网络模型训练方法、室温预测方法、装置、设备及介质制造方法及图纸

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。性。性。

【技术实现步骤摘要】
网络模型训练方法、室温预测方法、装置、设备及介质


[0001]本申请涉及深度学习
，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。

技术介绍

[0002]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。
[0003]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。
[0004]实际应用过程中，本申请专利技术人发现，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。

技术实现思路

[0005]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。
[0006]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本文档来自技高网...

【技术保护点】

【技术特征摘要】
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；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。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...

【专利技术属性】
技术研发人员：易修文，齐德康，李鹏，段哲文，崔煦，
申请(专利权)人：京东城市北京数字科技有限公司，
类型：发明
国别省市：