[發(fā)明專利]基于格蘭杰因果關(guān)系的系統(tǒng)策略預(yù)測(cè)方法及相關(guān)設(shè)備

在審

• 申請(qǐng)?zhí)枺?/td>: 202110980235.1
• 申請(qǐng)日: 2021-08-25
• 公開(kāi)（公告）號(hào): CN113837358A
• 公開(kāi)（公告）日: 2021-12-24
• 發(fā)明（設(shè)計(jì)）人: 劉雨桐;石強(qiáng);熊嬌;王國(guó)勛;張興
• 申請(qǐng)（專利權(quán)）人: 潤(rùn)聯(lián)軟件系統(tǒng)（深圳）有限公司
• 主分類號(hào): G06N3/04
• 分類號(hào): G06N3/04;G06N3/08;G06N5/04
• 代理公司: 深圳市世聯(lián)合知識(shí)產(chǎn)權(quán)代理有限公司 44385
• 代理人: 楊暉瓊

本申請(qǐng)實(shí)施例屬于人工智能領(lǐng)域，涉及一種基于格蘭杰因果關(guān)系的系統(tǒng)策略預(yù)測(cè)方法，包括采集相關(guān)參數(shù)和工業(yè)數(shù)據(jù)，其中，所述相關(guān)參數(shù)包括至少一個(gè)系統(tǒng)模塊的至少一個(gè)模塊變量，所述工業(yè)數(shù)據(jù)為各模塊變量的歷史數(shù)據(jù)；基于所述歷史數(shù)據(jù)，采用基于注意力機(jī)制的格蘭杰因果關(guān)系分析方式對(duì)各模塊變量進(jìn)行因果分析，得到各模塊變量的歷史數(shù)據(jù)與當(dāng)前數(shù)據(jù)之間的格蘭杰因果強(qiáng)度；構(gòu)建圖數(shù)據(jù)結(jié)構(gòu)以描述工業(yè)系統(tǒng)的系統(tǒng)拓?fù)浣Y(jié)構(gòu)；將構(gòu)建的圖數(shù)據(jù)結(jié)構(gòu)輸入到預(yù)測(cè)模型中，得到系統(tǒng)策略的預(yù)測(cè)結(jié)果。采用本方法提高了模型預(yù)測(cè)準(zhǔn)確率。

技術(shù)領(lǐng)域

本申請(qǐng)涉及人工智能領(lǐng)域，特別是涉及一種基于格蘭杰因果關(guān)系的系統(tǒng)策略預(yù)測(cè)方法、裝置、計(jì)算機(jī)設(shè)備和存儲(chǔ)介質(zhì)。

背景技術(shù)

隨著計(jì)算機(jī)技術(shù)的發(fā)展和先進(jìn)控制系統(tǒng)的應(yīng)用,現(xiàn)代工業(yè)系統(tǒng)設(shè)備和結(jié)構(gòu)日趨復(fù)雜,工業(yè)過(guò)程積累了大量的歷史數(shù)據(jù)，這些數(shù)據(jù)包含過(guò)程的運(yùn)行規(guī)律、操作者經(jīng)驗(yàn)、產(chǎn)品質(zhì)量和過(guò)程出現(xiàn)的問(wèn)題等豐富的信息。如何在難以建立精確機(jī)理模型的情況下，從數(shù)據(jù)中獲取有用信息，為生產(chǎn)過(guò)程的控制和決策提供依據(jù)，成為研究者和工業(yè)界廣泛關(guān)注的問(wèn)題。基于工業(yè)數(shù)據(jù)的時(shí)間序列預(yù)測(cè)，是利用采集的大量數(shù)據(jù)預(yù)測(cè)過(guò)程的某些關(guān)鍵性能指標(biāo),以便為工業(yè)過(guò)程監(jiān)控、模型辨識(shí)、故障診斷和預(yù)測(cè)等提供支持,具有重要的理論意義和應(yīng)用價(jià)值。

隨著工業(yè)過(guò)程規(guī)模和精細(xì)化程度不斷提高，采集的大量數(shù)據(jù)具有復(fù)雜特性，包括數(shù)據(jù)的非完整性，強(qiáng)非線性，多變量的互相關(guān)性，以及過(guò)程的多模態(tài)等特性。工業(yè)大數(shù)據(jù)的這些復(fù)雜特性，對(duì)現(xiàn)有的數(shù)據(jù)驅(qū)動(dòng)預(yù)測(cè)模型提出了挑戰(zhàn)。通常來(lái)說(shuō)，時(shí)間序列預(yù)測(cè)工具方法可以歸結(jié)為三大類：一類是基于業(yè)務(wù)場(chǎng)景理解的因子預(yù)測(cè)模型；一類是傳統(tǒng)時(shí)間序列預(yù)測(cè)模型，比如均值回歸、ARIMA、指數(shù)平滑預(yù)測(cè)法等；還有一類是機(jī)器學(xué)習(xí)模型，比如支持向量機(jī)、樹(shù)模型(比如GBM、QRF)、神經(jīng)網(wǎng)絡(luò)模型(比如RNN)等。基于業(yè)務(wù)場(chǎng)景的模型不適用于工業(yè)大數(shù)據(jù)，因?yàn)楣I(yè)過(guò)程復(fù)雜性高，難以構(gòu)建預(yù)測(cè)公式；傳統(tǒng)的時(shí)間序列預(yù)測(cè)模型在復(fù)雜多變的實(shí)際工業(yè)場(chǎng)景下表現(xiàn)欠佳；機(jī)器學(xué)習(xí)模型能夠在復(fù)雜場(chǎng)景中擁有較小的預(yù)測(cè)偏差，前提是訓(xùn)練了足夠多的樣本，但機(jī)器學(xué)習(xí)模型的可解釋性較差。這些模型都是在努力尋找特征和目標(biāo)值之間的關(guān)系，這也正是模型會(huì)遇到瓶頸的原因，因?yàn)槟Ｐ蜎](méi)有進(jìn)過(guò)因果之梯的檢驗(yàn)，可能出現(xiàn)偽擬合的模型，其內(nèi)部是互相關(guān)聯(lián)且沒(méi)有厘清的線頭，只是一個(gè)不知其所以然的黑箱過(guò)程，難以真正指導(dǎo)行業(yè)實(shí)施行動(dòng)策略。

發(fā)明內(nèi)容

基于此，針對(duì)上述技術(shù)問(wèn)題，本申請(qǐng)?zhí)峁┮环N基于格蘭杰因果關(guān)系的系統(tǒng)策略預(yù)測(cè)方法、裝置、計(jì)算機(jī)設(shè)備及存儲(chǔ)介質(zhì)，以解決現(xiàn)有技術(shù)中系統(tǒng)策略預(yù)測(cè)不準(zhǔn)確的技術(shù)問(wèn)題。

一種基于格蘭杰因果關(guān)系的系統(tǒng)策略預(yù)測(cè)方法，所述方法包括：

采集相關(guān)參數(shù)和工業(yè)數(shù)據(jù)，其中，所述相關(guān)參數(shù)包括至少一個(gè)系統(tǒng)模塊的至少一個(gè)模塊變量，所述工業(yè)數(shù)據(jù)為各模塊變量的歷史數(shù)據(jù)；

基于所述歷史數(shù)據(jù)，采用基于注意力機(jī)制的格蘭杰因果關(guān)系分析方式對(duì)各模塊變量進(jìn)行因果分析，得到各模塊變量的歷史數(shù)據(jù)與當(dāng)前數(shù)據(jù)之間的格蘭杰因果強(qiáng)度；

構(gòu)建圖數(shù)據(jù)結(jié)構(gòu)以描述工業(yè)系統(tǒng)的系統(tǒng)拓?fù)浣Y(jié)構(gòu)，其中，所述圖數(shù)據(jù)結(jié)構(gòu)以各系統(tǒng)模塊為頂點(diǎn)，每個(gè)頂點(diǎn)代表一個(gè)系統(tǒng)模塊，每個(gè)系統(tǒng)模塊中包括的系統(tǒng)變量的數(shù)量表示頂點(diǎn)的特征個(gè)數(shù)，每條邊代表系統(tǒng)模塊之間的因果連接關(guān)系，綜合的格蘭杰因果強(qiáng)度為量化的因果連接關(guān)系；

將構(gòu)建的圖數(shù)據(jù)結(jié)構(gòu)輸入到預(yù)測(cè)模型中，得到系統(tǒng)策略的預(yù)測(cè)結(jié)果。

一種基于格蘭杰因果關(guān)系的系統(tǒng)策略預(yù)測(cè)裝置，所述裝置包括：

數(shù)據(jù)采集模塊，用于采集相關(guān)參數(shù)和工業(yè)數(shù)據(jù)，其中，所述相關(guān)參數(shù)包括至少一個(gè)系統(tǒng)模塊的至少一個(gè)模塊變量，所述工業(yè)數(shù)據(jù)為各模塊變量的歷史數(shù)據(jù)；

因果分析模塊，用于基于所述歷史數(shù)據(jù)，采用基于注意力機(jī)制的格蘭杰因果關(guān)系分析方式對(duì)各模塊變量進(jìn)行因果分析，得到各模塊變量的歷史數(shù)據(jù)與當(dāng)前數(shù)據(jù)之間的格蘭杰因果強(qiáng)度；