计算机参数长期退化趋势预测方法、系统、设备及介质技术方案

本发明专利技术公开了一种计算机参数长期退化趋势预测方法、系统、设备及介质，在神经网络的训练过程中采用了Curriculum Learning训练方法，使用真实值输入和预测值输出来相结合的方式来训练模型，逐渐提升预测输入的占比，直至满足长期预测的需求。通过此种训练方式，在保证精度的同时，能够实现对于计算机关键参数长期的循环预测。在目前循环神经网络的基础上，对其训练方式进行改进，能够解决循环预测中误差累积的问题，实现更加准确和长期的趋势预测，从而给后续维护工作预留更长的准备时间。从而给后续维护工作预留更长的准备时间。从而给后续维护工作预留更长的准备时间。

【技术实现步骤摘要】
计算机参数长期退化趋势预测方法、系统、设备及介质


[0001]本专利技术属于计算机数据处理
，本专利技术涉及一种基于时间序列的嵌入式计算机关键参数长期退化趋势预测方法、系统、设备及介质，尤其适用于需要评价长期退化状态的高可靠性嵌入式星弹载计算机系统。

技术介绍

[0002]传统模型的方式将采集的历史数据来强行拟合几种固定退化模型来进行伪寿命估计。虽然简单直观，但是和实时真实数据存在较大的差异。基于深度神经网络的方法(例如LSTM)在预测过程中，将输出的预测值作为输入值，循环输入网络，进行滚动预测。虽然此种预测效果更加精准，但是由于将预测值作为下一步的输入，导致循环预测过程中存在着误差累计，因此对于中长期预测效果不佳。

技术实现思路

[0003]针对现有技术中存在的问题，本专利技术提供一种基于时间序列的嵌入式计算机关键参数长期退化趋势预测方法、系统、设备及介质，在目前循环神经网络的基础上，对其训练方式进行改进，能够解决循环预测中误差累积的问题，实现更加准确和长期的趋势预测，从而给后续维护工作预留更长的准备时间。
[0004]本专利技术是通过以下技术方案来实现：
[0005]一种计算机关键参数长期退化趋势预测方法，包括，
[0006]S1,选择在长期有退化趋势的关键表征参数进行数据预处理；
[0007]S2,采用LSTNET网络为基准，对预处理的数据采用Curriculum Learning训练方法，使用真实值输入和预测值输出相结合的方式进行训练，得到训练好的模型；<br/>[0008]S3,将训练好的模型采用循坏迭代的方式进行预测计算机关键参数长期退化趋势。
[0009]优选的，S1中在数据预处理过程中，将时间序列数据分割为对应网络输入长度的时序批次数据按批次处理。
[0010]优选的，S2的具体训练过程为：
[0011]S201，将时间序列数据输入一维卷积网络，用于提取各个时间段特征，捕捉短期局部信息，且不同的样品的时间序列数据，提取出多条相同维度的特征矩阵；
[0012]S202，将特征矩阵逐步输入到LSTM网络中，通过不同时间，各层的临近连接，计算相对应的临近依赖关系；
[0013]S203，将特征矩阵逐步输入Skip
‑
LSTM网络中，通过不同时间，各层不再临近连接，而是使用跳转一定距离跨度进行连接，计算相对应的跳转依赖关系；
[0014]S204，根据相对应的临近依赖关系和相对应的跳转依赖关系建立训练模型。
[0015]优选的，S2中在训练过程中，采用真实值和预测值联合训练的Curriculum Learning训练方式，模型最开始从真实值y为输入进行训练，在训练的过程中逐渐提升预测
值的输入比例，其预测值的输入逐渐从零提升到100％，其比例增加率和迭代次数成正比。
[0016]优选的，S3具体为：在训练模型中输入时间序列数据，使用全连接层模拟AR自回归过程，为训练模型预测添加线性成份，使用线性全连接短接层，接收中间层输出，最终输出预测结果，将预测结果与该时序批次数据的下一小时或几小时的值作对比，其差值作为损失函数，进而优化网络参数。
[0017]优选的，在前期训练的过程中全部使用真实值为标签作为输入；在真实的长期预测过程中，将本次得到的预测值作为网络的未来输入。
[0018]优选的，LSTNET网络包括CNN层，RNN层，Skip
‑
RNN和线性全连接短接层；所述CNN层为一维普通卷积层，用于捕捉短期局部信息；所述RNN层使用LSTM网络或GRU网络，用于捕捉长期宏观信息；所述Skip
‑
RNN网络用于对输入数据进行维度整理，使用LSTM网络或GRU网络，捕捉更长期的信息并充分利用序列的周期特性，通过跨度跳转能够摆脱短期的时间依赖；线性全连接短接层用于模拟AR自回归过程，为预测添加线性成份，同时使输出可以响应输入的尺度变化。
[0019]一种计算机关键参数长期退化趋势预测系统，包括，
[0020]数据处理模块，用于将长期有退化趋势的关键表征参数进行数据预处理；
[0021]模型训练模块，用于将采用LSTNET网络为基准，对预处理的数据采用Curriculum Learning训练方法，使用真实值输入和预测值输出相结合的方式进行训练；
[0022]预测模块，用于将训练好的模型采用循坏迭代的方式进行预测计算机关键参数长期退化趋势。
[0023]一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述预测方法的步骤。
[0024]一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述预测方法的步骤。
[0025]与现有技术相比，本专利技术具有以下有益的技术效果：
[0026]本专利技术公开了一种基于时间序列的嵌入式计算机关键参数长期退化趋势预测方法、系统、设备及介质，在神经网络的训练过程中采用了Curriculum Learning训练方法，使用真实值输入和预测值输出来相结合的方式来训练模型，逐渐提升预测输入的占比，直至满足长期预测的需求。通过此种训练方式，在保证精度的同时，能够实现对于计算机关键参数长期的循环预测。在目前循环神经网络的基础上，对其训练方式进行改进，能够解决循环预测中误差累积的问题，实现更加准确和长期的趋势预测，从而给后续维护工作预留更长的准备时间。通过此训练方法对于计算机关键部件参数的退化趋势进行了学习，将预测值逐步加入训练样本，并提高比例。最终训练出的模型支持采用循坏迭代的方式进行预测计算机退化趋势，可以减少预测值输出累积误差。提高了预测的长期性，对于出现退化而导致不可用的部件可以考虑及时进行更换，保证了计算机工作的可靠性。
[0027]进一步，本专利技术使用全连接层模拟AR自回归过程，为预测添加线性成份，这一步可以避免长期预测时，趋势消失的问题，使长期预测可以更加准确。
[0028]进一步，本专利技术将特征矩阵逐步输入Skip
‑
LSTM网络中，通过不同时间，各层不再
临近连接，而是使用跳转一定距离跨度进行连接，计算相对应的跳转依赖关系，可以有效避免长期预测时，由于临近依赖消失，导致的预测值与真实值偏离过大的问题；
[0029]进一步，本专利技术在LSTNET网络中通过Skip
‑
RNN增加了与更前信息的依赖关系，同时短接了线性预测部分，为长期预测中总体走势的稳定提供了保障。
[0030]进一步，本专利技术在前期训练过程中，全部使用时间序列数据集中真实值进行训练，按照其输出的预测值和标注的真实值y之间的差值来优化整个网络，因为在监督训练中每个时刻都有真实值作为训练的标准，因此，网络能够在t时刻预测出t+1时刻的计算机参数值，短期预测能够取得很好效果。
附图说明
[0031]图1为LSTNET长期预测网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种计算机参数长期退化趋势预测方法，其特征在于，包括，S1，选择在长期有退化趋势的关键表征参数进行数据预处理；S2，采用LSTNET网络为基准，对预处理的数据采用Curriculum Learning训练方法，使用真实值输入和预测值输出相结合的方式进行训练，得到训练好的模型；S3，将训练好的模型采用循坏迭代的方式进行预测计算机关键参数长期退化趋势。2.根据权利要求1所述的一种计算机参数长期退化趋势预测方法，其特征在于，S1中在数据预处理过程中，将时间序列数据分割为对应网络输入长度的时序批次数据按批次处理。3.根据权利要求1所述的一种计算机参数长期退化趋势预测方法，其特征在于，S2的具体训练过程为：S201，将时间序列数据输入一维卷积网络，用于提取各个时间段特征，捕捉短期局部信息，且不同的样品的时间序列数据，提取出多条相同维度的特征矩阵；S202，将特征矩阵逐步输入到LSTM网络中，通过不同时间，各层的临近连接，计算相对应的临近依赖关系；S203，将特征矩阵逐步输入Skip
‑
LSTM网络中，通过不同时间，各层不再临近连接，而是使用跳转一定距离跨度进行连接，计算相对应的跳转依赖关系；S204，根据相对应的临近依赖关系和相对应的跳转依赖关系建立训练模型。4.根据权利要求1所述的一种计算机参数长期退化趋势预测方法，其特征在于，S2中在训练过程中，采用真实值和预测值联合训练的Curriculum Learning训练方式，模型最开始从真实值y为输入进行训练，在训练的过程中逐渐提升预测值的输入比例，其预测值的输入逐渐从零提升到100％，其比例增加率和迭代次数成正比。5.根据权利要求1所述的一种计算机参数长期退化趋势预测方法，其特征在于，S3具体为：在训练模型中输入时间序列数据，使用全连接层模拟AR自回归过程，为训练模型预测添加线性成份，使用线性全连接短接层，接收中间层输出，最终输出预测结果，将预测结果与该时序批次数据的下一...

【专利技术属性】
技术研发人员：毛远宏，贺鹏超，刘曦，王宁，周美娟，马钟，柴波，
申请(专利权)人：西安微电子技术研究所，
类型：发明
国别省市：