本技術(shù)涉及一種ai機(jī)房節(jié)能，尤其涉及一種基于圖神經(jīng)網(wǎng)絡(luò)的機(jī)房溫度預(yù)測(cè)方法、裝置及存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、隨著互聯(lián)網(wǎng)和數(shù)字技術(shù)的快速發(fā)展，機(jī)房的能耗問(wèn)題越來(lái)越突出，已經(jīng)成為全球普遍關(guān)注和亟待解決的挑戰(zhàn)。機(jī)房的高能耗不僅大幅增加了企業(yè)的運(yùn)營(yíng)成本，也對(duì)環(huán)境可持續(xù)性構(gòu)成了嚴(yán)重威脅。

2、面對(duì)這樣的挑戰(zhàn)，人工智能技術(shù)(ai)在機(jī)房節(jié)能領(lǐng)域的應(yīng)用得到了快速發(fā)展，比如，通過(guò)建立深度學(xué)習(xí)模型對(duì)機(jī)房溫度進(jìn)行預(yù)測(cè)，指導(dǎo)空調(diào)調(diào)控策略變化方向，以實(shí)現(xiàn)動(dòng)態(tài)調(diào)節(jié)，按需供冷。

3、目前為止，基于深度學(xué)習(xí)的溫度預(yù)測(cè)算法在機(jī)房節(jié)能領(lǐng)域的應(yīng)用取得了顯著進(jìn)展，其中大多數(shù)溫度預(yù)算算法是基于rnn(循環(huán)神經(jīng)網(wǎng)絡(luò))、lstm(長(zhǎng)短期記憶網(wǎng)絡(luò))或transformer等模型。這些模型在處理時(shí)序數(shù)據(jù)和序列數(shù)據(jù)方面擁有較好的表現(xiàn)。然而，在實(shí)際應(yīng)用中，這些溫度預(yù)測(cè)算法面臨著一些挑戰(zhàn)。比如，不同機(jī)房的結(jié)構(gòu)和配置各不相同，導(dǎo)致數(shù)據(jù)的輸入維度不能統(tǒng)一，因此，需要針對(duì)不同機(jī)房進(jìn)行單獨(dú)的數(shù)據(jù)處理和建模訓(xùn)練。這種單一的數(shù)據(jù)類型限制了算法學(xué)習(xí)復(fù)雜場(chǎng)景的能力。此外，也沒(méi)有針對(duì)機(jī)房?jī)?nèi)部不同設(shè)備的相關(guān)性進(jìn)行考慮，對(duì)特征的提取不夠完善，從而影響了預(yù)測(cè)機(jī)房溫度的準(zhǔn)確性。

4、上述問(wèn)題表明，傳統(tǒng)機(jī)房溫度預(yù)測(cè)算法的預(yù)測(cè)精度具有局限性，將影響機(jī)房節(jié)能調(diào)控方向，從而影響機(jī)房節(jié)能效果，導(dǎo)致能耗問(wèn)題不能有效解決。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)實(shí)施例提供一種基于圖神經(jīng)網(wǎng)絡(luò)的機(jī)房溫度預(yù)測(cè)方法、裝置及存儲(chǔ)介質(zhì)，以解決相關(guān)技術(shù)存在的問(wèn)題，技術(shù)方案如下：

2、第一方面，本技術(shù)實(shí)施例提供了一種基于圖神經(jīng)網(wǎng)絡(luò)的機(jī)房溫度預(yù)測(cè)方法，包括：

3、采集機(jī)房運(yùn)行環(huán)境數(shù)據(jù)；

4、對(duì)所述機(jī)房運(yùn)行環(huán)境數(shù)據(jù)進(jìn)行預(yù)處理和相關(guān)性分析，構(gòu)建時(shí)序預(yù)測(cè)數(shù)據(jù)集，所述時(shí)序預(yù)測(cè)數(shù)據(jù)集包括機(jī)房異構(gòu)有向圖，其中，所述機(jī)房異構(gòu)有向圖的節(jié)點(diǎn)為機(jī)房中的每個(gè)設(shè)備的特征數(shù)據(jù)，所述機(jī)房異構(gòu)有向圖的邊表示機(jī)房中的不同設(shè)備之間的相關(guān)性，所述機(jī)房異構(gòu)有向圖的不同節(jié)點(diǎn)之間的相關(guān)關(guān)系采用相關(guān)性鄰接矩陣表示；

5、構(gòu)建時(shí)序溫度預(yù)測(cè)模型，采用所述時(shí)序溫度預(yù)測(cè)模型根據(jù)所述時(shí)序預(yù)測(cè)數(shù)據(jù)集進(jìn)行溫度預(yù)測(cè)，得到機(jī)房溫度在時(shí)序上的變化趨勢(shì)；其中，所述時(shí)序溫度預(yù)測(cè)模型融合圖卷積神經(jīng)網(wǎng)絡(luò)gcn和門控循環(huán)單元gru，通過(guò)多層gcn對(duì)所述時(shí)序預(yù)測(cè)數(shù)據(jù)集進(jìn)行特征提取，通過(guò)gru根據(jù)多層gcn提取到的特征進(jìn)行溫度預(yù)測(cè)，以及通過(guò)根據(jù)gru輸出的預(yù)測(cè)結(jié)果使用均方誤差計(jì)算損失，結(jié)合adam優(yōu)化器進(jìn)行模型參數(shù)更新。

6、在一種實(shí)施方式中，對(duì)所述機(jī)房運(yùn)行環(huán)境數(shù)據(jù)進(jìn)行預(yù)處理和相關(guān)性分析，構(gòu)建時(shí)序預(yù)測(cè)數(shù)據(jù)集包括：

7、將機(jī)房構(gòu)建為一張由節(jié)點(diǎn)和邊構(gòu)成的圖，所述圖的節(jié)點(diǎn)為機(jī)房中的每個(gè)設(shè)備的特征數(shù)據(jù)，所述圖的邊表示機(jī)房中的不同設(shè)備之間的相關(guān)性；

8、基于所述圖，對(duì)所述機(jī)房運(yùn)行環(huán)境數(shù)據(jù)進(jìn)行預(yù)處理，得到處理后的機(jī)房運(yùn)行環(huán)境數(shù)據(jù)；

9、基于所述圖，對(duì)所述處理后的機(jī)房運(yùn)行環(huán)境數(shù)據(jù)進(jìn)行相關(guān)性分析，計(jì)算機(jī)房中的不同節(jié)點(diǎn)之間的相關(guān)系數(shù)；

10、基于所述相關(guān)系數(shù)對(duì)機(jī)房中的不同節(jié)點(diǎn)的相關(guān)程度，根據(jù)分析結(jié)果構(gòu)建得到所述時(shí)序預(yù)測(cè)數(shù)據(jù)集。

11、在一種實(shí)施方式中，基于所述圖，對(duì)所述機(jī)房運(yùn)行環(huán)境數(shù)據(jù)進(jìn)行預(yù)處理，得到處理后的機(jī)房運(yùn)行環(huán)境數(shù)據(jù)包括：

12、基于所述圖，對(duì)所述機(jī)房運(yùn)行環(huán)境數(shù)據(jù)中連續(xù)特征進(jìn)行標(biāo)準(zhǔn)化處理，以及對(duì)所述機(jī)房運(yùn)行環(huán)境數(shù)據(jù)中的離散特征進(jìn)行獨(dú)熱編碼處理，得到所述處理后的機(jī)房運(yùn)行環(huán)境數(shù)據(jù)。

13、在一種實(shí)施方式中，基于所述圖，對(duì)所述處理后的機(jī)房運(yùn)行環(huán)境數(shù)據(jù)進(jìn)行相關(guān)性分析，計(jì)算機(jī)房中的不同節(jié)點(diǎn)之間的相關(guān)系數(shù)包括：

14、基于所述圖，對(duì)所述處理后的機(jī)房運(yùn)行環(huán)境數(shù)據(jù)進(jìn)行相關(guān)性分析，采用皮爾遜相關(guān)性系數(shù)計(jì)算機(jī)房中的不同節(jié)點(diǎn)之間的相關(guān)系數(shù)。

15、在一種實(shí)施方式中，通過(guò)多層gcn對(duì)所述時(shí)序預(yù)測(cè)數(shù)據(jù)集進(jìn)行特征提取包括：

16、將所述時(shí)序預(yù)測(cè)數(shù)據(jù)集的節(jié)點(diǎn)特征進(jìn)行編碼集合映射到同一向量空間，得到節(jié)點(diǎn)特征向量；

17、采用每一層所述gcn基于所述節(jié)點(diǎn)特征向量將每個(gè)節(jié)點(diǎn)的特征信息與相鄰節(jié)點(diǎn)的特性信息進(jìn)行融合；

18、在每一層所述gcn卷積結(jié)束后，引入跳躍網(wǎng)絡(luò)結(jié)構(gòu)將原始輸入特征和卷積提取特征進(jìn)行加權(quán)融合；

19、在通道維度上拼接卷積后的各層所述gcn的輸出，得到最終的輸出特征。

20、在一種實(shí)施方式中，通過(guò)gru根據(jù)多層gcn提取到的特征進(jìn)行溫度預(yù)測(cè)包括：

21、通過(guò)所述gru的門控機(jī)制來(lái)控制所述多層gcn提取到的特征的信息流動(dòng)，捕捉機(jī)房溫度在未來(lái)l個(gè)時(shí)間步的分布，所述門控機(jī)制由重置門和更新門組成；

22、通過(guò)所述gru的線性層將捕捉到的溫度分布結(jié)果映射到所需的維度，得到最終預(yù)測(cè)結(jié)果。

23、在一種實(shí)施方式中，通過(guò)根據(jù)gru輸出的預(yù)測(cè)結(jié)果使用均方誤差計(jì)算損失，結(jié)合adam優(yōu)化器進(jìn)行模型參數(shù)更新包括：

24、采用均方誤差計(jì)算所述gru輸出的預(yù)測(cè)結(jié)果與時(shí)序預(yù)測(cè)數(shù)據(jù)集中對(duì)應(yīng)的真實(shí)值的最小化損失函數(shù)；

25、引入mask機(jī)制，對(duì)所述時(shí)序預(yù)測(cè)數(shù)據(jù)集的相應(yīng)數(shù)據(jù)進(jìn)行標(biāo)簽設(shè)置，標(biāo)簽包括真實(shí)值和mask兩種類型；

26、根據(jù)設(shè)置標(biāo)簽后的時(shí)序預(yù)測(cè)數(shù)據(jù)集，使用adam優(yōu)化器進(jìn)行模型參數(shù)更新，其中，標(biāo)簽為mask類型的節(jié)點(diǎn)數(shù)據(jù)作為輔助特征優(yōu)化模型預(yù)測(cè)，不輸出預(yù)測(cè)結(jié)果。

27、第二方面，本技術(shù)實(shí)施例還提供了一種基于圖神經(jīng)網(wǎng)絡(luò)的機(jī)房溫度預(yù)測(cè)裝置，包括：

28、采集模塊，用于采集機(jī)房運(yùn)行環(huán)境數(shù)據(jù)；

29、數(shù)據(jù)預(yù)處理模塊，用于對(duì)所述機(jī)房運(yùn)行環(huán)境數(shù)據(jù)進(jìn)行預(yù)處理和相關(guān)性分析，構(gòu)建時(shí)序預(yù)測(cè)數(shù)據(jù)集，所述時(shí)序預(yù)測(cè)數(shù)據(jù)集包括機(jī)房異構(gòu)有向圖，其中，所述機(jī)房異構(gòu)有向圖的節(jié)點(diǎn)為機(jī)房中的每個(gè)設(shè)備的特征數(shù)據(jù)，所述機(jī)房異構(gòu)有向圖的邊表示機(jī)房中的不同設(shè)備之間的相關(guān)性，所述機(jī)房異構(gòu)有向圖的不同節(jié)點(diǎn)之間的相關(guān)關(guān)系采用相關(guān)性鄰接矩陣表示；

30、溫度預(yù)測(cè)模塊，用于構(gòu)建時(shí)序溫度預(yù)測(cè)模型，采用所述時(shí)序溫度預(yù)測(cè)模型根據(jù)所述時(shí)序預(yù)測(cè)數(shù)據(jù)集進(jìn)行溫度預(yù)測(cè)，得到機(jī)房溫度在時(shí)序上的變化趨勢(shì)；其中，所述時(shí)序溫度預(yù)測(cè)模型融合圖卷積神經(jīng)網(wǎng)絡(luò)gcn和門控循環(huán)單元gru，通過(guò)多層gcn對(duì)所述時(shí)序預(yù)測(cè)數(shù)據(jù)集進(jìn)行特征提取，通過(guò)gru根據(jù)多層gcn提取到的特征進(jìn)行溫度預(yù)測(cè)，以及通過(guò)根據(jù)gru輸出的預(yù)測(cè)結(jié)果使用均方誤差計(jì)算損失，結(jié)合adam優(yōu)化器進(jìn)行模型參數(shù)更新。

31、在一種實(shí)施方式中，所述數(shù)據(jù)預(yù)處理模塊在用于對(duì)所述機(jī)房運(yùn)行環(huán)境數(shù)據(jù)進(jìn)行預(yù)處理和相關(guān)性分析，構(gòu)建時(shí)序預(yù)測(cè)數(shù)據(jù)集時(shí)，具體用于：

32、將機(jī)房構(gòu)建為一張由節(jié)點(diǎn)和邊構(gòu)成的圖，所述圖的節(jié)點(diǎn)為機(jī)房中的每個(gè)設(shè)備的特征數(shù)據(jù)，所述圖的邊表示機(jī)房中的不同設(shè)備之間的相關(guān)性；

33、基于所述圖，對(duì)所述機(jī)房運(yùn)行環(huán)境數(shù)據(jù)進(jìn)行預(yù)處理，得到處理后的機(jī)房運(yùn)行環(huán)境數(shù)據(jù)；

34、基于所述圖，對(duì)所述處理后的機(jī)房運(yùn)行環(huán)境數(shù)據(jù)進(jìn)行相關(guān)性分析，計(jì)算機(jī)房中的不同節(jié)點(diǎn)之間的相關(guān)系數(shù)；

35、基于所述相關(guān)系數(shù)對(duì)機(jī)房中的不同節(jié)點(diǎn)的相關(guān)程度，根據(jù)分析結(jié)果構(gòu)建得到所述時(shí)序預(yù)測(cè)數(shù)據(jù)集。

36、在一種實(shí)施方式中，所述數(shù)據(jù)預(yù)處理模塊在用于基于所述圖，對(duì)所述機(jī)房運(yùn)行環(huán)境數(shù)據(jù)進(jìn)行預(yù)處理，得到處理后的機(jī)房運(yùn)行環(huán)境數(shù)據(jù)時(shí)，具體用于：

37、基于所述圖，對(duì)所述機(jī)房運(yùn)行環(huán)境數(shù)據(jù)中連續(xù)特征進(jìn)行標(biāo)準(zhǔn)化處理，以及對(duì)所述機(jī)房運(yùn)行環(huán)境數(shù)據(jù)中的離散特征進(jìn)行獨(dú)熱編碼處理，得到所述處理后的機(jī)房運(yùn)行環(huán)境數(shù)據(jù)。

38、在一種實(shí)施方式中，所述數(shù)據(jù)預(yù)處理模塊在用于基于所述圖，對(duì)所述處理后的機(jī)房運(yùn)行環(huán)境數(shù)據(jù)進(jìn)行相關(guān)性分析，計(jì)算機(jī)房中的不同節(jié)點(diǎn)之間的相關(guān)系數(shù)時(shí)，具體用于：

39、基于所述圖，對(duì)所述處理后的機(jī)房運(yùn)行環(huán)境數(shù)據(jù)進(jìn)行相關(guān)性分析，采用皮爾遜相關(guān)性系數(shù)計(jì)算機(jī)房中的不同節(jié)點(diǎn)之間的相關(guān)系數(shù)。

40、在一種實(shí)施方式中，所述溫度預(yù)測(cè)模塊在用于通過(guò)多層gcn對(duì)所述時(shí)序預(yù)測(cè)數(shù)據(jù)集進(jìn)行特征提取時(shí)，具體用于：

41、將所述時(shí)序預(yù)測(cè)數(shù)據(jù)集的節(jié)點(diǎn)特征進(jìn)行編碼集合映射到同一向量空間，得到節(jié)點(diǎn)特征向量；

42、采用每一層所述gcn基于所述節(jié)點(diǎn)特征向量將每個(gè)節(jié)點(diǎn)的特征信息與相鄰節(jié)點(diǎn)的特性信息進(jìn)行融合；

43、在每一層所述gcn卷積結(jié)束后，引入跳躍網(wǎng)絡(luò)結(jié)構(gòu)將原始輸入特征和卷積提取特征進(jìn)行加權(quán)融合；

44、在通道維度上拼接卷積后的各層所述gcn的輸出，得到最終的輸出特征。

45、在一種實(shí)施方式中，所述溫度預(yù)測(cè)模塊在用于通過(guò)gru根據(jù)多層gcn提取到的特征進(jìn)行溫度預(yù)測(cè)時(shí)，具體用于：

46、通過(guò)所述gru的門控機(jī)制來(lái)控制所述多層gcn提取到的特征的信息流動(dòng)，捕捉機(jī)房溫度在未來(lái)l個(gè)時(shí)間步的分布，所述門控機(jī)制由重置門和更新門組成；

47、通過(guò)所述gru的線性層將捕捉到的溫度分布結(jié)果映射到所需的維度，得到最終預(yù)測(cè)結(jié)果。

48、在一種實(shí)施方式中，所述溫度預(yù)測(cè)模塊在用于通過(guò)根據(jù)gru輸出的預(yù)測(cè)結(jié)果使用均方誤差計(jì)算損失，結(jié)合adam優(yōu)化器進(jìn)行模型參數(shù)更新時(shí)，具體用于：

49、采用均方誤差計(jì)算所述gru輸出的預(yù)測(cè)結(jié)果與時(shí)序預(yù)測(cè)數(shù)據(jù)集中對(duì)應(yīng)的真實(shí)值的最小化損失函數(shù)；

50、引入mask機(jī)制，對(duì)所述時(shí)序預(yù)測(cè)數(shù)據(jù)集的相應(yīng)數(shù)據(jù)進(jìn)行標(biāo)簽設(shè)置，標(biāo)簽包括真實(shí)值和mask兩種類型；

51、根據(jù)設(shè)置標(biāo)簽后的時(shí)序預(yù)測(cè)數(shù)據(jù)集，使用adam優(yōu)化器進(jìn)行模型參數(shù)更新，其中，標(biāo)簽為mask類型的節(jié)點(diǎn)數(shù)據(jù)作為輔助特征優(yōu)化模型預(yù)測(cè)，不輸出預(yù)測(cè)結(jié)果。

52、第三方面，本技術(shù)實(shí)施例還提供了一種計(jì)算機(jī)裝置，該計(jì)算機(jī)裝置包括：存儲(chǔ)器和處理器，所述存儲(chǔ)器中存儲(chǔ)指令，所述指令由所述處理器加載并執(zhí)行，以實(shí)現(xiàn)上述各方面任一種實(shí)施方式中的方法，其中，所述存儲(chǔ)器和所述處理器通過(guò)內(nèi)部連接通路互相通信。

53、第四方面，本技術(shù)實(shí)施例還提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)內(nèi)存儲(chǔ)有計(jì)算機(jī)程序，當(dāng)計(jì)算機(jī)程序在計(jì)算機(jī)上運(yùn)行時(shí)，實(shí)現(xiàn)上述各方面任一種實(shí)施方式中的方法。

54、上述技術(shù)方案中的優(yōu)點(diǎn)或有益效果至少包括：

55、本技術(shù)通過(guò)數(shù)據(jù)采集、數(shù)據(jù)分析與建模、損失計(jì)算和模型更新等步驟來(lái)利用機(jī)房運(yùn)行環(huán)境數(shù)據(jù)等信息，能夠通過(guò)深入研究機(jī)房環(huán)境的動(dòng)態(tài)特性，充分學(xué)習(xí)挖掘機(jī)房?jī)?nèi)部環(huán)境設(shè)備之間的相關(guān)性，可以提升所構(gòu)建的時(shí)序溫度預(yù)測(cè)模型的預(yù)測(cè)精度，有助于實(shí)現(xiàn)智能地指導(dǎo)機(jī)房的節(jié)能方向，從而顯著提升機(jī)房的節(jié)能效率，能夠有效解決機(jī)房的能耗問(wèn)題。

56、上述概述僅僅是為了說(shuō)明書的目的，并不意圖以任何方式進(jìn)行限制。除上述描述的示意性的方面、實(shí)施方式和特征之外，通過(guò)參考附圖和以下的詳細(xì)描述，本技術(shù)進(jìn)一步的方面、實(shí)施方式和特征將會(huì)是容易明白的。