基于数据中心的机柜温度预测方法、数据处理方法及装置与流程

1.本说明书实施例涉及计算机技术领域，特别涉及基于数据中心的机柜温度预测方法、数据处理方法及装置。


背景技术：

2.随着计算机技术的发展，在越来越多的场景中，面临有需要对某个项目数据进行预测的任务，例如某款商品在未来一段时间的销量预测、服务器容量在未来一段时间的容量预测、服务器机柜在未来一段时间的温度值预测等等，在当前的项目预测场景中，通常是基于该项目在过往的历史记录来进行分析，从而对未来一段时间进行预测，但是仅根据该项目的历史记录来分析，会导致最终的预测结果不够准确，因此，继续一种更加稳定、准确的项目数据的预测方法来解决上述问题。


技术实现要素：

3.有鉴于此，本说明书实施例提供了一种基于数据中心的机柜温度预测方法，本说明书一个或者多个实施例同时涉及一种数据处理方法及装置，一种计算设备，一种计算机可读存储介质以及一种计算机程序，以解决现有技术中存在的技术缺陷。
4.根据本说明书实施例的第一方面，提供了一种基于数据中心的机柜温度预测方法，包括：
5.接收针对机柜温度值的预测任务；
6.基于所述预测任务创建包含机柜标识的待预测机柜温度序列和至少一个参考温度序列；
7.将所述待预测机柜温度序列和所述至少一个参考温度序列输入至温度值预测模型进行处理；
8.获取所述温度值预测模型输出的机柜温度值预测序列，其中，所述机柜温度值预测序列包括每个机柜标识对应的机柜温度值。
9.根据本说明书实施例的第二方面，提供了一种数据处理方法，包括：
10.接收针对目标项目的预测任务；
11.基于所述预测任务创建包含节点的待预测目标项目序列和至少一个参考项目序列；
12.将所述待预测目标项目序列和所述至少一个参考项目序列输入至项目预测模型进行处理；
13.获取所述项目预测模型输出的目标项目序列，其中，所述目标项目序列包括每个节点对应所述目标项目的预测目标项目信息。
14.根据本说明书实施例的第三方面，提供了一种基于数据中心的机柜温度预测装置，包括：
15.接收模块，被配置为接收针对机柜温度值的预测任务；
16.创建模块，被配置为基于所述预测任务创建包含机柜标识的待预测机柜温度序列和至少一个参考温度序列；
17.预测模块，被配置为将所述待预测机柜温度序列和所述至少一个参考温度序列输入至温度值预测模型进行处理；
18.获取模块，被配置为获取所述温度值预测模型输出的机柜温度值预测序列，其中，所述机柜温度值预测序列包括每个机柜标识对应的机柜温度值。
19.根据本说明书实施例的第四方面，提供了一种数据处理装置，包括：
20.接收模块，被配置为接收针对目标项目的预测任务；
21.创建模块，被配置为基于所述预测任务创建包含节点的待预测目标项目序列和至少一个参考项目序列；
22.模型处理模块，被配置为将所述待预测目标项目序列和所述至少一个参考项目序列输入至项目预测模型进行处理；
23.获取模块，被配置为获取所述项目预测模型输出的目标项目序列，其中，所述目标项目序列包括每个节点对应所述目标项目的预测目标项目信息。
24.根据本说明书实施例的第五方面，提供了一种计算设备，包括：
25.存储器和处理器；
26.所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现上述方法的步骤。
27.根据本说明书实施例的第六方面，提供了一种计算机可读存储介质，其存储有计算机可执行指令，该指令被处理器执行时实现上述基于数据中心的机柜温度预测方法或数据处理方法的步骤。
28.根据本说明书实施例的第七方面，提供了一种计算机程序，其中，当所述计算机程序在计算机中执行时，令计算机执行上述基于数据中心的机柜温度预测方法或数据处理方法的步骤。
29.本说明书一个实施例提供的基于数据中心的机柜温度预测方法，接收针对机柜温度值的预测任务；基于所述预测任务创建包含机柜标识的待预测机柜温度序列和至少一个参考温度序列；将所述待预测机柜温度序列和所述至少一个参考温度序列输入至温度值预测模型进行处理；获取所述温度值预测模型输出的机柜温度值预测序列，其中，所述机柜温度值预测序列包括每个机柜标识对应的机柜温度值。通过本方法，除了获取待预测机柜温度序列，还要获取与机柜温度序列对应的至少一个参考温度序列，将待预测机柜温度序列和至少一个参考温度列同时输入至预训练好的温度值预测模型中进行处理，使得温度值预测模型根据输入的信息进行处理，获得预测的机柜温度值预测序列。在预测过程中，通过机柜温度和参考温度相结合，可以更加稳定、全面、准确的对机柜温度进行预测，提升预测准确率。
附图说明
30.图1是本说明书一个实施例提供的一种数据处理方法的流程图；
31.图2是本说明书一个实施例提供的一种机柜温度预测的数据处理方法的结构示意图；
32.图3是本说明书一个实施例提供的一种基于数据中心的机柜温度预测方法的处理过程流程图；
33.图4是本说明书一个实施例提供的一种数据处理装置的结构示意图；
34.图5是本说明书一个实施例提供的一种计算设备的结构框图；
35.图6是本说明书一个实施例提供的一种基于数据中心的机柜温度预测装置的结构示意图。
具体实施方式
36.在下面的描述中阐述了很多具体细节以便于充分理解本说明书。但是本说明书能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本说明书内涵的情况下做类似推广，因此本说明书不受下面公开的具体实施的限制。
37.在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本说明书一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
38.应当理解，尽管在本说明书一个或多个实施例中可能采用术语第一、第二等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书一个或多个实施例范围的情况下，第一也可以被称为第二，类似地，第二也可以被称为第一。取决于语境，如在此所使用的词语“如果”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”。
39.首先，对本说明书一个或多个实施例涉及的名词术语进行解释。
40.注意力机制：一种具有对输入分配偏好的通用池化方法。
41.gnn：graph neural network，图神经网络。
42.message passing：一种用来提取图特征的方式。
43.encoder：编码器，用于对输入的信息进行编码。
44.decoder：解码器，用于对已经编码的信息进行解码。
45.在本说明书中，提供了一种数据处理方法，本说明书同时涉及基于数据中心的机柜温度预测方法，一种数据处理方法及装置，一种计算设备，以及一种计算机可读存储介质，在下面的实施例中逐一进行详细说明。
46.参见图1，图1示出了根据本说明书一个实施例提供的一种数据处理方法的流程图，具体包括以下步骤。
47.步骤102：接收针对目标项目的预测任务。
48.在越来越多的场景中，面临有需要对某个项目数据进行预测的任务，例如某款商品在未来一段时间的销量预测、服务器容量在未来一段时间的容量预测、服务器机柜在未来一段时间的温度值预测等等。在当前的项目预测场景中，通常是基于该项目在过往的历史记录来进行分析，从而对未来一段时间进行预测，但是仅根据该项目的历史记录来分析，会导致最终的预测结果不够准确，因此，继续一种更加稳定、准确的项目数据的预测方法来解决上述问题。
49.其中，目标项目具体是指需要进行预测的项目，例如，需要对商品a销售量进行预测，则目标项目为销售量；又例如对服务器硬盘的容量进行预测，则目标项目为硬盘容量；再例如对机房中服务器机柜的温度值进行预测，则目标项目为服务器机柜温度值。
50.针对目标项目的预测任务即针对目标项目在未来一段时间内变化趋势进行预测的任务，例如，接收针对商品a在未来3天的销售量进行预测的预测任务；接收对服务器硬盘在未来10天的容量进行预测的预测任务；接收针对服务器机柜在未来30分钟的温度值进行预测的预测任务。
51.步骤104：基于所述预测任务创建包含节点的待预测目标项目序列和至少一个参考项目序列。
52.节点即为需要预测的对象，在实际应用中，节点的个数可以为一个、两个或多个。例如，对于商品a的销量进行预测，则节点即为商品a；对于服务器集群中服务器的容量进行预测，如果服务器集群中有10台服务器，则具有10个节点，每个节点对应一台服务器标识；对于服务器机柜的温度值进行预测，如果服务器机柜有20个，则具有20个节点，每个节点对应一个服务器机柜标识。
53.待预测目标项目序列具体为一个包括有节点的时间序列，待预测目标项目序列可以通过矩阵的形式标识，依然以上述的例子进行解释说明，对于商品a在未来3天的销量进行预测，则可以创建一个矩阵，矩阵的列为商品a标识，矩阵的行为以天为单位的时间序列，具体的，待预测目标项目序列可以表示为1*3的矩阵；对于服务器集群中每个服务器在未来10天的服务器容量进行预测，则可以创建一个矩阵，矩阵的列为服务器标识，矩阵的行为以天为单位的时间序列，具体的，待预测目标项目序列可以表示为10*10的矩阵；对于服务器机柜在未来30分钟的机柜温度值进行预测，则可以创建一个矩阵，矩阵的列为服务器机柜标识，矩阵的行为以5分钟为单位的时间序列，具体的，待预测目标项目序列可以表示为20*6的矩阵。
54.参考项目具体是指与目标项目具有关联关系的项目，例如目标项目为销售量，则参考项目可以为其他平台的同类型产品的销量、使用环境信息等等；若目标项目为硬盘容量，则参考项目可以是服务器上的应用类型等；又例如，目标项目为服务器机柜温度值，则参考项目可以是服务器上的应用负载、冷通道机柜温度值等等。参考项目可以是一个、两个或者是多个，在实际应用中，可以根据实际情况进行选择。
55.参考项目序列具体是指以参考项目为节点的时间序列，参考项目序列的时间序列与待预测目标项目的时间序列向对应。
56.在本说明书提供的一具体实施方式中，以对商品a的在未来3天的销量进行预测为例，创建商品a为节点，以天为序列的待预测销量序列，具体表现形式为1*3的矩阵，同时创建其他品牌同类型商品b和商品c的参考项目序列，具体表现形式为2*3的矩阵。
57.在本说明书提供的另一具体实施方式中，以对10台服务器在未来10天的容量进行预测为例，创建每个服务器标识为节点，以天为序列的待预测容量序列，具体表现10*10的矩阵。同时创建每个服务器上的应用负载信息的参考项目序列，具体表现形式为10*10的矩阵。
58.步骤106：将所述待预测目标项目序列和所述至少一个参考项目序列输入至项目预测模型进行处理。
59.项目预测模型具体是指用于对目标项目进行预测的模型，该项目预测模型的输入信息除了常规的待预测目标项目序列之外，还包括有上述步骤中的至少一个参考项目序列，本说明书实施例提供的项目预测模型是一种新型的gnn模型，除了待预测目标项目序列外，还要加入参考项目序列，模型的整体框架基于变分自编码器的改进，通过编码器学习变量之间的隐式关系，通过解码器利用学习到的关系和时间序列数据进行预测。
60.gnn(graph neural network)模型是一种直接作用于图结构上的神经网络，图是由顶点和边两部分组成的一种数据结构，图可以通过定点集合和包含的边来进行描述，根据顶点之间是否存在方向依赖关系，边可以是有向的也可以是无向的。
61.gnn的典型应用是节点分类，图中的每个节点都与一个标签相关联，希望预测未标记节点的标签，每个节点v都可以用其特征x_v表示并且与已标记的标签t_v相关联，给定部分标记的图g，目标是用用这些标记的节点来预测未标记的节点标签，通过学习到的每个节点的d维向量(状态)标识为h_v，同时包含其相邻节点的信息。具体的，参见下述公式1：
62.hv＝f(xv，x
co[v]
，h
ne[v]
，x
ne[v]
)
ꢀꢀꢀ
公式1
[0063]
其中，xv代表节点v的特征，x
co[v]
代表连接顶点v的边的特征，h
ne[v]
代表顶点v的邻居节点的嵌入标识，x
ne[v]
代表顶点v的邻居节点特征，hv代表每个节点的d维向量。
[0064]
具体的，所述项目预测模型包括变分自编码器和解码器。
[0065]
变分自编码器(variational auto-encoder，vae)，是一类生成模型，其实质是在常规的自编码器的基础上，对编码的结果加上了高斯噪声，相当于对编码的正则项，变分自编码器通过无监督的方式学习各个变量之间的隐式关系，解码器利用学习到的关系和时间序列数据进行预测。
[0066]
基于此，将所述待预测目标项目序列和所述至少一个参考项目序列输入至项目预测模型进行处理，包括：
[0067]
将所述待预测目标项目序列和所述至少一个参考项目序列输入至所述变分自编码器，获得所述变分自编码器输出隐变量分布信息，其中，所述隐变量分布信息包括每个节点对应所述目标项目的隐变量分布；
[0068]
将所述隐变量分布信息输入至所述解码器，获得所述解码器输出的目标项目序列。
[0069]
在实际应用中，将待预测目标项目序列和所述至少一个参考项目序列输入至变分自编码器，变分自编码器根据输入的信息学习各个变量之间的隐式关系，输出隐变量分布信息，隐变量分布信息中包括每个节点对应的该目标项目的隐变量分布，即隐变量概率。
[0070]
在获得隐变量分布信息后，将该隐变量分布信息输入至解码器进行解码，解码器利用学习到的关系和时间序列数据进行预测，获得目标项目序列。
[0071]
在本说明书提供的一具体实施方式中，以对商品a的在未来3天的销量进行预测为例，将待预测销量序列的1*3的矩阵和参考项目序列2*3的矩阵输入至项目预测模型进行处理，获得编码器输出的商品a在销量在未来3天的隐变量分布信息。
[0072]
其中，所述变分自编码器包括目标项目编码模块和至少一个参考项目编码模块；
[0073]
将所述待预测目标项目序列和所述至少一个参考项目序列输入至所述变分自编码器，获得所述变分自编码器输出隐变量分布信息，包括s1062-s1066：
[0074]
s1062、将所述待预测目标项目序列输入至所述目标项目编码模块，将所述至少一
个参考项目序列输入至所述至少一个参考项目编码模块，其中，参考项目序列与参考项目编码模块一一对应。
[0075]
在实际应用中，参考项目编码模块的数量是与参考项目序列相对应的，如果参考项目序列有3个，则参考项目编码模块也有3个，每个参考项目编码模块与每个参考项目序列相对应。
[0076]
目标项目编码模块与待预测目标项目序列相对应，需要注意的是，在实际应用中，每个项目预测模型对应一种目标项目的预测任务，例如对于销量预测对应的是销量预测模型，对于服务器存储容量的预测对应的容量预测模型等等，项目预测模型不可以互相混用。
[0077]
将待预测目标项目序列和参考项目序列输入至变分自编码器，具体是将待预测目标项目序列输入至目标项目编码模块，将每个参考项目序列输入至对应的参考项目编码模块，在每个编码模块中，通过message passing(消息传递)的方式来提取序列节点中的特征信息和节点间的关联信息。
[0078]
在本说明书提供的一具体实施方式中，以对商品a的在未来3天的销量进行预测为例，将待预测销量序列输入至销量编码模块，将参考项目序列输入至参考项目编码模块。
[0079]
s1064、获得所述目标项目编码模块输出的目标表征向量，获得所述至少一个参考项目编码模块输出的至少一个参考表征向量。
[0080]
每个编码模块输出其对应的表征向量，对于目标项目编码模块输出的是目标表征向量，对于参考项目编码模块输出的是参考表征向量，在实际应用中，表征向量可以通过图的形式表示，例如，目标表征向量可以表征为目标项目图，参考表征向量可以表征为参考项目图。
[0081]
在本说明书提供的一具体实施方式中，以对商品a的在未来3天的销量进行预测为例，获得销量编码模块输出的待预测销量表征向量，同时获得参考项目编码模块输出的参考表征向量。
[0082]
s1066、根据所述目标表征向量和所述至少一个参考表征向量确定并输出所述待预测项目的隐变量分布信息。
[0083]
根据目标表征向量和至少一个参考表征向量进行融合，从而确定并输出待预测项目的隐变量分布信息。具体的，所述变分自编码器还包括第一注意力模块；
[0084]
根据所述目标表征向量和所述至少一个参考表征向量确定并输出所述待预测项目的隐变量分布信息，包括：
[0085]
将所述目标表征向量和所述至少一个参考表征向量输入至所述第一注意力模块；
[0086]
获得所述第一注意力模块输出的所述待预测项目的隐变量分布信息。
[0087]
更近一步的，将目标表征向量和至少一个参考表征向量进行融合是通过编码器中的第一注意力模块，即指导域注意力模块(the guidance domain attention，gda)，gda模块具体是指结合目标表征向量和至少一个参考表征向量进行相互之间的注意力计算，其中，在本说明书提供的实施例中，将目标表征向量作为目标项目的预测域，将参考表征向量作为目标项目的指导域，gda模块将指导域中的信息聚合到预测域中进一步指导关系推理，使得目标项目的推测域可以学习指导域的信息，用于指导目标项目的预测，有效降低预测结果的误差，提高预测结果的准确率。
[0088]
gda模块在接收到目标表征向量和至少一个参考表征向量后，将参考表征向量中
的信息聚合到目标表征向量中，用于指导目标项目的关系推理，并最终输出待预测项目的隐变量分布信息，隐变量分布信息中包括每个节点对应的该目标项目的隐变量分布，即隐变量概率。
[0089]
项目预测模型中的编码器输出的隐变量分布信息输入至解码器中进行处理，由解码器输出目标项目序列。
[0090]
在实际应用中，仅依靠隐变量分布信息输出目标项目序列输出的结果不够准确，还需要参考目标项目的已有数据。基于此，在本说明书提供的另一具体实施方式中，所述方法还包括：
[0091]
获取包含所述节点的历史目标项目序列；
[0092]
相应的，将所述隐变量分布信息和所述历史目标项目序列输入至所述解码器，获得所述解码器输出的目标项目序列，包括：
[0093]
将所述隐变量分布信息和所述历史目标项目序列输入至所述解码器，获得所述解码器输出的目标项目序列。
[0094]
历史目标项目序列即为节点在过去一段时间的关于目标项目的已有信息。例如以商品a的销量预测为例，要对商品a在未来三天的销量预测，历史目标项目序列即为商品a在过去10天的销量信息；对于服务器集群中服务器的容量在未来10天的预测，历史目标项目序列即为每个服务器在过去10天或者15天的容量信息；对于服务器机柜在未来30分钟的温度进行预测，历史目标项目序列即为每个服务器机柜在过去90分钟的温度信息。在实际应用中，将隐变量分布信息和历史目标项目序列一同输入至解码器中进行处理，可以获得更精确的目标项目序列。
[0095]
进一步的，所述解码器包括解码模块、第二注意力模块和输出模块；
[0096]
将所述隐变量分布信息和所述历史目标项目序列输入至所述解码器，获得所述解码器输出的目标项目序列，包括：
[0097]
将所述历史目标项目序列输入至所述解码模块，获得所述解码模块输出的历史目标表征向量；
[0098]
将所述隐变量分布信息和所述历史目标表征向量输入至所述第二注意力模块，获得所述第二注意力模块输出的预测目标表征信息；
[0099]
将所述预测目标表征信息输入至所述输出模块，获得所述输出模块输出的目标项目序列。
[0100]
历史目标项目序列输入至解码器中的解码模块，由解码模块对历史目标项目序列进行处理，提取历史目标项目序列中的历史目标表征向量。
[0101]
在获得历史目标表征向量之后，再与隐变量分布信息一同输入至第二注意力模块中进行处理，第二注意力模块即域内注意力模块(the intra-domain attention，ida)，ida模块具体是指将目标项目对应的预测域的相关信息之间进行注意力计算，在预测阶段捕获异步的交互信息。具体的，历史目标表征向量是指目标项目在过去一段时间里已有的特征信息，隐变量分布信息是指目标项目在未来一段时间进行预测时每个节点的预测值的概率分布，历史目标表征向量和隐变量分布信息均是目标项目对应的不同维度的特征信息，第二注意力模块输出预测目标表征信息，再由输出模块对预测表征信息进行全连接处理，最终输出目标项目序列。
[0102]
在实际应用中，项目预测模型是预先训练好的，需要注意的是，不同的目标项目对应不同的项目预测模型，即如果对不同的目标项目进行预测，需要训练不同的项目预测模型。在本说明书提供的另一具体实施方式中，所述项目预测模型通过下述步骤训练获得：
[0103]
获取包含节点的样本待预测目标项目序列、至少一个样本参考项目序列和样本目标项目序列；
[0104]
将所述样本待预测目标项目序列和所述至少一个样本参考项目序列输入待训练项目预测模型进行处理；
[0105]
获得所述待训练项目预测模型输出的预测目标项目序列；
[0106]
基于所述预测目标项目序列和所述样本目标项目序列计算模型损失值；
[0107]
根据所述模型损失值调整所述待训练项目预测模型的模型参数，并继续训练所述待训练项目预测模型，直至达到训练停止条件，获得目标项目预测模型。
[0108]
其中，样本待预测目标项目序列、至少一个样本参考项目序列是需要进行预测的样本序列，样本目标项目序列，是已知的目标项目序列，将样本待预测目标项目序列和至少一个样本参考项目序列输入至待训练项目预测模型中进行处理。
[0109]
具体的，将样本待预测目标项目序列输入至模型的目标项目编码模块中进行处理，获得样本目标表征向量。将至少一个样本参考项目序列分别输入至对应的参考项目编码模块，获得样本参考表征向量。
[0110]
将样本目标表征向量和样本参考表征向量输入至指导域注意力模块(gda模块)进行注意力计算，获得待预测项目的隐变量分布信息。
[0111]
将样本历史目标项目序列输入至解码器的解码模块中进行解码，获得样本历史目标表征向量，将样本历史目标表征向量和隐变量分布信息输入至解码器中的域内注意力模块(ida模块)进行注意力计算，获得预测目标表征信息，再通过解码器的输出模块，根据预测目标表征信息输出对应的预测目标项目序列。
[0112]
此时的预测目标项目序列是由未训练好的待训练项目预测模型预测的，其与实际的目标项目序列还有一定误差，因此需要根据预测目标项目序列和样本目标项目序列计算模型损失值，计算模型损失值的损失函数在实际应用中可以为0-1损失函数、平方损失函数、交叉熵损失函数等，在本说明书中，对损失函数的选取不做限定，以实际应用为准。
[0113]
在计算模型损失值之后，将模型损失值在该待训练项目预测模型中进行反向传播，调整待训练项目预测模型的模型参数，具体的，模型参数可以为学习率参数、btach_size参数，还包括目标项目编码模块、参考项目编码模块、gda模块、ida模块中的模型参数。在调整完模型参数后，完成当前此的训练调参，并用下一批次的样本数据继续训练该待训练项目预测模型，直至达到模型训练停止条件，至此，可以获得已经完成训练的目标项目预测模型。
[0114]
模型训练停止条件在实际应用中具体包括模型损失值小于预设阈值和/或训练轮次达到预设的轮次，在本说明书中对模型训练停止条件也不做限定，以实际应用为准。
[0115]
步骤108：获取所述项目预测模型输出的目标项目序列，其中，所述目标项目序列包括每个节点对应所述目标项目的预测目标项目信息。
[0116]
获取项目预测模型输出的目标项目序列，具体的，目标项目序列中是目标项目在未来一段时间的预测值，其包括每个节点对应的预测目标项目信息。
[0117]
在本说明书提供的一具体实施方式中，以对商品a的在未来3天的销量进行预测为例，项目预测模型输出的目标项目序列为商品a在未来3天每天的预测销量。
[0118]
在本说明书提供的另一具体实施方式中，以对10台服务器在未来10天的容量进行预测为例，项目预测模型输出的目标项目序列为每台服务器在未来10天中每天的预测容量信息。
[0119]
在获得预测目标项目信息之后，还可以根据目标项目序列中的预测目标项目信息进行相应的项目处理，在本说明书提供的另一具体实施方式中，所述方法还包括：
[0120]
在检测到所述目标项目序列中包括异常目标项目信息的情况下，提示异常信息。
[0121]
在获得预测目标项目信息之后，还可以对预测目标项目信息中的预测目标项目信息进行检测，如果某个预测目标项目信息异常(如超过阈值)，则可以提示异常信息。
[0122]
在本说明书提供的一具体实施方式中，以对商品a的在未来3天的销量进行预测为例，项目预测模型输出的目标项目序列为商品a在未来3天每天的预测销量。其中，第3天的预测销售量远大于平时，则发出异常信息，商家可以根据该异常信息来提前备货。
[0123]
在本说明书提供的另一具体实施方式中，以对10台服务器在未来10天的容量进行预测为例，项目预测模型输出的目标项目序列为每台服务器在未来10天中每天的预测容量信息。其中，服务器03在第5天的预测容量信息超过阈值，则提示异常信息，服务器管理员在接收到该异常信息后，可以提前清理服务器03中的数据，保证该服务器可以正常运行。
[0124]
本说明书一个实施例提供的数据处理方法，包括接收针对目标项目的预测任务；基于所述预测任务创建包含节点的待预测目标项目序列和至少一个参考项目序列；将所述待预测目标项目序列和所述至少一个参考项目序列输入至项目预测模型进行处理；获取所述项目预测模型输出的目标项目序列，其中，所述目标项目序列包括每个节点对应所述目标项目的预测目标项目信息。通过本方法，除了获取待预测目标项目序列，还要获取与目标项目序列对应的至少一个参考项目序列，将待预测目标项目序列和至少一个参考项目序列同时输入至预训练好的项目预测模型中进行处理，使得项目预测模型根据输入的信息进行处理，获得预测的目标项目序列。在预测过程中，通过目标项目和目标项目对应的参考项目相结合，可以更加稳定、全面、准确的对目标项目进行预测，提升预测准确率。
[0125]
其次，在项目预测模型中引入了第一注意力模块和第二注意力模块，并在第一注意力模块中将参考项目序列的信息加入到注意力计算中，将参考项目序列的信息聚合到目标项目序列预测中，并为目标项目的预测的指导关系推理提供辅助。通过第二注意力模块在预测阶段参考目标项目的历史信息和预测分布信息获取异步的交互，更准确的提升目标项目的预测准确率，降低预测误差。
[0126]
下述结合附图2和附图3，以本说明书提供的数据处理方法在机柜温度预测的应用为例，对所述数据处理方法进行进一步说明。
[0127]
随着计算机技术的发展，数据信息的地位也越来越重要，数据信息通常保存在数据中心的服务器中，服务器部署在服务器机柜中，数据中心有很多服务器机柜，每个服务器机柜上部署有测温设备，用于确定机柜的机柜温度，而如果机柜温度过高，则会导致服务器出现性能变差，甚至不工作的情况，造成严重后果。因此，预测机柜温度并在机柜温度异常时及时告警能有效预防因机柜温度过高导致的服务器宕机的情况，因此，亟需一种稳定、准确的机柜温度预测方法来解决机柜温度预测不准确的问题。
[0128]
基于此，参见图2和图3，图2示出了本说明书以实施例提供的一种机柜温度预测的数据处理方法的结构示意图。如图2所示，根据机房中每个机柜的机柜标识创建待预测温度序列、it负载序列和冷通道温度序列，其中，待预测温度序列为待预测目标项目序列，it负载序列和冷通道温度序列为参考项目序列。
[0129]
将待预测温度序列、it负载序列和冷通道温度序列分别输入至机柜温度值编码模块、it负载编码模块、冷通道温度值编码模块中进行处理，获得机柜温度值表征向量、it负载表征向量、冷通道温度表征向量。并将机柜温度值表征向量、it负载表征向量、冷通道温度表征向量输入至第一注意力模块中做注意力计算，获得机柜温度值的隐变量分布信息。
[0130]
将隐变量分布信息输入至解码器处理，最终获得解码器输出的机柜温度值预测序列。
[0131]
参见图3，图3示出了本说明书一个实施例提供的一种基于数据中心的机柜温度预测方法的处理过程流程图，具体包括以下步骤。
[0132]
步骤302：接收针对机柜温度值的预测任务。
[0133]
步骤304：基于所述预测任务创建包含多个机柜标识的待预测温度序列、it负载序列、冷通道温度序列和历史机柜温度值序列。
[0134]
步骤306：获取温度值预测模型，其中，该温度值预测模型包括变分自编码器和解码器，该变分自编码器包括机柜温度值编码模块、it负载编码模块、冷通道温度值编码模块和第一注意力模块，该解码器包括解码模块、第二注意力模块和输出模块。
[0135]
步骤308：将待预测温度序列输入至机柜温度值编码模块，将it负载序列输入至it负载编码模块，将冷通道温度序列输入至冷通道温度值编码模块。
[0136]
步骤310：获得机柜温度值编码模块输出的机柜温度值表征向量、it负载编码模块输出的it负载表征向量、冷通道温度值编码模块输出的冷通道温度表征向量。
[0137]
步骤312：将机柜温度值表征向量、it负载表征向量和冷通道温度表征向量输入至第一注意力模块，获得第一注意力模块输出的机柜温度值的隐变量分布信息。
[0138]
步骤314：将历史机柜温度值序列输入至解码模块，获得解码模块输出的历史机柜温度值表征向量。
[0139]
步骤316：将隐变量分布信息和历史机柜温度值表征向量输入至第二注意力模块，获得第二注意力模块输出的预测机柜温度值表征。
[0140]
步骤318：将所述预测机柜温度值表征输入至输出模块，获得输出模块输出的每个机柜标识对应的机柜温度值预测序列。
[0141]
需要注意的是，机柜温度值可以理解为上述实施例中的目标项目；机柜标识可以理解为上述实施例中的节点；待预测温度序列可以理解为上述实施例中的待预测目标项目序列；it负载序列、冷通道温度序列和历史机柜温度值序列可以理解为上述实施例中的参考项目序列；温度值预测模型可以理解为上述实施例中的项目预测模型；机柜温度值编码模块、it负载编码模块、冷通道温度值编码模块可以理解为上述实施例中的参考项目编码模块；机柜温度值预测序列可以理解为上述实施例中的预测目标项目信息。
[0142]
基于数据中心的机柜温度预测方法与上述实施例中的数据处理方法的技术方案属于同一构思，基于数据中心的机柜温度预测方法的技术方案未详细描述的技术细节，均可参见上述数据处理方法的技术方案的描述。
[0143]
本说明书实施例提供的基于数据中心的机柜温度预测方法，参考了多个影响机柜温度值的参考信息，如it负载、冷通道温度、历史机柜温度等，通过多个参考项目序列来知道机柜温度值的预测，能明显降低预测误差，提高预测准确率。
[0144]
与上述数据处理方法实施例相对应，本说明书还提供了数据处理装置实施例，图4示出了本说明书一个实施例提供的一种数据处理装置的结构示意图。如图4所示，该装置包括：
[0145]
接收模块402，被配置为接收针对目标项目的预测任务；
[0146]
创建模块404，被配置为基于所述预测任务创建包含节点的待预测目标项目序列和至少一个参考项目序列；
[0147]
模型处理模块406，被配置为将所述待预测目标项目序列和所述至少一个参考项目序列输入至项目预测模型进行处理；
[0148]
获取模块408，被配置为获取所述项目预测模型输出的目标项目序列，其中，所述目标项目序列包括每个节点对应所述目标项目的预测目标项目信息。
[0149]
可选的，所述项目预测模型包括变分自编码器和解码器；
[0150]
所述模型处理模块406，进一步被配置为：
[0151]
将所述待预测目标项目序列和所述至少一个参考项目序列输入至所述变分自编码器，获得所述变分自编码器输出隐变量分布信息，其中，所述隐变量分布信息包括每个节点对应所述目标项目的隐变量分布；
[0152]
将所述隐变量分布信息输入至所述解码器，获得所述解码器输出的目标项目序列。
[0153]
可选的，所述变分自编码器包括目标项目编码模块和至少一个参考项目编码模块；
[0154]
所述模型处理模块406，进一步被配置为：
[0155]
将所述待预测目标项目序列输入至所述目标项目编码模块，将所述至少一个参考项目序列输入至所述至少一个参考项目编码模块，其中，参考项目序列与参考项目编码模块一一对应；
[0156]
获得所述目标项目编码模块输出的目标表征向量，获得所述至少一个参考项目编码模块输出的至少一个参考表征向量；
[0157]
根据所述目标表征向量和所述至少一个参考表征向量确定并输出所述待预测项目的隐变量分布信息。
[0158]
可选的，所述变分自编码器还包括第一注意力模块；
[0159]
所述模型处理模块406，进一步被配置为：
[0160]
将所述目标表征向量和所述至少一个参考表征向量输入至所述第一注意力模块；
[0161]
获得所述第一注意力模块输出的所述待预测项目的隐变量分布信息。
[0162]
可选的，所述方法还包括：
[0163]
历史序列获取模块，被配置为获取包含所述节点的历史目标项目序列；
[0164]
相应的，所述模型处理模块406，进一步被配置为：
[0165]
将所述隐变量分布信息和所述历史目标项目序列输入至所述解码器，获得所述解码器输出的目标项目序列。
[0166]
可选的，所述解码器包括解码模块、第二注意力模块和输出模块；
[0167]
所述模型处理模块406，进一步被配置为：
[0168]
将所述历史目标项目序列输入至所述解码模块，获得所述解码模块输出的历史目标表征向量；
[0169]
将所述隐变量分布信息和所述历史目标表征向量输入至所述第二注意力模块，获得所述第二注意力模块输出的预测目标表征信息；
[0170]
将所述预测目标表征信息输入至所述输出模块，获得所述输出模块输出的目标项目序列。
[0171]
可选的，所述装置还包括训练模块，被配置为：
[0172]
获取包含节点的样本待预测目标项目序列、至少一个样本参考项目序列和样本目标项目序列；
[0173]
将所述样本待预测目标项目序列和所述至少一个样本参考项目序列输入待训练项目预测模型进行处理；
[0174]
获得所述待训练项目预测模型输出的预测目标项目序列；
[0175]
基于所述预测目标项目序列和所述样本目标项目序列计算模型损失值；
[0176]
根据所述模型损失值调整所述待训练项目预测模型的模型参数，并继续训练所述待训练项目预测模型，直至达到训练停止条件，获得目标项目预测模型。
[0177]
可选的，所述节点包括服务器机柜标识；
[0178]
所述目标项目包括服务器机柜温度值；
[0179]
所述至少一个参考项目序列包括服务器机柜部署的应用负载和/或冷通道机柜温度值。
[0180]
可选的，所述装置还包括：
[0181]
提示模块，被配置为在检测到所述目标项目序列中包括异常目标项目信息的情况下，提示异常信息。
[0182]
本说明书一个实施例提供的数据处理装置，包括接收针对目标项目的预测任务；基于所述预测任务创建包含节点的待预测目标项目序列和至少一个参考项目序列；将所述待预测目标项目序列和所述至少一个参考项目序列输入至项目预测模型进行处理；获取所述项目预测模型输出的目标项目序列，其中，所述目标项目序列包括每个节点对应所述目标项目的预测目标项目信息。通过本装置，除了获取待预测目标项目序列，还要获取与目标项目序列对应的至少一个参考项目序列，将待预测目标项目序列和至少一个参考项目序列同时输入至预训练好的项目预测模型中进行处理，使得项目预测模型根据输入的信息进行处理，获得预测的目标项目序列。在预测过程中，通过目标项目和目标项目对应的参考项目相结合，可以更加稳定、全面、准确的对目标项目进行预测，提升预测准确率。
[0183]
其次，在项目预测模型中引入了第一注意力模块和第二注意力模块，并在第一注意力模块中将参考项目序列的信息加入到注意力计算中，将参考项目序列的信息聚合到目标项目序列预测中，并为目标项目的预测的指导关系推理提供辅助。通过第二注意力模块在预测阶段参考目标项目的历史信息和预测分布信息获取异步的交互，更准确的提升目标项目的预测准确率，降低预测误差。上述为本实施例的一种数据处理装置的示意性方案。需要说明的是，该数据处理装置的技术方案与上述的数据处理方法的技术方案属于同一构
思，数据处理装置的技术方案未详细描述的细节内容，均可以参见上述数据处理方法的技术方案的描述。
[0184]
图5示出了根据本说明书一个实施例提供的一种计算设备500的结构框图。该计算设备500的部件包括但不限于存储器510和处理器520。处理器520与存储器510通过总线530相连接，数据库550用于保存数据。
[0185]
计算设备500还包括接入设备540，接入设备540使得计算设备500能够经由一个或多个网络560通信。这些网络的示例包括公用交换电话网(pstn)、局域网(lan)、广域网(wan)、个域网(pan)或诸如因特网的通信网络的组合。接入设备540可以包括有线或无线的任何类型的网络接口(例如，网络接口卡(nic))中的一个或多个，诸如ieee802.11无线局域网(wlan)无线接口、全球微波互联接入(wi-max)接口、以太网接口、通用串行总线(usb)接口、蜂窝网络接口、蓝牙接口、近场通信(nfc)接口，等等。
[0186]
在本说明书的一个实施例中，计算设备500的上述部件以及图5中未示出的其他部件也可以彼此相连接，例如通过总线。应当理解，图5所示的计算设备结构框图仅仅是出于示例的目的，而不是对本说明书范围的限制。本领域技术人员可以根据需要，增添或替换其他部件。
[0187]
计算设备500可以是任何类型的静止或移动计算设备，包括移动计算机或移动计算设备(例如，平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如，智能手机)、可佩戴的计算设备(例如，智能手表、智能眼镜等)或其他类型的移动设备，或者诸如台式计算机或pc的静止计算设备。计算设备500还可以是移动式或静止式的服务器。
[0188]
其中，处理器520用于执行如下计算机可执行指令，该计算机可执行指令被处理器执行时实现上述数据处理方法的步骤。
[0189]
上述为本实施例的一种计算设备的示意性方案。需要说明的是，该计算设备的技术方案与上述的数据处理方法或基于数据中心的机柜温度预测方法的技术方案属于同一构思，计算设备的技术方案未详细描述的细节内容，均可以参见上述数据处理方法或基于数据中心的机柜温度预测方法的技术方案的描述。
[0190]
与上述基于数据中心的机柜温度预测方法实施例相对应，本说明书还提供了基于数据中心的机柜温度预测装置实施例，图6示出了本说明书一个实施例提供的一种基于数据中心的机柜温度预测装置的结构示意图。如图6所示，该装置包括：
[0191]
接收模块602，被配置为接收针对机柜温度值的预测任务；
[0192]
创建模块604，被配置为基于所述预测任务创建包含机柜标识的待预测机柜温度序列和至少一个参考温度序列；
[0193]
预测模块606，被配置为将所述待预测机柜温度序列和所述至少一个参考温度序列输入至温度值预测模型进行处理；
[0194]
获取模块608，被配置为获取所述温度值预测模型输出的机柜温度值预测序列，其中，所述机柜温度值预测序列包括每个机柜标识对应的机柜温度值。
[0195]
本说明书实施例提供的基于数据中心的机柜温度预测装置，参考了多个影响机柜温度值的参考信息，如it负载、冷通道温度、历史机柜温度等，通过多个参考项目序列来知道机柜温度值的预测，能明显降低预测误差，提高预测准确率。
[0196]
本说明书一实施例还提供一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现上述基于数据中心的机柜温度预测方法或数据处理方法的步骤。
[0197]
上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是，该存储介质的技术方案与上述的基于数据中心的机柜温度预测方法或数据处理方法的技术方案属于同一构思，存储介质的技术方案未详细描述的细节内容，均可以参见上述基于数据中心的机柜温度预测方法或数据处理方法的技术方案的描述。
[0198]
本说明书一实施例还提供一种计算机程序，其中，当所述计算机程序在计算机中执行时，令计算机执行上述基于数据中心的机柜温度预测方法或数据处理方法的步骤。
[0199]
上述为本实施例的一种计算机程序的示意性方案。需要说明的是，该计算机程序的技术方案与上述的基于数据中心的机柜温度预测方法或数据处理方法的技术方案属于同一构思，计算机程序的技术方案未详细描述的细节内容，均可以参见上述基于数据中心的机柜温度预测方法或数据处理方法的技术方案的描述。
[0200]
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
[0201]
所述计算机指令包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
[0202]
需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本说明书实施例并不受所描述的动作顺序的限制，因为依据本说明书实施例，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本说明书实施例所必须的。
[0203]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。
[0204]
以上公开的本说明书优选实施例只是用于帮助阐述本说明书。可选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书实施例的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本说明书实施例的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本说明书。本说明书仅受权利要求书及其全部范围和等效物的限制。