(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111415279.6 (22)申请日 2021.11.25 (71)申请人 清华大学 地址 100084 北京市海淀区清华大 学 (72)发明人 邓仰东　 (74)专利代理 机构 北京聿宏知识产权代理有限 公司 11372 代理人 陈超德　吴昊 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/00(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 温度预测模 型的训练方法、 预测方法、 装置、 设备及介质 (57)摘要 本发明实施例公开一种温度预测模型的训 练方法、 预测方法、 装置、 设备及介质， 其中， 训练 方法包括： 采集电子器件的温度数据和不同温度 下电子器件的电气特征数据； 对温度数据和对应 的电气特征数据按照预设时间间隔进行分段； 对 于分段后每个时间段的温度数据和电气特征数 据， 按照预设的窗口滑动步长进行数据采集， 并 利用所有采集的温度数据和电气特征数据形成 特征矩阵； 从特征矩阵中选择第一时间段内的温 度数据和电气特征数据、 以及第二时间段内的电 气特征数据作为基础数据， 并将第二时间段内的 温度数据作为待预测数据； 利用基础数据和待预 测数据对温度预测模型进行训练。 通过采用上述 技术方案， 有效解决了数据分析难度大和温度预 测精度差的问题。 权利要求书2页 说明书10页 附图3页 CN 114066090 A 2022.02.18 CN 114066090 A 1.一种温度预测模型的训练方法， 其特 征在于， 包括： 采集电子器件的温度 数据， 和不同温度 下所述电子器件的电气特征数据； 其中， 所述温 度数据和各电气特 征数据按照相同的频率进行采样； 对所述温度数据和对应的电气特 征数据按照预设时间 间隔进行分段； 对于分段后每个时间段的温度 数据和电气特征数据， 按照预设的窗口滑动 步长进行数 据提取， 并利用所有提取的温度数据和电气特 征数据形成特 征矩阵； 从所述特征矩阵中选择第 一时间段内的温度 数据和电气特征数据、 以及第 二时间段内 的电气特 征数据作为基础数据， 并将第二时间段内的温度数据作为待预测数据； 将所述基础数据和所述待预测数据作为训练样本集对温度 预测模型进行训练， 以使所 述温度预测模型建立 不同时间段的温度数据与电气特 征数据的关联关系； 其中， 第一时间段和第二时间段按照时间的先后顺序排列。 2.根据权利要求1所述的方法， 其特征在于， 对于分段后每个时间段的温度数据和电气 特征数据， 按照预设的窗口滑动步长进行数据提取， 并利用所有提取 的温度数据和电气特 征数据形成特 征矩阵， 包括： 对于分段后每个时间段的温度 数据和电气特征数据， 分别将其分解为不同频率的子温 度信号数据和子电气特 征信号数据； 分别对子温度信号数据和子电气特 征信号数据进行归一 化； 对于每个时间段内的归一化后的子温度信号数据， 和归一化后的子电气特征信号数 据， 在按照预设的窗口滑动步长进行数据提取， 并利用所有提取 的温度数据和特征数据形 成特征矩阵。 3.根据权利要求1所述的方法， 其特征在于， 所述温度预测模型为深度神经网络模型， 所述深度神经网络模型包括： 依次连接的第一特征提取模块、 第二特征提取模块、 第三特征提取模块和第 四特征提 取模块， 用于对所述训练样本集依次进行 特征提取； 其中， 第一特征提取模块、 第二特 征提取模块、 第三特 征提取模块， 分别由： 全连接单元FC、 线性整流线性单元ReLU、 批标准化单元BN和部分丢弃神经元单元 Dropout组成； 所述第四特征提取模块， 由全连接单元FC、 批标准化单元BN和部分丢弃神经元单元 Dropout组成， 所述第四特 征提取模块用于 输出温度预测数据。 4.一种电子器件的温度预测方法， 其特 征在于， 包括： 将采集的电子器件在第 一时间段内的温度 数据、 电气特征数据和第 二时间段内的电气 特征数据作为基础数据； 将所述基础数据分解 为不同频率的子信号数据， 并对所述子信号数据进行归一 化； 基于温度预测模型， 根据归一化后的子信号数据进行温度预测， 得到所述电子器件在 第二时间段内的温度预测数据； 其中， 所述温度预测模型采用如权利要求1 ‑3任一所述的温度预测模型的训练方法进 行训练。 5.一种温度预测模型的训练装置， 其特 征在于， 包括： 数据采集模块， 被配置为采集电子器件的温度数据， 和不同温度下所述电子器件的 电权　利　要　求　书 1/2 页 2 CN 114066090 A 2气特征数据； 时间分段模块， 被配置为对所述温度 数据和对应的电气特征数据按照预设时间间隔进 行分段； 特征矩阵形成模块， 被配置为对于分段后每个时间段的温度数据和电气特征数据， 按 照预设的窗口滑动步长进 行数据提取， 并利用所有提取的温度数据和电气特征数据形成特 征矩阵； 训练样本确定模块， 被配置为从所述特征矩阵中选择第 一时间段内的温度数据和电气 特征数据、 以及第二时间段内的电气特征数据作为基础数据， 并将第二时间段内的温度数 据作为待预测数据； 模型训练模块， 被配置为利用所述基础数据和所述待预测数据作为训练样本集， 对温 度预测模型进 行训练， 以使所述温度预测模型建立不同时间段的温度数据与电气特征数据 的关联关系； 其中， 第一时间段和第二时间段按照时间的先后顺序排列。 6.一种电子器件的温度预测装置， 其特 征在于， 包括： 基础数据确定模块， 被配置为将采集的 电子器件在第一时间段内的温度数据、 电气特 征数据和第二时间段内的电气特 征数据作为基础数据； 数据变换模块， 被配置为将所述基础数据分解为不同频率的子信号数据， 并对所述子 信号数据进行归一 化； 温度预测模块， 被配置为基于温度预测模型， 根据归一化后的子信号数据进行温度预 测， 得到所述电子器件在第二时间段内的温度数据； 其中， 所述温度预测模型采用如权利要求1 ‑3任一所述的温度预测模型的训练方法进 行训练。 7.一种计算设备， 其特 征在于， 所述计算设备包括： 一个或多个处 理器； 存储装置， 用于存 储一个或多个程序， 当所述一个或多个程序被所述一个或多个处理器执行， 使得所述一个或多个处理器实 现如权利要求1 ‑3中任一所述的温度预测模型的训练方法。 8.一种计算设备， 其特 征在于， 所述计算设备包括： 一个或多个处 理器； 存储装置， 用于存 储一个或多个程序， 当所述一个或多个程序被所述一个或多个处理器执行， 使得所述一个或多个处理器实 现如权利要求 4所述的电子器件的温度预测方法。 9.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 该程序被处理器执 行时实现如权利要求1 ‑3中任一所述的温度预测模型的训练方法。 10.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 该程序被处理器 执行时实现如权利要求 4所述的电子器件的温度预测方法。权　利　要　求　书 2/2 页 3 CN 114066090 A 3