[發明專利]一種基于深度并行網絡的機房溫度預測方法

在審

• 申請號: 202110989614.7
• 申請日: 2021-08-26
• 公開（公告）號: CN113779107A
• 公開（公告）日: 2021-12-10
• 發明（設計）人: 鄧方;朱佳琪;鄭豪;趙佳晨;蔡燁蕓;高峰;石翔;高欣;陳杰
• 申請（專利權）人: 北京理工大學
• 主分類號: G06F16/2458
• 分類號: G06F16/2458;G06N3/04;F24F11/80
• 代理公司: 北京理工大學專利中心 11120
• 代理人: 田亞琪

1.一種基于深度并行網絡的機房溫度預測方法，所述深度并行網絡包括并行卷積神經網絡(CNNs)模塊、基于注意力機制的LSTM模塊、Bi-LSTM模塊、特征融合模塊以及回歸預測模塊，其特征在于，包括如下步驟：

步驟1：進行環境數據和工作站數據的采集與預處理；

步驟2：將采集并預處理后的數據輸入基于最大信息因數(MIC)的時空相關性估計器得到與機房溫度相關聯的參數的時空特征矩陣；

步驟3：將得到的時空特征矩陣輸入到多個并行的卷積神經網絡(CNNs)中；

步驟4：將經過CNNs提取后的時空特征矩陣并行輸入到基于注意力機制的LSTM模塊以及Bi-LSTM模塊中，分別得到機房溫度的短期預測特征和長期預測特征；

步驟5：將得到的短期預測特征與長期預測特征通過特征融合模塊進行特征融合，并將最終融合特征輸入到回歸預測模塊進行解釋預測；

步驟6：將采集并預處理后的數據劃分訓練集、驗證集，對深度并行網絡按照步驟2-步驟5的操作進行訓練，得到深度并行網絡的機房溫度預測模型，用于對工作站溫度的預測。

2.如權利要求1所述的一種基于深度并行網絡的機房溫度預測方法，其特征在于，在步驟1中，所述環境數據包括機房溫度、濕度、壓強、機房大小，所述工作站數據包括設備運算量、CPU占用率、GPU占用率、內存占用率；預處理包括對環境數據與工作站負載數據進行時間匹配；刪除連續丟失的數據，并對于非連續丟失的數據，根據前后數據插值填充。

3.如權利要求1所述的一種基于深度并行網絡的機房溫度預測方法，其特征在于，在步驟2中，計算目標工作站溫度序列與環境數據以及工作站數據中各列元素的MIC值；設置MIC閾值，選擇目標序列的最顯著特征作為時空特征矩陣，即選擇其中MIC值超過閾值的歷史觀測數據序列組成時空特征矩陣，作為基于MIC的時空相關性估計器最終的輸出。

4.如權利要求1所述的一種基于深度并行網絡的機房溫度預測方法，其特征在于，在步驟3中，將MIC估計器得到時空特征矩陣輸入多個卷積神經網絡CNNs中，并且不同的CNNs對應于時空特征矩陣中的不同設備點，用于提取時間序列數據的內在特征以及不同設備點之間的空間相關性；每個CNN中輸入數據的維數是由時空特征矩陣中對應的特征數量決定。

5.如權利要求1所述的一種基于深度并行網絡的機房溫度預測方法，其特征在于，在步驟4中，時空注意力模塊分為時間注意力子塊和空間注意力子塊兩部分；即在譯碼層中設計了一個獨立的空間注意與時間注意并行，以同時關注最相關的時間步長和最重要的變量；獨立生成的空間嵌入向量和時間嵌入向量分別被輸入空間和時間注意模塊；空間嵌入向量由多層感知器獲得，進而得到空間注意力權重和空間注意力向量；時間嵌入的編碼器由LSTM層組成，進而得到時間注意力權重和時間注意力向量；兩個注意力權重向量相乘，作為最終的注意力權重矩陣；注意力模塊的最終輸出是通過執行注意力權重矩陣和原始輸入的逐元素點乘法來獲得的。