预测模型的训练方法、预测供热温度的方法、装置和设备

技术领域

本公开涉及人工智能和物联网技术领域，尤其涉及深度学习技术领域，具体涉及一种预测模型的训练方法和装置、预测供热温度的方法和装置、电子设备和存储介质。

背景技术

换热站作为集中供热系统中的枢纽，连接着热源与户端，供热站的供热温度是保障户端供热需求的重要指标。

在实现本公开的实施例的过程中，发明人发现，为保证供热站的供热温度适应户端热负荷变化，往往需要依赖人工经验，对换热站的运行工况进行监督和调节，但是人工调节难以保证调节效果，影响供热质量。

发明内容

本公开提供了一种预测模型的训练方法和装置、预测供热温度的方法和装置、电子设备和存储介质。

根据第一方面，提供了一种预测模型的训练方法，该方法包括：获得样本数据，样本数据包括针对换热站的历史观测数据；基于样本数据对预测模型进行训练；以及基于样本数据中历史观测数据的取值，确定训练后的预测模型的使用条件。

根据第二方面，提供了一种预测供热温度的方法，该方法包括：监控针对换热站的观测数据；根据观测数据和预测模型的使用条件，确定换热站的运行模式；在确定运行模式为异常模式的情况下，使用异常处理算法来确定换热站针对预设用户的供热温度；以及在确定运行模式为正常模式的情况下，使用预测模型来确定换热站针对预设用户的供热温度，其中，预测模型是采用本公开提供的预测模型的训练方法训练得到的。

根据第三方面，提供了一种预测模型的训练装置，该装置包括：样本数据获得模块，用于获得样本数据，样本数据包括针对换热站的历史观测数据；模型训练模块，用于基于样本数据对预测模型进行训练；以及条件确定模块，用于基于样本数据中历史观测数据的取值，确定训练后的预测模型的使用条件。

根据第四方面，提供了一种预测供热温度的装置，该装置包括：数据监控模块，用于监控针对换热站的观测数据；模式确定模块，用于根据观测数据和预测模型的使用条件，确定换热站的运行模式；第一温度确定模块，用于在确定运行模式为异常模式的情况下，使用异常处理算法来确定换热站针对预设用户的供热温度；以及第二温度确定模块，用于在确定运行模式为正常模式的情况下，使用预测模型来确定换热站针对预设用户的供热温度，其中，预测模型是采用本公开提供的预测模型的训练装置训练得到的。

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。

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。

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。

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

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开的一个实施例的可以应用预测模型的训练方法和/或预测供热温度的方法的示例性系统架构示意图；

图2是根据本公开的一个实施例的预测模型的训练方法的流程图；

图3是是根据本公开的一个实施例的获得样本数据的方法的原理示意图；

图4是根据本公开的一个实施例的预测供热温度的方法的流程图；

图5是是根据本公开的一个实施例的使用异常处理算法来确定换热站针对预设用户的供热温度的方法的流程图；

图6是根据本公开的一个实施例的预测供热温度的系统的运行原理示意图；

图7是根据本公开实施例的预测模型的训练装置的结构示意图；

图8是根据本公开实施例的预测供热温度的装置的结构示意图；以及

图9是用来实施本公开实施例的预测模型的训练方法和/或预测供热温度的方法的电子设备的示意性框图。

具体实施方式

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。

图1是根据本公开的一个实施例的可以应用预测模型的训练方法和/或预测供热温度的方法的示例性系统架构示意图。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。

如图1所示，根据该实施例的系统架构100可以包括热源101、换热站102和户端103，户端103包括多个用户，例如用户A、用户B和用户C等等。换热站102作为集中供热系统中的枢纽，连接着热源101与户端103，其运行工况直接影响到热量的配送和再分配，关系到户端103的供热质量，供热站102的供热温度是保障户端供热需求的重要指标。

在实现本公开的实施例的过程中，发明人发现，可以基于室外温度等特征，通过气候补偿预测出户端所需的热负荷，即预测供热站的供热量，动态调节换热站的运行工况，来保证供热量适应户端热负荷变化。

为了预测出户端103所需的热负荷(即预测供热站的供热量)，可以采用数学模型的控制方法，例如利用自动控制理论建立换热站的数学模型，基于控制目标，设计PID控制器、Fuzzy模糊控制器或BP神经网络控制器等。然而，该方法依赖于对物理过程的数学模拟。换热站本身是一种具有惯性的非线性时滞系统，其数学建模困难，甚至难以建模。通常，该方法通过降阶和近似来对数学模型进行简化，但是简化模型会造成模型精度的下降，影响控制效果。

为了预测出户端103所需的热负荷(即供热站的供热量)，还可以采用数据驱动的方法，例如利用换热站的观测数据，使用有监督的机器学习/深度学习模型，如多元线性回归、支持向量机、神经网络等，对气候补偿系数进行回归预测。然而，该方法需要大量可用数据，对于无历史数据的情况，则难以获取适合回归的数据进行建模。对于工况过载、流量异常等工况发生改变的换热站，历史模型的预测结果不再适用。且建模过程仅采用室外温度作为输入特征，仅通过天气数据进行气候补偿，由此建立的单一模型无法适应换热站的异常工况(例如，工况过载、流量异常等)。

有鉴于此，本公开实施例提供了一种预测模型的训练方法，该方法包括获得样本数据，样本数据包括针对换热站的历史观测数据；基于样本数据对预测模型进行训练；以及基于样本数据中历史观测数据的取值，确定训练后的预测模型的使用条件。

图2是根据本公开的一实施例的预测模型的训练方法的流程图。

如图2所示，该预测模型的训练方法200可以包括操作S210～操作S230。

在操作S210，获得样本数据。

例如，样本数据包括针对换热站的历史观测数据，历史观测数据可以包括历史时间段内的天气数据、换热站的运行数据以及户端反馈的实际温度等多维度的数据。例如，样本数据还包括针对历史时间段所设置的目标供热温度。

在操作S220，基于样本数据对预测模型进行训练。

预测模型可以是神经网络模型，使用样本数据可以基于机器学习或深度学习方法对神经网络模型进行训练，得到训练过的神经网络模型作为预测模型。机器学习或深度学习方法例如包括岭回归(Ridge Regression)方法、使用支持向量机(Support VectorMachine，SVM)或长短期记忆网络(Long Short-Term Memory，LSTM)模型的方法等。

该预测模型可用于预测供热站的供热温度。例如，可以将包含天气数据、工况数据、户端反馈数据以及设置的目标供热温度的观测数据输入到预测模型中，预测模型可以输出对应的供热站的供热温度。基于预测模型预测的供热站的供热温度可以确定供热站的供热量，来保障户端的供热需求。

根据本公开实施例，相比于相关技术中仅考虑天气数据对户端所需热量的影响来预测供热站的供热量，本公开实施例获取天气数据、换热站的运行工况数据以及户端反馈数据等多维数据作为样本数据来训练预测模型，可以提高预测模型的准确度和鲁棒性，进而保障使用预测模型预测供热站的供热量的准确度。

在操作S230，基于样本数据中历史观测数据的取值，确定训练后的预测模型的使用条件。

由于不同用户需求所要求的目标供热温度不同，并且由于换热站运行工况会遇到工况过载、流量异常或周期性调整等情况，每种工况情况下的样本数据不同。因此，可以根据样本数据中的目标供热温度以及历史观测数据来确定该样本数据所满足的使用条件，该使用条件表示该样本数据所对应的实际工况情况。确定样本数据所满足的使用条件作为训练后的预测模型的使用条件，预测模型的使用条件表示预测模型适用于满足使用条件下的供热温度的预测，即在当前工况满足使用条件时，可以使用该预测模型进行供热温度的预测。

根据本公开的实施例，在训练得到预测模型后，根据样本数据为预测模型设定使用条件，以在满足使用条件时才使用该预测模型，可以提高训练得到的预测模型在使用过程中的预测准确率，保证供热质量，提高用户体验。

根据本公开的实施例，根据不同的目标供热温度以及不同工况情况下的历史观测数据可以训练出多个预测模型，每个预测模型具有各自的使用条件，根据换热站实际工况所满足的使用条件，可以选择对应的预测模型进行供热温度的预测，提高预测准确率，并且能够实现按需供热，提高供热效率，降低能耗，绿色环保。

图3是根据本公开的一个实施例的获得样本数据的方法的示意图。

如图3所示，首先获取多个(例如100个)备选样本数据310，每个备选样本数据310中包括历史观测数据和设置的目标供热温度。历史观测数据包括天气数据、运行数据以及户端反馈数据等多个维度的数据，每个维度的数据包括多个特征值，每个维度的特征值可以是用备选样本数据310中的小框表示的。

可以根据备选样本数据310中的目标供热温度和户端反馈的实际温度之间的差异来从备选样本数据310中选择出满足温度约束条件的初始样本数据。例如，温度约束条件可以表示为如下的公式(1)：

s.t.|T

其中，T

将不满足公式(1)的备选样本数据310剔除，得到多个(例如50个)待选样本数据320。通过从多个备选样本数据310中选择待选样本数据320，可以使得训练模型的样本为有效、准确的样本，并因此便于提高训练得到的模型的准确性。

可以进一步对待选样本数据320中的目标供热温度以及多维度的历史观测数据进行异常样本剔除，异常样本剔除例如可以是将特征值的取值在标准范围外的待选样本数据320剔除，或者根据对待选样本数据320的统计结果确定异常的样本数据，例如将待选样本数据320中，包括的某个特征值的取值远大于或远小于其他待选样本数据320中该某个特征值的取值的待选样本数据320剔除，得到至少一个(例如40个)初始样本数据330。剔除异常样本数据可以提高训练得到的模型的准确性。

使用特征选择算法对初始样本数据330中的特征数据进行选择，所选择的目标数据组成用于模型训练的样本数据340。特征选择算法可以包括卡方检验(chi-squaredtest)与互信息(Mutual Information)，可以从初始样本数据330中的多个特征数据中选出价值较高的特征数据，剔除掉对模型精度影响较小的数据，减少特征冗余，提高训练效率。

需要说明的是，历史观测数据包括换热站的运行模式为异常模式的情况下监控到的观测数据，异常模式例如可以是工况过载或流量异常情况下换热站的运行模式，根据该异常处理模式下的观测数据来训练模型，可以便于为异常情况训练新的预测模型，便于换热站工作的自动化和高效运行。

在使用样本数据对预测模型进行训练的过程中，可以使用交叉验证算法(例如K-fold交叉验证)对预测模型进行训练。例如，使用样本数据进行多轮训练，每一轮训练中样本数据被划分为训练数据和验证数据，各轮的划分方式不同，即每一轮训练使用不同的训练数据和验证数据。训练数据用于模型的训练，验证数据用于对训练后的模型验证模型预测准确度。多轮训练可以得到多个预测模型，可以根据多个模型的预测准确度来确定最终的模型，或者利用平均绝对误差或均方误差对多个模型进行评价，选择最优的模型作为预测模型。使用交叉验证算法来训练模型，可以避免出现过拟合的情况，并因此便于提高模型的准确性。

图4是根据本公开的一个实施例的预测供热温度的方法的流程图。

如图4所示，该预测供热温度的方法400可以包括操作S410～操作S420。

在操作S410，监控针对换热站的观测数据。

例如，可以进行实时监控工况，来监测换热站当前的观测数据，观测数据可以包括当前的天气数据、运行数据以及户端反馈的实际温度等多维度的数据。

在操作S420，根据观测数据和预测模型的使用条件，判断换热站的运行模式是正常模式还是异常模式。

例如，在观测数据与预测模型的使用条件之间的差异大于预定差异的情况下，确定换热站的运行模式为异常模式。在观测数据与预测模型的使用条件之间的差异不大于预定差异的情况下，确定换热站的运行模式为正常模式。

在操作S430，在确定运行模式为正常模式的情况下，使用预测模型来确定换热站针对预设用户的供热温度。

例如，在正常模式下，换热站的运行工况满足预测模型的使用条件，因此，可以使用预测模型进行供热温度的预测。

在操作S440，在确定运行模式为异常模式的情况下，使用异常处理算法来确定换热站针对预设用户的供热温度。

例如，在异常模式下，换热站的运行工况不满足预测模型的使用条件，因此，可以使用预设的异常处理算法来确定换热站针对预设用户的供热温度。

根据本公开的实施例，通过实时监控工况获得换热站的观测数据，根据观测数据和模型的使用条件判断换热站的运行模式，仅在正常模式下使用预测模型，在异常模式下使用预先设定的异常处理算法，可以提高确定的供热温度的准确性，从而便于提高热量的使用率和用户体验。

根据本公开的实施例，针对所述换热站的观测数据包括所述换热站的运行数据、天气数据和针对所述预设用户的温度数据，相比于相关技术中仅考虑天气数据对供热量的影响，本公开的实施例通过综合多维数据来确定供热温度，可以提高确定的供热温度的准确性。

图5是根据本公开的一个实施例的使用异常处理算法来确定换热站针对预设用户的供热温度的方法的流程图。

如图5所示，该方法可以包括操作S541～操作S543。

在操作S541，根据目标温度值和针对预设用户的温度数据，确定针对预设用户的目标供热量。

例如，目标温度值是设定的目标供热温度，针对预设用户的温度数据可以是户端反馈的温度。根据如下公式(2)可以计算出针对预设用户的目标供热量，即用户需要的供热量。

Q

其中，Q

在操作S542，根据换热站的运行数据，确定换热站的当前供热量。

例如，可以直接通过传感器检测当前供热量，也可以使用换热站与户端之间的出水流量、出水温度和进水温度来确定换热站的当前供热量Q

在操作S543，根据当前供热量和目标供热量之间的偏差，确定供热温度的调整量。

例如，根据用户需要的供热量Q

例如，需要调整的供热量还可以考虑传输耗损，此种情况下，需要调整的供热量Q

根据本公开的实施例，针对工况改变的突发情况等异常模式，能够自动切换至冷启动下的异常处理算法，并积累对应工况下的数据，实现无人值守，节约人力资源。

根据本公开的实施例，异常处理算法可以应用于换热站异常模式下的供热温度的调整，还可以应用于无历史观测数据或工况发生改变的情况的冷启动处理。通过异常模式下数据的积累，可以针对已积累观测数据的换热站，采用有监督的机器学习方法为异常情况训练新的预测模型，便于换热站工作的自动化和高效运行。

预测模型包括使用条件不同的多个模型，在使用预测模型来确定换热站针对预设用户的供热温度时，可以从多个模型中选择使用条件与观测数据匹配的目标模型，以观测数据作为目标模型的输入，目标模型能够输出供热温度。根据换热站实际工况所满足的使用条件，选择对应的预测模型进行供热温度的预测，可以提高预测准确率，保证供热质量。

图6是根据本公开的一个实施例的预测供热温度的系统的运行原理示意图。

如图6所示，该预测供热温度的系统600包括历史观测数据获取模块610、预测模型部署模块620、预测模块630、工况监控模块640和异常处理模块650。

历史观测数据获取模块610用于获取历史时间段内的天气数据、运行数据和户端反馈数据，并将获取的这些历史观测数据作为样本数据发送给预测模型部署模块620。

预测模型部署模块620首先对这些样本数据进行数据清洗，清洗步骤可以包括剔除不满足温度约束条件的样本数据和剔除异常样本数据，然后对剩余样本数据进行特征选择得到用于模型训练的样本数据，使用这些样本数据进行预测模型的训练，并确定预测模型的使用条件，采用交叉验证算法对训练后的预测模型进行验证和评价，得到最优的预测模型进行预测模块630的部署。

工况监控模块640用于实施监控供热站的运行工况数据，判断运行工况数据与预测模型的使用条件之间的差异是否大于预设差异，如果差异大于预设差异，则使用异常处理模块650进行处理。如果差异不大于预设差异，则使用预测模块630所部署的预测模型预测供热站的供热温度。

异常处理模块650用于对当前观测到的异常观测数据进行数据清洗，数据清洗方法同上，根据清洗后的数据确定换热站的当前供热量以及户端反馈的用户温度数据，根据设定的目标温度值和户端反馈的用户温度值来确定用户需要的供热量，根据用户所需要的供热量和换热站的当前供热量之间的偏差，来进行供热量的调整，进而修正供热温度。

根据本公开的实施例，可以将异常处理模块650处理的异常观测数据进行存储，作为样本数据，通过异常模式下数据的积累，可以针对已积累观测数据的换热站，采用有监督的机器学习方法来训练预测模型。

根据本公开的实施例，通过实时监控工况获得换热站的观测数据，根据观测数据和模型的使用条件判断换热站的运行模式，仅在正常模式下使用预测模型，在异常模式下使用预先设定的异常处理算法，可以提高确定的供热温度的准确性，从而便于提高热量的使用率和用户体验。

基于本公开提供的预测模型的训练方法，本公开还提供了一种预测模型的训练装置，以下将结合图7对该装置进行详细描述。

图7是根据本公开实施例的预测模型的训练装置的结构示意图。

如图7所示，该实施例的预测模型的训练装置700可以包括样本数据获得模块710、模型训练模块720和条件确定模块730。

样本数据获得模块710用于获得样本数据，该样本数据包括针对换热站的历史观测数据。在一实施例中，该样本数据获得模块710可以用于执行前文描述的操作S210，在此不再赘述。

模型训练模块720用于基于样本数据对预测模型进行训练。在一实施例中，该模型训练模块720可以用于执行前文描述的操作S220，在此不再赘述。

条件确定模块730用于基于样本数据中历史观测数据的取值，确定训练后的预测模型的使用条件。在一实施例中，该条件确定模块730可以用于执行前文描述的操作S230，在此不再赘述。

根据本公开的实施例，样本数据获得模块710可以包括数据获取子模块、样本选择子模块和特征选择子模块。数据获取子模块用于获取多个备选样本数据，每个备选样本数据包括历史观测数据，历史观测数据包括多个特征数据。样本选择子模块用于从多个备选样本数据中选择满足温度约束条件的初始样本数据。特征选择子模块，用于使用特征选择算法从初始样本数据中的多个特征数据中选择目标数据，获得由目标数据组成的样本数据。

根据本公开的实施例，多个特征数据包括针对预设用户的实际温度值。上述样本选择子模块可以包括选择单元和剔除单元。选择单元用于从多个备选样本数据中选择实际温度值与目标温度值之间的差值绝对值小于预定值的待选样本数据。剔除单元用于从待选样本数据中剔除异常样本数据，获得初始样本数据。

根据本公开的实施例，上述历史观测数据包括换热站的运行模式为异常模式的情况下监控到的观测数据。

根据本公开的实施例，模型训练模块具体用于基于样本数据，采用交叉验证算法对预测模型进行训练。

基于本公开提供的预测供热温度的方法，本公开还提供了一种预测供热温度的装置，以下将结合图7对该装置进行详细描述。

图8是根据本公开实施例的预测供热温度的装置的结构示意图。

如图8所示，该实施例的预测供热温度的装置800可以包括数据监控模块810、模式确定模块820、第一温度确定模块830和第二温度确定模块840。

数据监控模块810用于监控针对换热站的观测数据。在一实施例中，数据监控模块810可以用于执行前文描述的操作S410，在此不再赘述。

模式确定模块820用于根据观测数据和预测模型的使用条件，确定换热站的运行模式。其中，预测模型是采用本公开提供的预测模型的训练装置训练得到的。在一实施例中，模式确定模块820可以用于执行前文描述的操作S420，在此不再赘述。

第一温度确定模块830用于在确定运行模式为异常模式的情况下，使用异常处理算法来确定换热站针对预设用户的供热温度。在一实施例中，第一温度确定模块830可以用于执行前文描述的操作S430，在此不再赘述。

第二温度确定模块840用于在确定运行模式为正常模式的情况下，使用预测模型来确定换热站针对预设用户的供热温度。在一实施例中，第二温度确定模块840可以用于执行前文描述的操作S440，在此不再赘述。

根据本公开的实施例，模式确定模块具体用于：在观测数据与预测模型的使用条件之间的差异大于预定差异的情况下，确定换热站的运行模式为异常模式。

根据本公开的实施例，针对换热站的观测数据包括换热站的运行数据、天气数据和针对预设用户的温度数据。

根据本公开的实施例，针对换热站的观测数据包括换热站的运行数据和针对预设用户的温度数据。上述第一温度确定模块包括第一热量确定子模块、第二热量确定子模块和调整量确定子模块。第一热量确定子模块用于根据目标温度值和针对预设用户的温度数据，确定针对预设用户的目标供热量。第二热量确定子模块用于根据换热站的运行数据，确定换热站的当前供热量。调整量确定子模块用于根据当前供热量和目标供热量之间的偏差，确定供热温度的调整量。

根据本公开的实施例，上述预测供热温度的装置800还可以包括存储模块，用于在确定运行模式为异常模式的情况下，存储异常处理算法确定的供热温度和观测数据，以作为训练预测模型的样本数据。

根据本公开的实施例，预测模型包括使用条件不同的多个模型。上述第二温度确定模块840可以包括模型确定子模块和温度确定子模块。模型确定子模块用于从多个模型中选择使用条件与观测数据匹配的目标模型。温度确定子模块用于以观测数据作为目标模型的输入，获得供热温度。

需要说明的是，本公开的技术方案中，所涉及的用户个人信息的获取、存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

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。

图9示出了可以用来实施本公开实施例的预测模型的训练方法和/或预测供热温度的方法的电子设备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。

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、ROM 902以及RAM 903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。

设备900中的多个部件连接至I/O接口805，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。

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，例如预测模型的训练方法和/或预测供热温度的方法。例如，在一些实施例中，预测模型的训练方法和/或预测供热温度的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ROM902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RAM 903并由计算单元901执行时，可以执行上文描述的预测模型的训练方法和/或预测供热温度的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)而被配置为执行预测模型的训练方法和/或预测供热温度的方法。

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。

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。

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。

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。

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。

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。其中，服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务(“Virtual Private Server”，或简称“VPS”)中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

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。

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。