一种基于神经网络和特征筛选的用电负荷模型训练方法

摘要

本申请涉及一种基于神经网络和特征筛选的用电负荷模型训练方法。方法包括：获取训练样本数据；获取针对各候选用电特征组合对应的特征选择变量，并采用梯度下降的方法，从各候选用电特征组合中筛选出目标用电特征组合；将目标用电特征组合输入至待训练的电力负荷预测模型中，得到用户用电负荷预测数据；基于用户用电负荷预测数据和目标用电特征组合所对应的用户用电负荷样本数据之间的差异，获取待训练的电力负荷预测模型对应的模型损失值；根据模型损失值调整待训练的电力负荷预测模型的模型参数，直至模型损失值低于预设阈值，将模型参数调整后的待训练的电力负荷预测模型作为训练好的电力负荷预测模型。本方法能提高用户用电负荷预测的精度。

权利要求

1.一种基于神经网络和特征筛选的用电负荷模型训练方法，其特征在于，所述方法包括：获取训练样本数据；所述训练样本数据包括至少一个用户用电负荷样本数据，以及，各所述用户用电负荷样本数据对应的各候选用电特征组合；

获取针对各所述候选用电特征组合对应的特征选择变量，并采用梯度下降的方法，从各所述候选用电特征组合中筛选出目标用电特征组合；

其中，筛选出所述目标用电特征组合的过程为，对各所述用户用电负荷样本数据，以及各所述用户用电负荷样本数据对应的候选用电特征组合开展亚线性拟合，得到亚线性拟合结果；根据所述亚线性拟合结果和所述训练样本数据进行残差计算，得到所述亚线性拟合结果对应的残差值；基于所述候选用电特征组合对应的特征选择变量，按照所述残差值所指示的梯度下降方向，在各所述候选用电特征组合，筛选出所述目标用电特征组合；

其中，所述亚线性拟合结果对应的残差值计算公式为

；

D T

其中，s为所述特征选择变量{0，1} ，y为所述用户用电负荷样本数据，y为所述用户用电负荷样本数据的转置，N为所述目标用电特征组合的数量，x’为所述目标用电特征组合，D为所述特征选择变量具有D个元素的列向量，αi为残差块，triud为由所述目标用电特征组合组成的矩阵上三角矩阵的函数，diag为由所述特征选择变量组成的对角矩阵构造函数，为i+2和N组成的矩阵，k为残差层数；

将所述目标用电特征组合输入至待训练的电力负荷预测模型中，得到用户用电负荷预测数据；

基于所述用户用电负荷预测数据和所述目标用电特征组合所对应的用户用电负荷样本数据之间的差异，获取所述待训练的电力负荷预测模型对应的模型损失值；

根据所述模型损失值调整所述待训练的电力负荷预测模型的模型参数，直至所述模型损失值低于预设阈值，将所述模型参数调整后的待训练的电力负荷预测模型作为训练好的电力负荷预测模型。

2.根据权利要求1所述的方法，其特征在于，在所述根据所述亚线性拟合结果和所述训练样本数据进行残差计算，得到所述亚线性拟合结果对应的残差值的步骤之后，还包括：在所述残差值大于预设的阈值的情况下，则调整所述亚线性拟合的方法对应的拟合参数；

基于已调整的所述拟合参数，返回执行所述对各所述用户用电负荷样本数据，以及各所述用户用电负荷样本数据对应的候选用电特征组合开展亚线性拟合，得到亚线性拟合结果的步骤；

直至在所述残差值小于或者等于所述预设的阈值的情况下，输出所述残差值。

3.根据权利要求1至2任意一项所述的方法，其特征在于，在所述将所述目标用电特征组合输入至待训练的电力负荷预测模型中，得到用户用电负荷预测数据的步骤之前，还包括：对原始电力负荷预测模型的网络参数进行初始化，得到所述待训练的电力负荷预测模型。

4.一种基于神经网络和特征梯度筛选的用电负荷预测方法，其特征在于，所述方法包括：获取训练好的电力负荷预测模型；所述训练好的电力负荷预测模型为根据如权利要求

1至3中任一项所述基于神经网络和特征筛选的用电负荷模型训练方法训练得到的；

获取至少一个待预测用电特征组合；

将所述待预测用电特征组合输入至所述训练好的电力负荷预测模型中，得到各预测用户用电负荷数据；各所述预测用户用电负荷数据对应的各所述待预测用电特征组合。

5.一种基于神经网络和特征筛选的用电负荷模型训练装置，其特征在于，所述装置包括：样本数据获取模块，用于获取训练样本数据；所述训练样本数据包括至少一个用户用电负荷样本数据，以及，各所述用户用电负荷样本数据对应的各候选用电特征组合；

特征组合得到模块，用于获取针对各所述候选用电特征组合对应的特征选择变量，并采用梯度下降的方法，从各所述候选用电特征组合中筛选出目标用电特征组合；

其中，筛选出所述目标用电特征组合的过程为，对各所述用户用电负荷样本数据，以及各所述用户用电负荷样本数据对应的候选用电特征组合开展亚线性拟合，得到亚线性拟合结果；根据所述亚线性拟合结果和所述训练样本数据进行残差计算，得到所述亚线性拟合结果对应的残差值；基于所述候选用电特征组合对应的特征选择变量，按照所述残差值所指示的梯度下降方向，在各所述候选用电特征组合，筛选出所述目标用电特征组合；

其中，所述亚线性拟合结果对应的残差值计算公式为

；

D T

其中，s为所述特征选择变量{0，1} ，y为所述用户用电负荷样本数据，y为所述用户用电负荷样本数据的转置，N为所述目标用电特征组合的数量，x’为所述目标用电特征组合，D为所述特征选择变量具有D个元素的列向量，αi为残差块，triud为由所述目标用电特征组合组成的矩阵上三角矩阵的函数，diag为由所述特征选择变量组成的对角矩阵构造函数，为i+2和N组成的矩阵，k为残差层数；

预测数据得到模块，用于将所述目标用电特征组合输入至待训练的电力负荷预测模型中，得到用户用电负荷预测数据；

损失值获取模块，用于基于所述用户用电负荷预测数据和所述目标用电特征组合所对应的用户用电负荷样本数据之间的差异，获取所述待训练的电力负荷预测模型对应的模型损失值；

预测模型得到模块，用于根据所述模型损失值调整所述待训练的电力负荷预测模型的模型参数，直至所述模型损失值低于预设阈值，将所述模型参数调整后的待训练的电力负荷预测模型作为训练好的电力负荷预测模型。

6.一种基于神经网络和特征梯度筛选的用电负荷预测装置，其特征在于，所述装置包括：预测模型获取模块，用于获取训练好的电力负荷预测模型；所述训练好的电力负荷预测模型为根据如权利要求1至3 中任一项所述基于神经网络和特征筛选的用电负荷模型训练方法训练得到的；

用电特征组合获取模块，用于获取至少一个待预测用电特征组合；

用户用电负荷数据得到模块，将所述待预测用电特征组合输入至所述训练好的电力负荷预测模型中，得到各预测用户用电负荷数据；各所述预测用户用电负荷数据对应的各所述待预测用电特征组合。

7.一种计算机设备，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3中任一项所述的方法的步骤。

8.一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3中任一项所述的方法的步骤。

说明书

一种基于神经网络和特征筛选的用电负荷模型训练方法

技术领域

[0001] 本申请涉及计算机技术领域，特别是涉及一种基于神经网络和特征筛选的用电负荷模型训练方法。

背景技术

[0002] 随着计算机技术的发展，出现了人工智能技术，该技术是一个以计算机科学（Computer Science）为基础，由计算机、心理学、哲学等多学科交叉融合的交叉学科、新兴学科，研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学，企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。

[0003] 传统技术中，现有技术方案多采用基于多层前馈神经网络的预测方法，该方案通过构建一个由多层神经元组成的前馈神经网络，将大量（相关因素，预测负荷）训练样本对送入该神经网络进行学习，使得该神经网络掌握负荷与其相关因素之间的规律，从而对未来电力用户负荷进行预测。多层前馈网络主要用于建模相关因素与负荷之间的相关关系，电力用户负荷是一种时间序列，其不仅与温度、湿度等短期气象因素相关，也受经济、社会等长期因素影响，负荷发展亦符合长期惯性特征，现有技术对于负荷内部自身发展的长期规律往往难以考虑，导致用户电力负荷预测准确度低下。

发明内容

[0004] 基于此，有必要针对上述技术问题，提供一种能够提高用户电力负荷预测准确度的一种基于神经网络和特征筛选的用电负荷模型训练方法。

[0005] 第一方面，本申请提供了一种基于神经网络和特征筛选的用电负荷模型训练方法。所述方法包括：获取训练样本数据；所述训练样本数据包括至少一个用户用电负荷样本数据，以及，各所述用户用电负荷样本数据对应的各候选用电特征组合；获取针对各所述候选用电特征组合对应的特征选择变量，并采用梯度下降的方法，从各所述候选用电特征组合中筛选出目标用电特征组合；将所述目标用电特征组合输入至待训练的电力负荷预测模型中，得到用户用电负荷预测数据；基于所述用户用电负荷预测数据和所述目标用电特征组合所对应的用户用电负荷样本数据之间的差异，获取所述待训练的电力负荷预测模型对应的模型损失值；根据所述模型损失值调整所述待训练的电力负荷预测模型的模型参数，直至所述模型损失值低于预设阈值，将所述模型参数调整后的待训练的电力负荷预测模型作为训练好的电力负荷预测模型。

[0006] 在其中一个实施例中，所述获取针对各所述候选用电特征组合对应的特征选择变量，并采用梯度下降的方法，从各所述候选用电特征组合中筛选出目标用电特征组合，包括：对各所述用户用电负荷样本数据，以及各所述用户用电负荷样本数据对应的候选用电特征组合开展亚线性拟合，得到亚线性拟合结果；根据所述亚线性拟合结果和所述训练样本数据进行残差计算，得到所述亚线性拟合结果对应的残差值；基于所述候选用电特征组合对应的特征选择变量，按照所述残差值所指示的梯度下降方向，在各所述候选用电特征组合，筛选出所述目标用电特征组合。

[0007] 在其中一个实施例中，所述根据所述亚线性拟合结果和所述训练样本数据进行残差计算，得到所述亚线性拟合结果对应的残差值，包括：

[0008] ；

[0009] 其中，s为所述特征选择变量{0，1}D，y为所述用户用电负荷样本数据，yT为所述用户用电负荷样本数据的转置，N为所述目标用电特征组合的数量，x’为所述目标用电特征组合。

[0010] 在其中一个实施例中，在所述根据所述亚线性拟合结果和所述训练样本数据进行残差计算，得到所述亚线性拟合结果对应的残差值的步骤之后，还包括：在所述残差值大于所述预设的阈值的情况下，则调整所述亚线性拟合的方法对应的拟合参数；基于已调整的所述拟合参数，返回执行所述对各所述用户用电负荷样本数据，以及各所述用户用电负荷样本数据对应的候选用电特征组合开展亚线性拟合，得到亚线性拟合结果的步骤；直至在所述残差值小于或者等于所述预设的阈值的情况下，输出所述残差值。

[0011] 在其中一个实施例中，在所述将所述目标用电特征组合输入至待训练的电力负荷预测模型中，得到用户用电负荷预测数据的步骤之前，还包括：对原始电力负荷预测模型的网络参数进行初始化，得到所述待训练的电力负荷预测模型。

[0012] 在其中一个实施例中，所述方法包括：获取训练好的电力负荷预测模型；所述训练好的电力负荷预测模型为所述基于神经网络和特征筛选的用电负荷模型训练方法训练得到的；获取至少一个待预测用电特征组合；将所述待预测用电特征组合输入至所述训练好的电力负荷预测模型中，得到各预测用户用电负荷数据；各所述预测用户用电负荷数据对应的各所述待预测用电特征组合。

[0013] 第二方面，本申请还提供了一种基于神经网络和特征梯度筛选的用电负荷预测方法。所述方法包括：获取训练好的电力负荷预测模型；所述训练好的电力负荷预测模型为所述基于神经网络和特征筛选的用电负荷模型训练方法训练得到的；获取至少一个待预测用电特征组合；将所述待预测用电特征组合输入至所述训练好的电力负荷预测模型中，得到各预测用户用电负荷数据；各所述预测用户用电负荷数据对应的各所述待预测用电特征组合。

[0014] 第三方面，本申请还提供了一种基于神经网络和特征筛选的用电负荷模型训练装置。所述装置包括：样本数据获取模块，用于获取训练样本数据；所述训练样本数据包括至少一个用户用电负荷样本数据，以及，各所述用户用电负荷样本数据对应的各候选用电特征组合；特征组合得到模块，用于获取针对各所述候选用电特征组合对应的特征选择变量，并采用梯度下降的方法，从各所述候选用电特征组合中筛选出目标用电特征组合；预测数据得到模块，用于将所述目标用电特征组合输入至待训练的电力负荷预测模型中，得到用户用电负荷预测数据；损失值获取模块，用于基于所述用户用电负荷预测数据和所述目标用电特征组合所对应的用户用电负荷样本数据之间的差异，获取所述待训练的电力负荷预测模型对应的模型损失值；预测模型得到模块，用于根据所述模型损失值调整所述待训练的电力负荷预测模型的模型参数，直至所述模型损失值低于预设阈值，将所述模型参数调整后的待训练的电力负荷预测模型作为训练好的电力负荷预测模型。

[0015] 在其中一个实施例中，特征组合得到模块，还用于：对各所述用户用电负荷样本数据，以及各所述用户用电负荷样本数据对应的候选用电特征组合开展亚线性拟合，得到亚线性拟合结果；根据所述亚线性拟合结果和所述训练样本数据进行残差计算，得到所述亚线性拟合结果对应的残差值；基于所述候选用电特征组合对应的特征选择变量，按照所述残差值所指示的梯度下降方向，在各所述候选用电特征组合，筛选出所述目标用电特征组合。

[0016] 在其中一个实施例中，特征组合得到模块，还用于：

[0017] ；

[0018] 其中，s为所述特征选择变量{0，1}D，y为所述用户用电负荷样本数据，yT为所述用户用电负荷样本数据的转置，N为所述目标用电特征组合的数量，x’为所述目标用电特征组合。

[0019] 在其中一个实施例中，特征组合得到模块，还用于：在所述残差值大于所述预设的阈值的情况下，则调整所述亚线性拟合的方法对应的拟合参数；基于已调整的所述拟合参数，返回执行所述对各所述用户用电负荷样本数据，以及各所述用户用电负荷样本数据对应的候选用电特征组合开展亚线性拟合，得到亚线性拟合结果的步骤；直至在所述残差值小于或者等于所述预设的阈值的情况下，输出所述残差值。

[0020] 在其中一个实施例中，参数初始化模块，用于：对原始电力负荷预测模型的网络参数进行初始化，得到所述待训练的电力负荷预测模型。

[0021] 在其中一个实施例中，用电负荷预测模块，还用于：获取训练好的电力负荷预测模型；所述训练好的电力负荷预测模型为所述基于神经网络和特征筛选的用电负荷模型训练方法训练得到的；获取至少一个待预测用电特征组合；将所述待预测用电特征组合输入至所述训练好的电力负荷预测模型中，得到各预测用户用电负荷数据；各所述预测用户用电负荷数据对应的各所述待预测用电特征组合。

[0022] 第四方面，本申请还提供了一种基于神经网络和特征梯度筛选的用电负荷预测装置，所述装置包括：预测模型获取模块，用于获取训练好的电力负荷预测模型；所述训练好的电力负荷预测模型为所述基于神经网络和特征筛选的用电负荷模型训练方法训练得到的；用电特征组合获取模块，用于获取至少一个待预测用电特征组合；用户用电负荷数据得到模块，将所述待预测用电特征组合输入至所述训练好的电力负荷预测模型中，得到各预测用户用电负荷数据；各所述预测用户用电负荷数据对应的各所述待预测用电特征组合。

[0023] 第五方面，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以下步骤：获取训练样本数据；所述训练样本数据包括至少一个用户用电负荷样本数据，以及，各所述用户用电负荷样本数据对应的各候选用电特征组合；获取针对各所述候选用电特征组合对应的特征选择变量，并采用梯度下降的方法，从各所述候选用电特征组合中筛选出目标用电特征组合；将所述目标用电特征组合输入至待训练的电力负荷预测模型中，得到用户用电负荷预测数据；基于所述用户用电负荷预测数据和所述目标用电特征组合所对应的用户用电负荷样本数据之间的差异，获取所述待训练的电力负荷预测模型对应的模型损失值；根据所述模型损失值调整所述待训练的电力负荷预测模型的模型参数，直至所述模型损失值低于预设阈值，将所述模型参数调整后的待训练的电力负荷预测模型作为训练好的电力负荷预测模型。

[0024] 第六方面，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以下步骤：获取训练样本数据；所述训练样本数据包括至少一个用户用电负荷样本数据，以及，各所述用户用电负荷样本数据对应的各候选用电特征组合；获取针对各所述候选用电特征组合对应的特征选择变量，并采用梯度下降的方法，从各所述候选用电特征组合中筛选出目标用电特征组合；将所述目标用电特征组合输入至待训练的电力负荷预测模型中，得到用户用电负荷预测数据；基于所述用户用电负荷预测数据和所述目标用电特征组合所对应的用户用电负荷样本数据之间的差异，获取所述待训练的电力负荷预测模型对应的模型损失值；根据所述模型损失值调整所述待训练的电力负荷预测模型的模型参数，直至所述模型损失值低于预设阈值，将所述模型参数调整后的待训练的电力负荷预测模型作为训练好的电力负荷预测模型。

[0025] 上述基于神经网络和特征筛选的用电负荷模型训练方法、装置、计算机设备、存储介质和计算机程序产品，通过获取训练样本数据；训练样本数据包括至少一个用户用电负荷样本数据，以及，各用户用电负荷样本数据对应的各候选用电特征组合；获取针对各候选用电特征组合对应的特征选择变量，并采用梯度下降的方法，从各候选用电特征组合中筛选出目标用电特征组合；将目标用电特征组合输入至待训练的电力负荷预测模型中，得到用户用电负荷预测数据；基于用户用电负荷预测数据和目标用电特征组合所对应的用户用电负荷样本数据之间的差异，获取待训练的电力负荷预测模型对应的模型损失值；根据模型损失值调整待训练的电力负荷预测模型的模型参数，直至模型损失值低于预设阈值，将模型参数调整后的待训练的电力负荷预测模型作为训练好的电力负荷预测模型。

[0026] 通过结合特征梯度筛选和电力负荷预测模型方法，实现了对负荷内部自身发展的长期规律的精准建模，同时基于特征梯度筛选出的用户用电负荷对应的各候选用电特征组合，建立了各待预测用电特征组合与各预测用户用电负荷样本数据的精准模型，从而有效提高了用户用电负荷预测的精度。

附图说明

[0027] 图1为一个实施例中基于神经网络和特征筛选的用电负荷模型训练方法的应用环境图；

[0028] 图2为一个实施例中基于神经网络和特征筛选的用电负荷模型训练方法的流程示意图；

[0029] 图3为一个实施例中目标用电特征组合得到方法的流程示意图；

[0030] 图4为一个实施例中残差值计算方法的流程示意图；

[0031] 图5为一个实施例中待训练的电力负荷预测模型得到方法的流程示意图；

[0032] 图6为一个实施例中基于神经网络和特征梯度筛选的用电负荷预测方法的流程示意图；

[0033] 图7为一个实施例中基于神经网络和特征筛选的用电负荷模型训练装置的结构框图；

[0034] 图8为一个实施例中基于神经网络和特征梯度筛选的用电负荷预测装置的结构框图；

[0035] 图9为一个实施例中计算机设备的内部结构图。

具体实施方式

[0036] 为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

[0037] 本申请实施例提供的基于神经网络和特征筛选的用电负荷模型训练方法，可以应用于如图1所示的应用环境中。终端102获取数据，服务器104响应终端102的指令接收终端102的数据，并且对获取得到的数据进行计算，服务器104将数据的计算结果传输回终端
102，并且由终端102进行显示。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。服务器104从终端102处获取训练样本数据；训练样本数据包括至少一个用户用电负荷样本数据，以及，各用户用电负荷样本数据对应的各候选用电特征组合；获取针对各候选用电特征组合对应的特征选择变量，并采用梯度下降的方法，从各候选用电特征组合中筛选出目标用电特征组合；将目标用电特征组合输入至待训练的电力负荷预测模型中，得到用户用电负荷预测数据；基于用户用电负荷预测数据和目标用电特征组合所对应的用户用电负荷样本数据之间的差异，获取待训练的电力负荷预测模型对应的模型损失值；根据模型损失值调整待训练的电力负荷预测模型的模型参数，直至模型损失值低于预设阈值，将模型参数调整后的待训练的电力负荷预测模型作为训练好的电力负荷预测模型。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

[0038] 在一个实施例中，如图2所示，提供了一种基于神经网络和特征筛选的用电负荷模型训练方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：

[0039] 步骤202，获取训练样本数据。

[0040] 其中，训练样本数据可以是用来训练目标人工智能模型所对应的数据，输入的训练样本数据可以是实际观测数据，也可以是计算机生成数据，而人工智能模型可以是卷积神经网络模型、循环神经网络、长短期记忆人工神经网络等。

[0041] 具体地，服务器响应终端的指令，从终端处获取至少一个训练样本数据，并且将获取到的训练样本数据存储到存储单元中，当服务器需要对训练样本数据中的任意个数用户用电负荷样本数据以及各候选用电特征组合进行处理时，则从存储单元中调取至易失性存储资源以供中央处理器进行计算。其中，用户用电负荷样本数据以及各候选用电特征组合可以是单个向量输入，也可以为多个向量同时输入。

[0042] 举例来说，服务器104响应终端102的指令，从终端102处获取至少一个训练样本数据，并存储到服务器104中的存储单元中，其中服务器104获取到的训练样本数据对应的用户用电负荷样本数据以及各候选用电特征组合有10个，可以同时为多个数据同时输入，也可以单个数据输入。

[0043] 步骤204，获取针对各候选用电特征组合对应的特征选择变量，并采用梯度下降的方法，从各候选用电特征组合中筛选出目标用电特征组合。

[0044] 其中，特征选择变量可以是也称特征子集选择( Feature Subset Selection ， FSS )，或属性选择( Attribute Selection )。是指从已有的M个特征(Feature)中选择N个特征使得系统的特定指标最优化，是从原始特征中选择出一些最有效特征以降低数据集维度的过程，是提高学习算法性能的一个重要手段，也是模式识别中关键的数据预处理步骤。

[0045] 其中，梯度下降可以是迭代法的一种，可以用于求解最小二乘问题(线性和非线性)。求解无约束优化问题时，梯度下降（Gradient Descent）是最常采用的方法之一；求解损失函数的最小值时，可以通过梯度下降法来一步步的迭代求解，得到最小化的损失函数和模型参数值。基本的梯度下降有两种梯度下降方法，分别为随机梯度下降法和批量梯度下降法。

[0046] 其中，目标用电特征组合可以是从各候选用电特征组合中选取出能够满足训练模型要求的用电特征组合，以用更有代表性的输入数据对模型进行训练。

[0047] 具体地，从各个候选用电组合中确定并获取对应的特征选择变量，其中，特征选择D变量的范围是{0，1} ，然后根据下列公式计算亚线性拟合得到的结果和用户用电负荷样本数据之间残差：

[0048]

[0049] 其中，s为特征选择变量{0，1}D，y为用户用电负荷样本数据，yT为用户用电负荷样本数据的转置，N为目标用电特征组合的数量，x’为目标用电特征组合。采用梯度下降法，沿着f(s)随着最速下降的方向，s属于{0，1}，即可筛选出目标用电特征组合，其中，筛选出的目标用电特征组合是含有至少一个相关元素的列向量。

[0050] 举例来说，获取到针对各候选用电特征组合对应的特征选择变量为S1‑S1000，然后采用梯度下降的方法，从特征选择变量为S1‑S1000中选择出目标用电特征组合，得到目标用电特征组合S200‑S650。

[0051] 步骤206，将目标用电特征组合输入至待训练的电力负荷预测模型中，得到用户用电负荷预测数据。

[0052] 其中，待训练的电力负荷预测模型可以是已经构建好，但是还没经过训练样本数据进行训练的电力负荷预测模型，对于电力负荷预测，可以选用长短期记忆人工神经网络构建待训练的电力负荷预测模型。

[0053] 其中，用户用电负荷预测数据可以是训练样本数据通过待训练的电力负荷预测模型的计算而得到的数据，该数据可用于对用户用的的负荷进行预测，但由于是从待训练的电力负荷预测模型计算出来的数据，因此该用户用电负荷预测数据与用户用电负荷样本数据具有一定的偏差。

[0054] 具体地，当服务器获取到目标用电特征组合后，服务器则对目标用电特征组合进行预测计算，生成用户用电负荷预测数据。也就是说，服务器可以获取待训练的电力负荷预测模型，并将获取到的目标用电特征组合输入至该待训练的电力负荷预测模型中，通过待训练的电力负荷预测模型对目标用电特征组合进行预测计算，并将该待训练的电力负荷预测模型的输出结果作为用户用电负荷预测数据。

[0055] 举例来说，将目标用电特征组合(x1，x2，x3……xn)输入至采用长短期记忆人工神经网络而构成的训练的电力负荷预测模型中，通过训练的电力负荷预测模型中的预测计算，得到用户用电负荷预测数据(y1，y2，y3……yn)。

[0056] 步骤208，基于用户用电负荷预测数据和目标用电特征组合所对应的用户用电负荷样本数据之间的差异，获取待训练的电力负荷预测模型对应的模型损失值。

[0057] 其中，模型损失值可以是用于衡量目标用电特征组合所对应的用户用电负荷预测数据与用户用电负荷样本数据之间的误差；其中，模型损失值越小，则说明该待训练的电力负荷预测模型越接近训练好的电力负荷预测模型。

[0058] 具体地，服务器可以根据用户用电负荷样本数据和目标用电特征组合所对应的用户用电负荷预测数据，进一步利用交叉熵损失函数计算得到用户用电负荷样本数据与用户用电负荷预测数据之间的损失值，作为待训练的电力负荷预测模型对应的模型损失值。

[0059] 举例来说，目标用电特征组合所对应的用户用电负荷预测数据为(y1，y2，y3……yn)，而用户用电负荷样本数据为(Y1，Y2，Y3……Yn)，通过交叉熵损失函数计算得到用户用电负荷样本数据与用户用电负荷预测数据之间的损失值loss，作为待训练的电力负荷预测模型对应的模型损失值loss。

[0060] 步骤210，根据模型损失值调整待训练的电力负荷预测模型的模型参数，直至模型损失值低于预设阈值，将模型参数调整后的待训练的电力负荷预测模型作为训练好的电力负荷预测模型。

[0061] 其中，模型参数可以是与待训练的电力负荷预测模型性能相关的参数，调整待训练的电力负荷预测模型的参数，可以使得待训练的电力负荷预测模型的预测性能越来越好，预测值越来越接近观测值。

[0062] 其中，训练好的电力负荷预测模型可以是已经构建好，而且已经经过训练样本数据进行训练的电力负荷预测模型，对于电力负荷预测，可以选用长短期记忆人工神经网络，通过训练的得到电力负荷预测模型。

[0063] 具体地，当服务器在获得模型损失值后，服务器可以判断该模型损失值是否低于预设阈值；在该模型损失值低于预设阈值的情况下，则说明此时的待训练的电力负荷预测模型的模型参数达到收敛，服务器将该待训练的电力负荷预测模型作为训练好的电力负荷预测模型输出。

[0064] 当该模型损失值大于或者等于预设阈值时，服务器根据该模型损失值，确定电力负荷预测模型的模型参数更新梯度，基于模型参数更新梯度反向更新电力负荷预测模型的模型参数，将更新后的电力负荷预测模型作为待训练的电力负荷预测模型，重复执行步骤202至步骤210，以不断更新电力负荷预测模型的模型参数，直到根据待训练的电力负荷预测模型得到的模型损失值小于预设阈值，并将模型参数调整后的待训练的电力负荷预测模型作为训练好的电力负荷预测模型输出。

[0065] 举例来说，根据用户用电负荷样本数据与用户用电负荷预测数据之间的损失值loss，对待训练的电力负荷预测模型的模型参数进行调整，调整参数后的待训练的电力负荷预测模型重新输入训练样本数据进行新一轮的预测计算，并且输出第二个损失值loss，不断重复训练，直到模型损失值loss低于预设阈值，则将模型参数调整后的待训练的电力负荷预测模型作为训练好的电力负荷预测模型。

[0066] 上述基于神经网络和特征筛选的用电负荷模型训练方法中，通过获取训练样本数据；训练样本数据包括至少一个用户用电负荷样本数据，以及，各用户用电负荷样本数据对应的各候选用电特征组合；获取针对各候选用电特征组合对应的特征选择变量，并采用梯度下降的方法，从各候选用电特征组合中筛选出目标用电特征组合；将目标用电特征组合输入至待训练的电力负荷预测模型中，得到用户用电负荷预测数据；基于用户用电负荷预测数据和目标用电特征组合所对应的用户用电负荷样本数据之间的差异，获取待训练的电力负荷预测模型对应的模型损失值；根据模型损失值调整待训练的电力负荷预测模型的模型参数，直至模型损失值低于预设阈值，将模型参数调整后的待训练的电力负荷预测模型作为训练好的电力负荷预测模型。

[0067] 通过结合特征梯度筛选和电力负荷预测模型方法，实现了对负荷内部自身发展的长期规律的精准建模，同时基于特征梯度筛选出的用户用电负荷对应的各候选用电特征组合，建立了各待预测用电特征组合与各预测用户用电负荷样本数据的精准模型，从而有效提高了用户用电负荷预测的精度。

[0068] 在一个实施例中，如图3所示，获取针对各候选用电特征组合对应的特征选择变量，并采用梯度下降的方法，从各候选用电特征组合中筛选出目标用电特征组合，包括：

[0069] 步骤302，对各用户用电负荷样本数据，以及各用户用电负荷样本数据对应的候选用电特征组合开展亚线性拟合，得到亚线性拟合结果。

[0070] 其中，亚线性拟合可以是非线性拟合，而且亚线性拟合的一阶导函数随自变量的增大而减小，通常来说，亚线性拟合的拟合方法可以是水库抽样算法或者平面图的直径近似算法等。

[0071] 其中，亚线性拟合结果可以是用户用电负荷样本数据以及候选用电特征组合通过指定的算法进行亚线性拟合后所得到的结果。

[0072] 具体地，针对各个用户用电负荷样本数据，以及各个用户用电负荷样本数据对应的候选用电特征组合进行配对，也就是第一个用户用电负荷样本数据跟对应的候选用电特征组合组成数据对，然后将多个数据对进行亚线性拟合，得到由多个数据对拟合成的亚线性拟合结果，其中，亚线性拟合可以选择水库抽样算法或者平面图的直径近似算法等。

[0073] 举例来说，将用户用电负荷样本数据为(Y1，Y2，Y3……Yn)和目标用电特征组合(x1，x2，x3……xn)进行配对，得到数据对(x1，Y1)，(x2，Y2)，(x3，Y3)……(xn，Yn)，将上述的数据对进行亚线性拟合，得到数据对对应的亚线性拟合结果L。

[0074] 步骤304，根据亚线性拟合结果和训练样本数据进行残差计算，得到亚线性拟合结果对应的残差值。

[0075] 其中，残差值可以是残差计算中实际观察值与估计值(拟合值)之间的差，其中，残差计算可以采用普通残差、内学生化残差以及外学生化残差等。

[0076] 具体地，从各个候选用电组合中确定并获取对应的特征选择变量，其中，特征选择D变量的范围是{0，1} ，然后根据下列公式计算亚线性拟合得到的结果和用户用电负荷样本数据之间残差：

[0077]

[0078] 其中，s为特征选择变量{0，1}D，y为用户用电负荷样本数据，yT为用户用电负荷样本数据的转置，N为目标用电特征组合的数量，x’为目标用电特征组合。

[0079] 步骤306，基于候选用电特征组合对应的特征选择变量，按照残差值所指示的梯度下降方向，在各候选用电特征组合，筛选出目标用电特征组合。

[0080] 具体地，基于候选用电特征组合对应的特征选择变量，在特征选择变量的参考下采用梯度下降法，沿着f(s)随着最速下降的方向，s属于{0，1}，即可筛选出目标用电特征组合，其中，筛选出的目标用电特征组合是含有至少一个相关元素的列向量。

[0081] 本实施例中，通过对用户用电负荷样本数据以及候选用电特征组合开展亚线性拟合，并且将得到的结果与用户用电负荷样本数据计算残差，最后根据计算得到的残差和特征选择变量，使用梯度下降的方法从候选用电特征组合中筛选出目标用电特征组合，能够从候选用电特征组合中选取最后的特征作为目标用电特征组合，提高了模型训练数据的质量和模型训练的速度。

[0082] 在一个实施例中，根据亚线性拟合结果和训练样本数据进行残差计算，得到亚线性拟合结果对应的残差值，包括：

[0083] ；

[0084] 其中，s为特征选择变量{0，1}D，y为用户用电负荷样本数据，yT为用户用电负荷样本数据的转置，N为目标用电特征组合的数量，x’为目标用电特征组合。

[0085] 本实施例中，通过明确残差值的计算方法，并且对残差值的计算方法中的各个参数进行定义，能够准确地表示出亚线性拟合结果与用户用电负荷样本数据之间的差异，并作出修正，使得训练模型的输入参数跟为准确，提高模型的训练速度。

[0086] 在一个实施例中，如图4所示，在根据亚线性拟合结果和训练样本数据进行残差计算，得到亚线性拟合结果对应的残差值的步骤之后，还包括：

[0087] 步骤402，在残差值大于预设的阈值的情况下，则调整亚线性拟合的方法对应的拟合参数。

[0088] 具体地，在残差值大于预设的阈值的情况下，根据亚线性拟合结果对应的拟合度，对亚线性拟合的方法中的拟合参数进行调整，使得下一次使用亚线性拟合的时候，亚线性拟合结果对应的拟合度更优；在残差值小于或者等于预设的阈值的情况下，则直接输出计算得到的残差值。

[0089] 举例来说，原来的亚线性拟合的方法中的拟合参数为r、s、t，得到的亚线性拟合结果为L1，通过对L1以及用户用电负荷样本数据之间残差计算后，发现残差f大于阈值，则调整亚线性拟合的方法中的拟合参数为r、s、t。

[0090] 步骤404，基于已调整的拟合参数，返回执行对各用户用电负荷样本数据，以及各用户用电负荷样本数据对应的候选用电特征组合开展亚线性拟合，得到亚线性拟合结果的步骤。

[0091] 具体地，基于对原来的亚线性拟合的方法对应的拟合参数进行调整后得到具有新的拟合参数对应的亚线性拟合方法，重复执行“针对各个用户用电负荷样本数据，以及各个用户用电负荷样本数据对应的候选用电特征组合进行配对，也就是第一个用户用电负荷样本数据跟对应的候选用电特征组合组成数据对，然后将多个数据对进行亚线性拟合，得到由多个数据对拟合成的亚线性拟合结果，其中，亚线性拟合可以选择水库抽样算法或者平面图的直径近似算法等。

[0092] 从各个候选用电组合中确定并获取对应的特征选择变量，其中，特征选择变量的D范围是{0，1} ，然后根据下列公式计算亚线性拟合得到的结果和用户用电负荷样本数据之间残差：

[0093]

[0094] 其中，s为特征选择变量{0，1}D，y为用户用电负荷样本数据，yT为用户用电负荷样本数据的转置，N为目标用电特征组合的数量，x’为目标用电特征组合。”

[0095] 举例来说，基于对原来的亚线性拟合的方法对应的拟合参数r、s、t进行调整后得到具有新的拟合参数R、S、T对应的亚线性拟合方法，重新执行“将用户用电负荷样本数据为(Y1，Y2，Y3……Yn)和目标用电特征组合(x1，x2，x3……xn)进行配对，得到数据对(x1，Y1)，(x2，Y2)，(x3，Y3)……(xn，Yn)，将上述的数据对进行亚线性拟合，得到数据对对应的亚线性拟合结果L；然后根据下列公式计算亚线性拟合得到的结果L和用户用电负荷样本数据之间残差：

[0096]

[0097] 其中，s为特征选择变量{0，1}D，y为用户用电负荷样本数据，yT为用户用电负荷样本数据的转置，N为目标用电特征组合的数量，x’为目标用电特征组合。”

[0098] 步骤406，直至在残差值小于或者等于预设的阈值的情况下，输出残差值。

[0099] 具体地，当调整亚线性拟合的方法对应的拟合参数后，得到的残差值小于或者等于预设的阈值，则表示训练样本数据与亚线性拟合结果的偏差符合要求，则输出计算后的残差值。

[0100] 举例来说，经过多次对拟合参数的调整，得到调整后得到具有新的拟合参数R、S、T对应的亚线性拟合方法所计算得到的亚线性拟合结果L2与训练样本数据之间的残差值小于或者等于预设的阈值，则直接输出计算后的残差值。

[0101] 本实施例中，通过不断优化亚线性拟合的方法对应的拟合参数，使得亚线性拟合结果和训练样本数据之间的残差值逐渐变小，直到小于预设的阈值，能够使得后续使用残差值作为其中一个条件的梯度下降法寻找目标用电特征组合的准确度以及效率更高。

[0102] 在一个实施例中，如图5所示，在将目标用电特征组合输入至待训练的电力负荷预测模型中，得到用户用电负荷预测数据的步骤之前，还包括：

[0103] 步骤502，对原始电力负荷预测模型的网络参数进行初始化，得到待训练的电力负荷预测模型。

[0104] 其中，原始电力负荷预测模型可以是任意一次预测的过程中，刚基于神经网络而构建的电力负荷预测模型，如果多次循环的训练，则是上一次训练而得到，但未能满足需求的电力负荷预测模型。

[0105] 其中，网络参数可以是原始电力负荷预测模型中包含的各个神经网络所对应的参数，如果是多个神经网络进行组合，则代表所有的神经网络的参数。

[0106] 具体地，对原始电力负荷预测模型中的所有网络参数对应的权重进行初始化，也就是将网络参数对应的权重消除上一次训练所留下来的影响，避免下一次训练模型的时候引入上一次训练的权重，得到待训练的电力负荷预测模型。

[0107] 举例来说，上一次训练后的电力负荷预测模型作为原始电力负荷预测模型，其网络参数对应的权重分别为a:b:c:d=0.2:0.5:0.1:0.2，初始化网络参数的权重后得到的待训练的电力负荷预测模型对应的网络参数的权重为a:b:c:d=0.25:0.25:0.25:0.25。

[0108] 本实施例中，通过对原始电力负荷预测模型的各个网络参数的权重进行初始化，能够避免上一次模型训练所留下来的训练痕迹影响下一次模型训练，提高模型训练的准确率。

[0109] 在一个实施例中，如图6所示，方法包括：

[0110] 步骤602，获取训练好的电力负荷预测模型。

[0111] 其中，训练好的电力负荷模型可以是通过步骤202至步骤502之间的任一项基于神经网络和特征筛选的用电负荷模型训练方法训练得到的，用来预测电力负荷情况的模型。

[0112] 具体地，当用户需要预测待预测样本数据对应的预测用户用电负荷数据时，用户可以通过用户终端将该待预测样本数据上传至服务器，进而供服务器获取该待预测样本数据。同时，服务器可以获取训练好的电力负荷预测模型的参数信息，进而基于该参数信息进行模型搭建，获得该训练好的电力负荷预测模型。

[0113] 举例来说，服务器104响应用户从终端102的指令，开始对待预测样本数据执行预测，则从服务器104中的存储单元处获取训练好的电力负荷预测模型，以进一步对待预测样本数据对应的用户用电负荷数据进行预测。

[0114] 步骤604，获取至少一个待预测用电特征组合。

[0115] 其中，待预测样本数据可以是输入至已经训练好的目标人工智能模型中进行计算，然后得到对应的预测数据的用电特征组合，其中，待预测样本数据包括至少一个待预测用电特征组合。

[0116] 具体地，服务器响应终端的指令，从终端处获取至少一个待预测样本数据，并且将获取到的待预测样本数据存储到存储单元中，当服务器需要对待预测样本数据中的任意个数待预测用电特征组合进行处理时，则从存储单元中调取至易失性存储资源以供中央处理器进行计算。其中，待预测用电特征组合可以是单个向量输入，也可以为多个向量同时输入。

[0117] 举例来说，服务器104响应终端102的指令，从终端102处获取至少一个待预测样本数据，并存储到服务器104中的存储单元中，其中服务器104获取到的待预测样本数据对应的待预测用电特征组合有10个，可以同时为多个数据同时输入，也可以单个数据输入。

[0118] 步骤606，将待预测用电特征组合输入至训练好的电力负荷预测模型中，得到各预测用户用电负荷数据。

[0119] 其中，预测用户用电负荷数据可以是待预测用电特征组合通过训练好的电力负荷预测模型的计算而得到的数据，该数据可用于对用户用的负荷进行预测，由于是从训练好的电力负荷预测模型计算出来的数据，因此该预测用户用电负荷数据与未来的观测数据的偏差将小于预先设置的阈值。

[0120] 具体地，当服务器获取到待预测用电特征组合后，服务器则对待预测用电特征组合进行预测计算，生成各预测用户用电负荷数据。也就是说，服务器可以获取训练好的电力负荷预测模型，并将获取到的待预测用电特征组合输入至该训练好的电力负荷预测模型中，通过训练好的电力负荷预测模型对待预测用电特征组合进行预测计算，并将该训练好的电力负荷预测模型的输出结果作为各预测用户用电负荷数据。

[0121] 本实施例中，通过根据训练好的电力负荷预测模型提供一种基于神经网络和特征梯度筛选的用电负荷预测方法，能够利用训练好的电力负荷预测模型对观测得到的待预测样本数据对应的各预测用户用电负荷数据进行准确的预测，能够用户电力负荷预测准确的准确度。

[0122] 应该理解的是，虽然如上的各实施例所涉及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，如上的各实施例所涉及的流程图中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。

[0123] 基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的基于神经网络和特征筛选的用电负荷模型训练方法的基于神经网络和特征筛选的用电负荷模型训练装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个基于神经网络和特征筛选的用电负荷模型训练装置实施例中的具体限定可以参见上文中对于基于神经网络和特征筛选的用电负荷模型训练方法的限定，在此不再赘述。

[0124] 在一个实施例中，如图7所示，提供了一种基于神经网络和特征筛选的用电负荷模型训练装置，包括：样本数据获取模块702、特征组合得到模块704、预测数据得到模块706、损失值获取模块708和预测模型得到模块710，其中：

[0125] 样本数据获取模块702，用于获取训练样本数据；训练样本数据包括至少一个用户用电负荷样本数据，以及，各用户用电负荷样本数据对应的各候选用电特征组合。

[0126] 特征组合得到模块704，用于获取针对各候选用电特征组合对应的特征选择变量，并采用梯度下降的方法，从各候选用电特征组合中筛选出目标用电特征组合。

[0127] 预测数据得到模块706，用于将目标用电特征组合输入至待训练的电力负荷预测模型中，得到用户用电负荷预测数据。

[0128] 损失值获取模块708，用于基于用户用电负荷预测数据和目标用电特征组合所对应的用户用电负荷样本数据之间的差异，获取待训练的电力负荷预测模型对应的模型损失值。

[0129] 预测模型得到模块710，用于根据模型损失值调整待训练的电力负荷预测模型的模型参数，直至模型损失值低于预设阈值，将模型参数调整后的待训练的电力负荷预测模型作为训练好的电力负荷预测模型。

[0130] 在其中一个实施例中，特征组合得到模块704，还用于：对各用户用电负荷样本数据，以及各用户用电负荷样本数据对应的候选用电特征组合开展亚线性拟合，得到亚线性拟合结果；根据亚线性拟合结果和训练样本数据进行残差计算，得到亚线性拟合结果对应的残差值；基于候选用电特征组合对应的特征选择变量，按照残差值所指示的梯度下降方向，在各候选用电特征组合，筛选出目标用电特征组合。

[0131] 在其中一个实施例中，特征组合得到模块704，还用于：

[0132] ；

[0133] 其中，s为特征选择变量{0，1}D，y为用户用电负荷样本数据，yT为用户用电负荷样本数据的转置，N为目标用电特征组合的数量，x’为目标用电特征组合。

[0134] 在其中一个实施例中，特征组合得到模块704，还用于：在残差值大于预设的阈值的情况下，则调整亚线性拟合的方法对应的拟合参数；基于已调整的拟合参数，返回执行对各用户用电负荷样本数据，以及各用户用电负荷样本数据对应的候选用电特征组合开展亚线性拟合，得到亚线性拟合结果的步骤；直至在残差值小于或者等于预设的阈值的情况下，输出残差值。

[0135] 在其中一个实施例中，参数初始化模块，用于：对原始电力负荷预测模型的网络参数进行初始化，得到待训练的电力负荷预测模型。

[0136] 在其中一个实施例中，用电负荷预测模块，还用于：获取训练好的电力负荷预测模型；训练好的电力负荷预测模型为基于神经网络和特征筛选的用电负荷模型训练方法训练得到的；获取至少一个待预测用电特征组合，待预测样本数据包括至少一个待预测用电特征组合；将待预测用电特征组合输入至训练好的电力负荷预测模型中，得到各预测用户用电负荷数据；各预测用户用电负荷数据对应的各待预测用电特征组合。

[0137] 在一个实施例中，如图8所示，提供了一种基于神经网络和特征筛选的用电负荷模型训练装置，包括：预测模型获取模块802、用电特征组合获取模块804、用户用电负荷数据得到806，其中：

[0138] 预测模型获取模块，用于获取训练好的电力负荷预测模型；所述训练好的电力负荷预测模型为基于神经网络和特征筛选的用电负荷模型训练方法训练得到的；

[0139] 用电特征组合获取模块，用于获取至少一个待预测用电特征组合；

[0140] 用户用电负荷数据得到模块，将所述待预测用电特征组合输入至所述训练好的电力负荷预测模型中，得到各预测用户用电负荷数据；各所述预测用户用电负荷数据对应的各所述待预测用电特征组合。

[0141] 上述基于神经网络和特征筛选的用电负荷模型训练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计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

[0142] 在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储服务器数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于神经网络和特征筛选的用电负荷模型训练方法。

[0143] 本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

[0144] 在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。

[0145] 在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

[0146] 在一个实施例中，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各方法实施例中的步骤。

[0147] 需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据。

[0148] 本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read‑Only Memory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic Random Access Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

[0149] 以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

[0150] 以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。