【技术实现步骤摘要】
本申请属于模型训练，尤其涉及一种预测模型的训练方法、装置及终端设备。
技术介绍
1、现如今，工业领域中大多通过云平台来运行工业应用或工业软件，进而实现工业生产自动化，而云平台的运行资源通常采用启发式的方法来实现资源分配。
2、由于云平台的工作负载波动性较强，采用启发式的方法实现资源分配容易导致云平台的运行资源得不到充分利用，存在资源分配不均、资源浪费的问题，因此需要对云平台未来的工作负载进行预测，以均匀分配资源。目前一般采用主动式方法来预测云平台未来的工作负载，然而，存在预测精度不高的问题。
技术实现思路
1、本申请实施例提供一种预测模型的训练方法、装置及终端设备，旨在解决现有的预测云平台工作负载精度较低而导致云平台资源分配不均、资源浪费的问题。
2、第一方面，本申请实施例提供一种预测模型的训练方法，所述预测模型应用于云平台，所述方法包括：
3、获取训练集，所述训练集包括至少一个输入数据，所述输入数据与所述云平台的工作负载相关；
4、依次将所述训练集中的所述输入数据输入至所述预测模型，生成所述输入数据对应的预测数据；
5、根据所述输入数据与所述预测数据对所述预测模型进行对抗训练，生成目标预测模型，以基于所述目标预测模型预测所述云平台的工作负载。
6、在上述第一方面的一种可能实现方式中，在所述依次将所述训练集中的所述输入数据输入至所述预测模型，生成所述输入数据对应的预测数据之前，所述方法包括：
7、按
8、确定每个所述第一数据序列中的偏差输入数据；
9、从所有所述输入数据中筛除所述偏差输入数据，生成目标训练集。
10、在上述第一方面的一种可能实现方式中，所述预测模型包括生成器，所述依次将所述训练集中的所述输入数据输入至所述预测模型，生成所述输入数据对应的预测数据，包括：
11、根据所述输入数据，确定第二数据序列；
12、采用所述生成器提取所述第二数据序列中的目标输入数据，得到中间数据序列，并对所述中间数据序列进行线性层处理，得到第三数据序列；
13、合并所述目标输入数据与所述第三数据序列，生成与所述输入数据对应的预测数据。
14、在上述第一方面的一种可能实现方式中，所述预测模型包括判别器，所述根据所述输入数据与所述预测数据对所述预测模型进行对抗训练，生成目标预测模型，包括：
15、根据所述输入数据与所述预测数据，生成所述判别器的第一损失值，并基于所述第一损失值更新所述判别器，得到目标判别器；
16、根据所述目标判别器以及所述预测数据，生成针对所述生成器的第二损失值，并基于所述第二损失值更新所述生成器，得到目标生成器；
17、基于所述目标生成器以及所述目标判别器，生成目标预测模型。
18、在上述第一方面的一种可能实现方式中，所述根据所述输入数据与所述预测数据，生成所述判别器的第一损失值，包括：
19、将所述输入数据输入至所述判别器，生成与所述输入数据对应的第一评估值；
20、将所述预测数据输入至所述判别器，生成与所述预测数据对应的第二评估值；
21、确定所述判别器的梯度惩罚值；
22、根据所述第一评估值、所述第二评估值以及所述梯度惩罚值，生成所述判别器的第一损失值。
23、在上述第一方面的一种可能实现方式中，所述根据所述目标判别器以及所述预测数据，生成针对所述生成器的第二损失值，包括：
24、将所述预测数据输入至所述目标判别器，生成与所述预测数据对应的第三评估值；
25、计算所述预测数据与所述输入数据的预测损失值；
26、基于所述第三评估值与所述预测损失值，计算所述生成器的第二损失值。
27、在上述第一方面的一种可能实现方式中，在所述根据所述输入数据与所述预测数据对所述预测模型进行对抗训练，生成目标预测模型之前，所述方法还包括：
28、获取所述判别器中的判别器参数，以及获取所述生成器中的生成器参数；
29、根据所述生成器参数的第一历史梯度信息，调整所述生成器的第一学习率；
30、根据所述判别器参数的第二历史梯度信息，调整所述判别器的第二学习率，以基于所述第一学习率与所述第二学习率对所述预测模型进行对抗训练。
31、第二方面，本申请实施例提供的一种预测模型的训练装置，包括：
32、获取模块，用于获取训练集，所述训练集包括至少一个输入数据，所述输入数据与所述云平台的工作负载相关；
33、生成模块，用于依次将所述训练集中的所述输入数据输入至所述预测模型，生成所述输入数据对应的预测数据；
34、训练模块，用于根据所述输入数据与所述预测数据对所述预测模型进行对抗训练，生成目标预测模型，以基于所述目标预测模型预测所述云平台的工作负载。
35、第三方面，本申请实施例提供一种终端设备，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如上述第一方面提供的所述预测模型的训练方法。
36、第四方面，本申请实施例提供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如上述第一方面提供的所述预测模型的训练方法。
37、可以理解的是，上述第二方面至第四方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
38、本申请实施例与现有技术相比存在的有益效果是：
39、在本专利技术实施例中，通过获取训练集，并依次将训练集中的输入数据输入至预测模型，生成输入数据对应的预测数据，进而根据输入数据与预测数据对预测模型进行对抗训练，并在对抗训练的过程中，减少预测数据与输入数据之间的差异，进而在对抗训练后生成目标预测模型，以基于目标预测模型预测云平台的工作负载，使得所预测的工作负载与真实的工作负载之间差异较小，提高了预测云平台的工作负载的准确性，从而减少了因对云平台的工作负载预测错误而导致资源分配不均的情况，实现了云平台的资源均匀分配，减少了资源分配不均、资源浪费的问题。
本文档来自技高网...【技术保护点】
1.一种预测模型的训练方法，其特征在于，所述预测模型应用于云平台，所述方法包括：
2.如权利要求1所述的预测模型的训练方法，其特征在于，在所述依次将所述训练集中的所述输入数据输入至所述预测模型，生成所述输入数据对应的预测数据之前，所述方法包括：
3.如权利要求1或2所述的预测模型的训练方法，其特征在于，所述预测模型包括生成器，所述依次将所述训练集中的所述输入数据输入至所述预测模型，生成所述输入数据对应的预测数据，包括：
4.如权利要求3所述的预测模型的训练方法，其特征在于，所述预测模型包括判别器，所述根据所述输入数据与所述预测数据对所述预测模型进行对抗训练，生成目标预测模型，包括：
5.如权利要求4所述的预测模型的训练方法，其特征在于，所述根据所述输入数据与所述预测数据，生成所述判别器的第一损失值，包括：
6.如权利要求4所述的预测模型的训练方法，其特征在于，所述根据所述目标判别器以及所述预测数据，生成针对所述生成器的第二损失值，包括：
7.如权利要求4所述的预测模型的训练方法，其特征在于，在所述根据所述输入
8.一种预测模型的训练装置，其特征在于，包括：
9.一种终端设备，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，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
10.一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，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
...【技术特征摘要】
1.一种预测模型的训练方法，其特征在于，所述预测模型应用于云平台，所述方法包括：
2.如权利要求1所述的预测模型的训练方法，其特征在于，在所述依次将所述训练集中的所述输入数据输入至所述预测模型，生成所述输入数据对应的预测数据之前，所述方法包括：
3.如权利要求1或2所述的预测模型的训练方法，其特征在于，所述预测模型包括生成器，所述依次将所述训练集中的所述输入数据输入至所述预测模型，生成所述输入数据对应的预测数据，包括：
4.如权利要求3所述的预测模型的训练方法，其特征在于，所述预测模型包括判别器，所述根据所述输入数据与所述预测数据对所述预测模型进行对抗训练，生成目标预测模型，包括：
5.如权利要求4所述的预测模型的训练方法，其特征在于，所述根据所述输入数据与所述预测数据，生成所述判别器的...
【专利技术属性】
技术研发人员：曹伟朋，丘云芸，肖志娇，明仲，顾炯炯，郑亮，曹雏清，
申请(专利权)人：人工智能与数字经济广东省实验室深圳，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。