本公開涉及器材消耗預(yù)測(cè)，具體涉及一種器材消耗預(yù)測(cè)模型的訓(xùn)練方法、器材消耗預(yù)測(cè)方法、裝置、計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)及電子設(shè)備。

背景技術(shù)：

1、器材消耗是指在各種應(yīng)用場(chǎng)景中，器材因使用、磨損、老化等原因而逐漸減少或失效的過(guò)程。為了確保資源有效配置和減少浪費(fèi)，特別是在軍事裝備、工業(yè)生產(chǎn)、車輛維護(hù)等領(lǐng)域，器材消耗量預(yù)測(cè)是做好技術(shù)保障工作的前提和基礎(chǔ)。

2、目前，隨著器材消耗影響因素增多，數(shù)據(jù)量增大，相關(guān)技術(shù)中針對(duì)器材消耗預(yù)測(cè)的方法無(wú)法適用，導(dǎo)致預(yù)測(cè)精度較低。

3、因此，相關(guān)技術(shù)無(wú)法提高器材消耗預(yù)測(cè)精度。

技術(shù)實(shí)現(xiàn)思路

1、本公開的主要目的在于提供一種器材消耗預(yù)測(cè)模型的訓(xùn)練方法、器材消耗預(yù)測(cè)方法、裝置、計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)及電子設(shè)備，以解決相關(guān)技術(shù)中無(wú)法提高器材消耗預(yù)測(cè)精度的問(wèn)題。

2、為了實(shí)現(xiàn)上述目的，本公開的第一方面提供了一種器材消耗預(yù)測(cè)模型的訓(xùn)練方法，包括：

3、獲取歷史器材消耗數(shù)據(jù)，所述歷史器材消耗數(shù)據(jù)包括：任務(wù)持續(xù)時(shí)間、任務(wù)類型、任務(wù)強(qiáng)度、參與任務(wù)的人員數(shù)量、參與任務(wù)的裝備指數(shù)、執(zhí)行任務(wù)時(shí)的氣候、執(zhí)行任務(wù)時(shí)的地形、執(zhí)行任務(wù)時(shí)的風(fēng)力、執(zhí)行任務(wù)時(shí)的能見度、任務(wù)對(duì)應(yīng)的器材消耗量，所述任務(wù)為多個(gè)；

4、對(duì)所述歷史器材消耗數(shù)據(jù)進(jìn)行特征提取，得到樣本集；

5、將所述樣本集劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，并根據(jù)所述訓(xùn)練集，通過(guò)融合反向?qū)W習(xí)策略的梯度優(yōu)化算法gbo優(yōu)化lstm-attention參數(shù)，以及通過(guò)所述驗(yàn)證集，對(duì)優(yōu)化參數(shù)后的lstm-attention進(jìn)行模型評(píng)估，并通過(guò)所述測(cè)試集對(duì)評(píng)估后的lstm-attention進(jìn)行測(cè)試，確定器材消耗預(yù)測(cè)模型；

6、其中，所述lstm-attention為長(zhǎng)短期記憶lstm網(wǎng)絡(luò)和注意力attention機(jī)制融合的深度學(xué)習(xí)模型，所述器材消耗預(yù)測(cè)模型用于預(yù)測(cè)任意任務(wù)對(duì)應(yīng)的器材消耗量。

7、可選地，進(jìn)一步地，所述對(duì)所述歷史器材消耗數(shù)據(jù)進(jìn)行特征提取，得到樣本集，包括：

8、針對(duì)所述器材消耗數(shù)據(jù)中的各任務(wù)，均執(zhí)行以下操作，得到樣本集：

9、將所述任務(wù)分別對(duì)應(yīng)的所述任務(wù)持續(xù)時(shí)間、所述任務(wù)強(qiáng)度、所述參與任務(wù)的人員數(shù)量、所述參與任務(wù)的裝備指數(shù)、所述執(zhí)行任務(wù)時(shí)的風(fēng)力進(jìn)行歸一化處理，得到多個(gè)第一特征；

10、根據(jù)所述任務(wù)分別對(duì)應(yīng)的所述任務(wù)類型、所述執(zhí)行任務(wù)時(shí)的氣候、所述執(zhí)行任務(wù)時(shí)的地形、所述執(zhí)行任務(wù)時(shí)的能見度，通過(guò)one-hot編碼，得到多個(gè)第二特征；

11、將所述任務(wù)對(duì)應(yīng)的實(shí)際器材消耗量作為樣本標(biāo)簽；

12、將所述任務(wù)分別對(duì)應(yīng)的所述多個(gè)第一特征、所述多個(gè)第二特征以及所述樣本標(biāo)簽，作為所述任務(wù)對(duì)應(yīng)的樣本數(shù)據(jù)；

13、其中，所述樣本集中包括多個(gè)任務(wù)中的各所述任務(wù)對(duì)應(yīng)的樣本數(shù)據(jù)。

14、可選地，進(jìn)一步地，所述lstm-attention參數(shù)至少包括批次大小beach_size、學(xué)習(xí)率、正則化參數(shù)、lstm隱含層單元個(gè)數(shù)；所述根據(jù)所述訓(xùn)練集，通過(guò)融合反向?qū)W習(xí)策略的梯度優(yōu)化算法gbo優(yōu)化lstm-attention參數(shù)，包括：

15、初始化所述lstm-attention參數(shù)，以及確定所述lstm-attention參數(shù)中各參數(shù)的上限值和下限值；

16、按照所述beach_size，將所述訓(xùn)練集中的各樣本數(shù)據(jù)輸入所述lstm-attention，通過(guò)融合反向?qū)W習(xí)策略的所述gbo優(yōu)化lstm-attention參數(shù)，確定優(yōu)化后的lstm-attention參數(shù)以及優(yōu)化參數(shù)后的lstm-attention。

17、可選地，進(jìn)一步地，所述通過(guò)融合反向?qū)W習(xí)策略的所述gbo優(yōu)化lstm-attention參數(shù)，確定優(yōu)化后的lstm-attention參數(shù)以及優(yōu)化參數(shù)后的lstm-at?tention，包括：

18、確定gbo算法參數(shù)，構(gòu)建所述gbo；

19、通過(guò)所述gbo初始化種群，并通過(guò)反向?qū)W習(xí)策略，計(jì)算初始化的種群對(duì)應(yīng)的相反位置的種群；

20、根據(jù)所述初始化的種群和所述初始化的種群對(duì)應(yīng)的相反位置的種群，通過(guò)計(jì)算種群適應(yīng)度值，用以找出當(dāng)前的最優(yōu)向量和當(dāng)前的最差向量；

21、通過(guò)重復(fù)執(zhí)行第一操作，確定目標(biāo)最優(yōu)向量，并根據(jù)所述目標(biāo)最優(yōu)向量確定所述優(yōu)化后的lstm-attention參數(shù)，以及根據(jù)所述優(yōu)化后的lstm-attention參數(shù)，構(gòu)建所述優(yōu)化參數(shù)后的lstm-attention。

22、可選地，進(jìn)一步地，所述第一操作，包括：

23、確定當(dāng)前迭代次數(shù)是否小于迭代的總次數(shù)；

24、如果所述當(dāng)前迭代次數(shù)大于或等于所述迭代的總次數(shù)，則停止執(zhí)行所述gbo優(yōu)化lstm-attention參數(shù)的過(guò)程，并將所述當(dāng)前的最優(yōu)向量作為所述目標(biāo)最優(yōu)向量；

25、如果所述當(dāng)前迭代次數(shù)小于所述迭代的總次數(shù)，則執(zhí)行以下第二操作：

26、通過(guò)所述gbo中的梯度搜索規(guī)則gsr，計(jì)算第一向量；

27、根據(jù)所述gsr計(jì)算得到的所述第一向量，更前當(dāng)前向量的位置和所述當(dāng)前向量的相反位置；

28、若rand函數(shù)生成的隨機(jī)數(shù)大于或等于所述gbo中的局部逃逸算子leo執(zhí)行概率，則根據(jù)所述當(dāng)前向量的位置和所述當(dāng)前向量的相反位置，通過(guò)計(jì)算種群適應(yīng)度值，用以找出當(dāng)前的最優(yōu)向量和當(dāng)前的最差向量；

29、若rand函數(shù)生成的隨機(jī)數(shù)小于所述gbo中的局部逃逸算子leo執(zhí)行概率，則通過(guò)leo，計(jì)算第二向量；根據(jù)所述leo計(jì)算得到的所述第二向量，更前所述當(dāng)前向量的位置和所述當(dāng)前向量的相反位置；以及根據(jù)所述當(dāng)前向量的位置和所述當(dāng)前向量的相反位置，通過(guò)計(jì)算種群適應(yīng)度值，用以找出當(dāng)前的最優(yōu)向量和當(dāng)前的最差向量。

30、可選地，進(jìn)一步地，所述通過(guò)所述驗(yàn)證集，對(duì)優(yōu)化參數(shù)后的lstm-attention進(jìn)行模型評(píng)估，包括：

31、將所述驗(yàn)證集輸入所述優(yōu)化參數(shù)后的lstm-attention，得到所述驗(yàn)證集中各所述任務(wù)對(duì)應(yīng)的預(yù)測(cè)值；

32、根據(jù)所述驗(yàn)證集中各所述任務(wù)對(duì)應(yīng)的預(yù)測(cè)值和相應(yīng)的樣本標(biāo)簽，通過(guò)計(jì)算均方誤差、平均絕對(duì)誤差、平均相對(duì)誤差、決定系數(shù)中的至少一項(xiàng)，用以評(píng)估所述優(yōu)化參數(shù)后的lstm-attention；

33、若評(píng)估結(jié)果不滿足預(yù)設(shè)條件，則繼續(xù)通過(guò)融合反向?qū)W習(xí)策略的所述gbo優(yōu)化lstm-attention參數(shù)，直至所述評(píng)估結(jié)果滿足所述預(yù)設(shè)條件。

34、本公開的第二方面提供了一種器材消耗預(yù)測(cè)方法，包括：

35、獲取待預(yù)測(cè)的目標(biāo)任務(wù)的器材消耗數(shù)據(jù)，所述目標(biāo)任務(wù)的器材消耗數(shù)據(jù)包括：目標(biāo)任務(wù)持續(xù)時(shí)間、目標(biāo)任務(wù)類型、目標(biāo)任務(wù)強(qiáng)度、參與目標(biāo)任務(wù)的人員數(shù)量、參與目標(biāo)任務(wù)的裝備指數(shù)、執(zhí)行目標(biāo)任務(wù)時(shí)的氣候、執(zhí)行目標(biāo)任務(wù)時(shí)的地形、執(zhí)行目標(biāo)任務(wù)時(shí)的風(fēng)力、執(zhí)行目標(biāo)任務(wù)時(shí)的能見度；

36、對(duì)所述目標(biāo)任務(wù)的器材消耗數(shù)據(jù)進(jìn)行特征提取，得到所述目標(biāo)任務(wù)的特征數(shù)據(jù)；

37、將所述目標(biāo)任務(wù)的特征數(shù)據(jù)輸入器材消耗預(yù)測(cè)模型，預(yù)測(cè)得到所述目標(biāo)任務(wù)的器材消耗量；

38、其中，所述器材消耗預(yù)測(cè)模型是通過(guò)融合反向?qū)W習(xí)策略的gbo優(yōu)化lstm-attention參數(shù)，并對(duì)優(yōu)化參數(shù)后的lstm-attention進(jìn)行模型評(píng)估以及模型測(cè)試得到的，所述lstm-attention為lstm網(wǎng)絡(luò)和attention機(jī)制融合的深度學(xué)習(xí)模型。

39、本公開的第三方面提供了一種器材消耗預(yù)測(cè)模型的訓(xùn)練裝置，包括：

40、獲取單元，用于獲取歷史器材消耗數(shù)據(jù)，所述歷史器材消耗數(shù)據(jù)包括：任務(wù)持續(xù)時(shí)間、任務(wù)類型、任務(wù)強(qiáng)度、參與任務(wù)的人員數(shù)量、參與任務(wù)的裝備指數(shù)、執(zhí)行任務(wù)時(shí)的氣候、執(zhí)行任務(wù)時(shí)的地形、執(zhí)行任務(wù)時(shí)的風(fēng)力、執(zhí)行任務(wù)時(shí)的能見度、任務(wù)對(duì)應(yīng)的器材消耗量，所述任務(wù)為多個(gè)；

41、處理單元，用于對(duì)所述歷史器材消耗數(shù)據(jù)進(jìn)行特征提取，得到樣本集；

42、訓(xùn)練單元，用于將所述樣本集劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，并根據(jù)所述訓(xùn)練集，通過(guò)融合反向?qū)W習(xí)策略的梯度優(yōu)化算法gbo優(yōu)化lstm-attention參數(shù)，以及通過(guò)所述驗(yàn)證集，對(duì)優(yōu)化參數(shù)后的lstm-attention進(jìn)行模型評(píng)估，并通過(guò)所述測(cè)試集對(duì)評(píng)估后的lstm-attention進(jìn)行測(cè)試，確定器材消耗預(yù)測(cè)模型；

43、其中，所述lstm-attention為長(zhǎng)短期記憶lstm網(wǎng)絡(luò)和注意力attention機(jī)制融合的深度學(xué)習(xí)模型，所述器材消耗預(yù)測(cè)模型用于預(yù)測(cè)任意任務(wù)對(duì)應(yīng)的器材消耗量。

44、本公開的第四方面提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)指令，所述計(jì)算機(jī)指令用于使計(jì)算機(jī)執(zhí)行第一方面任意一項(xiàng)提供的器材消耗預(yù)測(cè)模型的訓(xùn)練方法或第二方面任意一項(xiàng)提供的器材消耗預(yù)測(cè)方法。

45、本公開的第五方面提供了一種電子設(shè)備，所述電子設(shè)備包括：至少一個(gè)處理器；以及與所述至少一個(gè)處理器通信連接的存儲(chǔ)器；其中，所述存儲(chǔ)器存儲(chǔ)有可被所述至少一個(gè)處理器執(zhí)行的計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被所述至少一個(gè)處理器執(zhí)行，以使所述至少一個(gè)處理器執(zhí)行第一方面任意一項(xiàng)提供的器材消耗預(yù)測(cè)模型的訓(xùn)練方法或第二方面任意一項(xiàng)提供的器材消耗預(yù)測(cè)方法。

46、本公開的第六方面提供了一種計(jì)算機(jī)程序產(chǎn)品，該計(jì)算機(jī)程序產(chǎn)品包括計(jì)算機(jī)程序，該計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)第一方面任意一項(xiàng)提供的器材消耗預(yù)測(cè)模型的訓(xùn)練方法或第二方面任意一項(xiàng)提供的器材消耗預(yù)測(cè)方法。

47、在本公開實(shí)施例提供的器材消耗預(yù)測(cè)模型的訓(xùn)練方法中，采用提取歷史器材消耗數(shù)據(jù)的特征構(gòu)建樣本集，基于樣本集劃分的訓(xùn)練集，通過(guò)融合反向?qū)W習(xí)策略的梯度優(yōu)化算法gbo優(yōu)化lstm-attention參數(shù)，實(shí)現(xiàn)了通過(guò)反向?qū)W習(xí)策略擴(kuò)大搜索范圍，提高了種群的多樣性，并結(jié)合gbo優(yōu)化lstm-attention參數(shù)，提高了預(yù)測(cè)的準(zhǔn)確性，以及通過(guò)驗(yàn)證集，對(duì)優(yōu)化參數(shù)后的lstm-attention進(jìn)行模型評(píng)估，并通過(guò)所述測(cè)試集對(duì)評(píng)估后的lstm-attention進(jìn)行測(cè)試，進(jìn)而確定能夠用于預(yù)測(cè)任意任務(wù)對(duì)應(yīng)的器材消耗量的器材消耗預(yù)測(cè)模型，達(dá)到器材消耗預(yù)測(cè)模型的訓(xùn)練的目的，從而實(shí)現(xiàn)了提高了器材消耗預(yù)測(cè)模型預(yù)測(cè)的準(zhǔn)確性的技術(shù)效果，進(jìn)而解決了相關(guān)技術(shù)無(wú)法提高器材消耗預(yù)測(cè)精度的技術(shù)問(wèn)題。