供热数据生成方法、装置、设备和计算机存储介质与流程

1.本公开涉及计算机应用技术领域，尤其涉及人工智能技术领域下的物联网、大数据、深度学习等技术。


背景技术：

2.集中供热系统主要由热源、换热站与用户组成。热量的供给与需求是一个动态平衡的过程。供热量不足会造成系统供热质量的降低，而供热量过高则会造成供热成本上升，因此预测合适的供热量就显得尤为重要。传统的热负荷预测是依赖专家通过往年的历史数据对当前年的需热量进行估计。随着人工智能技术的发展，基于机器学习的方法挖掘历史数据规律建立热负荷预测模型可以有效地对需热量进行实时预测，为实现“按需供热”的目标提供方向。然而，机器学习的效果与泛化性能受制于训练数据的数据量和质量。然而采集大量供热数据一方面受到供热季时长的制约；另一方面高频采集一次供热调节数据需要付出巨大的经济成本。


技术实现要素：

3.有鉴于此，本公开提供了一种供热数据生成方法、装置、设备和计算机存储介质，以便于解决获取大量供热数据困难、成本高的问题。
4.根据本公开的第一方面，提供了一种供热数据生成方法，包括：
5.利用历史供热数据得到训练样本；
6.利用所述训练样本训练包含生成器和判别器的对抗模型；其中，所述生成器利用输入的随机信号生成模拟训练样本的供热数据；所述判别器对训练样本和所述生成器生成的模拟该训练样本的供热数据进行判别；所述生成器的训练目标为最小化生成的供热数据与训练样本的差异，所述判别器的训练目标为最大程度判别出训练样本和所述生成器生成的供热数据；
7.利用训练完成后得到的所述生成器生成供热数据。
8.根据本公开的第二方面，提供了一种供热数据生成装置，包括：
9.样本获取单元，用于利用历史供热数据得到训练样本；
10.模型训练单元，用于利用所述训练样本训练包含生成器和判别器的对抗模型；其中，所述生成器利用输入的随机信号生成模拟训练样本的供热数据；所述判别器对训练样本和所述生成器生成的模拟该训练样本的供热数据进行判别；所述生成器的训练目标为最小化生成的供热数据与训练样本的差异，所述判别器的训练目标为最大程度判别出训练样本和所述生成器生成的供热数据；
11.数据生成单元，用于利用训练完成后得到的所述生成器生成供热数据。
12.根据本公开的第三方面，提供了一种电子设备，包括：
13.至少一个处理器；以及
14.与所述至少一个处理器通信连接的存储器；其中，
15.所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的方法。
16.根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行如上所述的方法。
17.根据本公开的第五方面，一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如上所述的方法。
18.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
19.附图用于更好地理解本方案，不构成对本公开的限定。其中：
20.图1为本公开实施例提供的供热数据生成方法的流程图；
21.图2为本公开实施例提供的采集训练样本的示意图；
22.图3为本公开实施例提供的对抗模型的原理示意图；
23.图4为本公开实施例提供的供热数据生成装置的结构图；
24.图5是用来实现本公开实施例的供热数据生成方法的电子设备的框图。
具体实施方式
25.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
26.图1为本公开实施例提供的供热数据生成方法的流程图，该方法的执行主体可以为供热数据生成装置，该装置可以为位于计算机终端的应用，或者还可以为位于计算机终端的应用中的插件或软件开发工具包 (software development kit，sdk)等功能单元，或者，还可以位于服务器端，本公开实施例对此不进行特别限定。如图1中所示，该方法可以包括以下步骤：
27.在101中，利用历史供热数据得到训练样本。
28.在102中，利用训练样本训练包含生成器和判别器的对抗模型；其中，生成器利用输入的随机信号生成模拟训练样本的供热数据；判别器对训练样本和生成器生成的模拟该训练样本的供热数据进行判别；生成器的训练目标为最小化生成的供热数据与训练样本的差异，判别器的训练目标为最大程度判别出训练样本和生成器生成的供热数据。
29.在103中，利用训练完成后得到的生成器生成供热数据。
30.可以看出，本公开通过对抗模型中生成器和判别器的对行学习，使得生成器能够很好地模拟出历史供热数据的数据分布。训练得到的生成器能够产生大量符合供热数据分布的供热数据。该方法可以有效解决获取大量供热数据困难、成本高的问题。
31.下面结合实施例对上述各步骤进行详细描述。首先对步骤101即“利用历史供热数据得到训练样本”进行详细描述。
32.首先在获取历史供热数据时，可以获取但不限于以下几种数据：
33.第一种数据：环境数据。例如气温、降水、湿度、风力、体感温度、天气类型(例如阴、晴、雨、雪、霾等)。环境数据可以通过诸如温度传感器、湿度传感器、风力传感器等传感器采集得到。也可以通过从中国天气网等官方平台提供的api接口以预设的频率实时采集到，这种方式能够直接获取到更加丰富的环境数据，成本低廉、数据准确性高。通常以城市作为粒度进行采集，也可以采用诸如区、县等其他粒度。
34.第二种数据：热源设备参数。例如一网供水压力、一网回水压力、一网供热流量、一网供水温度、一网回水温度、累积电量、循环泵耗水量、热量等。热源设备参数可以通过诸如压力传感器、温度传感器、流量计、水表、电表、热表等以预设的频率实时采集得到。
35.第三种数据：换热站设备参数。例如二网供水压力、二网回水压力、二网供热流量、二网供水温度、二网回水温度、累积电量、循环泵耗水量、热量等。换热站设备参数可以通过诸如压力传感器、温度传感器、流量计、水表、电表、热表等以预设的频率实时采集得到。
36.在此对上述的“一网”和“二网”进行简单说明。一网指的是热源来的高温水进入小区换热站进行热交换的管道系统，二网指的是从小区换热站再供热至用户的管道系统。其中一网的温度和压力比较高，而二网的温度和压力相对比较低。
37.第四种数据：用户端热参数。例如用户端的室内温度、湿度等。可以通过诸如温度传感器、湿度传感器等以预设的频率实时采集得到。
38.可以看出上述第二种～第四种数据通过现场传感器采集，然后可以通过plc(powerlinecommunication，电力线通信)协议传入智能网关。智能网关连接物联网核心套件(iotcore)，然后将数据实时写入tsdb(timeseriesdatabase，时间序列数据库)。
39.另外需要特别说明的是，在本公开中获取历史供热数据时，可以采用预设时长的滑动窗口对历史供热数据进行采集，将各滑动窗口内时序的历史供热数据分别作为训练样本。也就是说，本公开中的各训练样本均为时序数据。举个例子，如图2中所示，滑动窗口的大小为252天，那么从第1天到第252天采集的历史供热数据作为训练样本1；滑动窗口向后滑动一天，从第2天到第253天采集的历史供热数据作为训练样本2；滑动窗口向后滑动一天，从第3天到第254天采集的历史供热数据作为训练样本3，以此类推。这种通过滑动窗口采集训练样本的方式，能够有效提高训练样本的获取数量。
40.更进一步地，鉴于采集历史供热数据可能存在一些异常情况，因此可以对采集的历史供热数据进行预处理。进行的预处理可以包括但不限于以下几种：
41.第一种预处理：删除异常值。
42.传感器的偶然故障、人为观测的差错等都可能导致采集的历史供热数据(即时序数据)存在异常。针对历史供热数据的每一维数据，依据该维数据的均值或中位值中的一种以及标准差，确定合理区间；删除不满足所述合理区间的数据。
43.本公开中涉及的历史供热数据可以是时间序列数据，对于每一个时间点的供热数据可以是多维的，每个维度代表一个字段。例如室内温度可以是一个维度，室内湿度可以是一个维度。本公开实施例中可以采用六西格玛(6sigma)法删除采集到的异常数据。
44.其中，针对历史供热数据的每一维数据，在确定合理区间时，可以采用如下公式(1)确定合理区间的上限ucl，采用公式(2)确定合理区间的下限lcl：
45.ucl＝cl k*σ(1)
46.lcl＝cl-k*σ(2)
47.其中，cl可以为该维供热数据的均值或中位值。k取预设的经验值或实验值，例如取3。σ为该维供热数据的标准差。
48.确定出合理区间为[lcl，ucl]，删除该维供热数据中不满足该合理区间的异常数据。这一预处理的目标是使得数据均匀分布在有限区间内。
[0049]
第二种预处理：填充缺失值。
[0050]
由于传感器差异以及外界扰动的影响，最终采集到的供热数据可能会存在少量的缺失值。因此可以线性插值法对历史供热数据的每一维数据进行缺失值填充。
[0051]
第三种预处理：数据聚合。
[0052]
由于每条训练样本包含多维供热数据。这些供热数据由于数据源不一致，传感器存在差异，可能存在不同维度的供热数据对应的采集频率不一致。在本公开实施例中可以以采集历史供热数据中采用的最低采集频率对历史供热数据进行数据聚合，分别针对聚合得到的每一维数据取均值作为该维数据的样本值。
[0053]
例如，中国天气网的数据最高频率为5分钟，而热源设备参数、换热站设备参数和用户端热参数的采集频率可以达到30秒。可以采用5分钟的频率，将每5分钟内采集的供热数据进行聚合，将每一维聚合数据的均值作为该维数据在一个时间点的样本值。这种方式使得训练样本能够融合不同数据源，除了将不同数据源的数据在训练样本中对齐之外，也保证了数据更具多样性。
[0054]
第四种预处理：特征离散化。
[0055]
热源设备参数、换热站设备参数等设备参数大多数属于连续型数据。一方面，连续型数据的搜索空间维度较高，对抗模型中的生成模型难以搜索其纳什均衡点。另一方面，不同维度的数据分布不同，数据尺度也不同。有鉴于此，可以采用等频分箱的方式对历史供热数据的每一维连续数据进行离散化处理，从而增强供热数据对异常数据的鲁棒性。所谓等频分箱是对连续型数据使用频次百分比分割的方式对连续型数据进行分箱，使得每个区间具有数量相同的样本量。由于等频分箱方式是目前比较成熟的技术，在此不做详述。
[0056]
对于等频分箱后得到的数据进行one-hot(独热)编码，对于原本是离散的数据直接进行one-hot编码。相比较连续型数据，离散化可以处理类别型的数据。
[0057]
下面结合实施例对上述步骤102即“利用训练样本训练包含生成器和判别器的对抗模型”进行详细描述。
[0058]
传统的对抗模型广泛被应用于图片生成，本公开则将对抗模型应用于供热行业，进行供热数据的大规模生成。
[0059]
如图3中所示，对抗模型包括生成器和判别器。在本公开实施例中，生成器的输入为随机信号，可以是诸如随机噪声。输出是生成的模拟训练样本的供热数据。其目标是最小化生成的供热数据与训练样本的差异，尽可能使得判别器的判别结果错误，也就是说，生成器尽可能学习训练样本的数据分布特点，旨在让判别器无法区分生成器生成的供热数据与训练样本。
[0060]
判别器的输入为训练样本和生成器生成的模拟该训练样本的供热数据，判别器的输出是对训练样本和生成器生成的供热数据的判别结果。即训练样本作为真实供热数据，生成器生成的供热数据作为伪造供热数据，由判别器判别出“真伪供热数据”。判别器的训练目标是最大程度判别出训练样本和生成器生成的供热数据，即尽可能区分出“真伪供热
数据”。依据判别器的判别结果得到损失函数，利用损失函数对生成器和判别器交替训练，以更新生成器和判别器的模型参数。
[0061]
在本公开中使用的对抗模型可以采用dcgan(deepconvolutionalgenerativeadversarialnetworks，深度卷积生成式对抗网络)。相比较传统的gan(generativeadversarialnetworks，生成式对抗网络)，本公开中采用的dcgan具有以下改进：
[0062]
第一点：生成器和判别器都舍弃了cnn(convolutionalneuralnetwork，卷积神经网络)中的池化层。判别器保留cnn的整体架构，生成器则将卷基层替换成了转置卷积层，以恢复数据原本的维度。
[0063]
第二点：判别器和生成器中每一层之后都采用了bn(batchnormalization，批标准化)层，有助于处理初始化不良导致的训练问题，加速模型训练，提升了训练的稳定性。
[0064]
第三点：利用1*1卷积层替换所有的全连接层。
[0065]
第四点：在生成器中除输出层使用sigmoid激活函数之外，其余层全部使用relu(rectifiedlinearunit，线性整流)激活函数。
[0066]
第五点：在判别器所有层都使用leakyrelu激活函数，防止梯度稀疏。
[0067]
本公开中使用的对抗模型也可以采用wgan(wassersteingenerativeadversarialnetworks，推土机生成式对抗网络)。即在dcgan的基础上，针对对抗模型中可能存在的生成器、判别器训练不同步、训练不收敛以及模式崩溃等问题，将判别器输出的leakyrelu激活函数去除，使用w距离(wassersteindistance，推土机距离)作为输出。
[0068]
判别器的损失函数j(d)如下：
[0069]
j(d)＝e
z～pz
[fw(g(z))]-e
x～pr
[fw(x)](3)
[0070]
生成器j(g)的损失函数如下：
[0071]
j(g)＝-e
z～pz
[fw(g(z))](4)
[0072]
pr是训练样本集即真实的供热数据分布，pz是随机信号集合，例如标准正态分布，z是训练样本，x是随机信号，fw()是基于w距离的lipschitz(利普希茨)函数，e
z～pz
表示对应的随机信号分布的期望值。
[0073]
相比较传统的gan模型，将js散度(jensen-shannondivergence)替换成了w距离。w距离在数学上具有lipschitz连续性，能够解决gan存在的梯度不稳定、模式崩塌等问题。
[0074]
在wgan中引入了两种方法：其一是对判别器进行权重剪裁，使得训练时将判别器的权重限制在一定范围内。所谓权重剪裁指的是在训练判别器的过程中并非所有的权重都使用相同的梯度幅度进行更新，可以设置一个权重范围，将判别器中大小超过该范围的权重置为0，即将其连接剪裁掉。
[0075]
其二是在判别器中融入梯度惩罚，即在判别器的损失函数中添加一个梯度惩罚项，例如加入l2-范数的约束。
[0076]
通过这两种方法能够使得判别器满足lipschitz连续性，提高训练速度。
[0077]
在每一轮训练中，可以首先固定生成器的模型参数，对判别器进行n
critic
次训练，其中，n
critic
为正整数。每次训练采样m条真实样本(即采集历史供热数据得到的训练样本)，m为正整数。并通过输出随机信号数据，由生成器产生m条伪造样本(即生成的供热数据)。将伪造样本视为负样本，真实样本作为正样本，计算判别器损失函数，通过梯度下降更新判别
器的模型参数，并对模型参数大小进行限制。达到n
critic
次训练后，固定判别器的模型参数，对生成器进行训练，通过输出随机信号数据，由生成器产生 m条伪造样本，计算生成器损失函数，通过梯度下降更新生成器模型参数，并对模型参数大小进行限制。
[0078]
按照上面的方式进行逐轮迭代，当达到迭代停止条件则训练结束。其中迭代停止条件可以是诸如生成器模型参数收敛或迭代次数达到预设的迭代次数阈值等等。
[0079]
作为一种优选的实施方式，上述梯度下降时可以采用诸如rmsprop (学习率自适应)方法。其中rmsprop是一种深度学习网络优化算法，设置学习率后，通过全局学习率逐参数的除以经过衰减系数控制的历史梯度平方和的平方根，使得每个参数的学习率不同。rmsprop能够在参数空间更为平缓的方向取得更大的进步，从而加快训练速度。因此其更适合应用于wgan中。
[0080]
另外，由于本公开中训练样本是时序供热数据，是时间序列数据，因此为了更适合地衡量训练样本和生成器生成的供热数据之间的相似度，可以采用dtw(dynamic time warping，动态时间归整)算法。dtw的思路是计算两个序列各个点之间的距离矩阵，寻找从矩阵左上角到右上角的路径，使得路径和最小，那么这个最小的路径和就可以作为两个序列之间的相似度。
[0081]
在上面实施例中提到的对采集的历史供热数据进行预处理后，可以一部分作为训练样本集，另外一部分构成测试集。训练结束后可以利用测试集对训练得到的对抗模型进行测试，判断对抗模型是否存在过拟合现象，并对模型参数进行调优。
[0082]
下面结合实施例对上述步骤103即“利用训练完成后得到的生成器生成供热数据”进行详细描述。
[0083]
对抗模型训练完成后，在生成供热数据时仅需要利用对抗模型中的生成器。在生成器中输入随机信号，生成器就能够生成与历史供热数据分布相似的供热数据，该供热数据为预设时长的时序数据。通过该生成器可以方便、快捷、低成本地生成大量供热数据。
[0084]
供热行业普遍采用往年的供热数据对当年或者未来的热负荷进行预测，预测时可以采用神经网络为代表的深度学习方法。但实际可用的供热数据过少限制了深度学习在供热领域的应用。本公开上述实施例利用训练得到的生成器生成的供热数据可以用于作为热负荷预测模型的训练数据，由于能够产生大量、高质量的供热数据，因此能够保证训练得到的热负荷预测模型的质量。本公开实施例将对抗学习技术应用于供热行业的供热数据生成，大大降低了供热数据收集的成本和周期，为热负荷预测模型的训练提供数据保障。降低了深度学习应用于供热行业的门槛，有利于供热行业的转型与数字化发展。
[0085]
以上是对本公开所提供方法进行的详细描述，下面结合实施例对本公开提供的装置进行详细描述。
[0086]
图4为本公开实施例提供的供热数据生成装置，如图4中所示，该装置可以包括：样本获取单元401、模型训练单元402和数据生成单元403，还包括预处理单元404。其中各组成单元的主要功能如下：
[0087]
样本获取单元401，用于利用历史供热数据得到训练样本。
[0088]
模型训练单元402，用于利用训练样本训练包含生成器和判别器的对抗模型；其中，生成器利用输入的随机信号生成模拟训练样本的供热数据；判别器对训练样本和生成器生成的模拟该训练样本的供热数据进行判别；生成器的训练目标为最小化生成的供热数
据与训练样本的差异，判别器的训练目标为最大程度判别出训练样本和生成器生成的供热数据。
[0089]
数据生成单元403，用于利用训练完成后得到的生成器生成供热数据。
[0090]
作为一种优选的实施方式，样本获取单元401，具体用于采用预设时长的滑动窗口对历史供热数据进行采集，将各滑动窗口内时序的历史供热数据分别作为训练样本。
[0091]
其中，历史供热数据包括：环境数据、热源设备参数、换热站设备参数和用户端热参数。
[0092]
环境数据可以通过诸如温度传感器、湿度传感器、风力传感器等传感器采集得到。也可以通过从中国天气网等官方平台提供的api接口以预设的频率实时采集到。可以包括气温、降水、湿度、风力、体感温度、天气类型(例如阴、晴、雨、雪、霾等)。
[0093]
热源设备参数可以通过诸如压力传感器、温度传感器、流量计、水表、电表、热表等以预设的频率实时采集得到。可以包括一网供水压力、一网回水压力、一网供热流量、一网供水温度、一网回水温度、累积电量、循环泵耗水量、热量等。
[0094]
换热站设备参数可以通过诸如压力传感器、温度传感器、流量计、水表、电表、热表等以预设的频率实时采集得到。可以包括二网供水压力、二网回水压力、二网供热流量、二网供水温度、二网回水温度、累积电量、循环泵耗水量、热量等。
[0095]
优选地，预处理单元404，用于对采集的历史供热数据进行预处理，以供样本获取单元利用；其中预处理包括删除异常值、填充缺失值、数据聚合和特征离散化中的至少一种。
[0096]
删除异常值包括：针对历史供热数据的每一维数据，依据该维数据的均值或中位值中的一种以及标准差，确定合理区间；删除不满足合理区间的数据。
[0097]
填充缺失值包括：采用线性插值法对历史供热数据的每一维数据进行缺失值填充。
[0098]
数据聚合包括：以采集历史供热数据中采用的最低采集频率，对历史供热数据进行数据聚合，分别针对聚合得到的每一维数据取均值作为该维数据的样本值。
[0099]
特征离散化包括：采用等频分箱的方式对历史供热数据的每一维连续数据进行离散化处理。
[0100]
作为其中一种实现方式，上述对抗模型可以采用dcgan。作为另一种实现方式，上述对抗模型可以采用wgan。
[0101]
其中，若对抗模型采用wgan，模型训练单元402在训练过程中采用rmsprop下降法。
[0102]
作为一种优选的实施方式，在wgan中引入了两种方法：其一是对判别器进行权重剪裁，使得训练时将判别器的权重限制在一定范围内。其二是在判别器中融入梯度惩罚，即在判别器的损失函数中添加一个梯度惩罚项，例如加入l2-范数的约束。通过这两种方法能够使得判别器满足 lipschitz连续性，提高训练速度。
[0103]
模型训练单元402在每一轮训练中，可以首先固定生成器的模型参数，对判别器进行n
critic
次训练，其中，n
critic
为正整数。每次训练采样m条真实样本(即采集历史供热数据得到的训练样本)，m为正整数。并通过输出随机信号数据，由生成器产生m条伪造样本(即生成的供热数据)。将伪造样本视为负样本，真实样本作为正样本，计算判别器损失函数，通过梯度下降更新判别器的模型参数，并对模型参数大小进行限制。达到n
critic
次训练后，固定判
别器的模型参数，对生成器进行训练，通过输出随机信号数据，由生成器产生m条伪造样本，计算生成器损失函数，通过梯度下降更新生成器模型参数，并对模型参数大小进行限制。
[0104]
按照上面的方式进行逐轮迭代，当达到迭代停止条件则训练结束。其中迭代停止条件可以是诸如生成器模型参数收敛或迭代次数达到预设的迭代次数阈值等等。
[0105]
数据生成单元403，具体用于将随机信号输入训练完成后得到的生成器，得到预设时长的时序供热数据，用于作为热负荷预测模型的训练数据。
[0106]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0107]
本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
[0108]
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
[0109]
如图5所示，是根据本公开实施例的供热数据生成方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
[0110]
如图5所示，设备500包括计算单元501，其可以根据存储在只读存储器(rom)502中的计算机程序或者从存储单元508加载到随机访问存储器(ram)503中的计算机程序，来执行各种适当的动作和处理。在 ram 503中，还可存储设备500操作所需的各种程序和数据。计算单元 501、rom 502以及ram 503通过总线504彼此相连。输入/输出(i/o) 接口505也连接至总线504。
[0111]
设备500中的多个部件连接至i/o接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0112]
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如方供热数据生成方法。例如，在一些实施例中，供热数据生成方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。
[0113]
在一些实施例中，计算机程序的部分或者全部可以经由rom 802和 /或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到 ram 503并由计算单元501执行时，可以执行上文描述的供热数据生成方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行供热数据
生成方法。
[0114]
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备 (cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0115]
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控 30制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0116]
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0117]
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入) 来接收来自用户的输入。
[0118]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
[0119]
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器
(vps，ⅵirtualprivate server)服务中存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
[0120]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
[0121]
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。