CN112128950A - 一种基于多种模型对比的机房温湿度预测方法及*** - Google Patents
一种基于多种模型对比的机房温湿度预测方法及*** Download PDFInfo
- Publication number
- CN112128950A CN112128950A CN202011324398.6A CN202011324398A CN112128950A CN 112128950 A CN112128950 A CN 112128950A CN 202011324398 A CN202011324398 A CN 202011324398A CN 112128950 A CN112128950 A CN 112128950A
- Authority
- CN
- China
- Prior art keywords
- model
- temperature
- humidity
- data
- machine room
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000003062 neural network model Methods 0.000 claims description 15
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 22
- 238000012549 training Methods 0.000 description 21
- 238000013528 artificial neural network Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 11
- 238000012360 testing method Methods 0.000 description 8
- 238000005311 autocorrelation function Methods 0.000 description 5
- 238000012546 transfer Methods 0.000 description 5
- 208000003098 Ganglion Cysts Diseases 0.000 description 4
- 208000005400 Synovial Cyst Diseases 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 230000009514 concussion Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
- F24F11/64—Electronic processing using pre-stored data
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/10—Temperature
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/20—Humidity
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明涉及一种基于多种模型对比的机房温湿度预测方法及***，该方法包括以下步骤：采集机房温湿度数据；使用多种模型对所述温湿度数据进行建模；对多种模型进行评估，并进行比较；基于比较结果，确定最佳模型；对所述最佳模型进行参数调整，并部署线上。本发明可以实时对目标机房的温湿度的变化趋势做出预测，以便于达到机房环境主动维护的目的。
Description
技术领域
本发明属于机房环境预测领域，尤其涉及一种基于多种模型对比的机房温湿度预测方法及***。
背景技术
随着我国计算机应用的不断扩大，与之配套的机房也迅速发展，而机房内电子设备工作时的稳定关系着整个网络的通信性能，这些电子设备的性能受多种因素影响，其中温湿度的变化是影响机房内电子设备性能的一个关键因素。在运行维护过程中需要保持适当的温度湿度条件，温度湿度过高或过低或变化率过大，都会造成电子设备的电气参数改变，影响机房内电子设备的可靠性和腐蚀速率。
因此，迫切需要建立一个稳定、准确且简便的温度湿度检测及预警方法，在电子信息***机房运行维护过程中对机房温度进行实时的检测和预测，以便于根据不同时节、不同时间段的温湿度情况对空调的设置进行调配，精准防范因为温湿度的异常变化导致的电子设备出现异常甚至损坏的情况。
发明内容
针对上述现有技术中存在的缺陷，本发明的目的在于提供一种基于多种模型对比的机房温湿度预测方法及***，可以实时对目标机房的温湿度的变化趋势做出预测，以便于达到机房环境主动维护的目的。
第一方面，本发明提供一种基于多种模型对比的机房温湿度预测方法，该方法包括以下步骤：
步骤S101、采集机房温湿度数据；
步骤S103、使用多种模型对所述温湿度数据进行建模；
步骤S105、对多种模型进行评估，并进行比较，包括：
基于均方根误差和平均绝对误差确定模型性能评价的性能指标体系，并将多种模型进行综合对比；
步骤S107、基于比较结果，确定最佳模型；
步骤S109、对所述最佳模型进行参数调整，并部署线上。
其中，所述步骤S101包括：
在机房的各个关键地点，放置温湿度传感器，通过所述温湿度传感器采集所述机房中的温湿度数据。
其中，所述步骤S101之后还包括：对获取的温湿度数据进行数据的预处理。
其中，步骤S103中所述多种模型至少包括：时间序列ARIMA模型、支持向量回归机SVR模型、BP神经网络模型。
其中，步骤S103具体包括对温度和湿度分别进行多种模型的建模。
其中，所述预处理包括如下步骤：
对温湿度数据进行归一化的转换处理，处理公式如下：
式中，X为原始数据，
为标准化后的数据，X max 为样本数据中的最大值，X min 为最小值。
其中，所述性能评价指标具体为：
均方根误差RMSE为预测数值结果和实际数值之间平方差异平均值的平方根，在非线性情况下RMSE的数值越小越好，其公式为：
平均绝对误差MAE为模型预测的数值结果和实际结果之间绝对误差的平均值，其公式为：
式中，n表示预测时间点的区间大小，
表示某时间点的指标实际值，
表示某时间点的指标预测值。
其中，所述最佳模型为BP神经网络模型。
其中所述对所述最佳模型进行参数调整，其调整的模型参数包括隐藏节点数、学习率和迭代次数。
第二方面，本发明提供一种基于多种模型对比的机房温湿度预测***，其包括：
数据采集模块，其用于采集机房温湿度数据；
模型建立模块，其用于使用多种模型对所述温湿度数据进行建模；
评估比对模块，其用于对多种模型进行评估，并进行比较；
模型选定模块，其基于比较结果，确定最佳模型；
参数调整模块，其用于对所述最佳模型进行参数调整。
与现有技术相比，本发明根据温湿度数据建模，可以实时对机房内温湿度的变化趋势做出预测。并且通过多种模型对比得出最优温湿度预测的模型，从而可以提高其预测结果的可靠性，另外，可以根据预测结果提前做出相应的应对和处理，减轻管理人员的负担，增强了机房的安全性。
附图说明
通过参考附图阅读下文的详细描述，本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本公开的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：
图1是示出根据本发明实施例的一种基于多种模型对比的机房温湿度预测方法的流程图；
图2是示出根据本发明某一实施例的一种基于多种模型对比的机房温湿度预测方法的流程图；
图3是示出根据本发明某一实施例的支持向量回归的示意图；
图4是示出根据本发明某一实施例的一种基于多种模型对比的机房温湿度预测方法的流程图；
图5是示出根据本发明某一实施例的ARIMA模型构建流程图；
图6是示出根据本发明某一实施例的SVR模型构建流程图；
图7是示出根据本发明某一实施例的BP神经网络模型图；
图8是示出根据本发明某一实施例的BP神经网络构建流程图；
图9是示出根据本发明实施例的一种基于多种模型对比的机房温湿度预测***的示意图；以及
图10是示出根据本发明实施例的一种电子设备的示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种。
应当理解，尽管在本发明实施例中可能采用术语第一、第二、第三等来描述……，但这些……不应限于这些术语。这些术语仅用来将……区分开。例如，在不脱离本发明实施例范围的情况下，第一……也可以被称为第二……，类似地，第二……也可以被称为第一……。
下面结合附图详细说明本发明的可选实施例。
实施例一
参见图1所示，本发明提供一种基于多种模型对比的机房温湿度预测方法，该方法包括以下步骤：
步骤S101、采集机房温湿度数据；
步骤S103、使用多种模型对所述温湿度数据进行建模；
步骤S105、对多种模型进行评估，并进行比较；
步骤S107、基于比较结果，确定最佳模型；
步骤S109、对所述最佳模型进行参数调整，并部署线上，以完成对机房温湿度的预测。
实施例二
在实施例一的基础上，本实施例还可以包括以下内容：
为了便于本领域技术人员明确的理解本发明实施例的技术方案，以下对其进行详细说明。在本实施例中，所述步骤101具体可以包括：
在机房的各个关键地点，放置温湿度传感器，通过所述温湿度传感器采集所述机房中的温湿度数据。进一步地，温湿度传感器的数量可以根据需要进行选择，在一个应用场景中，在机房的各个关键地点均设置一个温湿度传感器。在另一个应用场景中，在机房的各个关键地点均设置多个温湿度传感器，通过在每个关键地点设置多个温湿度传感器可以提高检测时的数据准确性。湿度传感器的设置方式也可以根据需要进行选择，例如可以通过支架固定或者直接固定于电子设备上。
为了方便对采集的数据进行预测并得到结果，因此，本发明实施例在所述步骤S101之后还可以包括：对获取的温湿度数据进行数据的预处理。
进一步地，所述预处理可以包括如下内容：
对温湿度传感器检测到的温湿度数据进行归一化的转换处理，其处理公式为：
式中，X为原始数据，
为标准化后的数据，X max 为样本数据中的最大值，X min 为最小值。其中，原始数据为温湿度传感器采集到的样本真实数据。
本发明实施例中的多种模型可以为常见用于进行预测的模型，在一些应用场景中，步骤S103中的所述多种模型至少可以包括：时间序列ARIMA模型、支持向量回归机SVR模型、BP神经网络模型。另外，步骤S103中的多种模型，均是由温度和湿度分别进行建模得到的多种模型。在实际应用中，根据实际的实验结果得到本发明实施例最适合用于预测温度、湿度的最佳模型为BP神经网络模型（其具体内容后续进行详细描述）。
在一个应用场景中，本发明的步骤S105具体可以包括：
确定模型性能评价的性能指标体系，将众多的模型进行综合对比。
进一步地，本发明实施例采用均方根误差和平均绝对误差作为预测结果的性能评价指标。更进一步地，本发明实施例中的所述性能评价指标具体可以为：
均方根误差RMSE(root mean squared error)为预测数值结果和实际数值之间差异的标准偏差，在非线性情况下RMSE的数值越小越好，其公式为：
平均绝对误差MAE(mean absolute error)为模型预测的数值结果和实际结果之间绝对误差的平均值，其公式为：
式中，n表示预测时间点的区间大小，
表示某时间点的指标实际值，
表示某时间点的指标预测值。
实施例三
在上述实施例的基础上，本实施例还可以包括以下内容：
参见图2所示，本发明实施例提供一种基于多种模型对比的机房温湿度预测方法，该方法可以包括以下步骤：
步骤(1)、在机房的各个关键地点，放置温湿度传感，通过温湿度传感器采集目标机房中的温湿度数据；
步骤(2)、对获取的温湿度数据进行数据的预处理；
步骤(3)、对获取的温湿度数据分别进行针对温度和湿度的时间序列ARIMA模型、支持向量回归机SVR模型、BP神经网络模型等模型构建；
步骤(4)、进行模型的评估与选择，确定模型性能评价的指标体系，将众多的模型进行综合对比，确定上述模型中精确度最高的模型；
步骤(5)、对精确度最高的模型进行参数调整，确定最优的模型；其中，模型的参数根据实验的结果进行调整；
步骤(6)、输出最终的模型，部署在线上模块对实时采集的机房温湿度数据进行预测。其中，预测的结果就是未来一段时间的机房温度和湿度数据。
根据本发明实施例所述的一种基于多种模型对比的机房温湿度预测方法，在步骤(2)中，对温湿度数据进行归一化的转换处理，归一化只是将采集到的样本数据映射到0~1之间，方便处理。
实施例四
在实施例三的基础上，本实施例还可以包括以下内容：
在步骤(3)中，为比较不同模型的预测效果，根据采集的温度和湿度数据进行构建不同模型，其中，所构建的算法模型分别为：
1)差分整合移动平均自回归模型(Autoregressive Integrated Moving Averagemodel, ARIMA)，这是一类模型的总称，通常，我们用p,d,q来确定一个特定的ARIMA模型，记作ARIMA(p,d,q)。它是基于平稳时间序列建立的，对因变量的滞后值以及随机误差项的当前值和滞后值进行回归建立的模型。ARIMA(p,d,q)模型的表达式如下：
其中，y t 表示经过d阶差分后的变量。第一部分为常数
，第二部分为
自回归模型，第三部分为
移动平均。进一步地，第二部分
自回归模型为
，式中i=1,...,p，并且第二部分的含义为当前时间点的值等于过去若干个时间点的值的回归；该自回归模型首先确定一个阶数p，表示用过去的p期的历史值来预测当前值，其中
是自相关系数。第三部分
移动平均模型为
，式中i=1,...,q，并且第三部分的含义为当前时间点的值等于过去若干时间点的预测误差的回归，该移动平均模型关注的是自回归模型中的误差项的累加，预测误差=模型预测值-真实值，可以有效地消除预测中地随机波动，其中，θ i 为移动平均方程的系数，q为阶数，
为预测的误差项。
2)支持向量回归机(Support Vector Regression, SVR)，主要探索的是用一个可建模的线性回归方程y=g(x)去拟合可识别范围内的所有样本点，寻求的最优超平面不是如何将样本界限划分的最明显，而是查找到一种能够令样本点与超平面之间的总方差呈现出最小状态的最优方法。
具体而言，将SVR学习模型的基本原理作为理论依据，给定一个训练样本集：
其中，
表示是样本，
希望学得一个回归模型，使得其中的
与y尽可能地接近，该回归模型公式为：
其中ω T =（ω1,ω2,…,ωd）为法向量，决定了超平面的方向；b为位移项，决定了超平面与原点之间的距离。
对于样本(x,y)，假设可以容忍基于模型输出
与真实输出y之间最多有ε的偏差，即仅当
与y之间的差别绝对值大于ε时才计算损失。参见图3所示，其相当于以
为中心，构建了一个宽度为2ε的间隔带（图3中所示A），若训练样本落入此间隔带，则认为是被预测正确的。
在建立好模型后，需要对模型进行求解，该求解过程为SVR问题，则SVR问题可形式化为：
式中，
为图3所示的ε-不敏感损失函数；进一步，
引入松弛变量
和
，可将SVR问题表达式重写为：
式中，C为惩罚因子，表征对离群点的重视程度。
3)BP神经网络，即误差反向传播算法(Error Back Propagtion)，其是包含输入层、输出层和隐层的反向传播学习神经网络。鉴于BP神经网络自身的结构特点，其学习历程包含多个层次结构，属于一种传播过程由后向前进行的神经网络。BP神经网络算法通过对数据的学习，映射出相应的输入数据和输出数据之间的非线性关系。BP神经网络是有监督的数据训练模型，对输入数据信息的学习流程包含两个部分，一是输入数据的正向进行，二是对误差修正的反向进行。
为了进一步分析机器学***均绝对误差(Mean Absolute Error, MAE)作为预测结果的性能评价指标，综合这两个指标的数值大小以确定最终选用的模型。具体而言，就是根据评价指标，使得MAE和RMSE尽可能地小，也就是预测值和真实值的误差尽可能小。
在一个应用场景中，步骤(4)处，对于构建好的几种预测模型，构建的评价指标体系如下：
预测数值结果和实际数值之间差异的标准偏差用RMSE表示，在非线性情况下RMSE的数值越小越好，计算式为：
模型预测的数值结果和实际结果之间的MAE用公式表示为：
式中，n表示预测时间点的区间大小，
表示某时间点的指标实际值，
表示某时间点的指标预测值。
实施例五
在上述实施例的基础上，本实施例还可以包括以下内容：
参见图4所示，本发明实施例提供一种基于多种模型对比的机房温湿度预测方法，所述方法具体包括以下步骤：
获取数据，对机房中的每一个采集点，收集机房的温度湿度环境数据。
数据预处理，对获取到的数据进行预处理，过滤掉脏数据，填充缺失值和去除数据中的噪声，进行归一化处理。
预测模型构建，划分确定时间段内（例如，过去2年时间段内）的机房温湿度数据作为训练数据集，划分的另一已知温湿度变化结果的时间段（例如，前述划分时间段后的2个月）的机房温湿度数据为测试数据集。为比较不同模型的预测效果，采用ARIMA、SVR和BP神经网络分别进行建模。其中：
1)ARIMA模型的建模，参见图5所示，ARIMA模型不是一个特定的模型，而是一系列模型的总称，根据采用的不同的实验环境进行选择；具体地，对时序序列先进行平稳性检验，判断其是否为平稳时间序列，若是非平稳的时间序列，需要进一步进行数据处理(取对数、差分等)，以得到平稳的序列。对得到的平稳时间序列进行非白噪声检验，若原序列不是白噪声序列，存在相关性，可进一步选择合适的ARIMA模型来进行拟合。由于ARIMA是一系列模型的总称，它由三个参数构成，对于不同的时序序列，需要选定不同的p,d,q值进行模型拟合。通常采用ACF、PACF来判别模型的q和p值。
其中，ACF(autocorrelation function，自相关函数)，反映了时间序列观测值与其过去的观测值之间的线性相关性。
PACF(partial autocorrelation function，偏自相关函数)，描述在给定中间观测值的条件下时间序列观测值与其过去的观测值之间的线性相关性。
应用ACF、PACF判断模型的阶数q和p的基础上进行模型拟合，对通过模型取得的估计结果进行检验和诊断，以验证所选用的模型是否合适。若通过，则认为模型是合理的。否则，应重新选取有效的模型，然后用该模型进行预测。
进一步地，本发明实施例所采用的p,d,q的取值分别为6,1,2来进行模型拟合
2)SVR预测模型构建（其公式可以参照实施例四），对预测精准性造成较大影响的是核函数的选择，本实施例选择的核函数为RBF（Radial Basis Function，径向基），减少影响函数的复杂程度，将对误差的宽容度惩罚系数设置为1e3（即为1*10的三次方）。
参见图6所示，其SVR预测模型构建过程为：读取数据，将数据划分为训练数据集和测试数据集，用训练数据集中的训练样本建立目标函数，之后进行参数选择，本发明实施例选择选取核函数为RBF，惩罚因子为1e3，gamma为0.01。求解目标函数，将求解后所得的参数w和b代入回归函数f(x)，并利用测试数据集种的测试样本对数据进行预测。根据目标函数，判断真实值和期望值的偏差，重复此过程直到获得理想的目标误差值。
3) BP神经网络为一个简单的三层BP神经网络，参见图7所示，中间层结构为单隐藏。其中，在本实施例中，应用的参数如下：输入层节点数目设定为3个，隐藏层神经节点数目设为7，输出层节点数据设定为1。在输入层与隐藏层采用logsig函数进行数据传递转换，输出层采用purelin函数来进行数据输出，动量系数0.8，学习率为0.01。
具体地，参见图8所示，采用BP算法进行预测模型构建的具体步骤如下：
读取数据，对数据样本进行划分，分为训练样本集和测试样本集。
进行隐层和输出层传递函数的选取。依据BP算法原理可知，输入数据通过网络输入层到网络输出层的过程需要传递函数进行数据各层的形式转换，各层之间设定不同的传递函数网络性能不同。根据实际分析，本实施例在输入层与隐层采用 logsig函数进行数据传递转换，输出层采用purelin函数进行数据输出。
对模型性能影响的重要参数进行规划。BP算法一般对训练样本集的样本数据进行迭代学习时会形成局部最优值问题的发生，即网络的输出误差是一个恒定值，对于网络中各个参数的修正能力较弱，但是预测误差值不能够满足训练数据规定的误差设定值，因此采用动量系数mc加入数据信号的误差调节的过程，一般mc∈[0,1]。网络中的学习率lr是对BP算法中的梯度下降过程进行合理的调节，若 lr值设定较大或者较小时，会使网络的收敛能力差，所以对于网络中 lr 的设定，一般在数据样本训练学习时经过一段迭代时间后能够呈现下降趋势，使得网络能够有效的结束收敛过程，一般lr∈[0.01,0.8]，本实施例设定lr=0.01。
基于步骤设定相关参数后，构建BP神经网络模型。通过BP神经网络的理论知识可知，BP网络一般由一个输入层、一个或多个隐层、一个输出层这三层建立。由于设定多个隐层会增加网络的复杂性，进而减慢了预测模型计算效率，因此本实施例将BP神经网络设定为一个隐层结构。BP神经网络的输入层节点是依据数据样本的维度来确定，本实施例设定为3个。将BP网络的输出层节点设定为1。对于BP网络隐层而言，神经节点数目的设定时，应考虑网络预测性能的优劣；因为隐层神经节点数目对于网络预测的影响至关重要，若隐层神经节点数目设定的不合理时，会出现预测期望值与数据真实值偏差较大，通常采用下式作为节点数目选择标准。
式中，
是隐层节点数目，
是输入节点数目，
为输出节点数目，a是一个随机值，范围属于
，即隐层节点数目设定为7。本实施例依据上述内容采用如图7所示的输入-隐层-输出三层网络结构，即3-7-1形式网络模型构建。
利用3-7-1网络结构进行训练数据集和测试数集的训练学习过程，根据目标函数，判断真实值和期望值的偏差，重复此过程直到获得理想的目标误差值，该过程也是BP算法的核心环节。
完成数据样本学习过程后，得到最终的测试样本集的预测结果。
模型评估与选择，将已知温湿度变化结果的时间段内相同的温湿度数据作为各模型的输入流，并根据输入流进行几种学***均绝对误差作为预测模型的评价指标，各模型预测性能的效果对比见表1。
表1各模型预测性能的效果对比
通过上述表1可以看到BP神经网络模型的RMSE和MAE均小于其余两种模型，实验预测误差较小，模型预测性能较高，故确定BP神经网络模型来进行预测。
模型优化，对确定好的BP神经网络模型进行参数调整，确定最优的BP神经网络模型；
模型上线，将最终的预测模型部署在线上，实时预测机房内温湿度的变化趋势。
实施例六
在实施例五的基础上，本实施例还可以包括以下内容：
在上述实施例中，确定的精确度最高的模型为BP神经网络模型。
在步骤(5)中，调整已经选定好的BP神经网络模型参数，以提高预测性能，所需调整的模型参数可以包括隐藏节点数、学习率和迭代次数。其中，调整参数训练模型是为了让预测的结果和真实值的差距尽可能地小，可以通过调整隐藏节点数、学习率和迭代次数来进行训练，得到最优模型。其训练规则如下：
1. 学习率：对于本发明实施例而言，首先选择在训练数据上的代价立即开始下降而非震荡或者增加时，作为η阈值的估计，不需要太过精确，确定量级即可。如果代价在训练的前面若干回合开始下降，可以逐步增加η的量级，直到找到一个合适的值使得在开始若干回合代价就开始震荡或者增加；相反，如果代价函数曲线开始震荡或者增加，则尝试减小量级直到找到代价在开始回合就下降的设定，取阈值的一半确定学习速率。在本发明实施例中使用训练数据的原因是学习速率主要的目的是控制梯度下降的步长，监控训练代价是最好的检测步长过大的方法；
2. 迭代次数：首先需要明确一下什么叫做分类准确率不再提升，这样方可实现提前停止。其中，分类准确率在整体趋势下降的时候仍旧会抖动或者震荡。如果在准确度刚开始下降的时候就停止，那么肯定会错过更好的选择。而一种不错的解决方案是如果分类准确率在一段时间内不再提升的时候终止。建议在更加深入地理解网络训练的方式时，仅仅在初始阶段使用 10 回合不提升规则，然后逐步地选择更久的回合，比如 20 回合不提升就终止，30回合不提升就终止，以此类推；
3. 隐藏层的选取：
，其中h为隐含层节点数目，m为输入层节点数目，n为输出层节点数目，a为1~10之间的调节常数。
实施例七
参见图9所示，本实施例提供一种基于多种模型对比的机房温湿度预测***，其可以包括：
数据采集模块，其用于采集机房温湿度数据；
模型建立模块，其用于使用多种模型对所述温湿度数据进行建模；
评估比对模块，其用于对多种模型进行评估，并进行比较；
模型选定模块，其用于基于比较结果，确定最佳模型；
参数调整模块，其用于对所述最佳模型进行参数调整。
实施例八
参见图10所示，本实施例还提供一种电子设备900，所述电子设备900，包括：至少一个处理器901；以及，与所述至少一个处理器901通信连接的存储器902；其中，
所述存储器902存储有可被所述一个处理器901执行的指令，所述指令被所述至少一个处理器901执行，以使所述至少一个处理器901能够执行如上实施例所述的方法步骤。
实施例九
本公开实施例提供了一种非易失性计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行如上实施例所述的方法步骤。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(AN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定。
以上介绍了本发明的较佳实施方式，旨在使得本发明的精神更加清楚和便于理解，并不是为了限制本发明，凡在本发明的精神和原则之内，所做的修改、替换、改进，均应包含在本发明所附的权利要求概括的保护范围之内。
Claims (10)
1.一种基于多种模型对比的机房温湿度预测方法，其特征在于，该方法包括以下步骤：
步骤S101、采集机房温湿度数据；
步骤S103、使用多种模型对所述温湿度数据进行建模；
步骤S105、对多种模型进行评估，并进行比较，包括：
基于均方根误差和平均绝对误差确定模型性能评价的性能指标体系，并将多种模型进行综合对比；
步骤S107、基于比较结果，确定最佳模型；
步骤S109、对所述最佳模型进行参数调整，并部署线上。
2.如权利要求1所述方法，其特征在于，其中所述步骤S101包括：
在机房的各个关键地点，放置温湿度传感器，通过所述温湿度传感器采集所述机房中的温湿度数据。
3.如权利要求1所述方法，其特征在于，其中所述步骤S101之后还包括：对获取的温湿度数据进行数据的预处理。
4.如权利要求1所述方法，其特征在于，其中步骤S103中所述多种模型至少包括：时间序列ARIMA模型、支持向量回归机SVR模型、BP神经网络模型。
5.如权利要求1所述方法，其特征在于，其中步骤S103具体包括对温度和湿度分别进行多种模型的建模。
6.如权利要求3所述方法，其特征在于，其中所述预处理包括如下步骤：
对温湿度数据进行归一化的转换处理，处理公式如下：
式中，X为原始数据，
为标准化后的数据，X max 为样本数据中的最大值，X min 为最小值。
7.如权利要求1所述方法，其特征在于，其中所述性能评价指标具体为：
均方根误差RMSE为预测数值结果和实际数值之间平方差异平均值的平方根，在非线性情况下RMSE的数值越小越好，其公式为：
平均绝对误差MAE为模型预测的数值结果和实际结果之间绝对误差的平均值，其公式为：
式中，n表示预测时间点的区间大小，
表示某时间点的指标实际值，
表示某时间点的指标预测值。
8.如权利要求1所述方法，其特征在于，其中所述最佳模型为BP神经网络模型。
9.如权利要求8所述方法，其特征在于，其中所述对所述最佳模型进行参数调整，其调整的模型参数包括隐藏节点数、学习率和迭代次数。
10.一种实施如权利要求1至9任意一项所述方法的机房温湿度预测***，其特征在于，其包括：
数据采集模块，其用于采集机房温湿度数据；
模型建立模块，其用于使用多种模型对所述温湿度数据进行建模；
评估比对模块，其用于对多种模型进行评估，并进行比较；
模型选定模块，其基于比较结果，确定最佳模型；
参数调整模块，其用于对所述最佳模型进行参数调整。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011324398.6A CN112128950B (zh) | 2020-11-24 | 2020-11-24 | 一种基于多种模型对比的机房温湿度预测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011324398.6A CN112128950B (zh) | 2020-11-24 | 2020-11-24 | 一种基于多种模型对比的机房温湿度预测方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112128950A true CN112128950A (zh) | 2020-12-25 |
| CN112128950B CN112128950B (zh) | 2021-03-19 |
Family
ID=73852268
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011324398.6A Active CN112128950B (zh) | 2020-11-24 | 2020-11-24 | 一种基于多种模型对比的机房温湿度预测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112128950B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112948230A (zh) * | 2021-03-31 | 2021-06-11 | 中国建设银行股份有限公司 | 一种基于机房机密空调的数据处理方法和装置 |
| US20220187140A1 (en) * | 2020-12-14 | 2022-06-16 | Yokogawa Electric Corporation | Abnormal temperature detection device, abnormal temperature detection method, and non-transitory computer readable storage medium |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10141736A (ja) * | 1996-09-11 | 1998-05-29 | Toshiba Corp | 快適性指標ｐｍｖ学習装置 |
| CN102393882A (zh) * | 2011-09-21 | 2012-03-28 | 济中节能技术（苏州）有限公司 | 在线监控和诊断室内空气质量传感器的方法 |
| CN108317683A (zh) * | 2018-01-19 | 2018-07-24 | 四川斐讯信息技术有限公司 | 一种室内温湿度的预测方法及*** |
| KR20180096834A (ko) * | 2017-02-09 | 2018-08-30 | 충북대학교 산학협력단 | Ｓｖｒ을 이용한 제조 공정의 최적 작업 조건을 예측하기 위한 작업 조건 예측 방법 및 시스템 |
| CN108518804A (zh) * | 2018-03-21 | 2018-09-11 | 武汉物联远科技有限公司 | 一种机房温湿度环境预测方法及*** |
| CN110298487A (zh) * | 2019-05-30 | 2019-10-01 | 同济大学 | 一种用于满足用户个性化需求的室内温度预测方法 |
| CN110689183A (zh) * | 2019-09-20 | 2020-01-14 | 山东大学 | 一种集群光伏功率概率预测方法、***、介质及电子设备 |
-
2020
- 2020-11-24 CN CN202011324398.6A patent/CN112128950B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10141736A (ja) * | 1996-09-11 | 1998-05-29 | Toshiba Corp | 快適性指標ｐｍｖ学習装置 |
| CN102393882A (zh) * | 2011-09-21 | 2012-03-28 | 济中节能技术（苏州）有限公司 | 在线监控和诊断室内空气质量传感器的方法 |
| KR20180096834A (ko) * | 2017-02-09 | 2018-08-30 | 충북대학교 산학협력단 | Ｓｖｒ을 이용한 제조 공정의 최적 작업 조건을 예측하기 위한 작업 조건 예측 방법 및 시스템 |
| CN108317683A (zh) * | 2018-01-19 | 2018-07-24 | 四川斐讯信息技术有限公司 | 一种室内温湿度的预测方法及*** |
| CN108518804A (zh) * | 2018-03-21 | 2018-09-11 | 武汉物联远科技有限公司 | 一种机房温湿度环境预测方法及*** |
| CN110298487A (zh) * | 2019-05-30 | 2019-10-01 | 同济大学 | 一种用于满足用户个性化需求的室内温度预测方法 |
| CN110689183A (zh) * | 2019-09-20 | 2020-01-14 | 山东大学 | 一种集群光伏功率概率预测方法、***、介质及电子设备 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220187140A1 (en) * | 2020-12-14 | 2022-06-16 | Yokogawa Electric Corporation | Abnormal temperature detection device, abnormal temperature detection method, and non-transitory computer readable storage medium |
| CN112948230A (zh) * | 2021-03-31 | 2021-06-11 | 中国建设银行股份有限公司 | 一种基于机房机密空调的数据处理方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112128950B (zh) | 2021-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Khelif et al. | RUL prediction based on a new similarity-instance based approach | |
| US8347144B2 (en) | False alarm mitigation | |
| CN112128950B (zh) | 一种基于多种模型对比的机房温湿度预测方法及*** | |
| EP3250965B1 (en) | Methods and systems for detecting, classifying and/or mitigating sensor error | |
| ES2963926T3 (es) | Método para monitorización del estado de subsistemas dentro de una planta de generación renovable o microrred | |
| CN117114454B (zh) | 一种基于Apriori算法的直流套管状态评估方法及*** | |
| CN112183906B (zh) | 一种基于多模型组合模型的机房环境预测方法及*** | |
| KR102279351B1 (ko) | 표준 공조기와 운용 공조기의 적합화를 통한 인공지능 기반 고장 진단 방법 | |
| CN114462309B (zh) | 一种物理仿真模型训练方法、装置、设备和存储介质 | |
| CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
| CN117110748A (zh) | 一种基于融合终端的变电站主设备运行状态异常检测方法 | |
| CN115640159A (zh) | 一种微服务故障诊断方法及*** | |
| CN115836283A (zh) | 制造过程决策支持的模型保真度监测和重新生成 | |
| CN110490132B (zh) | 数据处理方法和装置 | |
| US20230297095A1 (en) | Monitoring device and method for detecting anomalies | |
| CN117891644A (zh) | 一种基于数字孪生技术的数据采集***及其采集方法 | |
| CN117725792A (zh) | 基于时间序列和模型修正的建筑安全监测预警方法 | |
| CN113313304A (zh) | 一种基于大数据决策树的电网事故异常分析方法及*** | |
| CN117149565A (zh) | 云平台关键性能指标的状态检测方法、装置、设备及介质 | |
| KR102389317B1 (ko) | 순환 신경망(rnn)을 이용한 스마트팜 센서의 고장여부 판단방법 | |
| CN117113157B (zh) | 一种基于人工智能的台区用电故障检测*** | |
| CN117723782B (zh) | 用于桥梁结构健康监测的传感器故障识别定位方法及*** | |
| CN116258467B (zh) | 一种电力施工管控*** | |
| CN116452070B (zh) | 多辨识框架下的大型设备健康评估方法和装置 | |
| CN117592865B (zh) | 一种装备零备件质量状态预测方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20211104 Address after: 200137 floor 1-5, building 14, No. 528, Yanggao North Road, Pudong New Area, Shanghai Patentee after: Shanghai mengpa Information Technology Co.,Ltd. Patentee after: Beijing mengpa Xinchuang Technology Co.,Ltd. Address before: 1110, 1 / F, building a, 98 Guangqu Road, Chaoyang District, Beijing 100022 Patentee before: Beijing mengpa Xinchuang Technology Co.,Ltd. |
|
| TR01 | Transfer of patent right | ||
| CP03 | Change of name, title or address |
Address after: 200137 room 108, block a, building 8, No. 1879, jiangxinsha Road, Pudong New Area, Shanghai Patentee after: Shanghai mengpa Intelligent Technology Co.,Ltd. Patentee after: Beijing mengpa Xinchuang Technology Co., Ltd Address before: 200137 floor 1-5, building 14, No. 528, Yanggao North Road, Pudong New Area, Shanghai Patentee before: Shanghai mengpa Information Technology Co.,Ltd. Patentee before: Beijing mengpa Xinchuang Technology Co., Ltd |
|
| CP03 | Change of name, title or address |