信息确定模型的训练方法、环境信息确定方法及装置与流程

1.本公开涉及人工智能技术领域，尤其涉及深度学习技术。更具体地，本公开提供了一种信息确定模型的训练方法、环境信息确定方法、装置、电子设备和存储介质。


背景技术：

2.基于数值模拟技术或基于时间序列定技术，可以确定指定时刻之后的短期或超短期的信息。数值模拟技术可以根据大区域的信息来确定小区域的信息。基于时间序列技术的信息确定方法可以根据时间序列之间的关系，进行拟合，再根据拟合的结果确定信息。


技术实现要素：

3.本公开提供了一种信息确定模型的训练方法、环境信息确定方法、装置、设备以及存储介质。
4.根据第一方面，提供了一种信息确定模型的训练方法，上述信息确定模型包括第一子模型和第二子模型，该方法包括：将与第一预设时段对应的至少一个序列特征信息输入上述第一子模型，得到第一预测信息；根据上述至少一个序列特征信息和上述第二子模型，得到第二预测信息；根据上述第一预测信息和上述第二预测信息，得到与目标时段对应的信息序列；以及根据与目标时段对应的标签序列和上述信息序列，训练上述信息确定模型。
5.根据第二方面，提供了一种环境信息确定方法，该方法包括：将与第三预设时段对应的至少一个序列特征信息输入信息确定模型，得到与目标时段对应的环境信息。上述信息确定模型是根据本公开提供的方法训练的。
6.根据第三方面，提供了一种信息确定模型的训练装置，上述信息确定模型包括第一子模型和第二子模型，该装置包括：第一获得模块，用于将与第一预设时段对应的至少一个序列特征信息输入上述第一子模型，得到第一预测信息；第二获得模块，用于根据上述至少一个序列特征信息和上述第二子模型，得到第二预测信息；第三获得模块，用于根据上述第一预测信息和上述第二预测信息，得到与目标时段对应的信息序列；以及训练模块，用于根据与目标时段对应的标签序列和上述信息序列，训练上述信息确定模型。
7.根据第四方面，提供了一种环境信息确定装置，该装置包括：确定模块，用于将与第三预设时段对应的至少一个序列特征信息输入信息确定模型，确定与目标时段对应的环境信息；其中，上述信息确定模型是根据本公开提供的装置训练的。
8.根据第五方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行根据本公开提供的方法。
9.根据第六方面，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，该计算机指令用于使计算机执行根据本公开提供的方法。
10.根据第七方面，提供了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根据本公开提供的方法。
11.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
12.附图用于更好地理解本方案，不构成对本公开的限定。其中：
13.图1是本公开一个实施例的信息确定模型的训练方法的流程图；
14.图2是根据本公开的另一个实施例的信息确定模型的训练方法的流程图；
15.图3是根据本公开的另一个实施例的信息确定模型的训练方法的流程图；
16.图4是根据本公开的一个实施例的信息确定模型的原理图；
17.图5是根据本公开的另一个实施例的信息确定模型的原理图；
18.图6是根据本公开的一个实施例的环境信息确定方法的流程图；
19.图7是根据本公开的一个实施例的信息确定模型的训练装置的框图；
20.图8是根据本公开的一个实施例的环境信息确定装置的框图；以及
21.图9是根据本公开的一个实施例的可以应用信息确定模型的训练方法和/或环境信息确定方法的电子设备的框图。
具体实施方式
22.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。
23.例如，基于数值模拟技术或基于时间序列技术，可以确定超短期内的风速。超短期内的风速可以是当前时刻之后几分钟或更短时间内的风速。在风力发电领域，可以根据超短期内的风速，确定超短期内的发电功率，进而为电网调度的提供参考。
24.在天气突变较多的地区，风力发电机组会受到气象变化的影响。在风况突变时，风力发电机组控制系统具有一定的滞后性，会导致机组出现载荷过大。这可能会导致机组倾倒，造成重大的经济损失。
25.一种基于数值模拟技术确定风速的方法，根据数值模拟模型和大区域的风速信息，确定小区域的风速信息。其中，大区域可以是全球区域。小区域可以是风力发电机组所处的区域。该方法需要较高的设备成本和时间成本。而且数值模拟模型中包括大量的不确定因素，难以准确地确定超短期内的风速。
26.一种基于时间序列技术的信息确定方法，根据历史风速信息，划分出多个风速信息序列。再根据多个风速信息序列之间的关系，进行拟合，以确定超短期内的风速。该方法中使用的历史风速信息多建立在较长的时间尺度上，精度较低，难以确定未来几分钟内的风速。
27.图1是根据本公开的一个实施例的信息确定模型的训练方法的流程图。
28.如图1所示，该方法100可以包括操作s110至操作s140。信息确定模型包括第一子模型和第二子模型。
29.在操作s110，将与第一预设时段对应的至少一个序列特征信息输入第一子模型，得到第一预测信息。
30.例如，第一预设时段可以是一个或多个小时。
31.例如，第一预设时段可以是时刻t和时刻t-1之间的时段。在一个示例中，时刻t可以是某日12点，时刻t-1可以是该日11点，第一预设时段可以是该日11点至12点之间的1个小时。
32.例如，序列特征信息可以是根据历史数据序列得到。在一个示例中，可以根据第一预设时段内的历史数据，得到与第一预设时段对应的数据序列。再根据该数据序列，得到与第一预设时段对应的序列特征信息。
33.在操作s120，根据至少一个序列特征信息和第二子模型，得到第二预测信息。
34.例如，可以将至少一个序列特征信息输入第二子模型，得到第二预测信息。
35.在操作s130，根据第一预测信息和第二预测信息，得到与目标时段对应的信息序列。
36.例如，可以将第一预测信息和第二预测信息相加，得到与目标时段对应的信息序列。
37.例如，目标时段可以是上文所述的时刻t之后的时段。在一个示例中，时刻t可以是某日12点，目标时段可以是12点后的10分钟。在一个示例中，第一预测信息可以是(v1_1，......，v1_20)。第二预测信息可以是(v2_1，......，v2_20)。将二者相加，可以得到信息序列(v_1，......v_20)。比如，v_1＝v1_1 v2_1，v_20＝v1_20 v2_20。
38.在操作s140，根据与目标时段对应的标签序列和信息序列，训练信息确定模型。
39.例如，可以利用各种损失函数，根据标签序列和信息序列，计算损失值，以训练信息确定模型。在一个示例中，损失函数可以是mse(mean square error，均方误差)函数。
40.通过本公开实施例，可以利用序列特征信息中的线性部分和非线性部分，准确地确定超短期内的信息。并且，可以利用至少一个序列特征信息之间的关系，进一步准确地确定超短期内的信息。
41.例如，可以准确地确定超短期内的风速。
42.图2是根据本公开的另一个实施例的信息确定模型的训练方法的流程图。
43.如图2所示，方法220可以根据至少一个序列特征信息和第二子模型，得到第二预测信息。下面将结合操作s221至操作s222进行详细说明。
44.第一预设时段包括子时段。
45.在操作s221，根据至少一个序列特征信息，获取与子时段对应的至少一个序列子特征信息。
46.在本公开实施例中，子时段的长度小于或等于第一预设时段的长度。
47.例如，第一预设时段的长度为1小时。子时段的长度可以是10分钟。
48.在本公开实施例中，子时段与第一预设时段内多个连续的时间点对应。
49.例如，第一预设时段包括120个时间点。每个时间点之间的间隔为30秒。子时段可以由第一预设时段内多个连续的时间点组成。在一个示例中，子时段可以由第一预设时段内最后20个时间点组成。
50.例如，序列特征信息可以用向量表示。在一个示例中，该向量可以包括120个维度
的数据。每个维度的数据与一个时间点的数据对应。若子时段由第一预设时段最后20个时间点组成，序列子特征信息则由序列特征信息中与这最后20个时间点对应的维度的数据组成。
51.在操作s222，将至少一个序列子特征信息输入第二子模型，得到第二预测信息。
52.例如，可以将上文所述的由序列特征信息中与这最后20个时间点对应的维度的数据组成的序列子特征信息，输入第二子模型，得到第二预测信息。
53.通过本公开实施例，利用与子时段对应的序列子特征信息，可以减少模型训练所需的计算资源。同时，序列特征信息可能包括一些不准确或误差信息，用序列特征信息中全部的信息进行训练，会降低由训练后的模型确定的信息的准确性。因此，利用序列子特征信息可以进一步提高模型性能，以更加准确地确定超短期内的信息。
54.在一些实施例中，可以根据标签序列和信息序列，调整子时段，以训练信息确定模型。例如，可以根据与第一预设时段对应的至少一个序列特征信息，对信息确定模型进行多周期训练。在一个示例中，在多周期训练的当前训练周期中，子时段由上文所述的第一预设时段最后20个时间点组成。在当前训练周期结束之后，对子时段进行了调整。在下一训练周期中，子时段由第一预设时段的第17个时间点至第36个时间点组成。在达到预设的训练周期数量之后或者在上文所述的损失值的变化量小于预设变化量阈值之后，可以停止训练。又例如，可以调整子时段的长度。
55.在一些实施例中，标签序列包括j个数据，信息序列包括j个数据。j为大于或等于2的整数。根据与目标时段对应的标签序列和信息序列，训练信息确定模型包括：根据信息序列的前i个数据和标签序列的前i个数据，得到第一差异，其中，i小于或等于j；根据信息序列的后j-i个数据和标签序列的后j-i个数据，得到第二差异；以及根据第一差异和第二差异，计算损失值，以训练信息确定模型。
56.例如，可以通过以下公式根据标签序列和信息序列，计算损失值，以训练信息确定模型：
[0057][0058]
例如，loss为损失值，i为小于或等于i的正整数，j为小于或等于j的正整数，vi为信息序列中前i个数据中的一个，为标签序列中前i个数据中的一个，vj为信息序列中后j-i个数据中的一个，为标签序列中后j-i个数据中的一个，ωa为第一权重，ωb为第二权重。为第一差异，为第二差异。
[0059]
在一个示例中，信息序列例如可以是上文所述的(v_1，......，v_20)，vi的取值可以是v_1，......v_10，vj的取值可以是v_11，......v_20。标签序列可以是(v^_1，.......，v^_20)，的取值可以是v^_1，......v^_10，的取值可以是v^_11，......v^_20。
[0060]
在一个示例中，ωa＝0.6，ωb＝0.4。
[0061]
在一个示例中，i＝10，j＝20。
[0062]
在一些实施例中，还可以根据上文所述的损失值调整第一子模型和/或第二子模型的参数，以训练信息确定模型。
[0063]
图3是根据本公开的另一个实施例的信息确定模型的训练方法的流程图。
[0064]
如图3所示，方法300可以在方法100之前执行。至少一个序列特征信息与至少一个对象对应。方法300可以针对每个对象执行操作s301至操作s303。
[0065]
在操作s301，获取与每个对象对应的数据序列。
[0066]
例如，对象可以是设备。在一个示例中，对象可以是一个风力发电机组。在一个示例中，至少一个对象可以是处于同一地理区域内的至少一个风力发电机组。
[0067]
例如，数据序列可以根据与每个对象对应的历史数据得到。
[0068]
在一个示例中，每个风力发电机组装配有检测模块。该检测模块可以按预设间隔检测风速、气压、温度、风向等数据。预设间隔例如可以是30秒。
[0069]
在一个示例中，数据序列可以是风速数据序列、气压数据序列和温度数据序列等。
[0070]
例如，数据序列中每个数据与一个时间点对应。
[0071]
在操作s302，对数据序列进行切分，得到m个子数据序列。
[0072]
在本公开实施例中，m个子数据序列与m个时段一一对应。m为大于或等于1的整数。
[0073]
例如，每个时段的长度可以和第一预设时段相同。在一个示例中，每个时段包括120个时间点。
[0074]
在本公开实施例中，可以对数据序列进行切分，得到n个子数据序列。
[0075]
例如，n个子数据序列是根据数据序列直接切分得到的。例如，n为大于或等于1的整数，且n为小于或等于m的整数。
[0076]
在本公开实施例中，对n个子数据序列进行过采样，得到k个过采样子数据序列。
[0077]
例如，可以利用smote(synthetic minority class oversampling technique，合成少数类过采样技术)，对n个子数据序列进行过采样，得到k个过采样子数据序列。每个过采样子数据序列与一个时段对应。过采样子数据序列的长度可以和子数据序列的长度一致。
[0078]
例如，过采样子数据序列可以是过采样子风速数据序列、过采样子气温数据序列、过采样子气压数据序列等。在一个示例中，过采样子风速数据序列seq_v、过采样子气温数据序列seq_temp、过采样子气压数据序列seq_pa与时段time_interval对应。
[0079]
例如，k为大于或等于1的整数。
[0080]
在本公开实施例中，根据与每个第二预设时段对应的预设阈值和每个过采样子数据序列所处的第二预设时段，得到h个过采样子数据序列。
[0081]
例如，第二预设时段为多个。
[0082]
在一个示例中，第二预设时段可以为12个，每个第二预设时段可以与一个自然月对应。在一个示例中，一个第二预设时段可以与公历第1个自然月(january)对应。
[0083]
例如，可以将过采样子数据序列中多个数据的平均值与预设阈值比较，若该平均值大于或等于预设阈值，可以保留该过采样子数据序列。反之，则删去该过采样子数据序列。采用类似的手段，可以从k个过采样子数据序列中得到h个过采样子数据序列。例如，h为小于或等于k的整数。h为大于或等于1的整数。
[0084]
在本公开实施例中，根据n个子数据序列和h个过采样子数据序列，得到m个子数据序列。
[0085]
例如，将h个过采样子数据序列作为h个子数据序列，以得到m个子数据序列。在一
个示例中，m＝h n。利用过采样技术，增加序列的数量，减少序列之间的距离，进而提高模型的性能。
[0086]
在操作s303，根据m个子数据序列，得到与第一预设时段对应的序列特征信息。
[0087]
在本公开实施例中，对m个子数据序列进行第一特征提取，得到m个时域子特征信息。
[0088]
例如，对于每个子数据序列，可以计算每个子数据序列中多个数据的中位数、平均值、最大值、最小值、分位点中的一个或多个，以进行第一特征提取。在一个示例中，分位点可以是每个子数据序列中多个数据的二分位点或四分卫点等。
[0089]
在本公开实施例中，对m个子数据序列进行第二特征提取，得到m个第一频域子特征信息。
[0090]
例如，可以基于傅里叶变换和/或小波变换，对每个子数据序列进行第二特征提取，得到一个第一频域子特征信息。
[0091]
在本公开实施例中，根据m个第一频域子特征信息，得到m个第二频域子特征信息。
[0092]
例如，可以根据每个第一频域子特征信息，根据第一频域子特征信息中的高频信息和低频信息，得到一个第二频域子特征信息。
[0093]
在本公开实施例中，根据每个对象的位置信息，确定m个方向信息。
[0094]
例如，位置信息可以是每个对象所处的地理区域。例如，对象为风力发电机组。方向信息可以是风向信息。可以获取该风力发电机组所处的地理区域在不同自然月或季节内的主风向，以确定每个子数据序列的方向信息。在一个示例中，可以按照预设的映射关系，将主风向转换为风向值，以获得方向信息。风向值可以是小于1的小数。
[0095]
在本公开实施例中，根据m个子数据序列、m个时域子特征信息、m个第一频域子特征信息、m个第二频域子特征信息和m个方向信息，得到与m个时段对应的序列特征信息。
[0096]
例如，可以将每个子数据序列、每个时域子特征信息、每个第一频域子特征信息、每个第二频域子特征信息和每个方向信息拼接，以得到与一个时段对应的序列特征信息。
[0097]
在本公开实施例中，根据与m个时段对应的序列特征信息，得到与第一预设时段对应的序列特征信息。
[0098]
例如，在一轮训练中，可以将与m个时段中一个时段对应的序列特征信息，作为与第一预设时段对应的序列特征信息，以进行多周期的训练。在下一轮训练中，可以将与m个时段中另一个时段对应的序列特征信息，作为与第一预设时段对应的序列特征信息，以再进行多周期的训练。
[0099]
在一些实施例中，m个子数据序列之间可以不存在重叠数据。例如，子数据序列seq_1包含与第1个时间点至第120个时间点对应的数据。子数据序列seq_2包含与第121个时间点至第240个时间点对应的数据。
[0100]
在一些实施例中，与方法300不同之处在于，可以根据m个子数据序列、m个时域子特征信息、m个第一频域子特征信息、m个第二频域子特征信息、m个时段的信息、对象标识信息和m个方向信息，得到与m个时段对应的序列特征信息。在每个序列特征信息中增加时段信息和对象标识信息，以进一步提高训练后的模型的性能。
[0101]
在一些实施例中，与方法300不同之处在于，可以对数据序列进行切分，得到n’个子数据序列。从n’个子数据序列中，选择出有效数据比例大于或等于预设比例阈值的n个子
数据序列。例如，在进行检测时，因故障等原因，上文所述的检测模块会出现漏检等情况，导致子数据序列中存在一些缺测数据。缺测数据过多，会导致有效数据较少，进而导致训练出的模型的性能下降。在一个示例中，预设比例阈值为90％。
[0102]
在一些实施例中，第一子模型包括卷积网络、循环网络和注意力网络。将与第一预设时段对应的至少一个序列特征信息输入第一子模型，得到第一预测信息包括：将至少一个序列特征信息输入卷积网络，得到第一输出特征信息；将第一输出特征信息输入循环网络，得到第二输出特征信息；将第二输出特征信息输入注意力网络，得到第一预测信息。
[0103]
例如，卷积网络可以是cnn(convolutional neural network，卷积神经网络)模型。循环网络可以是lstm(long short term memory，长短期记忆网络)模型。注意力网络可以是tpa-lstm(temporal pattern attention long short term memory，时间模式注意力-长短期记忆网络)模型。又例如，循环网络也可以是rnn(recurrent neural network，循环神经网络)模型。又例如，循环网络也可以是gru(gate recurrent unit，门循环单元)模型。
[0104]
图4是根据本公开的一个实施例的信息确定模型的原理图。
[0105]
如图4所示，信息确定模型400包括第一子模型410和第二子模型420。
[0106]
第一子模型410可以包括一个或多个神经网络模型。第一子模型410可以对输入的至少一个序列特征信息进行处理，以输出第一预测信息。
[0107]
以序列特征信息f_1为示例。序列特征信息f_1与一个第一预设时段tp_1对应。在一个示例中，第一预设时段tp_1可以是某日11点至12点之间的1个小时。
[0108]
序列特征信息f_1与一个风力发电机组对应。序列特征信息f_1可以是根据第一预设时段tp_1内多个风速数据和风力发电机组的标识信息等信息得到的。例如，可以利用各种特征提取方式对第一预设时段tp_1内多个风速数据进行特征提取，得到与多个风速数据相关的各种特征信息，以得到序列特征信息f_1。
[0109]
在一个示例中，第一预测信息可以是上文所述的(v1_1，......，v1_20)。
[0110]
第二子模型420可以是ar模型(autoregressive model，自回归模型)。第二子模型420可以对输入的至少一个序列特征信息进行处理，以输出第二预测信息。在一个示例中，第二预测信息可以是上文所述的(v2_1，......，v2_20)。
[0111]
接下来，可以将第一预测信息和第二预测信息相加，以得到信息序列。信息序列可以是上文所述的(v_1，......v_20)。比如，在信息序列中，v_1可以是v1_1与v2_1之和。
[0112]
图5是根据本公开的一个实施例的信息确定模型的原理图。
[0113]
如图5所示，信息确定模块500可以包括第一子模型510和第二子模块520。与信息确定模型400不同之处在于，信息确定模型500的第一子模型510包括卷积网络511、循环网络512和注意力网络513。
[0114]
卷积网络511可以是cnn模型，循环网络512可以是lstm模型，注意力网络513可以是tpa-lstm模型。
[0115]
由于第一子模型510的输入是至少一个序列特征信息。而每个序列特征信息与一个风力发电机组对应。卷积网络511可以寻找机组之间的相关特征，输出第一输出特征信息。第一输出特征信息可以是一个融合了上述相关特征的信息。接下来，循环网络512可以模拟时序变化规律，输出第二输出特征信息。注意力网络513可以基于自注意力机制，输出
第一预测信息。
[0116]
在一些实施例中，注意力网络513可以包括一个全连接层，该全连接层的输出即第一预测信息。
[0117]
在一些实施例中，与信息确定模型400或信息确定模型500的不同之处在于，本实施例中，信息确定模型是基于lstnet(long and short-term time-series net，长短期时间序列网络)构建的。lstnet包括卷积组件、循环组件和自回归组件。lstnet还可以包括循环跳跃(recurrent-skip)组件和/或时间注意力组件。循环跳跃(recurrent-skip)组件可以基于输入信息的周期性信息进行处理。时间注意力组件的输入可以是循环组件的输出。循环跳跃组件的输入也可以是循环组件的输出。
[0118]
本实施例中，第一预设时段的长度较小，序列特征信息中可以不包含周期性信息。因此，信息确定模型可以是去除了循环跳跃(recurrent-skip)组件的lstnet，信息确定模型的注意力组件的输入可以是循环组件的输出。
[0119]
需要说明的是，在本公开的实施例中，以风速为示例，对本公开的信息确定模型的训练方法进行了详细说明。但本公开的信息确定模型也可以基于水流速度、车流速度、气温、气压等数据进行训练，本公开对此不做限制。
[0120]
图6是根据本公开的一个实施例的环境信息确定方法的流程图。
[0121]
如图6所示，该方法600可以包括操作s610。
[0122]
在操作s610，将与第三预设时段对应的至少一个序列特征信息输入信息确定模型，确定与目标时段对应的环境信息。
[0123]
例如，信息确定模型是根据本公开提供的方法训练的。
[0124]
例如，第三预设时段可以当前时刻t_cur和时刻t_cur-1之间的时段。在一个示例中，当前时刻t_cur可以是当日12点，时刻t_cur-1可以是当日11点。第三预设时段可以是当日11点至12点之间的1个小时。
[0125]
例如，目标时段可以是当前时刻之后的一个时段。在一个示例中，当前时刻t_cur可以是当日12点，目标时段可以是当日12点后的10分钟。
[0126]
例如，环境信息可以是风速、水流流速、车流速度、气温、气压等信息中的一种或几种。
[0127]
在一些实施例中，将与第三预设时段对应的至少一个序列特征信息输入信息确定模型，确定与目标时段对应的环境信息包括：将至少一个序列特征信息输入第一子模型，得到第一环境信息；根据至少一个序列特征信息和第二子模型，得到第二环境信息；以及根据第一环境信息和第二环境信息，确定与目标时段对应的环境信息。
[0128]
图7是根据本公开的一个实施例的信息确定模型的训练装置的框图。
[0129]
如图7所示，该装置700可以包括第一获得模块710、第二获得模块720、第三获得模块730和训练模块740。
[0130]
上述信息确定模型包括第一子模型和第二子模型。
[0131]
第一获得模块710，用于将与第一预设时段对应的至少一个序列特征信息输入上述第一子模型，得到第一预测信息。
[0132]
第二获得模块720，用于根据上述至少一个序列特征信息和上述第二子模型，得到第二预测信息。
[0133]
第三获得模块730，用于根据上述第一预测信息和上述第二预测信息，得到与目标时段对应的信息序列。
[0134]
训练模块740，用于根据与目标时段对应的标签序列和上述信息序列，训练上述信息确定模型。
[0135]
在一些实施例中，上述第一预设时段包括子时段，上述第二获得模块包括：第一获取子模块，用于根据上述至少一个序列特征信息，获取与子时段对应的至少一个序列子特征信息；以及第一获得子模块，用于将上述至少一个序列子特征信息输入第二子模型，得到第二预测信息。
[0136]
在一些实施例中，上述至少一个序列特征信息与至少一个对象一一对应，上述装置还包括：执行模块，用于针对每个对象，通过以下子模块执行相关操作：第一获取子模块，用于获取与上述每个对象对应的数据序列；切分子模块，用于对上述数据序列进行切分，得到m个子数据序列，其中，上述m个子数据序列与m个时段一一对应，m为大于或等于1的整数；第二获得子模块，用于根据上述m个子数据序列，得到与上述第一预设时段对应的序列特征信息。
[0137]
在一些实施例中，上述切分子模块包括：切分单元，用于对上述数据序列进行切分，得到n个子数据序列；过采样单元，用于对上述n个子数据序列进行过采样，得到k个过采样子数据序列；第一获得单元，用于根据与每个第二预设时段对应的预设阈值和每个过采样子数据序列所处的第二预设时段，得到h个过采样子数据序列，其中，第二预设时段为多个；第二获得单元，用于根据上述n个子数据序列和上述h个过采样子数据序列，得到上述m个子数据序列，其中，n为小于或等于m的整数，h为小于或等于k的整数，k为大于或等于1的整数。
[0138]
在一些实施例中，上述第二获得子模块包括：第一特征提取单元，用于对上述m个子数据序列进行第一特征提取，得到m个时域子特征信息；第二特征提取单元，用于对上述m个子数据序列进行第二特征提取，得到m个第一频域子特征信息；第三获得单元，用于根据上述m个第一频域子特征信息，得到m个第二频域子特征信息；确定单元，用于根据上述每个对象的位置信息，确定m个方向信息；第四获得单元，用于根据上述m个子数据序列、上述m个时域子特征信息、上述m个第一频域子特征信息、上述m个第二频域子特征信息和上述m个方向信息，得到与m个时段对应的序列特征信息；第五获得单元，用于根据上述与m个时段对应的序列特征信息，得到与上述第一预设时段对应的序列特征信息。
[0139]
在一些实施例中，上述第一子模型包括卷积网络、循环网络和注意力网络，上述第一获得模块包括：第三获得子模块，用于将上述至少一个序列特征信息输入上述卷积网络，得到第一输出特征信息；第四获得子模块，用于将上述第一输出特征信息输入上述循环网络，得到第二输出特征信息；第五获得子模块，用于将上述第二输出特征信息输入上述注意力网络，得到第一预测信息。
[0140]
在一些实施例中，上述训练模块包括：第一训练模块，用于根据上述标签序列和上述信息序列，调整上述子时段，以训练上述信息确定模型。
[0141]
在一些实施例中，上述标签序列包括j个数据，上述信息序列包括j个数据，j为大于或等于2的整数，上述训练模块包括：第六获得子模块，用于根据上述信息序列的前i个数据和上述标签序列的前i个数据，得到第一差异，其中，i小于或等于j；第七获得子模块，用
于根据上述信息序列的后j-i个数据和上述标签序列的后j-i个数据，得到第二差异；以及第二训练子模块，用于根据上述第一差异和上述第二差异，计算损失值，以训练上述信息确定模型。
[0142]
图8是根据本公开的另一个实施例的环境信息确定装置的框图。
[0143]
如图8所示，该装置800可以包括确定模块810。
[0144]
确定模块810，用于将与第三预设时段对应的至少一个序列特征信息输入信息确定模型，确定与目标时段对应的环境信息。
[0145]
例如，上述信息确定模型是根据本公开提供的装置训练的。
[0146]
在一些实施例中，上述确定模块包括：第六获得子模块，用于将上述至少一个序列特征信息输入上述第一子模型，得到第一环境信息；第七获得子模块，用于根据上述至少一个序列特征信息和上述第二子模型，得到第二环境信息；以及确定子模块，用于根据上述第一环境信息和上述第二环境信息，确定与目标时段对应的环境信息。
[0147]
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
[0148]
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。
[0149]
图9示出了可以用来实施本公开的实施例的示例电子设备900的示意性框图。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。
[0150]
如图9所示，设备900包括计算单元901，其可以根据存储在只读存储器(rom)902中的计算机程序或者从存储单元908加载到随机访问存储器(ram)903中的计算机程序，来执行各种适当的动作和处理。在ram 903中，还可存储设备900操作所需的各种程序和数据。计算单元901、rom902以及ram903通过总线904彼此相连。输入/输出(i/o)接口905也连接至总线904。
[0151]
设备900中的多个部件连接至i/o接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储单元908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900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。
[0152]
计算单元901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901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901执行上文所描述的各个方法和处理，例如信息确定模型的训练方法和/或环境信息确定方法。例如，在一些实施例中，信息确定模型的训练方法和/或环境信息确定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908。在一些实施例中，计算机程序的部分或者全部可以经由rom 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到ram903
并由计算单元901执行时，可以执行上文描述的信息确定模型的训练方法和/或环境信息确定方法的一个或多个步骤。备选地，在其他实施例中，计算单元901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行信息确定模型的训练方法和/或环境信息确定方法。
[0153]
本文中以上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。
[0154]
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。程序代码可以完全在机器上执行、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。
[0155]
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。
[0156]
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。
[0157]
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。
[0158]
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。
[0159]
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，本发公开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。
[0160]
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。