本申请涉及数据预测,特别是涉及一种质量变量预测方法、装置、计算机设备、存储介质和产品。
背景技术:
1、随着工程系统的数字化程度的不断提高,为了确保工程系统的安全性,提升工程系统的经济效益,有必要对工程系统的质量变量进行预测。
2、传统技术中,通过建立相对简单的数学模型对工程系统的质量变量进行预测,存在预测精度较低的问题。
技术实现思路
1、基于此,有必要针对上述技术问题,提供一种能够提高质量变量预测精度.的质量变量预测方法、装置、计算机设备、存储介质和产品。
2、第一方面,本申请提供了一种质量变量预测方法。所述方法包括:
3、获取工程系统当前时刻的质量变量、在当前时刻之前预设时间段内的过程变量;
4、将所述质量变量和所述过程变量输入至目标causal-transformer模型中,得到下一时刻的质量变量;所述目标causal-transformer模型是基于训练集对初始causal-transformer模型训练后得到的,所述目标causal-transformer模型包括编码器和解码器,所述编码器包括多头时空因果注意力模型,所述多头时空因果注意力模型包括多个空间因果注意力模型和多个时间因果注意力模型,所述空间因果注意力模型用于提取所述训练集在空间维度的因果特征,所述时间因果注意力模型用于提取所述训练集在时间维度的因果特征,所述训练集包括所述工程系统的多个历史时间点的历史数据,所述历史数据包括过程变量样本和所述过程变量样本对应的质量变量样本。
5、在其中一个实施例中,方法还包括:
6、按照所述历史时间点对所述历史数据进行排列,得到第一数据集;
7、基于所述第一数据集确定第二数据集;
8、针对各所述过程变量样本,确定所述过程变量样本与各质量变量样本的皮尔逊相关系数;
9、基于各所述过程变量样本的皮尔逊相关系数和所述第二数据集,确定所述训练集。
10、在其中一个实施例中,所述基于各所述过程变量样本的皮尔逊相关系数和所述第二数据集,确定所述训练集,包括:
11、针对各所述过程变量样本,若所述过程变量样本的各皮尔逊相关系数中存在未位于预设系数范围内的皮尔逊相关系数,则去除未位于所述预设系数范围内的皮尔逊相关系数对应的过程变量样本,得到目标过程变量样本;
12、将所述目标过程变量样本和所述质量变量样本作为第三数据集;
13、按照预设时间窗口对所述第三数据集进行划分得到多个子数据集;所述训练集包括所述多个子数据集。
14、在其中一个实施例中,所述方法还包括:
15、对所述训练集中的过程变量样本和质量变量样本进行格兰杰因果分析,得到因果指示变量组;
16、根据所述因果指示变量组、所述训练集中的质量变量样本和所述目标过程变量样本,对所述初始causal-transformer模型进行训练,得到所述目标causal-transformer模型。
17、在其中一个实施例中,所述对所述训练集中的过程变量样本和质量变量样本进行格兰杰因果分析,得到因果指示变量组,包括:
18、对所述训练集中的过程变量样本和质量变量样本进行格兰杰因果分析,得到所述训练集中的过程变量样本和质量变量样本之间的因果图;
19、根据所述因果图,得到所述因果指示变量组。
20、在其中一个实施例中,所述根据所述因果指示变量组、所述训练集中的质量变量样本和所述目标过程变量样本,对所述初始causal-transformer模型进行训练,得到所述目标causal-transformer模型,包括:
21、将所述目标过程变量样本输入至所述初始causal-transformer模型中初始编码器的初始多头时空因果注意力模型中,以提取所述目标过程变量样本的第一特征,并通过所述初始编码器对所述第一特征进行处理得到第一输出数据;
22、对所述质量变量样本和所述因果指示变量组进行拼接,得到拼接结果;
23、将所述拼接结果和所述第一输出数据输入至所述初始causal-transformer模型中的初始解码器,得到预测质量变量样本;
24、根据所述预测质量变量样本与所述预测质量变量样本对应的实际质量变量样本之间的差异,对所述初始causal-transformer模型进行训练,得到所述目标causal-transformer模型。
25、第二方面,本申请还提供了一种质量变量预测装置。所述装置包括:
26、数据获取模块,用于获取工程系统当前时刻的质量变量、在当前时刻之前预设时间段内的过程变量;
27、预测模块,用于将所述质量变量和所述过程变量输入至目标causal-transformer模型中,得到下一时刻的质量变量;所述目标causal-transformer模型是基于训练集对初始causal-transformer模型训练后得到的,所述目标causal-transformer模型包括编码器和解码器,所述编码器包括多头时空因果注意力模型,所述多头时空因果注意力模型包括多个空间因果注意力模型和多个时间因果注意力模型,所述空间因果注意力模型用于提取所述训练集在空间维度的因果特征,所述时间因果注意力模型用于提取所述训练集在时间维度的因果特征,所述训练集包括所述工程系统的多个历史时间点的历史数据,所述历史数据包括过程变量样本和所述过程变量样本对应的质量变量样本。
28、第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述第一方面任一项所述的方法的步骤。
29、第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面任一项所述的方法的步骤。
30、第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述第一方面任一项所述的方法的步骤。
31、上述质量变量预测方法、装置、计算机设备、存储介质和产品,通过多头时空因果注意力模型分别从空间维度和时间维度提取训练集的因果特征,基于该因果特征,初始causal-transformer模型在训练过程中能充分学习过程变量和质量变量之间的因果关系,进而,得到的目标causal-transformer模型能对输入的过程变量与质量变量进行较为准确地分析,预测得到的质量变量也就更准确,提高了质量变量的预测精度。
1.一种质量变量预测方法,其特征在于,所述方法包括:
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:
3.根据权利要求2所述的方法,其特征在于,所述基于各所述过程变量样本的皮尔逊相关系数和所述第二数据集,确定所述训练集,包括:
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
5.根据权利要求4所述的方法,其特征在于,所述对所述训练集中的过程变量样本和质量变量样本进行格兰杰因果分析,得到因果指示变量组,包括:
6.根据权利要求4或5所述的方法,其特征在于,所述根据所述因果指示变量组、所述训练集中的质量变量样本和所述目标过程变量样本,对所述初始causal-transformer模型进行训练,得到所述目标causal-transformer模型,包括:
7.一种质量变量预测装置,其特征在于,所述装置包括:
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。