【技術實現步驟摘要】
本申請涉及制冷量預測，尤其涉及一種基于知識蒸餾的制冷量預測方法及裝置。
技術介紹
1、目前的制冷量預測方法主要基于機器學習和統計模型，這些方法通常需要大量的歷史數據來訓練模型，如支持向量機、決策樹、神經網絡等。這些模型的核心在于通過學習歷史數據中的模式來預測未來的冷量需求。例如，在擁有足夠數據的商場，基于環境溫度、濕度、人流量等特征的數據可以較為準確地預測冷量需求。但在訓練數據量少的情況下，模型容易過擬合，泛化能力差。
技術實現思路
1、有鑒于此，本申請實施例提供了一種基于知識蒸餾的制冷量預測方法、裝置、電子設備及計算機可讀存儲介質，以解決現有技術中訓練數據量少導致制冷量預測過擬合和泛化能力差的問題。
2、本申請實施例的第一方面，提供了一種基于知識蒸餾的制冷量預測方法，包括：利用多頭自注意力網絡、前饋神經網絡和全連接層構建特征提取網絡，利用全連接層和transformer模塊構建特征處理網絡，利用特征提取網絡和特征處理網絡構建教師模型和學生模型，其中，教師模型和學生模型的網絡結構相同，但學生模型中全連接層的維度數量少于教師模型中全連接層的維度數量；獲取第一場所的第一歷史數據和第二場所的第二歷史數據，其中，第一歷史數據和第二歷史數據均包括：場所數據、環境數據、天氣數據和制冷量；利用第一歷史數據對教師模型進行制冷量預測訓練；利用第二歷史數據對學生模型進行制冷量預測訓練，并在對學生模型進行制冷量預測訓練的過程中，利用教師模型約束學生模型；利用學生模型預測第二場所在每天不同時間
3、本申請實施例的第二方面，提供了一種基于知識蒸餾的制冷量預測裝置，包括：構建模塊，被配置為利用多頭自注意力網絡、前饋神經網絡和全連接層構建特征提取網絡，利用全連接層和transformer模塊構建特征處理網絡，利用特征提取網絡和特征處理網絡構建教師模型和學生模型，其中，教師模型和學生模型的網絡結構相同，但學生模型中全連接層的維度數量少于教師模型中全連接層的維度數量；獲取模塊，被配置為獲取第一場所的第一歷史數據和第二場所的第二歷史數據，其中，第一歷史數據和第二歷史數據均包括：場所數據、環境數據、天氣數據和制冷量；第一訓練模塊，被配置為利用第一歷史數據對教師模型進行制冷量預測訓練；第二訓練模塊，被配置為利用第二歷史數據對學生模型進行制冷量預測訓練，并在對學生模型進行制冷量預測訓練的過程中，利用教師模型約束學生模型；預測模塊，被配置為利用學生模型預測第二場所在每天不同時間所需的制冷量。
4、本申請實施例的第三方面，提供了一種電子設備，包括存儲器、處理器以及存儲在存儲器中并且可在處理器上運行的計算機程序，該處理器執行計算機程序時實現上述方法的步驟。
5、本申請實施例的第四方面，提供了一種計算機可讀存儲介質，該計算機可讀存儲介質存儲有計算機程序，該計算機程序被處理器執行時實現上述方法的步驟。
6、本申請實施例與現有技術相比存在的有益效果是：利用多頭自注意力網絡、前饋神經網絡和全連接層構建特征提取網絡，利用全連接層和transformer模塊構建特征處理網絡，利用特征提取網絡和特征處理網絡構建教師模型和學生模型，其中，教師模型和學生模型的網絡結構相同，但學生模型中全連接層的維度數量少于教師模型中全連接層的維度數量；獲取第一場所的第一歷史數據和第二場所的第二歷史數據，其中，第一歷史數據和第二歷史數據均包括：場所數據、環境數據、天氣數據和制冷量；利用第一歷史數據對教師模型進行制冷量預測訓練；利用第二歷史數據對學生模型進行制冷量預測訓練，并在對學生模型進行制冷量預測訓練的過程中，利用教師模型約束學生模型；利用學生模型預測第二場所在每天不同時間所需的制冷量。采用上述技術手段，可以解決現有技術中，訓練數據量少導致制冷量預測過擬合和泛化能力差的問題，進而避免制冷量預測過擬合，提升泛化能力。
本文檔來自技高網...【技術保護點】
1.一種基于知識蒸餾的制冷量預測方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，利用多頭自注意力網絡、前饋神經網絡和全連接層構建特征提取網絡，包括：
3.根據權利要求1所述的方法，其特征在于，利用全連接層和Transformer模塊構建特征處理網絡，包括：
4.根據權利要求1所述的方法，其特征在于，利用所述第一歷史數據對所述教師模型進行制冷量預測訓練，包括：
5.根據權利要求1所述的方法，其特征在于，利用所述第二歷史數據對所述學生模型進行所述制冷量預測訓練，并在對所述學生模型進行所述制冷量預測訓練的過程中，利用所述教師模型約束所述學生模型，包括：
6.根據權利要求5所述的方法，其特征在于，依據所述第二預測損失和所述約束損失優化所述學生模型中的權重，包括：
7.根據權利要求5所述的方法，其特征在于，將所述第二歷史數據中的場所數據、環境數據和天氣數據輸入所述學生模型，輸出所述第二歷史數據對應的第三預測值，包括：
8.一種基于知識蒸餾的制冷量預測裝置，其特征在于，包括：
10.一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現如權利要求1至7中任一項所述方法的步驟。
...【技術特征摘要】
1.一種基于知識蒸餾的制冷量預測方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，利用多頭自注意力網絡、前饋神經網絡和全連接層構建特征提取網絡，包括：
3.根據權利要求1所述的方法，其特征在于，利用全連接層和transformer模塊構建特征處理網絡，包括：
4.根據權利要求1所述的方法，其特征在于，利用所述第一歷史數據對所述教師模型進行制冷量預測訓練，包括：
5.根據權利要求1所述的方法，其特征在于，利用所述第二歷史數據對所述學生模型進行所述制冷量預測訓練，并在對所述學生模型進行所述制冷量預測訓練的過程中，利用所述教師模型約束所述學生模型，包括：
6.根據權利要求5所述的方法，其特征在...
【專利技術屬性】
技術研發人員：段杰，孫海亮，
申請(專利權)人：深圳須彌云圖空間科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。