CN115983445A - Pue预测方法、pue预测模型的训练方法、装置及设备 - Google Patents
Pue预测方法、pue预测模型的训练方法、装置及设备 Download PDFInfo
- Publication number
- CN115983445A CN115983445A CN202211597374.7A CN202211597374A CN115983445A CN 115983445 A CN115983445 A CN 115983445A CN 202211597374 A CN202211597374 A CN 202211597374A CN 115983445 A CN115983445 A CN 115983445A
- Authority
- CN
- China
- Prior art keywords
- pue
- characteristic
- data
- feature
- value
- 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.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种PUE预测方法、PUE预测模型的训练方法、装置及设备,涉及人工智能技术领域。具体实现方案为:分别对至少两个参考周期中的参考PUE特征数据进行特征提取,得到所述参考PUE特征数据的PUE特征表示;所述参考周期位于目标周期之前;确定不同参考周期中参考PUE特征数据之间的自相关特征;根据所述PUE特征表示和所述自相关特征,预测数据中心在目标周期中的PUE值。通过上述技术方案,可以提高PUE预测的准确度。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及一种PUE预测方法、PUE预测模型的训练方法、装置及设备。
背景技术
能效指标(Power Usage Effectiveness,PUE)是数据中心运行的关键参数,是评价数据中心能源效率的指标,是数据中心消耗的所有能源与IT负载消耗的能源的比值。
目前数据中心季度或者年度PUE预测主要依靠历史同期或者近期数据的统计分析,通常取该数据段的均值,极值或者中位数作为未来季节或者年度PUE目标;另外考虑到运行工况,机柜业务状况,重点保障节日等相关内容,通常会基于以上统计值进行微调。但是,由于数据中心运行工况的复杂性,多***融合,涉及水、电、暖多个方面,统计值预估方案片面且误差较大。因此,亟需改进。
发明内容
本公开提供了一种PUE预测方法、PUE预测模型的训练方法、装置及设备。
根据本公开的一方面,提供了一种PUE预测方法,该方法包括:
分别对至少两个参考周期中的参考PUE特征数据进行特征提取,得到所述参考PUE特征数据的PUE特征表示;所述参考周期位于目标周期之前;
确定不同参考周期中参考PUE特征数据之间的自相关特征;
根据所述PUE特征表示和所述自相关特征,预测数据中心在目标周期中的PUE值。
根据本公开的另一方面,提供了一种PUE预测模型的训练方法,该方法包括:
分别对至少两个参考周期中的参考PUE特征数据进行特征提取,得到所述参考PUE特征数据的PUE特征表示;所述参考周期位于目标周期之前;
确定不同参考周期中参考PUE特征数据之间的自相关特征;
根据所述PUE特征表示和所述自相关特征,预测数据中心在目标周期中的PUE值;
根据所预测的数据中心在目标周期中的PUE值,以及数据中心在目标周期中PUE标签值,确定训练损失;
采用所述训练损失对PUE预测模型进行训练。
根据本公开的另一方面,提供了一种PUE预测装置,该装置包括:
PUE特征提取模块,用于分别对至少两个参考周期中的参考PUE特征数据进行特征提取,得到所述参考PUE特征数据的PUE特征表示;所述参考周期位于目标周期之前;
自相关特征确定模块,用于确定不同参考周期中参考PUE特征数据之间的自相关特征;
PUE值预测模块,用于根据所述PUE特征表示和所述自相关特征,预测数据中心在目标周期中的PUE值。
根据本公开的另一方面,提供了一种PUE预测模型的训练装置,该装置包括:
PUE特征提取模块,用于分别对至少两个参考周期中的参考PUE特征数据进行特征提取,得到所述参考PUE特征数据的PUE特征表示;所述参考周期位于目标周期之前;
自相关特征确定模块,用于确定不同参考周期中参考PUE特征数据之间的自相关特征;
PUE值预测模块,用于根据所述PUE特征表示和所述自相关特征,预测数据中心在目标周期中的PUE值;
训练损失确定模块,用于根据所预测的数据中心在目标周期中的PUE值,以及数据中心在目标周期中PUE标签值,确定训练损失;
模型训练模块,用于采用所述训练损失对PUE预测模型进行训练。
根据本公开的另一方面,提供了一种电子设备,该电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本公开任一实施例所述的PUE预测方法,或PUE预测模型的训练方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使计算机执行本公开任一实施例所述的PUE预测方法,或PUE预测模型的训练方法。
根据本公开的另一方面,提供了种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现本公开任一实施例所述的PUE预测方法,或PUE预测模型的训练方法。
根据本公开的技术,能够提高PUE预测的准确度。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开实施例提供的一种PUE预测方法的流程图;
图2是根据本公开实施例提供的另一种PUE预测方法的流程图;
图3是根据本公开实施例提供的另一种PUE预测方法的流程图;
图4A是根据本公开实施例提供的一种PUE预测模型的训练方法的流程图;
图4B是根据本公开实施例提供的一种PUE预测模型的训练过程的示意图;
图5是根据本公开实施例提供的一种PUE预测装置的结构示意图;
图6是根据本公开实施例提供的一种PUE预测模型的训练装置的结构示意图;
图7是用来实现本公开实施例的PUE预测方法或PUE预测模型的训练方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“参考”和“目标”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
此外,还需要说明的是,本发明的技术方案中,所涉及的参考PUE特征数据等的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
图1是根据本公开实施例提供的一种PUE预测方法的流程图。该方法适用于如何对数据中心的PUE指标进行预测的情况。该方法可以由PUE预测装置来执行,该装置可以采用软件和/或硬件的方式实现,并可集成于承载PUE预测功能的电子设备中,比如服务器中。如图1所示,本实施例的PUE预测方法可以包括:
S101,分别对至少两个参考周期中的参考PUE特征数据进行特征提取,得到参考PUE特征数据的PUE特征表示。
本实施例中,周期是指对数据中心的PUE值进行一次计算的时间段,例如可以是一周、一天或几个小时等。所谓目标周期是指需要对数据中心的PUE值进行预测的周期,可以是历史的某个周期,也可以是未来的某个周期。所谓参考周期是指对数据中心的PUE值进行预测时所参考的周期;可选的,参考周期可以是历史的某个周期;需要说明的是,参考周期位于目标周期之前;进一步的,不同参考周期之间可以连续。一个示例,假设目标周期为第N天,至少两个参考周期可以是第1到N-1天,其中,N为大于等于3的自然数。
所谓参考PUE特征数据是指对数据中心的PUE值进行预测所采用的数据;可选的,参考PUE特征数据可以是数据中心在参考周期的PUE值。进一步的,还可以对参考PUE特征数据进行数据清洗,例如,可以根据实际工况和经验数据,对参考PUE特征数据中参考PUE值小于等于1和参考PUE值大于等于1的数据进行清洗和重调,以避免极端值对后续PUE值预测的影响。更进一步的,还可以对参考PUE特征数据进行同趋化处理和无量纲化处理等数据标准化处理,以增强PUE特征数据的可辨识度和数据的可比性;例如可以采用Min-Max标准化处理,假设至少两个参考周期的参考PUE特征数据为{x1,x2,x3,...xi...,xn},其中,xn表示第n个参考周期的参考PUE特征数据,xi表示第i个参考周期的参考PUE特征数据,则可以通过如下公式进行归一化:其中,xi_s表示第i个参考周期的参考PUE特征数据进行标准化处理后的特征数据,xi表示第i个参考周期的参考PUE特征数据,xmax表示至少两个参考周期的参考PUE特征数据中最大的参考PUE特征数据,xmin表示至少两个参考周期的参考PUE特征数据中最小的参考PUE特征数据。
所谓PUE特征表示是指对参考PUE数据进行特征提取后得到的数据,可以包括但不限于序列、矩阵和向量。需要说明的是,参考周期和参考PUE特征表示一一对应,参考PUE特征数据与PUE特征表示一一对应。
具体的,可以采用深度神经网络,分别对至少两个参考周期中的参考PUE特征数据进行特征提取,得到每个参考PUE特征数据的PUE特征表示。其中,深度神经网络可以是长短期记忆网络(long short-term memory,LSTM)等。
S102,确定不同参考周期中参考PUE特征数据之间的自相关特征。
本实施例中,自相关特征是指用于表征不同参考周期中参考PUE特征数据之间的相关性的特征,可以采用向量或矩阵形式表示。
具体的,可以对不同参考周期中参考PUE特征数据进行自相关运算,得到不同参考周期中参考PUE特征数据之间的自相关特征。
S103,根据PUE特征表示和自相关特征,预测数据中心在目标周期中的PUE值。
具体的,可以基于预设的预测规则,根据各参考PUE特征数据的PUE特征表示和不同参考PUE特征数据之间的自相关特征,预测数据中心在目标周期的PUE值。例如,可以对各参考PUE特征数据的PUE特征表示和不同参考PUE特征数据之间的自相关特征进行融合,得到融合后的特征,对融合后的特征进行降维操作,得到一维特征,进而采用激活操作(比如Sigmoid操作)对一维特征进行预测,得到数据中心在目标周期中的PUE值。
本公开实施例提供的技术方案,通过分别对至少两个参考周期中的参考PUE特征数据进行特征提取,得到参考PUE特征数据的PUE特征表示,之后确定不同参考周期中参考PUE特征数据之间的自相关特征,进而根据PUE特征表示和自相关特征,预测数据中心在目标周期中的PUE值。上述技术方案,通过提取多个参考周期的PUE特征数据的特征,可以充分挖掘对不同参考周期的PUE特征数据的特征;同时引入自相关特征,可以充分挖掘不同参考周期的PUE特征数据之间的依赖关系和相互影响程度,从而为提升PUE值的预测准确性奠定了良好的基础。
在上述实施例的基础上,作为本公开的一种可选方式,数据中心在参考周期中的参考PUE特征数据包括数据中心在参考周期中的参考PUE值和参考PUE值对应的时间特征。
其中,参考PUE值是指数据中心在参考周期中的PUE真实值。参考PUE值对应的时间特征用于表征参考PUE值所处时段的特性,可以采用向量或矩阵形式表示;可选的,时间特征可以是由参考PUE值对应时间戳所构成的向量。
示例性的,在上述实施例的基础上,作为本公开的一种可选方式,确定参考PUE值对应的时间特征可以是,针对每一参考周期,获取数据中心在该参考周期中参考PUE值对应的时间戳;根据该参考周期对应的时间戳,确定该参考周期的时间序列;对该参考周期的时间序列进行转换,得到该参考周期中参考PUE值对应的时间特征。
具体的,对于每一参考周期,获取数据中心在该参考周期中参考PUE值对应的时间戳,之后对该参考周期对应的时间戳进行拆分,例如对时间戳的月份、季度和周等特征项进行拆分,对拆分后的数据进行处理,得到该参考周期的时间序列,进而可以对该参考周期的时间序列以预设方式进行转换,例如可以对时间序列进行正余弦转换,得到该参考周期中参考PUE值对应的时间特征。充分挖掘PUE特征数据中的趋势、季节性、后期型和波动特点,来综合考量目标周期的PUE特征数据的状态,从而为获得合理的预测数据奠定基础。
例如,某一参考周期参考PUE值对应的时间戳为2022年12月1日,对时间戳进行拆分后该时间戳对应12月,4季度,周四,对应的时间序列为{12,4,4},进而对该时间序列{12,4,4}进行正余弦转换后,得到时间特征{0.21,0.98,0.07,0.99,0.07,0.99}。
可以理解的是,通过引入参考PUE值对应的时间特征,可以进一步丰富参考PUE特征数据,增加了参考PUE值和时间特征的耦合,从而进一步为PUE值预测的准确度提供保障。
图2是根据本公开实施例提供的另一种PUE预测方法的流程图。本实施例在上述实施例的基础上,对“根据PUE特征表示和自相关特征,预测数据中心在目标周期中的PUE值”进一步优化,提供一种可选实施方案。如图2所示,本实施例的PUE预测方法可以包括:
S201,分别对至少两个参考周期中的参考PUE特征数据进行特征提取,得到参考PUE特征数据的PUE特征表示。
其中,参考周期位于目标周期之前。
S202,确定不同参考周期中参考PUE特征数据之间的自相关特征。
S203,采用PUE预测模型中的注意力网络,对参考PUE特征数据的PUE特征表示和参考PUE特征数据的自相关特征进行处理,得到参考PUE特征数据的注意力特征。
本实施例中,注意力特征是指经过注意力机制运算后得到的特征数据,可采用向量或矩阵形式表示。需要说明的是,本实施例中注意力特征的维度和参考PUE特征数据的维度可以相同。
具体的,可以将参考PUE特征数据的PUE特征表示和参考PUE特征数据的自相关特征输入至PUE预测模型中的注意力网络,经过网络学习,得到参考PUE特征数据的注意力特征。例如,参考PUE特征数据的PUE特征表示是由LSTM学习得到,则PUE特征表示可以包括LSTM网络输出的网络权重和输出特征,进而可以将网络权重作为注意力网络输入的Q矩阵,将输出特征作为注意力网络输入的K矩阵,以及将自相关特征作为注意力网络输入的V矩阵,进而注意力网络可以通过如下公式来得到注意力特征:其中,Context表示注意力特征,Q表示网络权重,K表示输出特征,V表示自相关特征,dimension(K)表示对K矩阵即输出特征求维度,KT表示对K矩阵即输出特征作转置操作后的结果,Softmax()表示归一化指数函数。
S204,根据注意力特征,预测数据中心在目标周期中的PUE值。
具体的,可以采用压平Flatten操作对注意力特征进行降维,得到一维特征,进而可以对一维特征进行激活运算比如Sigmoid运算,预测得到数据中心在目标周期中的PUE值。
本公开实施例提供的技术方案,通过分别对至少两个参考周期中的参考PUE特征数据进行特征提取,得到参考PUE特征数据的PUE特征表示,之后确定不同参考周期中参考PUE特征数据之间的自相关特征,采用PUE预测模型中的注意力网络,对参考PUE特征数据的PUE特征表示和参考PUE特征数据的自相关特征进行处理,得到参考PUE特征数据的注意力特征,最后根据注意力特征,预测数据中心在目标周期中的PUE值。上述技术方案,引入注意力特征,进一步提取PUE特征表示和自相关特征之间的依赖程度,从而充分挖掘PUE特征数据的深度和广度,使得最后所预测的PUE值更加准确且合理。
图3是根据本公开实施例提供的另一种PUE预测方法的流程图。本实施例在上述实施例的基础上,对“根据注意力特征,预测数据中心在目标周期中的PUE值”进一步优化,提供一种可选实施方案。如图3所示,本实施例的PUE预测方法可以包括:
S301,分别对至少两个参考周期中的参考PUE特征数据进行特征提取,得到参考PUE特征数据的PUE特征表示。
其中,参考周期位于目标周期之前。
S302,确定不同参考周期中参考PUE特征数据之间的自相关特征。
S303,采用PUE预测模型中的注意力网络,对参考PUE特征数据的PUE特征表示和参考PUE特征数据的自相关特征进行处理,得到参考PUE特征数据的注意力特征。
S304,对至少两个参考周期中的参考PUE特征数据进行加权,得到加权PUE特征数据。
本实施例中,加权PUE特征数据是指对参考PUE特征数据进行加权后得到的特征数据。
可选的,可以采用预设加权方式,分别对至少两个参考周期中的参考PUE特征数据进行加权,得到每个参考PUE特征数据对应的加权PUE特征数据。例如针对每一参考周期,确定该参考周期的参考权重;对该参考周期中的参考PUE特征数据赋予对应的参考权重,得到该参考周期中的加权PUE特征数据。
其中,参考权重是指参考周期中参考PUE特征数据对最终预测PUE值的重要性,参考权重越大,则重要性越大。
具体的,对于每一参考周期,确定该参考周期的参考权重,将该参考周期中的参考PUE特征数据乘以该参考周期的参考权重后的结果,作为该参考周期中的加权PUE特征数据。进一步的,还可以将该参考周期中的参考PUE特征数据乘以该参考周期的参考权重后的结果,与该参考周期中的参考PUE特征数据进行加和,并将加和后的结果作为该参考周期中的加权PUE特征数据。
可以理解的是,为参考周期中的参考PUE特征数据赋予一定的权重,可以充分挖掘各参考周期对后续目标周期的PUE预测的影响程度,使得目标周期的PUE值预测的更加合理。
S305,对加权PUE特征数据和注意力特征进行融合,得到融合特征。
本实施例中,融合特征是指对注意力特征和各参考PUE特征数据对应的加权PUE特征数据进行融合后的特征,可以采用向量或矩阵形式表示。
具体的,可以采用预设融合方式,对注意力特征和各参考PUE特征数据对应的加权PUE特征数据进行融合,得到融合特征。例如,可以对注意力特征和各参考PUE特征数据对应的加权PUE特征数据进行拼接,将拼接后的特征数据作为融合特征。又如,还可以对注意力特征和各参考PUE特征数据对应的加权PUE特征数据进行相加,将加和的特征数据作为融合特征。
S306,根据融合特征,预测数据中心在目标周期中的PUE值。
具体的,可以采用压平Flatten操作对融合特征进行降维,得到一维特征,进而可以对一维特征进行激活运算比如Sigmoid运算,预测得到数据中心在目标周期中的PUE值。
本公开实施例提供的技术方案,通过分别对至少两个参考周期中的参考PUE特征数据进行特征提取,得到参考PUE特征数据的PUE特征表示,并确定不同参考周期中参考PUE特征数据之间的自相关特征,之后采用PUE预测模型中的注意力网络,对参考PUE特征数据的PUE特征表示和参考PUE特征数据的自相关特征进行处理,得到参考PUE特征数据的注意力特征,进而对至少两个参考周期中的参考PUE特征数据进行加权,得到加权PUE特征数据,并对加权PUE特征数据和注意力特征进行融合,得到融合特征,最后根据融合特征,预测数据中心在目标周期中的PUE值。上述技术方案,引入加权PUE特征数据,可以调整所预测的目标周期中PUE值的偏离度,使得所预测的PUE值更加贴合实际值。
图4A是根据本公开实施例提供的一种PUE预测模型的训练方法的流程图;图4B是根据本公开实施例提供的一种PUE预测模型的训练过程的示意图。该方法适用于如何对数据中心的PUE指标进行预测的情况。该方法可以由PUE预测模型的训练装置来执行,该装置可以采用软件和/或硬件的方式实现,并可集成于承载PUE预测模型的训练功能的电子设备中,比如服务器中。如图4A和图4B所示,本实施例的PUE预测模型的训练方法可以包括:
S401,分别对至少两个参考周期中的参考PUE特征数据进行特征提取,得到参考PUE特征数据的PUE特征表示。
其中,周期是指对数据中心的PUE值进行一次计算的时间段,例如可以是一周、一天或几个小时等。所谓目标周期是指需要对数据中心的PUE值进行预测的周期,可以是历史的某个周期。所谓参考周期是指对数据中心的PUE值进行预测时所参考的周期;可选的,参考周期可以是历史的某个周期;需要说明的是,参考周期位于目标周期之前;进一步的,不同参考周期之间可以连续。
所谓参考PUE特征数据是指用于对数据中心的PUE值进行预测所采用的数据;可选的,参考PUE特征数据可以是数据中心在参考周期的PUE值。进一步的,还可以对参考PUE特征数据进行数据清洗和数据标准化处理。
所谓PUE特征表示是指对参考PUE数据进行特征提取后得到的数据,可以包括但不限于序列、矩阵和向量。需要说明的是,参考周期和参考PUE特征表示一一对应,参考PUE特征数据与PUE特征表示一一对应。
具体的,可以采用深度神经网络,对至少两个参考周期中的参考PUE特征数据进行特征提取,得到参考PUE特征数据的PUE特征表示。其中,深度神经网络可以是长短期记忆网络(long short-term memory,LSTM)等。
S402,确定不同参考周期中参考PUE特征数据之间的自相关特征。
本实施例中,自相关特征是指用于表征不同参考周期中参考PUE特征数据之间的相关性的特征,可以采用向量或矩阵形式表示。
具体的,可以对不同参考周期中参考PUE特征数据进行自相关运算,得到不同参考周期中参考PUE特征数据之间的自相关特征。例如,可以采用PUE预测模型的自相关处理层对不同参考周期中参考PUE特征数据进行自相关运算,得到不同参考周期中参考PUE特征数据之间的自相关特征。
S403,根据PUE特征表示和自相关特征,预测数据中心在目标周期中的PUE值。
具体的,可以基于预设的预测规则,根据各参考PUE特征数据的PUE特征表示和不同参考PUE特征数据之间的自相关特征,预测数据中心在目标周期的PUE值。例如,可以对各参考PUE特征数据的PUE特征表示和不同参考PUE特征数据之间的自相关特征进行融合,得到融合后的特征,对融合后的特征进行降维操作,得到一维特征,进而采用激活操作(比如Sigmoid操作)对一维特征进行预测,得到数据中心在目标周期中的PUE值。
S404,根据所预测的数据中心在目标周期中的PUE值,以及数据中心在目标周期中PUE标签值,确定训练损失。
本实施例中,PUE值是指预测得到的数据中心在目标周期中的预测PUE值。PUE标签值为数据中心在目标周期中的真实PUE值。
具体的,可以基于预设的损失函数比如交叉熵损失函数等,根据所预测的数据中心在目标周期中的PUE值,以及数据中心在目标周期中PUE标签值,确定训练损失。
S405,采用训练损失对PUE预测模型进行训练。
具体的,可以采用训练损失对PUE预测模型进行训练,直到满足训练停止条件,停止对PUE预测模型进行训练。其中,训练停止条件可以是训练损失稳定在设定范围内,或者迭代次数达到设定值等。其中,设定范围和设定值可以由本领域技术人员根据实际情况设定。
一个具体的例子,如图4B所示,PUE预测模型可以包括至少一个特征提取子模型和预测网络,每一特征提取子模型包括LSTM网络、自相关处理层和注意力网络。具体的,将数据中心在至少两个参考周期中的参考PUE特征数据(记为原始数据)输入首个特征提取子模型中的LSTM网络得到该LSTM网络输出的网络权重(Q)和输出特征(K),其中,LSTM包括多个LSTM神经细胞层,H标识多层神经网络之间的隐状态传递;同时,将数据中心在至少两个参考周期中的参考PUE特征数据(记为原始数据)输入首个特征提取子模型中的自相关处理网络,进行自相关运算,得到不同参考周期中参考PUE特征数据之间的自相关特征(V),之后将网络权重(Q)、输出特征(K)和自相关特征(V)作为首个特征提取子模型中注意力网络的输入,进行注意力运算,得到首个特征提取子模型输出的注意力特征;进而,将首个特征提取子模型输出的注意力特征输入首个特征提取子模型的下一特征提取子模型;以此类推。进而将PUE预测模型中最后一特征提取子模块输出的注意力特征,以及对至少两个参考周期中的参考PUE特征数据进行加权残差后得到的加权PUE特征数据进行融合得到融合特征,将融合特征输入PUE预测模型的预测网络进行预测,比如预测网络采用Sigmoid激活函数对融合特征进行运算,预测得到数据中心在目标周期中的PUE值记为Yi。最后根据所预测的数据中心在目标周期中的PUE值,以及数据中心在目标周期中PUE标签值,确定训练损失,并采用训练损失对PUE预测模型进行训练。
需要说明的是,在对PUE预测模型进行训练时,可以采用10折交叉验证的训练方式,即将训练集随机分为10份,其中9份数据用于模型训练,1份数据用于模型测试,完成一次训练为一个周期,待每1份数据都完成模型测试之后,完成训练。
本公开实施例提供的技术方案,通过分别对至少两个参考周期中的参考PUE特征数据进行特征提取,得到参考PUE特征数据的PUE特征表示,之后确定不同参考周期中参考PUE特征数据之间的自相关特征,进而根据PUE特征表示和自相关特征,预测数据中心在目标周期中的PUE值,最后根据所预测的数据中心在目标周期中的PUE值,以及数据中心在目标周期中PUE标签值,确定训练损失,并采用训练损失对PUE预测模型进行训练。上述技术方案,通过提取多个参考周期的PUE特征数据的特征,可以充分挖掘对不同参考周期的PUE特征数据的特征;同时引入自相关特征,可以充分挖掘不同参考周期的PUE特征数据之间的依赖关系和相互影响程度,从而为提升PUE值的预测准确性奠定了良好的基础。
图5是根据本公开实施例提供的一种PUE预测装置的结构示意图。本实施例适用于如何对数据中心的PUE指标进行预测的情况。该装置可以采用软件和/或硬件的方式实现,并可集成于承载PUE预测功能的电子设备中,比如服务器中。如图5所示,本实施例的PUE预测装置500可以包括:
PUE特征提取模块501,用于分别对至少两个参考周期中的参考PUE特征数据进行特征提取,得到参考PUE特征数据的PUE特征表示;参考周期位于目标周期之前;
自相关特征确定模块502,用于确定不同参考周期中参考PUE特征数据之间的自相关特征;
PUE值预测模块503,用于根据PUE特征表示和自相关特征,预测数据中心在目标周期中的PUE值。
本公开实施例提供的技术方案,通过分别对至少两个参考周期中的参考PUE特征数据进行特征提取,得到参考PUE特征数据的PUE特征表示,之后确定不同参考周期中参考PUE特征数据之间的自相关特征,进而根据PUE特征表示和自相关特征,预测数据中心在目标周期中的PUE值。上述技术方案,通过提取多个参考周期的PUE特征数据的特征,可以充分挖掘对不同参考周期的PUE特征数据的特征;同时引入自相关特征,可以充分挖掘不同参考周期的PUE特征数据之间的依赖关系和相互影响程度,从而为提升PUE值的预测准确性奠定了良好的基础。
进一步地,PUE值预测模块503,包括:
注意力特征确定单元,用于采用PUE预测模型中的注意力网络,对参考PUE特征数据的PUE特征表示和参考PUE特征数据的自相关特征进行处理,得到参考PUE特征数据的注意力特征;
PUE值预测单元,用于根据注意力特征,预测数据中心在目标周期中的PUE值。
进一步地,PUE值预测单元具体用于:
加权PUE特征确定子单元,用于对至少两个参考周期中的参考PUE特征数据进行加权,得到加权PUE特征数据;
融合特征确定子单元,用于对加权PUE特征数据和注意力特征进行融合,得到融合特征;
PUE值预测子单元,用于根据融合特征,预测数据中心在目标周期中的PUE值。
进一步地,加权PUE特征确定子单元具体用于:
针对每一参考周期,确定该参考周期的参考权重;
对该参考周期中的参考PUE特征数据赋予对应的参考权重,得到该参考周期中的加权PUE特征数据。
进一步地,参考PUE特征数据包括数据中心在参考周期中的参考PUE值和参考PUE值对应的时间特征。
进一步地,该装置还包括:
时间戳确定模块,用于针对每一参考周期,获取数据中心在该参考周期中参考PUE值对应的时间戳;
时间序列确定模块,用于根据该参考周期对应的时间戳,确定该参考周期的时间序列;
时间特征确定模块,用于对该参考周期的时间序列进行转换,得到该参考周期中参考PUE值对应的时间特征。
图6是根据本公开实施例提供的一种PUE预测模型的训练装置的结构示意图。本实施例适用于如何对数据中心的PUE指标进行预测的情况。该装置可以采用软件和/或硬件的方式实现,并可集成于承载PUE预测模型的训练功能的电子设备中,比如服务器中。如图6所示,本实施例的PUE预测模型的训练装置600可以包括:
PUE特征提取模块601,用于分别对至少两个参考周期中的参考PUE特征数据进行特征提取,得到参考PUE特征数据的PUE特征表示;参考周期位于目标周期之前;
自相关特征确定模块602,用于确定不同参考周期中参考PUE特征数据之间的自相关特征;
PUE值预测模块603,用于根据PUE特征表示和自相关特征,预测数据中心在目标周期中的PUE值;
训练损失确定模块604,用于根据所预测的数据中心在目标周期中的PUE值,以及数据中心在目标周期中PUE标签值,确定训练损失;
模型训练模块605,用于采用训练损失对PUE预测模型进行训练。
本公开实施例提供的技术方案,通过分别对至少两个参考周期中的参考PUE特征数据进行特征提取,得到参考PUE特征数据的PUE特征表示,之后确定不同参考周期中参考PUE特征数据之间的自相关特征,进而根据PUE特征表示和自相关特征,预测数据中心在目标周期中的PUE值,最后根据所预测的数据中心在目标周期中的PUE值,以及数据中心在目标周期中PUE标签值,确定训练损失,并采用训练损失对PUE预测模型进行训练。上述技术方案,通过提取多个参考周期的PUE特征数据的特征,可以充分挖掘对不同参考周期的PUE特征数据的特征;同时引入自相关特征,可以充分挖掘不同参考周期的PUE特征数据之间的依赖关系和相互影响程度,从而为提升PUE值的预测准确性奠定了良好的基础。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图7是用来实现本公开实施例的PUE预测方法或PUE预测模型的训练方法的电子设备的框图。图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示,电子设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储电子设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
电子设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许电子设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理,例如PUE预测方法或PUE预测模型的训练方法。例如,在一些实施例中,PUE预测方法或PUE预测模型的训练方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的PUE预测方法或PUE预测模型的训练方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行PUE预测方法或PUE预测模型的训练方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式***的服务器,或者是结合了区块链的服务器。
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术及机器学习/深度学习技术、大数据处理技术、知识图谱技术等几大方向。
云计算(cloud computing),指的是通过网络接入弹性可扩展的共享物理或虚拟资源池,资源可以包括服务器、操作***、网络、软件、应用和存储设备等,并可以按需、自服务的方式对资源进行部署和管理的技术体系。通过云计算技术,可以为人工智能、区块链等技术应用、模型训练提供高效强大的数据处理能力。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (17)
1.一种能效指标PUE预测方法,包括:
分别对至少两个参考周期中的参考PUE特征数据进行特征提取,得到所述参考PUE特征数据的PUE特征表示;所述参考周期位于目标周期之前;
确定不同参考周期中参考PUE特征数据之间的自相关特征;
根据所述PUE特征表示和所述自相关特征,预测数据中心在目标周期中的PUE值。
2.根据权利要求1所述的方法,其中,所述根据所述PUE特征表示和所述自相关特征,预测数据中心在目标周期中的PUE值,包括:
采用PUE预测模型中的注意力网络,对所述参考PUE特征数据的PUE特征表示和所述参考PUE特征数据的自相关特征进行处理,得到所述参考PUE特征数据的注意力特征;
根据所述注意力特征,预测数据中心在目标周期中的PUE值。
3.根据权利要求2所述的方法,其中,所述根据所述注意力特征,预测数据中心在目标周期中的PUE值,包括:
对至少两个参考周期中的参考PUE特征数据进行加权,得到加权PUE特征数据;
对所述加权PUE特征数据和所述注意力特征进行融合,得到融合特征;
根据所述融合特征,预测数据中心在目标周期中的PUE值。
4.根据权利要求3所述的方法,其中,所述对至少两个参考周期中的参考PUE特征数据进行加权,得到加权PUE特征数据,包括:
针对每一参考周期,确定该参考周期的参考权重;
对该参考周期中的参考PUE特征数据赋予对应的参考权重,得到该参考周期中的加权PUE特征数据。
5.根据权利要求1-4中任一项所述的方法,其中,所述参考PUE特征数据包括数据中心在参考周期中的参考PUE值和所述参考PUE值对应的时间特征。
6.根据权利要求5所述的方法,所述方法还包括:
针对每一参考周期,获取数据中心在该参考周期中参考PUE值对应的时间戳;
根据该参考周期对应的时间戳,确定该参考周期的时间序列;
对该参考周期的时间序列进行转换,得到该参考周期中参考PUE值对应的时间特征。
7.一种PUE预测模型的训练方法,包括:
分别对至少两个参考周期中的参考PUE特征数据进行特征提取,得到所述参考PUE特征数据的PUE特征表示;所述参考周期位于目标周期之前;
确定不同参考周期中参考PUE特征数据之间的自相关特征;
根据所述PUE特征表示和所述自相关特征,预测数据中心在目标周期中的PUE值;
根据所预测的数据中心在目标周期中的PUE值,以及数据中心在目标周期中PUE标签值,确定训练损失;
采用所述训练损失对PUE预测模型进行训练。
8.一种PUE预测装置,包括:
PUE特征提取模块,用于分别对至少两个参考周期中的参考PUE特征数据进行特征提取,得到所述参考PUE特征数据的PUE特征表示;所述参考周期位于目标周期之前;
自相关特征确定模块,用于确定不同参考周期中参考PUE特征数据之间的自相关特征;
PUE值预测模块,用于根据所述PUE特征表示和所述自相关特征,预测数据中心在目标周期中的PUE值。
9.根据权利要求8所述的装置,其中,所述PUE值预测模块,包括:
注意力特征确定单元,用于采用PUE预测模型中的注意力网络,对所述参考PUE特征数据的PUE特征表示和所述参考PUE特征数据的自相关特征进行处理,得到所述参考PUE特征数据的注意力特征;
PUE值预测单元,用于根据所述注意力特征,预测数据中心在目标周期中的PUE值。
10.根据权利要求9所述的装置,其中,所述PUE值预测单元具体用于:
加权PUE特征确定子单元,用于对至少两个参考周期中的参考PUE特征数据进行加权,得到加权PUE特征数据;
融合特征确定子单元,用于对所述加权PUE特征数据和所述注意力特征进行融合,得到融合特征;
PUE值预测子单元,用于根据所述融合特征,预测数据中心在目标周期中的PUE值。
11.根据权利要求10所述的装置,其中,所述加权PUE特征确定子单元具体用于:
针对每一参考周期,确定该参考周期的参考权重;
对该参考周期中的参考PUE特征数据赋予对应的参考权重,得到该参考周期中的加权PUE特征数据。
12.根据权利要求8-11中任一项所述的装置,其中,所述参考PUE特征数据包括数据中心在参考周期中的参考PUE值和所述参考PUE值对应的时间特征。
13.根据权利要求12所述的装置,所述装置还包括:
时间戳确定模块,用于针对每一参考周期,获取数据中心在该参考周期中参考PUE值对应的时间戳;
时间序列确定模块,用于根据该参考周期对应的时间戳,确定该参考周期的时间序列;
时间特征确定模块,用于对该参考周期的时间序列进行转换,得到该参考周期中参考PUE值对应的时间特征。
14.一种PUE预测模型的训练装置,包括:
PUE特征提取模块,用于分别对至少两个参考周期中的参考PUE特征数据进行特征提取,得到所述参考PUE特征数据的PUE特征表示;所述参考周期位于目标周期之前;
自相关特征确定模块,用于确定不同参考周期中参考PUE特征数据之间的自相关特征;
PUE值预测模块,用于根据所述PUE特征表示和所述自相关特征,预测数据中心在目标周期中的PUE值;
训练损失确定模块,用于根据所预测的数据中心在目标周期中的PUE值,以及数据中心在目标周期中PUE标签值,确定训练损失;
模型训练模块,用于采用所述训练损失对PUE预测模型进行训练。
15.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的PUE预测方法,或权利要求7所述的PUE预测模型的训练方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使计算机执行根据权利要求1-6中任一项所述的PUE预测方法,或权利要求7所述的PUE预测模型的训练方法。
17.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的PUE预测方法,或权利要求7所述的PUE预测模型的训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211597374.7A CN115983445A (zh) | 2022-12-12 | 2022-12-12 | Pue预测方法、pue预测模型的训练方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211597374.7A CN115983445A (zh) | 2022-12-12 | 2022-12-12 | Pue预测方法、pue预测模型的训练方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115983445A true CN115983445A (zh) | 2023-04-18 |
Family
ID=85973156
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211597374.7A Pending CN115983445A (zh) | 2022-12-12 | 2022-12-12 | Pue预测方法、pue预测模型的训练方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115983445A (zh) |
-
2022
- 2022-12-12 CN CN202211597374.7A patent/CN115983445A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220374678A1 (en) | Method for determining pre-training model, electronic device and storage medium | |
CN112182118B (zh) | 基于多数据源的目标对象预测方法及其相关设备 | |
US20220309912A1 (en) | Method and apparatus for predicting traffic data and electronic device | |
CN113379153A (zh) | 用于预测电力负荷的方法、预测模型训练方法及装置 | |
CN116843483A (zh) | 一种车险理赔方法、装置、计算机设备及存储介质 | |
CN116777646A (zh) | 基于人工智能的风险识别方法、装置、设备及存储介质 | |
CN111080037A (zh) | 一种基于深度神经网络的短期电力负荷预测方法及装置 | |
CN114298389A (zh) | 一种臭氧浓度预报方法及装置 | |
CN115601042A (zh) | 信息识别方法、装置、电子设备及存储介质 | |
CN113554280B (zh) | 电网***调度模型的训练方法、装置、设备和存储介质 | |
CN115983445A (zh) | Pue预测方法、pue预测模型的训练方法、装置及设备 | |
CN115470798A (zh) | 意图识别模型的训练方法、意图识别方法、装置及设备 | |
CN114051057A (zh) | 云设备排队时长的确定方法、装置、电子设备和介质 | |
CN118212033A (zh) | 一种数据处理方法、装置、设备及存储介质 | |
CN117094452B (zh) | 干旱状态预测方法、干旱状态预测模型的训练方法及设备 | |
CN114816758B (zh) | 资源分配方法和装置 | |
JP7395811B2 (ja) | 負荷予測方法、装置、電子機器、及び記憶媒体 | |
CN116805176A (zh) | 一种台区的负荷预测方法、装置、设备及存储介质 | |
CN116703109A (zh) | 一种配电网项目选取方法、装置、设备及存储介质 | |
CN116307159A (zh) | 一种负荷预测方法、装置、电子设备和存储介质 | |
CN115146997A (zh) | 基于电力数据的评估方法、装置、电子设备及存储介质 | |
CN116842395A (zh) | 基于人工智能的数据匹配方法、装置、设备及存储介质 | |
CN115759373A (zh) | 燃气日负荷预测方法、装置及设备 | |
CN117611239A (zh) | 交易流量预测模型的训练方法和交易流量预测方法及装置 | |
CN117878905A (zh) | 基于白噪声信号的电网负荷预测方法、装置、设备及介质 |
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 |