数据预测模型的训练方法技术

本申请公开了一种数据预测模型的训练方法

【技术实现步骤摘要】
数据预测模型的训练方法、装置、设备及存储介质


[0001]本申请涉及计算机
，特别涉及一种数据预测模型的训练方法
、
装置
、
设备及存储介质
。

技术介绍

[0002]互联网数据中心
(Internet Data Center
，
IDC)
为具备全面设备设施的一种结构，这些设备设施包括拥有高速度的互联网接入带宽
、
高效能的局域网络
(Local Area Network
，
LAN)
，以及安全稳定的机房环境等
。
此外，
IDC
还特征于其专业化的管理方式和齐全的应用服务平台
。
[0003]相关技术中，对于
IDC
中监测与预防热点主要采取自动温度监测系统，热点是指数据中心内部出现的某些局部高温区域
。
这种系统可以实时监测数据中心内的温度，以便及时发现并处理热点
。
这些系统的传感器应安装在机柜的顶部
(
因为热气会上升
)
以及设备的进风口附近
(
因为这是热点问题最可能出现的地方
)。
用户可以为这些传感器设定阈值，当环境参数超过阈值时，系统会通过电子邮件
、SNMP(Simple Network Management Protocol
，简单网络管理协议
)
或电子邮件到短信的方式发送警报
。
一旦系统发出警报，就需要有专门的人员来采取行动
。
[0004]然而，上述监测系统通常在环境参数超过设定阈值时才会触发警报，缺乏预测性，容易导致
IDC
出现问题
。

技术实现思路

[0005]本申请实施例提供了一种数据预测模型的训练方法
、
装置
、
设备及存储介质
。
所述技术方案如下：
[0006]根据本申请实施例的一个方面，提供了一种数据预测模型的训练方法，所述数据预测模型包括注意力机制
、
循环神经网络和多层感知机，所述方法包括：
[0007]获取所述数据预测模型的训练样本集，所述训练样本集中包括至少一个数据对，所述数据对中包括第一时间段的实际设备数据和第二时间段的实际设备数据，所述第二时间段位于所述第一时间段之后，所述实际设备数据包括至少一个设备的设备参数和环境参数；
[0008]通过所述注意力机制，根据所述第一时间段的实际设备数据，得到所述注意力机制的输出数据，所述注意力机制的输出数据是对所述至少一个设备的实际设备数据进行信息交互得到的数据；
[0009]通过所述循环神经网络，对所述注意力机制的输出数据进行所述第二时间段上的递进预测，得到所述循环神经网络的输出数据；
[0010]通过所述多层感知机，对所述循环神经网络的输出数据进行非线性映射，得到所述第二时间段的预测设备数据；
[0011]根据所述第二时间段的预测设备数据和所述第二时间段的实际设备数据之间的
差异，对所述数据预测模型的参数进行调整，得到训练后的数据预测模型
。
[0012]根据本申请实施例的一个方面，提供了一种基于数据预测模型的设备预警方法，所述方法包括：
[0013]获取第一时间段的实际设备数据，所述实际设备数据包括至少一个设备的设备参数和环境参数；
[0014]通过所述数据预测模型根据所述第一时间段的实际设备数据，生成第一时刻的预测设备数据，所述第一时刻位于所述第一时间段之后；
[0015]根据所述第一时刻的预测设备数据，确定所述至少一个设备的设备预警情况
。
[0016]根据本申请实施例的一个方面，提供了一种数据预测模型的训练装置，所述数据预测模型包括注意力机制
、
循环神经网络和多层感知机，所述装置包括：
[0017]样本获取模块，用于获取所述数据预测模型的训练样本集，所述训练样本集中包括至少一个数据对，所述数据对中包括第一时间段的实际设备数据和第二时间段的实际设备数据，所述第二时间段位于所述第一时间段之后，所述实际设备数据包括至少一个设备的设备参数和环境参数；
[0018]信息交互模块，用于通过所述注意力机制，根据所述第一时间段的实际设备数据，得到所述注意力机制的输出数据，所述注意力机制的输出数据是对所述至少一个设备的实际设备数据进行信息交互得到的数据；
[0019]递进预测模块，用于通过所述循环神经网络，对所述注意力机制的输出数据进行所述第二时间段上的递进预测，得到所述循环神经网络的输出数据；
[0020]非线性映射模块，用于通过所述多层感知机，对所述循环神经网络的输出数据进行非线性映射，得到所述第二时间段的预测设备数据；
[0021]参数调整模块，用于根据所述第二时间段的预测设备数据和所述第二时间段的实际设备数据之间的差异，对所述数据预测模型的参数进行调整，得到训练后的数据预测模型
。
[0022]根据本申请实施例的一个方面，提供了一种基于数据预测模型的设备预警装置，所述装置包括：
[0023]数据获取模块，用于获取第一时间段的实际设备数据，所述实际设备数据包括至少一个设备的设备参数和环境参数；
[0024]数据预测模块，用于通过所述数据预测模型根据所述第一时间段的实际设备数据，生成第一时刻的预测设备数据，所述第一时刻位于所述第一时间段之后；
[0025]预警确定模块，用于根据所述第一时刻的预测设备数据，确定所述至少一个设备的设备预警情况
。
[0026]根据本申请实施例的一个方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机程序，所述计算机程序由所述处理器加载并执行以实现上述数据预测模型的训练方法，或基于数据预测模型的设备预警方法
。
[0027]根据本申请实施例的一个方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序由处理器加载并执行以实现上述数据预测模型的训练方法，或基于数据预测模型的设备预警方法
。
[0028]根据本申请实施例的一个方面，提供了一种计算机程序产品，所述计算机程序产
品包括计算机程序，所述计算机程序由处理器加载并执行以实现上述数据预测模型的训练方法，或基于数据预测模型的设备预警方法
。
[0029]本申请实施例提供的技术方案可以带来如下有益效果：
[0030]通过采用注意力机制对第一时间段的实际设备数据进行信息交互，再采用循环神经网络，对第二时间段上的设备数据进行递进预测，最后采用多层感知机，对循环神经网络的输出数据进行非线性映射，得到第二时间段的预测设备数据
。
相较于相关技术中采用在环境参数超过设定阈本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种数据预测模型的训练方法，其特征在于，所述数据预测模型包括注意力机制
、
循环神经网络和多层感知机，所述方法包括：获取所述数据预测模型的训练样本集，所述训练样本集中包括至少一个数据对，所述数据对中包括第一时间段的实际设备数据和第二时间段的实际设备数据，所述第二时间段位于所述第一时间段之后，所述实际设备数据包括至少一个设备的设备参数和环境参数；通过所述注意力机制，根据所述第一时间段的实际设备数据，得到所述注意力机制的输出数据，所述注意力机制的输出数据是对所述至少一个设备的实际设备数据进行信息交互得到的数据；通过所述循环神经网络，对所述注意力机制的输出数据进行所述第二时间段上的递进预测，得到所述循环神经网络的输出数据；通过所述多层感知机，对所述循环神经网络的输出数据进行非线性映射，得到所述第二时间段的预测设备数据；根据所述第二时间段的预测设备数据和所述第二时间段的实际设备数据之间的差异，对所述数据预测模型的参数进行调整，得到训练后的数据预测模型
。2.
根据权利要求1所述的方法，其特征在于，所述注意力机制包括交叉注意力机制和自注意力机制；所述实际设备数据包括至少一个第一设备的第一设备数据和至少一个第二设备的第二设备数据；所述通过所述注意力机制，根据所述第一时间段的实际设备数据，得到所述注意力机制的输出数据，包括：对每个设备数据中的每个参数分别进行不同的线性变换，分别得到每个参数对应的查询特征
、
索引特征和内容特征，所述设备数据是指所述第一设备数据和所述第二设备数据中的数据；通过所述交叉注意力机制，对一类设备数据中的每个参数对应的查询特征，和另一类设备数据中的各个参数对应的索引特征和内容特征进行信息间交叉，得到信息间交叉后的设备数据；所述一类设备数据是指所述第一设备数据和所述第二设备数据中的一个设备数据，所述另一类设备数据是指所述第一设备数据和所述第二设备数据中除所述一类设备数据外的另一个设备数据；所述信息间交叉后的设备数据用于表征所述一类设备数据与所述另一类设备数据之间的相关性；对所述信息间交叉后的设备数据中的每个参数分别进行不同的线性变换，得到信息间交叉后每个参数分别对应的查询特征
、
索引特征和内容特征；通过所述自注意力机制，对每一类设备数据对应的信息间交叉后每个参数分别对应的查询特征
、
索引特征和内容特征进行信息自交叉，得到信息自交叉后的设备数据；所述信息自交叉后的设备数据用于表征所述每一类设备数据对应的信息间交叉后的设备数据中的每个参数之间的相关性；根据所述信息间交叉后的设备数据和所述信息自交叉后的设备数据，得到所述注意力机制的输出数据
。3.
根据权利要求2所述的方法，其特征在于，所述通过所述交叉注意力机制对一类设备数据中的每个参数对应的查询特征，和另一类设备数据中的各个参数对应的索引特征和内容特征进行信息间交叉，得到信息间交叉后的设备数据，包括：
对于所述第一设备数据中的第一参数，通过所述交叉注意力机制，分别计算所述第一时间段内第
i
个时刻所述第一参数对应的查询特征，和所述第二设备数据中的各个参数对应的索引特征之间的相似度，得到第
i
个时刻所述第一参数对应的各个相似度，
i
为正整数；对于第
i
个时刻所述第一参数对应的各个相似度中的第一相似度，将所述第一相似度，和所述第二设备数据中的第二参数对应的内容特征相乘，得到第
i
个时刻所述第一参数对应的信息间交叉后的设备数据，所述第一相似度是指所述第一参数对应的查询特征和所述第二参数对应的索引特征之间的相似度；根据所述第一时间段内每个时刻所述第一参数对应的信息间交叉后的设备数据，得到所述第一设备数据对应的信息间交叉后的设备数据，以及根据所述第一时间段内每个时刻所述第二参数对应的信息间交叉后的设备数据，得到所述第二设备数据对应的信息间交叉后的设备数据
。4.
根据权利要求2所述的方法，其特征在于，所述通过所述自注意力机制，对每一类设备数据对应的信息间交叉后每个参数分别对应的查询特征
、
索引特征和内容特征进行信息自交叉，得到信息自交叉后的设备数据，包括：对于所述第一设备数据对应的信息间交叉后的设备数据中的第三参数，通过所述自注意力机制，分别计算所述第一时间段内第
i
个时刻所述第三参数对应的查询特征，和所述第一设备数据对应的信息间交叉后的设备数据中的其他参数对应的索引特征之间的相似度，得到第
i
个时刻所述第三参数对应的各个相似度，
i
为正整数；对于第
i
个时刻所述第三参数对应的各个相似度中的第二相似度，将所述第二相似度，和所述第一设备数据对应的信息间交叉后的设备数据中的第四参数的内容特征相乘，得到第
i
个时刻所述第三参数对应的信息自交叉后的设备数据，所述第二相似度是指所述第三参数对应的查询特征和所述第四参数对应的索引特征之间的相似度；根据所述第一时间段内每个时刻所述第二参数对应的信息自交叉后的设备数据，得到所述第一设备数据对应的信息自交叉后的设备数据，以及根据所述第一时间段内每个时刻第五参数对应的信息自交叉后的设备数据，得到所述第二设备数据对应的信息自交叉后的设备数据，其中，所述第五参数是所述第二设备数据对应的信息间交叉后的设备数据中的任意一个参数
。5.
根据权利要求1所述的方法，其特征在于，所述通过所述循环神经网络，对所述注意力机制的输出数据进行所述第二时间段上的递进预测，得到所述循环神经网络的输出数据，包括：通过所述循环神经网络，根据所述注意力机制的输出数据和所述第二时间段内前
j
个时刻的预测设备数据，得到第
j+1
个时刻的预测设备数据，
j
为初始值为1的正整数；其中，第1个时刻的预测设备数据是所述注意力机制的输出数据经由所述循环神经网络得到的预测设备数据；根据所述第二时间段上的各个时刻的预测设备数据，得到所述循环神经网络的输出数据
。6.
根据权利要求1所述的方法，其特征在于，所述多层感知机中包括至少一次非线性映射过程，每次非线性映射过程使用一个线性映射函数和一个非线性映射函数；所述通过所述多层感知机，对所述循环神经网络的输出数据进行非线性映射，得到所
述第二时间段的预测设备数据，包括：对于第
k
次所述非线性映射过程，通过所述多层感知机中的所述线性映射函数，对第
k
‑1次所述非线性映射过程的输出数据进行线性映射，得到第
k
次线性映射后的序列数据，
k
为初始值为1的正整数；其中，第1次所述非线性映射过程是对所述循环神经网络的输出数据进行线性映射；通过所述多层感知机中的所述非线性映射函数，对所述第
...

【专利技术属性】
技术研发人员：徐挺洋，赵沛霖，杨朴，李鼎谦，吴越，粟海翰，岳上，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：