目标任务预测方法、任务预测模型的数据处理方法及系统技术方案

本说明书实施例提供目标任务预测方法、任务预测模型的数据处理方法及系统，其中所述目标任务预测方法包括：获取目标任务时序数据；将目标任务时序数据输入至任务预测模型的嵌入层，获得初始时序特征数据；将初始时序特征数据输入至任务预测模型的拆分映射层，获得多个拆分子数据特征向量；将多个拆分子数据特征向量输入至任务预测模型的解码器，获得多个预测拆分子数据特征向量；将多个预测拆分子数据特征向量输入至任务预测模型的映射还原层，获得目标任务预测时序数据。通过将目标任务时序数据依次输入任务预测模型的嵌入层、映射还原层，获得多个拆分子数据特征向量，使得解码器可直接对多个拆分子数据特征向量做预测处理，提高了预测的效率。提高了预测的效率。提高了预测的效率。

【技术实现步骤摘要】
目标任务预测方法、任务预测模型的数据处理方法及系统


[0001]本说明书实施例涉及机器学习领域，特别涉及一种目标任务预测方法。本说明书一个或者多个实施例同时涉及一种电力负荷预测方法，一种任务预测模型的数据处理方法，一种任务预测模型的数据处理系统，一种目标任务预测装置，一种电力负荷预测装置，一种任务预测模型的数据处理装置，一种计算设备，一种计算机可读存储介质以及一种计算机程序。

技术介绍

[0002]随着计算机技术的发展，机器学习在自然语言处理、计算机视觉、语音识别等领域都得到了广泛应用，例如在对将来事件的预测方面，通常的做法是选用一个合适的机器学习模型，并利用事件相关的数据对该模型进行训练，从而不断优化模型对该事件预测结果的可靠性。
[0003]在对电力负荷进行预测时，目前大多数的电力负荷预测模型，为保持模型预测输出结果的精确度，需要海量的标注数据支持，但是在现实生活中，很多时候难以获得高品质的、海量的样本标注数据进行训练，而没有该些标注样本数据进行训练，会使得预测模型进行预测的效率较低，因此亟需一种高效的目标任务预测的方案。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标任务预测方法，应用于端侧设备，包括：获取目标任务时序数据；将所述目标任务时序数据输入至任务预测模型，经所述任务预测模型的处理，获得目标任务预测时序数据，其中，所述任务预测模型为对自然语言预训练模型进行调整生成的，所述调整是指在所述自然语言预训练模型中加入数据调整层，以使所述目标任务时序数据符合所述自然语言预训练模型的数据处理要求。2.根据权利要求1所述的方法，所述任务预测模型包括嵌入层、数据调整层、解码器和数据还原层。3.根据权利要求2所述的方法，所述将所述目标任务时序数据输入至任务预测模型，经所述任务预测模型的处理，获得目标任务预测时序数据，包括：将所述目标任务时序数据输入至所述嵌入层，获得初始时序特征数据；将所述初始时序特征数据输入至所述数据调整层，获得多个拆分子数据特征向量；将所述多个拆分子数据特征向量输入至所述解码器，获得多个预测拆分子数据特征向量；将所述多个预测拆分子数据特征向量输入至所述数据还原层，获得目标任务预测时序数据。4.根据权利要求3所述的方法，所述数据调整层包括拆分单元和映射单元；所述将所述初始时序特征数据输入至所述数据调整层，获得多个拆分子数据特征向量，包括：将所述初始时序特征数据输入至所述拆分单元，获得多个拆分子数据特征信息；将所述多个拆分子数据特征信息输入至所述映射单元，获得每个拆分子数据特征信息对应的拆分子数据特征向量。5.根据权利要求4所述的方法，所述将所述初始时序特征数据输入至所述拆分单元，获得多个拆分子数据特征信息，包括：将所述初始时序特征数据输入至所述拆分单元，根据预设拆分参数对所述初始时序特征数据进行拆分，获得多个拆分子数据特征信息。6.根据权利要求3所述的方法，所述数据还原层包括映射还原单元和合并单元；所述将所述多个预测拆分子数据特征向量输入至所述数据还原层，获得目标任务预测时序数据，包括：将所述多个预测拆分子数据特征向量输入至所述映射还原单元，获得每个所述预测拆分子数据特征向量对应的预测拆分子数据特征信息；将多个所述预测拆分子数据特征信息输入至所述合并单元，获得目标任务预测时序数据。7.一种电力负荷预测方法，应用于端侧设备，包括：获取用户在前端输入的电力负荷时序数据；将所述电力负荷时序数据输入至任务预测模型，经所述任务预测模型的处理，获得电力负荷预测时序数据，其中，所述任务预测模型为对自然语言预训练模型进行调整生成的，所述调整是指在所述自然语言预训练模型中加入数据调整层，以使所述电力负荷时序数据符合所述自然语言预训练模型的数据处理要求；...

【专利技术属性】
技术研发人员：周天，牛培淞，王雪，孙亮，金榕，
申请(专利权)人：阿里巴巴中国有限公司，
类型：发明
国别省市：