[发明专利]机器负荷预测方法、装置、电子设备及可读存储介质

权利要求书

1.一种机器负荷预测方法，其特征在于，所述方法包括：

获取机器在目标预测时段对应的相似负荷序列以及所述目标预测时段之前的第四负荷序列，所述相似负荷序列包括所述机器在所述目标预测时段前一天同时段的第一负荷序列、所述机器在所述目标预测时段前一周同一天同时段的第二负荷序列、从所述机器的历史负荷序列中确定的相似度大于设定值的第三负荷序列这三者中的至少一种；

将所述相似负荷序列以及所述第四负荷序列输入对应的机器学习模型中，通过所述机器学习模型预测获得所述目标预测时段对应的负荷序列。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取其他外部环境特征；

所述将所述相似负荷序列以及所述第四负荷序列输入对应的机器学习模型中，通过所述机器学习模型预测获得所述目标预测时段对应的负荷序列，包括：

将所述相似负荷序列、所述第四负荷序列以及所述其他外部环境特征输入对应的机器学习模型中，通过所述机器学习模型预测获得所述目标预测时段对应的负荷序列。

3.根据权利要求1所述的方法，其特征在于，通过以下方式从所述机器的历史负荷序列中确定相似度大于设定值的第三负荷序列：

获取根据所述历史负荷序列构建的相似搜索空间，所述相似搜索空间包括多个样本数据，每个样本数据包括一个时刻之前的历史时段的负荷序列和该时刻之后的预测时段的负荷序列；

获取所述目标预测时段之前的第五负荷序列；

将所述第五负荷序列与所述相似搜索空间中每个样本数据中的历史时段的负荷序列进行相似度匹配，获得相似度大于设定值的目标样本数据中的预测时段的负荷序列；

其中，所述目标样本数据中的预测时段的负荷序列为所述第三负荷序列。

4.根据权利要求3所述的方法，其特征在于，通过以下方式获取所述历史负荷序列：

获取初始历史负荷序列；

判断所述初始历史负荷序列是否在时间上是连续的；

若不是连续的，则获取缺失部分的时间长度，并判断所述时间长度是否大于设定阈值；

若大于所述设定阈值，则对所述初始历史负荷序列进行分块，获得多个负荷序列块；

对每个负荷序列块进行插值处理，获得在时间上连续的负荷序列块，所述历史负荷序列包括多个在时间上连续的负荷序列块。

5.根据权利要求3所述的方法，其特征在于，若所述目标样本数据为多个，还包括：

将多个所述目标样本数据中的预测时段的负荷序列进行加权求和，获得最终负荷序列；

其中，所述最终负荷序列为所述第三负荷序列。

6.根据权利要求1-5任一所述的方法，其特征在于，通过以下方式对所述机器学习模型进行训练：

获取训练样本，所述训练样本包括机器在各个时刻对应的相似负荷序列样本以及各个时刻之前的第四负荷序列样本，所述相似负荷序列样本包括机器在各个时刻前一天同时段的第一负荷序列样本、机器在各个时刻前一周同一天同时段的第二负荷序列样本、从机器的历史负荷序列中确定的相似度大于设定值的第三负荷序列样本这三者中的至少一种；所述训练样本的标签数据包括各个时刻之后的预测时段的目标负荷序列；

将所述训练样本输入初始机器学习模型中，获得所述初始机器学习模型的输出；

根据所述输出和所述标签数据计算获得损失值；

根据所述损失值对所述初始机器学习模型的网络参数进行更新，在达到训练结束条件时，获得训练好的机器学习模型；

其中，针对不同的训练样本获得对应的机器学习模型。

7.根据权利要求6所述的方法，其特征在于，所述通过以下方式获得所述训练样本的标签数据：

获取历史负荷序列样本；

提取所述历史负荷序列样本中的多个序列样本，每个序列样本包括一个时刻之前的历史时段的负荷序列和该时刻之后的预测时段的负荷序列；

计算获得表征每个序列样本中的预测时段的负荷序列的变化程度的数值，其中，所述数值越大表征变化程度越大；

筛选出所述数值大于预设值的目标序列样本，其中，所述目标序列样本中的预测时段的负荷序列为所述训练样本的标签数据。