(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211195056.8 (22)申请日 2022.09.28 (71)申请人 清华大学 地址 100084 北京市海淀区清华园1号 (72)发明人 燕达　王潇　康旭源　孙红三　 (74)专利代理 机构 北京三聚阳光知识产权代理 有限公司 1 1250 专利代理师 刘洋 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/08(2012.01) G06N 20/00(2019.01) (54)发明名称 冷量预测模 型训练以及冷量预测方法、 装置 及存储介质 (57)摘要 本发明涉及冷量预测领域， 具体涉及一种冷 量预测模型训练以及冷量预测方法、 装置及存储 介质。 包括： 获取目标场景对应的训练数据集； 利 用训练数据集训练至少两种不同的初始冷量预 测网络， 生成至少两种候选初始冷量预测模型； 根据各个候选初始冷量预测模型的模 型精度， 从 各个候选初始冷量预测模型中确定模型精度最 高的候选初始冷量预测模型， 作为最优初始冷量 预测模型； 基于训练数据集， 对最优初始冷量预 测模型对应的模 型配置进行优化， 生成最优目标 冷量预测模 型， 保证了生 成的最优目标冷量预测 模型的准确性， 进而可以保证利用最优目标冷量 预测模型对目标场景对应的冷量进行预测的准 确性。 权利要求书3页 说明书18页 附图7页 CN 115511185 A 2022.12.23 CN 115511185 A 1.一种冷量预测模型训练方法， 其特 征在于， 包括： 获取目标场景对应的训练数据集； 所述训练数据集中包括多个历史时刻对应的历史冷 量以及各个所述历史时刻对应的气象数据和时刻属性信息； 利用所述训练数据集训练至少两种不同的初始冷量预测网络， 生成至少两种候选初始 冷量预测模型； 根据各个所述候选初始冷量预测模型的模型精度， 从各个所述候选初始冷量预测模型 中确定模型精度最高的所述 候选初始冷量预测模型， 作为 最优初始冷量预测模型； 基于所述训练数据集， 对所述最优初始冷量预测模型对应的模型配置进行优化， 生成 最优目标冷量预测模型； 其中， 所述模型配置包括训练数据集对应的训练数据量以及训练 数据内容和模型对应的预测窗格中的至少一项。 2.根据权利要求1所述的方法， 其特征在于， 所述利用所述训练数据集训练至少两种不 同的初始冷量预测网络， 生成至少两种候选初始冷量预测模型， 包括： 针对各个所述初始冷量预测网络， 基于所述训练数据集， 利用网格搜索和十折交叉检 验的方法对各个所述初始冷量预测网络的超参数进行优化， 生成各个所述初始冷量预测网 络对应的所述 候选初始冷量预测模型。 3.根据权利要求2所述的方法， 其特征在于， 所述基于所述训练数据集， 利用网格搜索 和十折交叉检验的方法对各个所述初始冷量预测网络的超参数进 行优化， 生成各个所述初 始冷量预测网络对应的所述 候选初始冷量预测模型， 包括： 获取各个所述超参数对应的取值范围； 根据各个所述超参数对应的取值范围， 生成多组包括各个所述超参数的超参数组合； 将所述训练数据集拆分为预设份数的训练子数据集； 针对各组所述超参数组合， 每次选取一份所述训练子数据集作为检测子数据集， 利用 其余所述训练子数据集训练所述超参数组合对应的所述初始冷量预测网络， 经过预设次数 训练， 生成备用初始冷量预测模型； 其中， 所述预设次数与所述预设份数对应的数值相同； 利用所述检测子数据集检验所述备用初始冷量预测模型， 确定各组所述超参数对应的 所述备用初始冷量预测模型的模型精度， 并选择模型精度最高的所述备用初始冷量预测模 型作为所述 候选初始冷量预测模型。 4.根据权利要求1所述的方法， 其特征在于， 所述模型配置为训练数据集对应的训练数 据量， 所述基于所述训练数据集， 对所述最优初始冷量预测模 型对应的模型配置进 行优化， 生成最优目标冷量预测模型， 包括： 基于所述训练数据集， 生成训练数据量 不同的多个第一子训练数据集； 分别利用各个所述第一子训练数据集， 训练所述最优初始冷量预测模型， 生成各个所 述第一子训练数据集对应的第一优化冷量预测模型； 获取各个所述第一优化冷量预测模型对应的模型精度以及训练时长； 根据各个所述第一优化冷量预测模型对应的模型精度以及训练时长， 确定最优第 一冷 量预测模型， 以确定所述 最优目标冷量预测模型。 5.根据权利要求1所述的方法， 其特征在于， 所述模型配置为训练数据集对应的训练数 据内容， 所述基于所述训练数据集， 对所述最优初始冷量预测模型对应的模型配置进行优 化， 生成最优目标冷量预测模型， 包括：权　利　要　求　书 1/3 页 2 CN 115511185 A 2基于所述训练数据集， 生成训练数据内容 不同的多个第二子训练数据集； 分别利用各个所述第二子训练数据集， 训练所述最优初始冷量预测模型， 生成各个所 述第二子训练数据集对应的第二优化冷量预测模型； 获取各个所述第二优化冷量预测模型对应的模型精度； 确定模型精度最高的所述第 二优化冷量预测模型为最优第 二冷量预测模型， 以确定所 述最优目标冷量预测模型。 6.根据权利要求1所述的方法， 其特征在于， 所述模型配置为模型对应的预测窗格， 所 述基于所述训练数据集， 对所述最优初始冷量预测模型对应的模型配置进行优化， 生成最 优目标冷量预测模型， 包括： 获取所述最优初始冷量预测模型对应的多个不同的预测窗格； 分别利用所述训练数据集训练各个所述预测窗格对应的所述最优初始冷量预测模型， 生成各个所述预测窗格对应的第三优化冷量预测模型； 获取各个所述第三优化冷量预测模型对应的模型精度以及训练时长； 根据各个所述第三优化冷量预测模型对应的模型精度以及训练时长， 确定最优第 三冷 量预测模型， 以确定所述 最优目标冷量预测模型。 7.一种冷量预测方法， 其特 征在于， 包括： 获取目标场景对应的未来预设时长的预测气象数据以及时刻属性信息； 将所述未来预设时长的预测气象数据以及时刻属性信息输入至最优目标冷量预测模 型， 输出所述未来预设时长对应的预测冷量； 所述最优目标冷量预测模 型根据权利要求 1‑6 任一项所述的冷量预测模型训练方法训练得到 。 8.一种冷量预测模型训练装置， 其特 征在于， 包括： 第一获取模块， 用于获取目标场景对应的训练数据集； 所述训练数据集中包括多个历 史时刻对应的历史冷量以及各个所述历史时刻对应的气象数据和时刻属性信息； 训练模块， 用于利用所述训练数据集训练至少两种不同的初始冷量预测网络， 生成至 少两种候选初始冷量预测模型； 确定模块， 用于根据各个所述候选初始冷量预测模型的模型精度， 从各个所述候选初 始冷量预测模型中确定模型精度最高的所述候选初始冷量预测模型， 作为最优初始冷量预 测模型； 优化模块， 用于基于所述训练数据集， 对所述最优初始冷量预测模型对应的模型配置 进行优化， 生成最优目标冷量预测模型； 其中， 所述模型配置包括训练数据集对应的训练数 据量以及训练数据内容和模型对应的预测窗格中的至少一项。 9.一种冷量预测装置， 其特 征在于， 包括： 第二获取模块， 用于获取目标场景对应的未来预设时长的预测气象数据以及时刻属性 信息； 输出模块， 用于将所述未来预设时长的预测气象数据以及时刻属性信 息输入至最优目 标冷量预测模型， 输出所述未来预设时长对应的预测冷量； 所述最优目标冷量预测模型根 据权利要求1 ‑6任一项所述的冷量预测模型训练方法训练得到 。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质存储有计算机指 令， 所述计算机指令用于使计算机执行权利要求1 ‑6中任一项所述的冷量预测模型训练方权　利　要　求　书 2/3 页 3 CN 115511185 A 3