状态信息；所述第一设备状态信息为所述预定设备的状态信息；将所述第一设备状态信息以及所述第一训练样本包括的一组时序数据输入循环神经网络模型；利用循环神经网络模型，基于输入的所述第一设备状态信息，对所述第一训练样本进行模型训练处理，以得到预测模型。2.根据权利要求1所述的方法，其特征在于，所述利用循环神经网络模型，基于输入的所述第一设备状态信息，对所述第一训练样本进行模型训练处理，以得到预测模型，包括：对所述第一训练样本的相应样本数据及所述第一设备状态信息进行整合处理，得到第一训练样本对应的整合样本；利用循环神经网络模型，对所述整合样本进行模型训练处理，得到模型输出的对应于所述第一训练样本的目标指标预测值以及第二设备状态信息；所述第二设备状态信息为所述预定设备的状态信息；基于第一训练样本的目标指标预测值以及第一训练样本对应的目标指标实际值，调整所述循环神经网络模型的模型参数，以得到预测模型。3.根据权利要求1所述的方法，其特征在于，每个训练样本对应的一组时序数据包括所述至少一个采集指标在预定数量的历史时序点中各个历史时序点的指标数据；每个历史时序点的指标数据对应一目标指标实际值；所述利用循环神经网络模型，基于输入的所述第一设备状态信息，对所述第一训练样本进行模型训练处理，以得到预测模型，包括：利用循环神经网络模型，基于所述第一设备状态信息，对所述第一训练样本中第一个时序点的样本数据进行模型训练处理，得到第一训练样本中第一个时序点的样本数据所对应的目标指标预测值及设备状态信息；若第一训练样本中存在未被处理的时序点样本数据，则利用循环神经网络模型，基于第一训练样本中相邻的上一个时序点样本数据对应得到的设备状态信息，对该未被处理的时序点样本数据进行模型训练处理，得到该未被处理的时序点样本数据所对应的目标指标预测值及设备状态信息；将第一训练样本中最后一个时序点样本数据对应得到的目标指标预测值及设备状态信息，分别作为第一训练样本的目标指标预测值及第二设备状态信息并输出；所述第二设备状态信息为所述预定设备的状态信息；基于第一训练样本中的最后一个时序点样本数据对应的目标指标预测值以及目标指标实际值，调整所述循环神经网络模型的模型参数，以得到预测模型。4.根据权利要求3所述的方法，其特征在于，所述获得多个训练样本，包括：按时间顺序获得所述至少一个采集指标在多个历史时序点的指标数据及每个历史时序点的指标数据对应的目标指标实际值；采用一滑动窗口以预定步长对所述多个历史时序点的指标数据及其对应的目标指标实际值进行滑动处理，滑动过程中每一个窗口内对应包括的采集指标的一组时序数据及目标指标实际值作为一个训练样本，得到多个训练样本；所述滑动窗口的时序点长度为所述预定数量。5.根据权利要求4所述的方法，其特征在于，在所述采用一滑动窗口以预定步长对所述多个历史时序点的指标数据进行滑动处理之前，还包括：对所述多个历史时序点的采集指标的指标数据进行筛选处理，得到所述多个历史时序点的符合预定条件的指标数据。6.根据权利要求1-5任一项所述的方法，其特征在于，还包括：利用预测模型对待处理的预测样本进行预测处理，得到所述预测样本对应的目标指标预测值；所述预测样本对应的目标指标预测值的生成，利用了所述预测模型在训练阶段所涉及的所述预定设备的所有历史状态信息以及在对所述待处理的预...

【专利技术属性】
技术研发人员：杨帆，金宝宝，金继民，张成松，
申请(专利权)人：联想北京有限公司，
类型：发明
国别省市：北京,11