[發明專利]一種模型訓練方法、能耗使用效率預測方法、裝置和介質

在審

• 申請號: 201911032302.6
• 申請日: 2019-10-28
• 公開（公告）號: CN110866528A
• 公開（公告）日: 2020-03-06
• 發明（設計）人: 夏恒;夏俐;趙千川;賈慶山;管曉宏;楊震;朱華;高江;岳上;韓建軍;栗權;林森;趙靜洲;徐東;黃現東;鄭煥瓊
• 申請（專利權）人: 騰訊科技（深圳）有限公司;清華大學
• 主分類號: G06K9/34
• 分類號: G06K9/34;G06K9/62
• 代理公司: 深圳翼盛智成知識產權事務所(普通合伙) 44300
• 代理人: 蔡艾瑩

1.一種模型訓練方法，其特征在于，包括：

獲取數據中心的歷史能耗使用效率，以及獲取對應的歷史能耗使用效率相關特征；

根據所述歷史能耗使用效率和所述歷史能耗使用效率相關特征構建訓練集和測試集；

構建輕量梯度提升機模型，并根據所述訓練集對所述輕量梯度提升機模型進行訓練；

根據所述測試集對訓練后的輕量梯度提升機模型的進行校驗，當校驗通過時，將所述訓練后的輕量梯度提升機模型作為用于預測所述數據中心的能耗使用效率的能耗使用效率預測模型。

2.根據權利要求1所述的模型訓練方法，其特征在于，所述構建輕量梯度提升機模型，并根據所述訓練集對所述輕量梯度提升機模型進行訓練的步驟，包括：

構建基于分類回歸樹的輕量梯度提升機模型，并構建對應所述基于分類回歸樹的輕量梯度提升機模型的目標函數；

根據所述訓練集以及所述目標函數對所述基于分類回歸樹的輕量梯度提升機模型的進行迭代訓練。

3.根據權利要求2所述的模型訓練方法，其特征在于，所述根據所述訓練集以及所述目標函數對所述基于分類回歸樹的輕量梯度提升機模型的進行訓練的步驟，包括：

對被劃分為訓練集的歷史能耗使用效率相關特征進行離散化處理，并根據離散結果生成對應的直方圖；

遍歷所述直方圖確定出當次節點分裂的最優分割特征和最優分割點；

獲取當前的目標函數，并對所述當前的目標函數進行二階泰勒展開，根據二階泰勒展開結果得到對應節點分裂前后的損失函數差值；

根據所述最優分割特征以及所述最優分割點，以最大化損失函數差值為方向進行節點分裂。

4.根據權利要求2或3所述模型訓練方法，其特征在于，所述構建對應所述基于分類回歸樹的輕量梯度提升機模型的目標函數的步驟，包括：

構建對應所述基于分類回歸樹的輕量梯度提升機模型的損失函數；

構建對應所述基于分類回歸樹的輕量梯度提升機模型的正則項函數；

根據所述損失函數以及所述正則項函數構建所述目標函數。

5.一種能耗使用效率預測方法，其特征在于，包括：

接收針對數據中心的能耗使用效率預測請求；

根據所述能耗使用效率預測請求獲取所述數據中心的當前能耗使用效率相關特征；

調用預先訓練的能耗使用效率預測模型；

將所述當前能耗使用效率相關特征輸入所述能耗使用效率預測模型進行預測，得到所述數據中心的預測能耗使用效率；

其中，所述能耗使用效率預測模型采用權利要求1-4任一項所述的模型訓練方法訓練得到。

6.根據權利要求5所述的能耗使用效率預測方法，其特征在于，所述將所述當前能耗使用效率相關特征輸入所述能耗使用效率預測模型進行預測，得到所述數據中心的預測能耗使用效率的步驟之后，還包括：

獲取對應所述數據中心的目標能耗使用效率；

根據所述目標能耗使用效率以及所述預測能耗使用效率，對所述數據中心的運行狀態進行調整。

7.根據權利要求6所述的能耗使用效率預測方法，其特征在于，所述根據所述目標能耗使用效率以及所述預測能耗使用效率，對所述數據中心的運行狀態進行調整的步驟，包括：

獲取所述當前能耗使用效率相關特征中每類特征與能耗使用效率的相關程度；

根據每類特征與能耗使用效率的相關程度進行排序，得到排序信息；

根據所述目標能耗使用效率、所述預測能耗使用效率以及所述排序信息，對所述數據中心的運行狀態進行調整。