冷量预测模型训练以及冷量预测方法、装置及存储介质

1.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。


背景技术：

2.目前我国商业建筑基本采用集中供冷方式为建筑营造舒适的室内温湿度环境。常见的集中供冷冷站主要包括冷机、水泵、冷却塔等设备。而冰蓄冷集中供冷系统(简称“冰蓄冷系统”)还有一套冰蓄冷设备，可以将冷机制取的冷量蓄存，在所需时刻取用。因此，冷量预测在近年来逐渐被应用于商业建筑冷站的智慧运行。
3.根据预测未来一天逐小时的建筑冷量需求，冷站管理人员可以选取合适的设备运行策略，实现节能、经济等工程目标。冰蓄冷系统为冷量的跨时间调度和建筑用电需求响应提供了便利条件，其基本原理是利用城市商业用电的分时电价，在夜间电价较低时蓄冷在蓄冷槽中，在日间电价较高的时段用释冰供冷替代冷机电制冷，减小和转移日间峰电时段的用电高峰，进而调节建筑的用电峰谷。由于经济成本、占用空间的制约，冰蓄冷槽的容量往往不能满足供冷季全天的建筑用冷需求，因此需要根据分时电价分配融冰供冷的时段，将有限的冰利用在电制冷不经济的高电价时段。为了提前分配未来一天融冰供冷在不同时段的使用量，必须提前预测未来一天各时段的建筑用冷需求，因此商业建筑冰蓄冷系统的冷量预测具有重要的工程意义。
4.现有技术中，多以单一人工智能算法进行冷量预测，而不同场景适宜的冷量预测算法不同，单一人工智能算法难以针对不同场景均得到较好的预测效果的问题，因此不能保证冷量预测的准确性。


技术实现要素：

5.有鉴于此，本发明实施例提供了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，旨在解决现有技术中冷量预测不准确的问题。
6.根据第一方面，本发明实施例提供了一种冷量预测模型训练方法，包括：
7.获取目标场景对应的训练数据集；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历史时刻对应的气象数据和时刻属性信息；
8.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；
9.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；
10.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；其中，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。
11.本发明实施例提供的冷量预测模型训练方法，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，保证了生成的至少两种候选初始冷量预测模型的准确性较高。然后，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。因此，保证了基于目标场景对应的训练数据集训练得到的最优初始冷量预测模型最适合目标场景，且模型精度最高，而不是像现有技术中训练单个神经网络模型，且不能保证神经网络模型的模型精度。然后，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。上述方法，从至少两种候选初始冷量预测模型中，确定了适合目标场景的优初始冷量预测模型，保证了后续对目标场景进行冷量预测的准确性。解决了现有技术中多以单一人工智能算法进行冷量预测，而不同场景适宜的冷量预测算法不同，单一人工智能算法难以针对不同场景均得到较好的预测效果的问题。
12.结合第一方面，在第一方面第一实施方式中，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，包括：
13.针对各个初始冷量预测网络，基于训练数据集，利用网格搜索和十折交叉检验的方法对各个初始冷量预测网络的超参数进行优化，生成各个初始冷量预测网络对应的候选初始冷量预测模型。
14.本发明实施例提供的冷量预测模型训练方法，针对各个初始冷量预测网络，基于训练数据集，利用网格搜索和十折交叉检验的方法对各个初始冷量预测网络的超参数进行优化，生成各个初始冷量预测网络对应的候选初始冷量预测模型，保证了生成的各个初始冷量预测网络对应的候选初始冷量预测模型的准确性。
15.结合第一方面第一实施方式，在第一方面第二实施方式中，基于训练数据集，利用网格搜索和十折交叉检验的方法对各个初始冷量预测网络的超参数进行优化，生成各个初始冷量预测网络对应的候选初始冷量预测模型，包括：
16.获取各个超参数对应的取值范围；
17.根据各个超参数对应的取值范围，生成多组包括各个超参数的超参数组合；
18.将训练数据集拆分为预设份数的训练子数据集；
19.针对各组超参数组合，每次选取一份训练子数据集作为检测子数据集，利用其余训练子数据集训练超参数组合对应的初始冷量预测网络，经过预设次数训练，生成备用初始冷量预测模型；其中，预设次数与预设份数对应的数值相同；
20.利用检测子数据集检验备用初始冷量预测模型，确定各组超参数对应的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备用初始冷量预测模型作为候选初始冷量预测模型。
21.本发明实施例提供的冷量预测模型训练方法，针对各个初始冷量预测网络，获取各个超参数对应的取值范围，根据各个超参数对应的取值范围，生成多组包括各个超参数的超参数组合，保证了生成的多组超参数组合的准确性以及多样性。然后，将训练数据集拆分为预设份数的训练子数据集；针对各组超参数组合，每次选取一份训练子数据集作为检测子数据集，利用其余训练子数据集训练超参数组合对应的初始冷量预测网络，经过预设次数训练，生成备用初始冷量预测模型，保证了生成的各组超参数组合对应的备用初始冷量预测模型的准确性。然后，利用检测子数据集检验备用初始冷量预测模型，确定各组超参
数对应的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备用初始冷量预测模型作为候选初始冷量预测模型，保证了选择的候选初始冷量预测模型的模型精度在各组超参数组合对应的备用初始冷量预测模型中最高。因此，保证了候选初始冷量预测模型对应的超参数组合的准确性。
22.结合第一方面，在第一方面第三实施方式中，模型配置为训练数据集对应的训练数据量，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，包括：
23.基于训练数据集，生成训练数据量不同的多个第一子训练数据集；
24.分别利用各个第一子训练数据集，训练最优初始冷量预测模型，生成各个第一子训练数据集对应的第一优化冷量预测模型；
25.获取各个第一优化冷量预测模型对应的模型精度以及训练时长；
26.根据各个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，以确定最优目标冷量预测模型。
27.本发明实施例提供的冷量预测模型训练方法，基于训练数据集，生成训练数据量不同的多个第一子训练数据集，保证了生成的训练数据量不同的多个第一子训练数据集的准确性。然后，分别利用各个第一子训练数据集，训练最优初始冷量预测模型，生成各个第一子训练数据集对应的第一优化冷量预测模型，保证了生成的各个第一子训练数据集对应的第一优化冷量预测模型的准确性。然后，获取各个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，以确定最优目标冷量预测模型，保证了确定的最优第一冷量预测模型精度较高，且训练时长较短，进而可以保证确定的最优目标冷量预测模型的准确性。
28.结合第一方面，在第一方面第四实施方式中，模型配置为训练数据集对应的训练数据内容，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，包括：
29.基于训练数据集，生成训练数据内容不同的多个第二子训练数据集；
30.分别利用各个第二子训练数据集，训练最优初始冷量预测模型，生成各个第二子训练数据集对应的第二优化冷量预测模型；
31.获取各个第二优化冷量预测模型对应的模型精度；
32.确定模型精度最高的第二优化冷量预测模型为最优第二冷量预测模型，以确定最优目标冷量预测模型。
33.本发明实施例提供的冷量预测模型训练方法，基于训练数据集，生成训练数据内容不同的多个第二子训练数据集，保证了生成的训练数据内容不同的多个第二子训练数据集的准确性。然后，分别利用各个第二子训练数据集，训练最优初始冷量预测模型，生成各个第二子训练数据集对应的第二优化冷量预测模型，保证了生成的各个第二子训练数据集对应的第二优化冷量预测模型的准确性。获取各个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第二优化冷量预测模型为最优第二冷量预测模型，以确定最优目标冷量预测模型，保证了确定的最优第二冷量预测模型的准确性，进而可以保证确定的最优目标冷量预测模型的准确性。上述方法，可以将训练数据集中不利的训练数据内容排除，使最优第二冷量预测模型的模型精度进一步提升。
34.结合第一方面，在第一方面第五实施方式中，模型配置为模型对应的预测窗格，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，包括：
35.获取最优初始冷量预测模型对应的多个不同的预测窗格；
36.分别利用训练数据集训练各个预测窗格对应的最优初始冷量预测模型，生成各个预测窗格对应的第三优化冷量预测模型；
37.获取各个第三优化冷量预测模型对应的模型精度以及训练时长；
38.根据各个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，以确定最优目标冷量预测模型。
39.本发明实施例提供的冷量预测模型训练方法，获取最优初始冷量预测模型对应的多个不同的预测窗格，分别利用训练数据集训练各个预测窗格对应的最优初始冷量预测模型，生成各个预测窗格对应的第三优化冷量预测模型，保证了生成的各个预测窗格对应的第三优化冷量预测模型的准确性。然后，获取各个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，以确定最优目标冷量预测模型，保证了确定的最优第三冷量预测模型，进而保证了确定的最优目标冷量预测模型的准确性。
40.根据第二方面，本发明实施例提供了一种冷量预测方法，包括：
41.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；
42.将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，输出未来预设时长对应的预测冷量；最优目标冷量预测模型根据第一方面或者第一方面的任意一种实施方式中的冷量预测模型训练方法训练得到。
43.本发明实施例提供的冷量预测方法，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，输出未来预设时长对应的预测冷量，保证了输出的未来预设时长对应的预测冷量的准确性。
44.根据第三方面，本发明实施例还提供了一种冷量预测模型训练装置，包括：
45.第一获取模块，用于获取目标场景对应的训练数据集；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历史时刻对应的气象数据和时刻属性信息；
46.训练模块，用于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；
47.确定模块，用于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；
48.优化模块，用于基于训练数据集，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；其中，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。
49.本发明实施例提供的冷量预测模型训练装置，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，保证了生成的至少两种候选初始冷量预测模型的准确性较高。然后，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。因此，保证了基于目标场景对应的训练数据集训练得到的最优初始冷量预测模型最适合目标场景，且模型精度最高，而不是像现有技术中训练单个神经网络模型，且不能保证神经网络模型的模型精度。然后，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。上述装置，从至少两种候选初始冷量预测模型中，确定了适合目标场景的优初始冷量预测模型，保证了后续对目标场景进行冷量预测的准确性。解决了现有技术中多以单一人工智能算法进行冷量预测，而不同场景适宜的冷量预测算法不同，单一人工智能算法难以针对不同场景均得到较好的预测效果的问题。
50.根据第四方面，本发明实施例还提供了一种冷量预测装置，包括：
51.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；
52.输出模块，用于将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，输出未来预设时长对应的预测冷量；最优目标冷量预测模型根据第一方面或者第一方面的任意一种实施方式中的冷量预测模型训练方法训练得到。
53.本发明实施例提供的冷量预测装置，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，输出未来预设时长对应的预测冷量，保证了输出的未来预设时长对应的预测冷量的准确性。
54.根据第五方面，本发明实施例提供了一种电子设备，包括存储器和处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行第一方面或者第一方面的任意一种实施方式中的冷量预测模型训练方法以及第一方面的冷量预测方法。
55.根据第六方面，本发明实施例提供了一种计算机可读存储介质，计算机可读存储介质存储计算机指令，计算机指令用于使计算机执行第一方面或者第一方面的任意一种实施方式中的冷量预测模型训练方法以及第一方面的冷量预测方法。
附图说明
56.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
57.图1是应用本发明实施例提供的冷量预测模型训练方法的流程图；
58.图2是应用本发明另一实施例提供的冷量预测模型训练方法的流程图；
59.图3是应用本发明另一实施例提供的冷量预测模型训练方法的流程图；
60.图4是应用本发明另一实施例提供的冷量预测模型训练方法的流程图；
61.图5是应用本发明另一实施例提供的冷量预测模型训练方法的流程图；
62.图6是应用本发明另一实施例提供的冷量预测方法的流程图；
63.图7是应用本发明另一实施例提供的不同训练数据内容对应的模型精度的示意图；
64.图8是应用本发明另一实施例提供的不同预测窗格对应的模型精度以及训练时长的示意图；
65.图9是应用本发明另一实施例提供的不同训练数据量对应的模型精度以及训练时长的示意图；
66.图10是应用本发明另一实施例提供的2019年7月冷量预测结果对比示意图；
67.图11是应用本发明实施例提供的冷量预测模型训练装置的功能模块图；
68.图12是应用本发明实施例提供的冷量预测装置的功能模块图；
69.图13是应用本发明实施例提供的电子设备的硬件结构示意图。
具体实施方式
70.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
71.需要说明的是，本技术实施例提供的冷量预测模型训练的方法，其执行主体可以是冷量预测模型训练的装置，该冷量预测模型训练的装置可以通过软件、硬件或者软硬件结合的方式实现成为电子设备的部分或者全部，其中，该电子设备可以是服务器或者终端，其中，本技术实施例中的服务器可以为一台服务器，也可以为由多台服务器组成的服务器集群，本技术实施例中的终端可以是智能手机、个人电脑、平板电脑、可穿戴设备以及智能机器人等其他智能硬件设备。下述方法实施例中，均以执行主体是电子设备为例来进行说明。
72.在本技术一个实施例中，如图1所示，提供了一种冷量预测模型训练方法，以该方法应用于电子设备为例进行说明，包括以下步骤：
73.s11、获取目标场景对应的训练数据集。
74.其中，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历史时刻对应的气象数据和时刻属性信息，其中，各个历史时刻对应的气象数据可以是逐时室外温度、相对湿度、风速、云量等，各个历史时刻对应的时刻属性信息可以用于表征历史时刻对应的日期以及历史时刻是否为工作时间或者休息时间等。
75.在一种可选的实施方式中，电子设备可以接收用户输入的目标场景对应的训练数据集，也可以是接收其他设备发送的目标场景对应的训练数据集，电子设备还可以从数据库中查找目标场景对应的训练数据集。本技术实施例对电子设备获取目标场景对应的训练数据集的方式不做具体限定。
76.s12、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。
77.具体地，电子设备在获取到目标场景对应的训练数据集之后，电子设备可以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。
78.其中，至少两种不同的初始冷量预测网络可以是随机森林(rf)、极端梯度提升决策树(xgb)、多层感知机(mlp)、长短记忆网络(lstm)、支持向量回归(svm)等预测网络中的
至少两种。
79.关于该步骤将在下文进行详细介绍。
80.s13、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。
81.具体地，电子设备在确定了各个初始冷量预测网络对应的各个候选初始冷量预测模型之后，电子设备可以利用同一检测数据集对各个候选初始冷量预测模型进行检测，确定各个候选初始冷量预测模型的模型精度。然后，电子设备将各个候选初始冷量预测模型的模型精度进行对比，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。
82.s14、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。
83.其中，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。
84.在本技术一种可选的实施方式中，电子设备可以基于训练数据集，首先对最优初始冷量预测模型对应的训练数据集对应的训练数据量进行优化，确定最优初始冷量预测模型对应的训练数据集的最优训练数据量。
85.示例性的，电子设备可以分别确定训练数据量分别为7天、14天、30天和60天的训练数据集，然后，分别利用训练数据量为7天、14天、30天和60天的训练数据集，对最优初始冷量预测模型对应的训练数据集的训练数据量进行优化，确定最优初始冷量预测模型对应的训练数据集的最优训练数据量。
86.在确定了最优初始冷量预测模型对应的训练数据集的最优训练数据量之后，电子设备还可以对最优初始冷量预测模型对应的预测窗格进行优化，确定最优初始冷量预测模型对应的最优预测窗格。
87.示例性的，电子设备可以分别确定优初始冷量预测模型对应的预测窗格为1小时、1天和1个月，然后对最优初始冷量预测模型对应的预测窗格进行优化，确定最优初始冷量预测模型对应的最优预测窗格。
88.在确定了最优初始冷量预测模型对应的最优预测窗格之后，电子设备还可以对最优初始冷量预测模型对应的训练数据集对应的训练数据内容进行优化，确定最优初始冷量预测模型对应的训练数据集对应的最优训练数据内容。
89.示例性的，假设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历史时刻对应的气象数据和时刻属性信息，共20项数据项。电子设备可以从20项数据项中确定多组输入参数组合，生成不同的训练数据内容。然后。电子设备分别利用多组输入参数组合对最优初始冷量预测模型对应的训练数据内容进行优化，确定最优初始冷量预测模型对应的最优训练数据内容。
90.需要说明的是，上述实施方式只是给出了一种对最优初始冷量预测模型对应的模型配置进行优化的具体实施方式中，本技术实施例对最优初始冷量预测模型对应的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进行优化的顺序不做具体限定。
91.关于该步骤将在下文进行详细介绍。
92.本发明实施例提供的冷量预测模型训练方法，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，保证了生成的至少两种候选初始冷量预测模型的准确性较高。然后，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。因此，保证了基于目标场景对应的训练数据集训练得到的最优初始冷量预测模型最适合目标场景，且模型精度最高，而不是像现有技术中训练单个神经网络模型，且不能保证神经网络模型的模型精度。然后，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。上述方法，从至少两种候选初始冷量预测模型中，确定了适合目标场景的优初始冷量预测模型，保证了后续对目标场景进行冷量预测的准确性。解决了现有技术中多以单一人工智能算法进行冷量预测，而不同场景适宜的冷量预测算法不同，单一人工智能算法难以针对不同场景均得到较好的预测效果的问题。
93.在本技术一个实施例中，如图2所示，提供了一种冷量预测模型训练方法，以该方法应用于电子设备为例进行说明，包括以下步骤：
94.s21、获取目标场景对应的训练数据集。
95.其中，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历史时刻对应的气象数据和时刻属性信息。
96.关于该步骤请参见图1对s11的介绍，在此不进行赘述。
97.s22、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。
98.在本技术一种可选的实施方式中，上述s22“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”，可以包括如下步骤：
99.s221、针对各个初始冷量预测网络，基于训练数据集，利用网格搜索和十折交叉检验的方法对各个初始冷量预测网络的超参数进行优化，生成各个初始冷量预测网络对应的候选初始冷量预测模型。
100.具体地，针对各个初始冷量预测网络，电子设备可以基于训练数据集，利用网格搜索和十折交叉检验的方法对各个初始冷量预测网络的超参数进行优化，生成各个初始冷量预测网络对应的候选初始冷量预测模型。
101.在本技术一种可选的实施方式中，上述s221“基于训练数据集，利用网格搜索和十折交叉检验的方法对各个初始冷量预测网络的超参数进行优化，生成各个初始冷量预测网络对应的候选初始冷量预测模型”，可以包括如下步骤：
102.(1)获取各个超参数对应的取值范围。
103.具体地，电子设备可以接收用户输入的各个超参数对应的取值范围，也可以是接收其他设备发送的各个超参数对应的取值范围，电子设备还可以从数据库中查找各个超参数对应的取值范围。本技术实施例对电子设备获取各个超参数对应的取值范围的方式不做具体限定。
104.(2)根据各个超参数对应的取值范围，生成多组包括各个超参数的超参数组合。
105.具体地，电子设备在获取到各个超参数对应的取值范围之后，电子设备可以根据各个超参数对应的取值范围，生成多组包括各个超参数的超参数组合。
106.(3)将训练数据集拆分为预设份数的训练子数据集；
107.具体地，为了更好地训练各个初始冷量预测网络，电子设备可以将训练数据集拆分为预设份数的训练子数据集。
108.示例性的，电子设备可以将训练数据集拆分为10份的训练子数据集。
109.(4)针对各组超参数组合，每次选取一份训练子数据集作为检测子数据集，利用其余训练子数据集训练超参数组合对应的初始冷量预测网络，经过预设次数训练，生成备用初始冷量预测模型；其中，预设次数与预设份数对应的数值相同。
110.具体地，针对各组超参数组合，电子设备每次从预设份数的训练子数据集中选取一份训练子数据集作为检测子数据集，利用其余训练子数据集训练超参数组合对应的初始冷量预测网络，生成备用初始冷量预测模型。如此循环，直至电子设备分别将预设份数的训练子数据集中的每一份训练子数据集均作为一次检测子数据集，对超参数组合对应的初始冷量预测网络进行预设次数训练之后，选取预设次数训练之后模型精度最高的一次训练结果对应的初始冷量预测网络，为备用初始冷量预测模型。
111.示例性的，假设电子设备根据各个超参数对应的取值范围，生成5组包括各个超参数的超参数组合，并将训练数据集拆分为10份的训练子数据集。
112.针对各组超参数组合，电子设备可以每次从10份的训练子数据集中选取1份训练子数据集作为检测子数据集，例如，第一次选取第1份训练子数据集，然后利用第2份到第10份训练子数据集训练超参数组合对应的初始冷量预测网络，生成第一份初始冷量预测模型。依次类推，电子设备依次得到第二份初始冷量预测模型，直到得到第十份初始冷量预测模型，电子设备从第一份初始冷量预测模型到第十份初始冷量预测模型中选取模型精度最高的模型为初始冷量预测模型。
113.(5)利用检测子数据集检验备用初始冷量预测模型，确定各组超参数对应的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备用初始冷量预测模型作为候选初始冷量预测模型。
114.具体地，电子设备在获取到各组超参数组合对应的备用初始冷量预测模型之后，电子设备可以利用检测子数据集检验备用初始冷量预测模型，确定各组超参数对应的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备用初始冷量预测模型作为候选初始冷量预测模型。
115.s23、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。
116.关于该步骤请参见图1对s13的介绍，在此不进行赘述。
117.s24、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。
118.其中，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。
119.关于该步骤请参见图1对s14的介绍，在此不进行赘述。
120.本发明实施例提供的冷量预测模型训练方法，针对各个初始冷量预测网络，获取各个超参数对应的取值范围，根据各个超参数对应的取值范围，生成多组包括各个超参数的超参数组合，保证了生成的多组超参数组合的准确性以及多样性。然后，将训练数据集拆
分为预设份数的训练子数据集；针对各组超参数组合，每次选取一份训练子数据集作为检测子数据集，利用其余训练子数据集训练超参数组合对应的初始冷量预测网络，经过预设次数训练，生成备用初始冷量预测模型，保证了生成的各组超参数组合对应的备用初始冷量预测模型的准确性。然后，利用检测子数据集检验备用初始冷量预测模型，确定各组超参数对应的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备用初始冷量预测模型作为候选初始冷量预测模型，保证了选择的候选初始冷量预测模型的模型精度在各组超参数组合对应的备用初始冷量预测模型中最高。因此，保证了候选初始冷量预测模型对应的超参数组合的准确性。
121.在本技术一个实施例中，如图3所示，提供了一种冷量预测模型训练方法，以该方法应用于电子设备为例进行说明，包括以下步骤：
122.s31、获取目标场景对应的训练数据集。
123.其中，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历史时刻对应的气象数据和时刻属性信息。
124.关于该步骤请参见图2对s21的介绍，在此不进行赘述。
125.s32、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。
126.关于该步骤请参见图2对s22的介绍，在此不进行赘述。
127.s33、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。
128.关于该步骤请参见图2对s23的介绍，在此不进行赘述。
129.s34、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。
130.其中，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。
131.在本技术一种可选的实施方式中，模型配置为训练数据集对应的训练数据量，上述s34“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”，可以包括如下步骤：
132.s341、基于训练数据集，生成训练数据量不同的多个第一子训练数据集。
133.具体地，电子设备可以基于训练数据集中包括的训练数据量的大小，生成训练数据量不同的多个第一子训练数据集。
134.示例性的，电子设备可以基于训练数据集中包括的训练数据量的大小，生成7天训练数据量对应的第一子训练数据集、14天训练数据量对应的第一子训练数据集、30天训练数据量对应的第一子训练数据集以及60天训练数据量对应的第一子训练数据集。
135.s342、分别利用各个第一子训练数据集，训练最优初始冷量预测模型，生成各个第一子训练数据集对应的第一优化冷量预测模型。
136.具体地，电子设备在获取到训练数据量不同的多个第一子训练数据集之后，电子设备可以分别利用各个第一子训练数据集，训练最优初始冷量预测模型，生成各个第一子训练数据集对应的第一优化冷量预测模型。
137.s343、获取各个第一优化冷量预测模型对应的模型精度以及训练时长。
138.具体地，电子设备可以根据各个第一优化冷量预测模型对应的训练过程，确定各个第一优化冷量预测模型对应的训练时长，并利用同一组检测数据集检验各个第一优化冷量预测模型，确定各个第一优化冷量预测模型对应的模型精度。
139.s344、根据各个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，以确定最优目标冷量预测模型。
140.具体地，当第一优化冷量预测模型对应的模型精度大于第一预设模型精度阈值，且训练时长小于第一预设训练时长阈值时，确定第一优化冷量预测模型为最优第一冷量预测模型，从而可以根据最优第一冷量预测模型确定最优目标冷量预测模型。
141.本发明实施例提供的冷量预测模型训练方法，基于训练数据集，生成训练数据量不同的多个第一子训练数据集，保证了生成的训练数据量不同的多个第一子训练数据集的准确性。然后，分别利用各个第一子训练数据集，训练最优初始冷量预测模型，生成各个第一子训练数据集对应的第一优化冷量预测模型，保证了生成的各个第一子训练数据集对应的第一优化冷量预测模型的准确性。然后，获取各个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，以确定最优目标冷量预测模型，保证了确定的最优第一冷量预测模型精度较高，且训练时长较短，进而可以保证确定的最优目标冷量预测模型的准确性。
142.在本技术一个实施例中，如图4所示，提供了一种冷量预测模型训练方法，以该方法应用于电子设备为例进行说明，包括以下步骤：
143.s41、获取目标场景对应的训练数据集。
144.其中，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历史时刻对应的气象数据和时刻属性信息。
145.关于该步骤请参见图3对s31的介绍，在此不进行赘述。
146.s42、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。
147.关于该步骤请参见图3对s32的介绍，在此不进行赘述。
148.s43、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。
149.关于该步骤请参见图3对s33的介绍，在此不进行赘述。
150.s44、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。
151.其中，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。
152.在本技术一种可选的实施方式中，模型配置为训练数据集对应的训练数据内容，上述s44“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”，可以包括如下步骤：
153.s441、基于训练数据集，生成训练数据内容不同的多个第二子训练数据集。
154.具体地，电子设备可以基于训练数据集中包括的训练数据的内容，生成训练数据内容不同的多个第二子训练数据集。
155.示例性的，假设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历史时
刻对应的气象数据和时刻属性信息，共20项数据项。电子设备可以从20项数据项中确定多组输入参数组合，然后生成训练数据内容不同的多个第二子训练数据集。
156.s442、分别利用各个第二子训练数据集，训练最优初始冷量预测模型，生成各个第二子训练数据集对应的第二优化冷量预测模型。
157.具体地，电子设备在获取到训练数据内容不同的多个第二子训练数据集之后，电子设备可以分别利用各个第二子训练数据集，训练最优初始冷量预测模型，生成各个第二子训练数据集对应的第二优化冷量预测模型。
158.s443、获取各个第二优化冷量预测模型对应的模型精度。
159.具体地，电子设备在生成各个第二子训练数据集对应的第二优化冷量预测模型之后，电子设备可以利用同一组检测数据集检测各个第二优化冷量预测模型对应的模型精度。
160.s444、确定模型精度最高的第二优化冷量预测模型为最优第二冷量预测模型，以确定最优目标冷量预测模型。
161.具体地，电子设备在确定了各个第二优化冷量预测模型对应的模型精度之后，电子设备可以确定模型精度最高的第二优化冷量预测模型为最优第二冷量预测模型，以确定最优目标冷量预测模型。
162.本发明实施例提供的冷量预测模型训练方法，基于训练数据集，生成训练数据内容不同的多个第二子训练数据集，保证了生成的训练数据内容不同的多个第二子训练数据集的准确性。然后，分别利用各个第二子训练数据集，训练最优初始冷量预测模型，生成各个第二子训练数据集对应的第二优化冷量预测模型，保证了生成的各个第二子训练数据集对应的第二优化冷量预测模型的准确性。获取各个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第二优化冷量预测模型为最优第二冷量预测模型，以确定最优目标冷量预测模型，保证了确定的最优第二冷量预测模型的准确性，进而可以保证确定的最优目标冷量预测模型的准确性。上述方法，可以将训练数据集中不利的训练数据内容排除，使最优第二冷量预测模型的模型精度进一步提升。
163.在本技术一个实施例中，如图5所示，提供了一种冷量预测模型训练方法，以该方法应用于电子设备为例进行说明，包括以下步骤：
164.s51、获取目标场景对应的训练数据集。
165.其中，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历史时刻对应的气象数据和时刻属性信息。
166.关于该步骤请参见图4对s41的介绍，在此不进行赘述。
167.s52、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。
168.关于该步骤请参见图4对s42的介绍，在此不进行赘述。
169.s53、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。
170.关于该步骤请参见图4对s43的介绍，在此不进行赘述。
171.s54、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。
172.其中，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。
173.在本技术一种可选的实施方式中，模型配置为模型对应的预测窗格，上述s54“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”，可以包括如下步骤：
174.s541、获取最优初始冷量预测模型对应的多个不同的预测窗格。
175.具体地，电子设备可以接收用户输入的最优初始冷量预测模型对应的多个不同的预测窗格，也可以是接收其他设备发送的最优初始冷量预测模型对应的多个不同的预测窗格，电子设备还可以随机设置最优初始冷量预测模型对应的多个不同的预测窗格。本技术实施例对电子设备获取最优初始冷量预测模型对应的多个不同的预测窗格的方式不做具体限定。
176.示例性的，最优初始冷量预测模型对应的多个不同的预测窗格可以是1小时、1天和1个月，本技术实施例对最优初始冷量预测模型对应的多个不同的预测窗格不做具体限定。
177.s542、分别利用训练数据集训练各个预测窗格对应的最优初始冷量预测模型，生成各个预测窗格对应的第三优化冷量预测模型。
178.具体地，电子设备在获取到最优初始冷量预测模型对应的多个不同的预测窗格之后，电子设备可以分别利用训练数据集训练各个预测窗格对应的最优初始冷量预测模型，生成各个预测窗格对应的第三优化冷量预测模型。
179.s543、获取各个第三优化冷量预测模型对应的模型精度以及训练时长。
180.具体地，电子设备可以根据各个第三优化冷量预测模型对应的训练过程，确定各个第三优化冷量预测模型对应的训练时长，并利用同一组检测数据集检验各个第三优化冷量预测模型，确定各个第三优化冷量预测模型对应的模型精度。
181.s544、根据各个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，以确定最优目标冷量预测模型。
182.具体地，当第三优化冷量预测模型对应的模型精度大于第二预设模型精度阈值，且训练时长小于第二预设训练时长阈值时，确定第三优化冷量预测模型为最优第三冷量预测模型，从而可以根据最优第三冷量预测模型确定最优目标冷量预测模型。
183.本发明实施例提供的冷量预测模型训练方法，获取最优初始冷量预测模型对应的多个不同的预测窗格，分别利用训练数据集训练各个预测窗格对应的最优初始冷量预测模型，生成各个预测窗格对应的第三优化冷量预测模型，保证了生成的各个预测窗格对应的第三优化冷量预测模型的准确性。然后，获取各个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，以确定最优目标冷量预测模型，保证了确定的最优第三冷量预测模型，进而保证了确定的最优目标冷量预测模型的准确性。
184.为了更好地介绍本技术实施例提供的冷量预测模型训练方法，本技术实施例提供了一种冷量预测方法。需要说明的是，本技术实施例提供的冷量预测的方法，其执行主体可以是冷量预测的装置，该冷量预测的装置可以通过软件、硬件或者软硬件结合的方式实现成为电子设备的部分或者全部，其中，该电子设备可以是服务器或者终端，其中，本技术实
施例中的服务器可以为一台服务器，也可以为由多台服务器组成的服务器集群，本技术实施例中的终端可以是智能手机、个人电脑、平板电脑、可穿戴设备以及智能机器人等其他智能硬件设备。下述方法实施例中，均以执行主体是电子设备为例来进行说明。
185.在本技术一个实施例中，如图6所示，提供了一种冷量预测方法，以该方法应用于电子设备为例进行说明，包括以下步骤：
186.s61、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。
187.其中，预测气象数据是逐时室外温度、相对湿度、风速、云量等，时刻属性信息用于表征未来预设时长对应的日期以及未来预设时长是否为工作时间或者休息时间等。
188.具体地，电子设备可以接收用户输入的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，也可以是接收其他设备发送的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，电子设备还可以从数据库中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。本技术实施例对电子设备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的方式不做具体限定。
189.s62、将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，输出未来预设时长对应的预测冷量。
190.其中，上述最优目标冷量预测模型根据上述任一项的冷量预测模型训练方法训练得到。
191.具体地，电子设备获取到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之后，电子设备可以将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入至最优目标冷量预测模型，输出未来预设时长对应的预测冷量。
192.本发明实施例提供的冷量预测方法，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，输出未来预设时长对应的预测冷量，保证了输出的未来预设时长对应的预测冷量的准确性。
193.为了更好地介绍本技术实施例提供的冷量预测方法，下面举出一个具体的实施案例进一步说明本发明。
194.本发明以某商业办公建筑全年冷量预测为例。该建筑共69层，总建筑面积为14.3万m2。本发明对该商业办公建筑在2019年1月-12月全年的逐时冷量进行预测分析。
195.具体地，电子设备可以获取该商业办公建筑对应的训练数据集，训练数据集中的训练数据内容包括当地的逐时室外温度、相对湿度、风速、云量等气象数据，以及星期、节假日、时刻等日期参数。
196.电子设备利用训练数据集对5种预测算法进行训练优化，生成5种预测算法对应的候选初始冷量预测模型。其中，5种预测算法，分别是随机森林(rf)、极端梯度提升决策树(xgb)、多层感知机(mlp)、长短记忆网络(lstm)、支持向量回归(svm)。电子设备通过对5种预测算法对应的候选初始冷量预测模型进行分析，确定5种预测算法对应的候选初始冷量预测模型的模型精度。最后，确定梯度提升决策树算法的预测误差最小，预测精度最高，因而采用确定梯度提升决策树算法对应的候选初始冷量预测模型为最优初始冷量预测模型。
197.其中，在对梯度提升决策树算法对应的候选初始冷量预测模型进行超参数调优的过程中，每次模型训练过程均针对树最大深度、最小叶节点权重、l1正则化、l2正则化、目标
函数进行网格搜索寻优，并利用十折交叉检验的方法对梯度提升决策树算法对应的初始冷量预测网络的超参数进行优化，生成梯度提升决策树算法对应的候选初始冷量预测模型。
198.在得到梯度提升决策树算法对应的候选初始冷量预测模型之后，电子设备可以对候选初始冷量预测模型的训练数据集对应的训练数据内容(也就是输入参数组合)进行优化，通过对候选初始冷量预测模对应的输入参数的63种组合进行遍历，以绝对平均误差mae为指标，发现对于该商业办公建筑案例，训练数据内容为室外温度、相对湿度、云量、时刻/星期时模型的误差最小，预测精度最高，具体示例图如图7所示，其中，w为日期，t为温度，h为湿度，s为太阳辐射，v为风速，l为电梯能耗。
199.在确定候选初始冷量预测模型对应的训练数据集对应的训练数据内容之后，电子设备可以进一步分析候选初始冷量预测模型对应的预测窗格对预测效果的影响，对比预测窗格为1小时、1天和1个月的情形，可以发现当预测窗格为1天时，计算时长相比预测窗格为1小时的情形有显著降低，同时预测误差相比预测窗格为1个月的情形有明显降低，因此对于该案例选择预测窗格为1天，具体示例图如图8所示。
200.在确定了候选初始冷量预测模型对应的预测窗格之后，电子设备还可以进一步分析数据训练集对应的训练数据量(也就是历史样本量)对预测效果的影响，发现随着数据训练集对应的训练数据量从7天增加为14天、30天时，预测误差均显著降低，而当数据训练集对应的训练数据量增加为60天时，预测误差相比数据训练集对应的训练数据量30天时没有显著变化，计算时长随数据训练集对应的训练数据量的增加大致呈线性增加，因而权衡对比，选择数据训练集对应的训练数据量为30天进行预测分析，如图9。
201.以上步骤确定该商业办公建筑对应的最优目标冷量预测模型，然后，利用最优目标冷量预测模型预测该商业办公建筑案例中2019年全年冷量预测，最终计算得到该商业办公建筑案例中2019年全年冷量预测平均绝对误差的相对值cv-mae为9.80％，如图10，可以满足实际工程中冰蓄冷系统优化控制的要求。
202.应该理解的是，虽然图1-6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-6的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
203.如图11所示，本实施例提供一种冷量预测模型训练装置，包括：
204.第一获取模块71，用于获取目标场景对应的训练数据集；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历史时刻对应的气象数据和时刻属性信息；
205.训练模块72，用于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；
206.确定模块73，用于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；
207.优化模块74，用于基于训练数据集，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；其中，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。
208.在本技术一个实施例中，上述训练模块72，具体用于针对各个初始冷量预测网络，基于训练数据集，利用网格搜索和十折交叉检验的方法对各个初始冷量预测网络的超参数进行优化，生成各个初始冷量预测网络对应的候选初始冷量预测模型。
209.在本技术一个实施例中，上述训练模块72，具体用于获取各个超参数对应的取值范围；根据各个超参数对应的取值范围，生成多组包括各个超参数的超参数组合；将训练数据集拆分为预设份数的训练子数据集；针对各组超参数组合，每次选取一份训练子数据集作为检测子数据集，利用其余训练子数据集训练超参数组合对应的初始冷量预测网络，经过预设次数训练，生成备用初始冷量预测模型；其中，预设次数与预设份数对应的数值相同；利用检测子数据集检验备用初始冷量预测模型，确定各组超参数对应的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备用初始冷量预测模型作为候选初始冷量预测模型。
210.在本技术一个实施例中，模型配置为训练数据集对应的训练数据量，上述优化模块74，具体用于基于训练数据集，生成训练数据量不同的多个第一子训练数据集；分别利用各个第一子训练数据集，训练最优初始冷量预测模型，生成各个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，以确定最优目标冷量预测模型。
211.在本技术一个实施例中，模型配置为训练数据集对应的训练数据内容，上述优化模块74，具体用于基于训练数据集，生成训练数据内容不同的多个第二子训练数据集；分别利用各个第二子训练数据集，训练最优初始冷量预测模型，生成各个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第二优化冷量预测模型为最优第二冷量预测模型，以确定最优目标冷量预测模型。
212.在本技术一个实施例中，模型配置为模型对应的预测窗格，上述优化模块74，具体用于获取最优初始冷量预测模型对应的多个不同的预测窗格；分别利用训练数据集训练各个预测窗格对应的最优初始冷量预测模型，生成各个预测窗格对应的第三优化冷量预测模型；获取各个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，以确定最优目标冷量预测模型。
213.如图12所示，本实施例提供一种冷量预测装置，其特征在于，包括：
214.第二获取模块81，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；
215.输出模块82，用于将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，输出未来预设时长对应的预测冷量；最优目标冷量预测模型根据上述实施例任一项的冷量预测模型训练方法训练得到。
216.关于冷量预测模型训练装置以及冷量预测装置的具体限定以及有益效果可以参见上文中对于冷量预测模型训练方法以及冷量预测方法的限定，在此不再赘述。上述冷量预测模型训练装置以及冷量预测装置中的各个模块可全部或部分通过软件、硬件及其组合
来实现。上述各模块可以硬件形式内嵌于或独立于电子设备中的处理器中，也可以以软件形式存储于电子设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
217.本发明实施例还提供一种电子设备，具有上述图11以及图12所示的冷量预测模型训练装置以及冷量预测装置。
218.如图13所示，图13是本发明可选实施例提供的一种电子设备的结构示意图，如图13所示，该电子设备可以包括：至少一个处理器91，例如cpu(central processing unit，中央处理器)，至少一个通信接口93，存储器94，至少一个通信总线92。其中，通信总线92用于实现这些组件之间的连接通信。其中，通信接口93可以包括显示屏(display)、键盘(keyboard)，可选通信接口93还可以包括标准的有线接口、无线接口。存储器94可以是高速ram存储器(random access memory，易挥发性随机存取存储器)，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器94可选的还可以是至少一个位于远离前述处理器91的存储装置。其中处理器91可以结合图11以及图12所描述的装置，存储器94中存储应用程序，且处理器91调用存储器94中存储的程序代码，以用于执行上述任一方法步骤。
219.其中，通信总线92可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。通信总线92可以分为地址总线、数据总线、控制总线等。为便于表示，图13中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
220.其中，存储器94可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：ram)；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(英文：hard disk drive，缩写：hdd)或固态硬盘(英文：solid-state drive，缩写：ssd)；存储器94还可以包括上述种类的存储器的组合。
221.其中，处理器91可以是中央处理器(英文：central processing unit，缩写：cpu)，网络处理器(英文：network processor，缩写：np)或者cpu和np的组合。
222.其中，处理器91还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文：application-specific integrated circuit，缩写：asic)，可编程逻辑器件(英文：programmable logic device，缩写：pld)或其组合。上述pld可以是复杂可编程逻辑器件(英文：complex programmable logic device，缩写：cpld)，现场可编程逻辑门阵列(英文：field-programmable gate array，缩写：fpga)，通用阵列逻辑(英文：generic array logic,缩写：gal)或其任意组合。
223.可选地，存储器94还用于存储程序指令。处理器91可以调用程序指令，实现如本技术图1至5实施例中所示的冷量预测模型训练方法以及图6实施例中所示的冷量预测方法。
224.本发明实施例还提供了一种非暂态计算机存储介质，计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的冷量预测模型训练方法以及冷量预测方法。其中，存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)、随机存储记忆体(random access memory，ram)、快闪存储器(flash memory)、硬盘(hard disk drive，缩写：hdd)或固态硬盘(solid-state drive，ssd)等；存储介质还可以包括上述种类的存储器的组合。
225.虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。