(19)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 202210941335.8 (22)申请日 2022.08.05 (71)申请人 北京百度网讯科技有限公司 地址 100085 北京市海淀区上地十街10号 百度大厦二层 (72)发明人 卞传鑫　孙玥　田伦　杨胜文　 (74)专利代理 机构 北京清亦华知识产权代理事 务所(普通 合伙) 11201 专利代理师 孟洋 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06F 16/9537(2019.01) G06N 20/00(2019.01) H02J 3/00(2006.01) (54)发明名称 负荷预测方法、 负荷预测模 型的训练方法及 相关设备 (57)摘要 本公开提出了一种负荷预测方法、 负荷预测 模型的训练方法及相关设备， 涉及深度学习等人 工智能领域， 方法包括获取历史负荷时序数据与 历史外源性时序数据和预测时间范围内的可预 知外源性时序数据； 获取在历史外源性时序数据 影响下历史负荷时序数据的第一负荷变化信息， 并提取第一负荷变化信息对应的第一特征； 根据 第一特征， 获取在可预知外源性时序数据影响 下， 预测时间范围内的第一预测负荷时序数据； 根据第一预测负荷时序数据， 获取预测时间范围 内的目标预测负荷时序数据。 本公开中， 实现了 基于外源性时序数据的负荷预测， 提高了负荷预 测的准确性， 使得负荷预测方法具备了更好的适 用性和实用性， 优化了负荷预测方法。 权利要求书7页 说明书27页 附图8页 CN 115310697 A 2022.11.08 CN 115310697 A 1.一种负荷预测方法， 其中， 所述方法包括： 获取历史负荷时序数据与历史外源性时序数据和预测时间范围内的可预知外源性时 序数据； 获取在所述历史外源性 时序数据影响下所述历史负荷时序 数据的第 一负荷变化信 息， 并提取所述第一负荷变化信息对应的第一特 征； 根据所述第一特征， 获取在所述可预知外源性时序数据影响下， 所述预测时间范围内 的第一预测负荷时序数据； 根据所述第一预测负荷时序数据， 获取所述预测时间范围内的目标预测负荷时序数 据。 2.根据权利要求1所述的方法， 其中， 所述根据所述第一预测负荷时序数据， 获取所述 预测时间范围内的目标 预测负荷时序数据， 包括： 获取所述历史负荷时序数据对应的历史时序特征， 其中， 所述历史时序特征包括历史 时序趋势特 征和历史季节性特 征中的至少一种； 根据所述历史时序特 征， 获取所述预测时间范围内的第二预测负荷时序数据； 根据所述第 一预测负荷时序 数据和所述第 二预测负荷时序 数据， 获取所述目标预测负 荷时序数据。 3.根据权利要求2所述的方法， 其中， 所述根据所述历史时序特征， 获取所述预测时间 范围内的第二预测负荷时序数据， 包括： 获取历史外源性时序数据对应的历史外源性特 征； 获取在所述历史时序 特征和所述历史外源性特征的共同影响下， 所述历史负荷时序 数 据的第二负荷变化信息， 并提取 所述第二负荷变化信息对应的第二特 征； 根据所述第二特 征， 获取所述预测时间范围内的所述第二预测负荷时序数据。 4.根据权利要求3所述的方法， 其中， 所述根据所述第二特征， 获取所述预测时间范围 内的所述第二预测负荷时序数据， 包括： 获取所述预测时间范围对应的预测时序特征， 其中， 所述预测时序特征包括所述预测 时间范围对应的预测时序趋势特 征以及预测季节性特 征中的至少一种； 从所述可 预知外源性时序数据中， 获取 所述预测时间范围内的可 预知外源性特 征； 根据所述第 二特征， 获取在所述预测时序 特征以及所述可预知外源性特征共同影响下 的， 所述预测时间范围内的所述第二预测负荷时序数据。 5.根据权利要求1 ‑4中任一项所述的方法， 其中， 所述预测时间范围内的可预知外源性 时序数据的获取 过程， 包括： 获取所述预测时间范围内的观测变量 时序数据、 预测协变量 时序数据以及静态变量 时 序数据； 基于所述预测时间范围内的时序信息， 对所述观测变量时序数据、 所述预测外源性时 序数据以及所述静态变量时序数据进 行时序维度上的整合， 以得到所述预测时间范围内的 所述可预知外源性时序数据。 6.根据权利要求2 ‑4中任一项所述的方法， 其中， 所述根据 所述第一预测负荷时序 数据 和所述第二预测负荷时序数据， 获取所述预测时间范围内的所述 目标预测负荷时序数据， 包括：权　利　要　求　书 1/7 页 2 CN 115310697 A 2将所述第一预测负荷时序数据和所述第 二预测负荷时序 数据， 按照时序进行负荷时间 整合得到整合负荷时序数据， 作为所述目标 预测负荷时序数据。 7.一种负荷预测模型的训练方法， 其中， 所述方法包括： 获取样本时间范围内的样本负荷时序数据与样本 外源性时序数据； 将所述样本负荷时序 数据与样本外源性 时序数据输入待训练的负荷预测模型中， 由所 述负荷预测模型获取在所述样本外源性时序数据影响下所述样本负荷时序数据的第一样 本负荷变化信息， 并提取 所述第一样本负荷变化信息的第一样本特 征； 基于所述第一样本特征， 获取在所述样本外源性时序数据影响下， 所述样本时间范围 的第一负荷时序数据； 根据所述第一负荷时序数据和所述样本负荷时序数据， 对所述负荷预测模型进行调 整， 并返回对调整后的负荷预测模型继续训练， 以得到训练好的目标负荷预测模型。 8.根据权利要求7所述的方法， 其中， 所述根据所述第 一负荷时序 数据与所述样本负荷 时序数据， 对所述负荷预测模型进 行调整， 并返回对调整后的负荷预测模型模型继续训练， 以得到训练好的目标负荷预测模型， 包括： 基于所述负荷预测模型， 获取所述样本负荷时序 数据的样本时序 特征， 其中， 所述样本 时序特征包括所述样本负荷时序数据的样本时序趋势特征和样本季节性特征中的至少一 种； 基于所述样本时序特征， 获取所述负荷预测模型的中间层得到的所述样本时间范围内 的第二负荷时序数据； 根据所述第 一负荷时序 数据和所述第 二负荷时序 数据， 获取所述负荷预测模型输出的 目标负荷时序数据； 根据所述目标负荷时序数据和所述样本负荷时序数据， 对所述负荷预测模型进行调 整， 并返回对调整后的负荷预测模型模型继续训练， 以得到训练好的目标负荷预测模型。 9.根据权利要求8所述的方法， 其中， 所述基于所述样本时序特征， 获取所述负荷预测 模型的中间层得到的所述样本时间范围内的第二负荷时序数据， 包括： 获取所述样本 外源性时序数据对应的样本 外源性特 征； 获取在所述样本时序 特征以及所述样本外源性特征的共同影响下， 所述样本负荷时序 数据的第二样本负荷变化信息， 并提取 所述第二样本负荷变化信息对应的第二样本特 征； 根据所述第二样本特 征， 获取所述样本时间范围内的所述第二负荷时序数据。 10.根据权利要求9所述的方法， 其中， 所述根据所述第一负荷时序数据和所述第二负 荷时序数据， 获取 所述负荷预测模型输出的目标负荷时序数据， 包括： 获取所述负荷预测模型的多个级联的堆栈中的至少一个堆栈输出的所述第一负荷时 序数据， 以及除所述至少一个堆栈之外的剩余 堆栈输出的所述第二负荷时序数据； 对所述第一负荷时序 数据和所述第 二负荷时序数据进行时序维度 上的整合， 以得到整 合后的所述目标负荷时序数据。 11.根据权利要求10所述的方法， 其中， 所述方法还 包括： 若堆栈为所述负荷预测模型的首个堆栈， 将所述样本负荷时序 数据和所述样本外源性 时序数据作为所述首个堆栈的堆栈输入数据； 若堆栈为所述负荷预测模型的第i+1个堆栈， 获取所述第i个堆栈的堆栈残差数据， 并权　利　要　求　书 2/7 页 3 CN 115310697 A 3