预测模型的训练方法及基于预测模型的预测方法与流程

1.本发明涉及计算机技术领域，尤其涉及一种预测模型的训练方法及基于预测模型的预测方法。


背景技术：

2.挖掘机作为一种高承重及运行于复杂地面工况的工程机械，其运行环境和作业对象复杂多变，功率输出强度大，燃油消耗量非常大。因此，根据挖掘机的作业要求对其运行状态进行优化，对于提高挖掘机的作业效率、以及降低挖掘机燃料消耗十分重要。此外，由于作业对象复杂多变，如，作业对象的地面平整度不一导致行进速度变化，作业对象的地面硬度不一导致挖掘速度变化等，挖掘机的运行状态不能维持在某一恒定的条件下。
3.因此，如何使挖掘机在面对作业对象复杂多变时，能够及时的为挖掘机提供对应的运行策略，使挖掘机适应当前的作业对象，并在适应作业对象的同时，提高作业效率和降低燃油消耗是目前业界亟待解决的重要课题。


技术实现要素：

4.本发明实施例提供一种预测模型的训练方法及基于预测模型的预测方法，用以解决现有技术中针对复杂多变的作业对象，挖掘机在作业时效率低、耗能高的缺陷，实现挖掘机在适应作业对象的同时，提高作业效率并降低燃油消耗。
5.本发明实施例提供一种预测模型的训练方法，包括：
6.构建第一预测模型，所述第一预测模型通过作业机械的历史作业样本数据和所述历史作业样本数据对应的资源样本数据训练得到；基于所述第一预测模型，确定目标历史作业样本数据，以及与所述目标历史作业样本数据对应的第一训练参数；
7.基于所述第一训练参数，确定所述第一预测模型对应的第一目标参数；
8.基于所述目标历史作业样本数据和所述第一训练参数，构建第二预测模型；
9.确定所述第二预测模型对应的第二目标参数；
10.基于所述第一目标参数和所述第二目标参数，调整所述第二预测模型，以得到最终的预测模型。
11.根据本发明一个实施例的预测模型的训练方法，所述基于所述第一预测模型，确定目标历史作业样本数据，以及与所述目标历史作业样本数据对应的第一训练参数，包括：
12.确定所述第一预测模型的至少一个波峰和至少一个波谷；
13.将所述至少一个波峰和所述至少一个波谷对应的历史作业样本数据作为所述目标历史作业样本数据；
14.将所述目标历史作业样本数据分别输入第一预设计算公式，通过所述第一预设计算公式得到所述第一训练参数。
15.根据本发明一个实施例的预测模型的训练方法，所述基于所述第一训练参数，确定所述第一预测模型对应的第一目标参数，包括：
16.基于第二预设计算公式，从所述第一训练参数中确定第一目标值，所述第一目标值用于指示鲁棒性的高低；
17.基于所述第一预测模型，确定与所述第一目标值对应的所述第一目标参数。
18.根据本发明一个实施例的预测模型的训练方法，所述基于所述目标历史作业样本数据和所述第一训练参数，构建第二预测模型，包括：
19.组合所述目标历史作业样本数据，得到第一集合；
20.组合所述第一训练参数，得到第二集合；
21.拟合得到所述第一集合和所述第二集合之间的映射关系；
22.基于所述目标历史作业样本数据、所述第一训练参数和所述映射关系，构建第二预测模型。
23.根据本发明一个实施例的预测模型的训练方法，所述确定所述第二预测模型对应的第二目标参数，包括：
24.基于所述第二预测模型，将最大值对应的位置作为所述第二目标参数。
25.根据本发明一个实施例的预测模型的训练方法，所述基于所述第一目标参数和所述第二目标参数，调整所述第二预测模型，以得到最终的预测模型之前，还包括：
26.将所述第二目标参数输入所述第一预设计算公式，通过所述第一预设计算公式得到第二目标值；
27.所述基于所述第一目标参数和所述第二目标参数，调整所述第二预测模型，以得到最终的预测模型，包括：
28.计算所述第一目标参数和所述第二目标参数的差值；
29.判断所述差值是否在预设范围内；
30.当判定所述差值在所述预设范围内时，确定所述预测模型训练完成；
31.当判定所述差值未在所述预设范围内时，将所述第二目标参数添加至所述第一集合，将所述第二目标值添加至所述第二集合，基于添加后的第一集合和添加后的第二集合训练所述第二预测模型，直至所述第二预测模型训练完成；
32.当判定所述差值未在所述预设范围内，且所述第一目标值小于所述第二目标值时，将所述第一目标值更新为所述第二目标值，以及所述第一目标参数更新为所述第二目标参数；基于更新后的所述第一目标值和更新后的所述第一目标参数，训练所述第二预测模型，直至所述第二预测模型训练完成。
33.本发明实施例还提供一种基于预测模型的预测方法，包括：
34.获取作业机械在作业时的作业数据；
35.将所述作业数据输入至所述预测模型，获得所述预测模型输出的资源数据，将所述资源数据发送给终端设备，以使所述终端设备输出所述资源数据。
36.本发明实施例还提供一种预测模型的训练装置，包括：
37.第一构建模块，用于构建第一预测模型，所述第一预测模型通过作业机械的历史作业样本数据和所述历史作业样本数据对应的资源样本数据训练得到；
38.第一确定模块，用于基于所述第一预测模型，确定目标历史作业样本数据，以及与所述目标历史作业样本数据对应的第一训练参数；
39.第二确定模块，用于基于所述第一训练参数，确定所述第一预测模型对应的第一
目标参数；
40.第二构建模块，用于基于所述目标历史作业样本数据和所述第一训练参数，构建第二预测模型；
41.第三确定模块，用于确定所述第二预测模型对应的第二目标参数；
42.调整模块，用于基于所述第一目标参数和所述第二目标参数，调整所述第二预测模型，以得到最终的预测模型。
43.本发明实施例还提供一种基于预测模型的预测装置，包括：
44.获取模块，用于获取作业机械在作业时的作业数据；
45.输出模块，用于将所述作业数据输入至所述预测模型，获得所述预测模型输出的资源数据，将所述资源数据发送给终端设备，以使所述终端设备输出所述资源数据。
46.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述预测模型的训练方法的步骤，或，基于预测模型的预测方法的步骤。
47.本发明实施例提供的预测模型的训练方法及基于预测模型的预测方法，通过构建第一预测模型，第一预测模型通过作业机械的历史作业样本数据和历史作业样本数据对应的资源样本数据训练得到；基于第一预测模型，确定目标历史作业样本数据，以及与目标作业样本数据对应的第一训练参数；基于第一训练参数，确定第一预测模型对应的第一目标参数；基于目标历史作业样本数据和第一训练参数，构建第二预测模型；确定第二预测模型对应的第二目标参数；基于第一目标参数和第二目标参数，调整第二预测模型，以得到最终的预测模型，可见，本发明避免了第二预测模型训练过程中的大量采样，利用第一目标参数和第二目标参数来调整第二预测模型，以完成预测模型的训练，提高了模型训练效率，另外，本发明通过向构建的预测模型输入作业机械的作业数据，以输出资源数据，以为操作手提供如何操作工业机械的方案，本发明构建的预测模型能够针对各种复杂多变的作业对象，及时的输出对应的资源数据，以使作业机械适应各种作业对象，并在适应作业对象的同时，提高作业机械的工作效率、降低作业机械的燃料消耗。
附图说明
48.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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例，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。
49.图1是本发明实施例提供的预测模型的训练方法的流程示意图之一；
50.图2是本发明实施例提供的预测模型的训练方法的流程示意图之二；
51.图3是本发明实施例提供的预测模型的训练方法的流程示意图之三；
52.图4是本发明实施例提供的预测模型的训练方法的流程示意图之四；
53.图5是本发明实施例提供的预测模型的训练方法的流程示意图之五；
54.图6是本发明实施例提供的预测模型的训练方法的流程示意图之六；
55.图7是本发明实施例提供预测方法的流程示意图；
56.图8是本发明实施例提供的预测模型的训练装置的结构示意图；
57.图9是本发明实施例提供的预测装置的结构示意图；
58.图10是本发明实施例提供的电子设备的结构示意图。
具体实施方式
59.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，本领域普通技术人员在没有作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。
60.下面结合图1至图6描述本发明实施例的预测模型的训练方法。
61.本发明实施例提供了一种预测模型的训练方法，该方法可以应用在智能终端，例如，手机、电脑、平板等，也可以应用在服务器中，也可以应用在作业机械的控制器中。下面，以该方法应用在服务器为例进行说明，但需要说明的是仅为举例说明，并不用于对本发明的保护范围进行限定。本发明实施例中的一些其他说明，也是举例说明，并不用于对本发明的保护范围进行限定，之后便不再一一说明。
62.预测模型的训练方法的具体实现，具体如图1所示：
63.步骤101，构建第一预测模型。
64.其中，第一预测模型通过作业机械的历史作业样本数据和历史作业样本数据对应的资源样本数据训练得到。
65.其中，作业机械包括：挖掘机、电动挖掘机、液压挖掘机、装载机等。
66.具体的，历史作业样本数据包括：通过安装在挖掘机上的传感器得到的挖掘机的运行数据，以及挖掘机在作业时作业对象的环境数据。其中，运行数据包括：挖掘机的挖掘速度、挖掘机的转移速度等，环境数据包括：作业对象的地面平整度、作业对象的地面硬度等。
67.具体的，资源样本数据包括：挖掘机的燃油消耗、挖掘机的功率消耗、挖掘机的时间消耗等。
68.下面，以挖掘机在平整地面进行作业的作业场景，历史作业样本数据为挖掘机的转移速度，和资源样本数据为挖掘机的燃油消耗为例进行说明。需要说明的是本实施例仅为举例说明，并不用于对本发明的保护范围进行限定。
69.具体的，在进行具体的说明之前，本发明预先说明一下相关定义。
70.首先，定义第一目标函数和第二目标函数，第一目标函数与第一预测模型对应，第二目标函数与第二预测模型对应。图2中的细曲线(第一曲线)对应的函数为第一目标函数f(x)，图2中粗曲线(第二曲线)对应的函数为第二目标函数f
eff
(x)，需要说明的是图2中的粗曲线和细曲线仅是为了区分两个函数，并不涉及其他含义。
71.本发明是通过寻找第二曲线中的五角星标记的位置的点，以使挖掘机的燃油消耗最低。下面，定义鲁棒解：对应最大化目标函数f(x)，一个解x
*
被称为鲁棒解的前提条件为x
*
是公式(1)的全局最优解。
[0072][0073]
其中，
[0074]
其中，x＝[x1,x2,
…
,xd]
t
是决策变量，即挖掘机的转移速度，ω是决策变量的可行域，f(x,δ)是鲁棒函数值，f(x,δ)也可用f
eff
(x)表示，是x的δ邻域，δ＝[δ1,δ2,
…
,δd]
t
代表决策变量的扰动强度，h为用户设定的采样个数，k为变量。
[0075]
其中，图2以δ＝1为例进行示例说明。
[0076]
例如，δ＝1，速度为3.6时的鲁棒函数值的具体计算步骤为：
[0077]
确定速度在【2.6-4.6】区间内的预设个数个速度对应的油耗，例如，预设个数为10000个。具体可参见图2的点划线区域中的圆点。计算10000个油耗的平均值，将得到的平均值作为鲁棒函数值。
[0078]
步骤102，基于第一预测模型，确定目标历史作业样本数据，以及与目标历史作业样本数据对应的第一训练参数。
[0079]
一个具体实施例中，目标历史作业样本数据和第一训练参数的获取方式具体如图3所示：
[0080]
步骤301，确定第一预测模型的至少一个波峰和至少一个波谷。
[0081]
具体的，利用优化算法，在不考虑扰动的情况下对第一预测模型进行优化，优化变量为历史作业样本数据，并记录与优化变量对应的资源样本数据。其中，历史作业样本数据可以用x表示，资源样本数据则为x对应的函数值f(x)，通过archive来记录x和f(x)。其中，以第一预测模型为一条平滑的曲线为例进行说明，该第一预测模型对应的曲线为第一曲线，在第一曲线的基础上，描绘archive记录的点，可以得到通过离散点构成的第三曲线。
[0082]
其中，优化算法包括：遗产算法、差分进化算法、粒子群优化算法和数学规划方法等。
[0083]
具体的，通过峰值检测算法，识别archive中各个局部最优解和各个局部最差解。其中，局部最优解和波峰对应，局部最差解和波谷对应。其中，局部最优解记为x
peak,i
，i＝1,
…
,n
peak
，n
peak
为整数，局部最差解记为x
valley,j
，j＝1,
…
,n
valley
，n
valley
为整数。
[0084]
具体的，可以在第一曲线或第三曲线任意一条曲线上，确定波峰和波谷。
[0085]
步骤302，将至少一个波峰和至少一个波谷对应的历史作业样本数据作为目标历史作业样本数据。
[0086]
具体的，将各个局部最优解和各个局部最差解对应的历史作业样本数据作为目标历史作业样本数据，即，将x
peak,i
和x
valley,j
作为目标历史作业样本数据。
[0087]
步骤303，将目标历史作业样本数据分别输入第一预设计算公式，通过第一预设计算公式得到第一训练参数。
[0088]
其中，公式(1)为第一预设计算公式。
[0089]
具体的，将x
peak,i
和x
valley,j
分别带入公式(1)得到x
peak,i
和x
valley,j
分别对应的鲁棒函数值，将x
peak,i
和x
valley,j
对应的鲁棒函数值作为第一训练参数。
[0090]
步骤103，基于第一训练参数，确定第一预测模型对应的第一目标参数。
[0091]
一个具体实施例中，第一目标参数的获取方式具体如图4所示：
[0092]
步骤401，基于第二预设计算公式，从第一训练参数中确定第一目标值。
[0093]
其中，第一目标值用于指示鲁棒性的高低。
[0094]
具体的，第二预设计算公式见公式(2)：
[0095][0096]
其中，为x
peak,i
对应的鲁棒函数值，为x
valley,j
对应的鲁棒函数值，为第一目标值。
[0097]
步骤402，基于第一预测模型，确定与第一目标值对应的第一目标参数。
[0098]
具体的，将第一目标值输入第一预测模型，第一目标值对应的第一目标参数，其中，第一目标参数用表示。其中，在建立第一预测模型时，已经预先存储了第一目标值和第一目标参数的对应关系。
[0099]
步骤104，基于目标历史作业样本数据和第一训练参数，构建第二预测模型。
[0100]
一个具体实施例中，第二预测模型的构建方式，具体如图5所示：
[0101]
步骤501，组合目标历史作业样本数据，得到第一集合。
[0102]
例如，将φ
x
记为第一集合：
[0103]
φ
x
＝{xi,i＝1,
…
,n
peak
n
valley
}
[0104]
＝{x
peak,i
,i＝1,
…
,n
peak
}
[0105]
∪{x
valley,j
,j＝1,
…
,n
valley
}
[0106]
步骤502，组合第一训练参数，得到第二集合。
[0107]
例如，将φf记为第二集合：
[0108][0109]
步骤503，拟合得到第一集合和第二集合之间的映射关系。
[0110]
具体的，利用数据拟合方法，拟合φ
x
和φf之间的映射关系。
[0111]
其中，数据拟合方法包括：径向基神经网络算法(radial basis function network，简称rbf)和多项式拟合方法等。
[0112]
步骤504，基于目标历史作业样本数据、第一训练参数和映射关系，构建第二预测模型。
[0113]
步骤105，确定第二预测模型对应的第二目标参数。
[0114]
具体的，利用优化算法，对第二预测模型进行优化，优化变量为目标历史作业样本数据，并记录与优化变量对应的目标资源样本数据。
[0115]
一个具体实施例中，绘制第二预测模型对应的第二曲线，基于第二曲线，将最大波峰点对应的目标历史作业样本数据作为第二目标参数。例如，图2中3.6处对应的目标历史作业样本数据作为第二目标参数，其中，第二目标参数用表示。
[0116]
步骤106，基于第一目标参数和第二目标参数，调整第二预测模型，以得到最终的
预测模型。
[0117]
一个具体实施例中，在得到第二目标参数之后，将第二目标参数输入公式(1)，得到第二目标值，其中，第二目标值用表示。
[0118]
一个具体实施例中，预测模型的实现方式具体如图6所示：
[0119]
步骤601，计算第一目标参数和第二目标参数的差值。
[0120]
具体的，该差值为第一目标参数和第二目标参数差值的绝对值。
[0121]
步骤602，判断差值是否在预设范围内，若是，执行步骤603，否则，执行步骤604和步骤605。
[0122]
步骤603，确定预测模型训练完成，并输出第一目标参数和第一目标值。
[0123]
步骤604，将第二目标参数添加至第一集合，将第二目标值添加至第二集合，基于添加后的第一集合和添加后的第二集合训练第二预测模型，直至第二预测模型训练完成。
[0124]
步骤605，当判定差值未在预设范围内，且第一目标值小于第二目标值时，将第一目标值更新为第二目标值，以及第一目标参数更新为第二目标参数；基于更新后的第一目标值和更新后的第一目标参数，训练第二预测模型，直至第二预测模型训练完成。
[0125]
具体的，当差值未在预设范围内时，判断第一目标值是否大于第二目标值，若是，将第二目标参数添加至第一集合，将第二目标值添加至第二集合，基于添加后的第一集合和添加后的第二集合训练第二预测模型，直至第二预测模型训练完成，否则，将第一目标值更新为第二目标值，以及第一目标参数更新为第二目标参数；基于更新后的第一目标值和更新后的第一目标参数，训练第二预测模型，直至第二预测模型训练完成。
[0126]
本发明实施例提供的预测模型的训练方法及基于预测模型的预测方法，通过构建第一预测模型，第一预测模型通过作业机械的历史作业样本数据和历史作业样本数据对应的资源样本数据训练得到；基于第一预测模型，确定目标历史作业样本数据，以及与目标作业样本数据对应的第一训练参数；基于第一训练参数，确定第一预测模型对应的第一目标参数；基于目标历史作业样本数据和第一训练参数，构建第二预测模型；确定第二预测模型对应的第二目标参数；基于第一目标参数和第二目标参数，调整第二预测模型，以得到最终的预测模型，可见，本发明避免了第二预测模型训练过程中的大量采样，利用第一目标参数和第二目标参数来调整第二预测模型，以完成预测模型的训练，提高了模型训练效率，另外，本发明通过向构建的预测模型输入作业机械的作业数据，以输出资源数据，以为操作手提供如何操作工业机械的方案，本发明构建的预测模型能够针对各种复杂多变的作业对象，及时的输出对应的资源数据，以使作业机械适应各种作业对象，并在适应作业对象的同时，提高作业机械的工作效率、降低作业机械的燃料消耗。
[0127]
本发明实施例提供了一种基于预测模型的预测方法，和上述的预测模型的训练方法相互对应，重复之处不再赘述，具体实现如图7所示：
[0128]
步骤701，获取作业机械在作业时的作业数据。
[0129]
具体的，获取安装在挖掘机上的传感器得到的作业数据，作业数据包括：运行数据和环境数据。
[0130]
步骤702，将作业数据输入至预测模型，获得预测模型输出的资源数据，将资源数据发送给终端设备，以使终端设备输出资源数据。
[0131]
具体的，将预测模型输出的资源数据，发送给安装在挖掘机上的终端，以使终端可
以通过语音或者显示的方式提示用户，以使用户根据资源数据操作挖掘机，使挖掘机的油耗达到最少。
[0132]
下面对本发明实施例提供的预测模型的训练装置进行描述，下文描述的预测模型的训练装置与上文描述的预测模型的训练方法可相互对应参照，重复之处不再赘述，具体如图8所示：
[0133]
第一构建模块801，用于构建第一预测模型，第一预测模型通过作业机械的历史作业样本数据和历史作业样本数据对应的资源样本数据训练得到；
[0134]
第一确定模块802，用于基于第一预测模型，确定目标历史作业样本数据，以及与目标历史作业样本数据对应的第一训练参数；
[0135]
第二确定模块803，用于基于第一训练参数，确定第一预测模型对应的第一目标参数；
[0136]
第二构建模块804，用于基于目标历史作业样本数据和第一训练参数，构建第二预测模型；
[0137]
第三确定模块805，用于确定第二预测模型对应的第二目标参数；
[0138]
调整模块806，用于基于第一目标参数和第二目标参数，调整第二预测模型，以得到最终的预测模型。
[0139]
一个具体实施例中，第一确定模块802，具体用于确定第一预测模型的至少一个波峰和至少一个波谷；将至少一个波峰和至少一个波谷对应的历史作业样本数据作为目标历史作业样本数据；将目标历史作业样本数据分别输入第一预设计算公式，通过第一预设计算公式得到第一训练参数。
[0140]
一个具体实施例中，第二确定模块803，具体用于基于第二预设计算公式，从第一训练参数中确定第一目标值，第一目标值用于指示鲁棒性的高低；基于第一预测模型，确定与第一目标值对应的第一目标参数。
[0141]
一个具体实施例中，第二构建模块804，具体用于组合目标历史作业样本数据，得到第一集合；组合第一训练参数，得到第二集合；拟合得到第一集合和第二集合之间的映射关系；基于目标历史作业样本数据、第一训练参数和映射关系，构建第二预测模型。
[0142]
一个具体实施例中，第三确定模块805，具体用于基于第二预测模型，将最大值对应的位置作为第二目标参数。
[0143]
一个具体实施例中，调整模块806，还用于将第二目标参数输入第一预设计算公式，通过第一预设计算公式得到第二目标值；调整模块806，具体用于计算第一目标参数和第二目标参数的差值；判断差值是否在预设范围内；当判定差值在预设范围内时，确定预测模型训练完成；当判定差值未在预设范围内时，将第二目标参数添加至第一集合，将第二目标值添加至第二集合，基于添加后的第一集合和添加后的第二集合训练第二预测模型，直至第二预测模型训练完成；当判定差值未在预设范围内，且第一目标值小于第二目标值时，将第一目标值更新为第二目标值，以及第一目标参数更新为第二目标参数；基于更新后的第一目标值和更新后的第一目标参数，训练第二预测模型，直至第二预测模型训练完成。
[0144]
下面对本发明实施例提供的基于预测模型的预测装置进行描述，下文描述的基于预测模型的预测装置与上文描述的基于预测模型的预测方法可相互对应参照，重复之处不再赘述，具体如图9所示：
[0145]
获取模块901，用于获取作业机械在作业时的作业数据；
[0146]
输出模块902，用于将所述作业数据输入至所述预测模型，获得所述预测模型输出的资源数据，将所述资源数据发送给终端设备，以使所述终端设备输出所述资源数据。
[0147]
图10示例了一种电子设备的实体结构示意图，如图10所示，该电子设备可以包括：处理器(processor)1001、通信接口(communications interface)1002、存储器(memory)1003和通信总线1004，其中，处理器1001，通信接口1002，存储器1003通过通信总线1004完成相互间的通信。处理器1001可以调用存储器1003中的逻辑指令，以执行预测模型的训练方法，该方法包括：构建第一预测模型，第一预测模型通过作业机械的历史作业样本数据和历史作业样本数据对应的资源样本数据训练得到；基于第一预测模型，确定目标历史作业样本数据，以及与目标作业样本数据对应的第一训练参数；基于第一训练参数，确定第一预测模型对应的第一目标参数；基于目标历史作业样本数据和第一训练参数，构建第二预测模型；确定第二预测模型对应的第二目标参数；基于第一目标参数和第二目标参数，调整第二预测模型，以得到最终的预测模型；或，执行基于预测模型的预测方法，该方法包括：获取作业机械在作业时的作业数据；将作业数据输入至预测模型，获得预测模型输出的资源数据，将资源数据发送给终端设备，以使终端设备输出资源数据。
[0148]
此外，上述的存储器1003中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0149]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的预测模型的训练方法，该方法包括：构建第一预测模型，第一预测模型通过作业机械的历史作业样本数据和历史作业样本数据对应的资源样本数据训练得到；基于第一预测模型，确定目标历史作业样本数据，以及与目标作业样本数据对应的第一训练参数；基于第一训练参数，确定第一预测模型对应的第一目标参数；基于目标历史作业样本数据和第一训练参数，构建第二预测模型；确定第二预测模型对应的第二目标参数；基于第一目标参数和第二目标参数，调整第二预测模型，以得到最终的预测模型；或，执行基于预测模型的预测方法，该方法包括：获取作业机械在作业时的作业数据；将作业数据输入至预测模型，获得预测模型输出的资源数据，将资源数据发送给终端设备，以使终端设备输出资源数据。
[0150]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的预测模型的训练方法，该方法包括：构建第一预测模型，第一预测模型通过作业机械的历史作业样本数据和历史作业样本数据对应的资源样本数据训练得到；基于第一预测模型，确定目标历史作业样本数据，以及与目标作业样本数据对应的第一训练参数；基于第一训练参数，确定第一预测模型对应
的第一目标参数；基于目标历史作业样本数据和第一训练参数，构建第二预测模型；确定第二预测模型对应的第二目标参数；基于第一目标参数和第二目标参数，调整第二预测模型，以得到最终的预测模型；或，执行基于预测模型的预测方法，该方法包括：获取作业机械在作业时的作业数据；将作业数据输入至预测模型，获得预测模型输出的资源数据，将资源数据发送给终端设备，以使终端设备输出资源数据。
[0151]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0152]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0153]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。