本公開涉及器材消耗預測，具體涉及一種器材消耗預測模型的訓練方法、器材消耗預測方法、裝置、計算機可讀存儲介質及電子設備。

背景技術：

1、器材消耗是指在各種應用場景中，器材因使用、磨損、老化等原因而逐漸減少或失效的過程。為了確保資源有效配置和減少浪費，特別是在軍事裝備、工業(yè)生產、車輛維護等領域，器材消耗量預測是做好技術保障工作的前提和基礎。

2、目前，隨著器材消耗影響因素增多，數據量增大，相關技術中針對器材消耗預測的方法無法適用，導致預測精度較低。

3、因此，相關技術無法提高器材消耗預測精度。

技術實現思路

1、本公開的主要目的在于提供一種器材消耗預測模型的訓練方法、器材消耗預測方法、裝置、計算機可讀存儲介質及電子設備，以解決相關技術中無法提高器材消耗預測精度的問題。

2、為了實現上述目的，本公開的第一方面提供了一種器材消耗預測模型的訓練方法，包括：

3、獲取歷史器材消耗數據，所述歷史器材消耗數據包括：任務持續(xù)時間、任務類型、任務強度、參與任務的人員數量、參與任務的裝備指數、執(zhí)行任務時的氣候、執(zhí)行任務時的地形、執(zhí)行任務時的風力、執(zhí)行任務時的能見度、任務對應的器材消耗量，所述任務為多個；

4、對所述歷史器材消耗數據進行特征提取，得到樣本集；

5、將所述樣本集劃分為訓練集、驗證集和測試集，并根據所述訓練集，通過融合反向學習策略的梯度優(yōu)化算法gbo優(yōu)化lstm-attention參數，以及通過所述驗證集，對優(yōu)化參數后的lstm-attention進行模型評估，并通過所述測試集對評估后的lstm-attention進行測試，確定器材消耗預測模型；

6、其中，所述lstm-attention為長短期記憶lstm網絡和注意力attention機制融合的深度學習模型，所述器材消耗預測模型用于預測任意任務對應的器材消耗量。

7、可選地，進一步地，所述對所述歷史器材消耗數據進行特征提取，得到樣本集，包括：

8、針對所述器材消耗數據中的各任務，均執(zhí)行以下操作，得到樣本集：

9、將所述任務分別對應的所述任務持續(xù)時間、所述任務強度、所述參與任務的人員數量、所述參與任務的裝備指數、所述執(zhí)行任務時的風力進行歸一化處理，得到多個第一特征；

10、根據所述任務分別對應的所述任務類型、所述執(zhí)行任務時的氣候、所述執(zhí)行任務時的地形、所述執(zhí)行任務時的能見度，通過one-hot編碼，得到多個第二特征；

11、將所述任務對應的實際器材消耗量作為樣本標簽；

12、將所述任務分別對應的所述多個第一特征、所述多個第二特征以及所述樣本標簽，作為所述任務對應的樣本數據；

13、其中，所述樣本集中包括多個任務中的各所述任務對應的樣本數據。

14、可選地，進一步地，所述lstm-attention參數至少包括批次大小beach_size、學習率、正則化參數、lstm隱含層單元個數；所述根據所述訓練集，通過融合反向學習策略的梯度優(yōu)化算法gbo優(yōu)化lstm-attention參數，包括：

15、初始化所述lstm-attention參數，以及確定所述lstm-attention參數中各參數的上限值和下限值；

16、按照所述beach_size，將所述訓練集中的各樣本數據輸入所述lstm-attention，通過融合反向學習策略的所述gbo優(yōu)化lstm-attention參數，確定優(yōu)化后的lstm-attention參數以及優(yōu)化參數后的lstm-attention。

17、可選地，進一步地，所述通過融合反向學習策略的所述gbo優(yōu)化lstm-attention參數，確定優(yōu)化后的lstm-attention參數以及優(yōu)化參數后的lstm-at?tention，包括：

18、確定gbo算法參數，構建所述gbo；

19、通過所述gbo初始化種群，并通過反向學習策略，計算初始化的種群對應的相反位置的種群；

20、根據所述初始化的種群和所述初始化的種群對應的相反位置的種群，通過計算種群適應度值，用以找出當前的最優(yōu)向量和當前的最差向量；

21、通過重復執(zhí)行第一操作，確定目標最優(yōu)向量，并根據所述目標最優(yōu)向量確定所述優(yōu)化后的lstm-attention參數，以及根據所述優(yōu)化后的lstm-attention參數，構建所述優(yōu)化參數后的lstm-attention。

22、可選地，進一步地，所述第一操作，包括：

23、確定當前迭代次數是否小于迭代的總次數；

24、如果所述當前迭代次數大于或等于所述迭代的總次數，則停止執(zhí)行所述gbo優(yōu)化lstm-attention參數的過程，并將所述當前的最優(yōu)向量作為所述目標最優(yōu)向量；

25、如果所述當前迭代次數小于所述迭代的總次數，則執(zhí)行以下第二操作：

26、通過所述gbo中的梯度搜索規(guī)則gsr，計算第一向量；

27、根據所述gsr計算得到的所述第一向量，更前當前向量的位置和所述當前向量的相反位置；

28、若rand函數生成的隨機數大于或等于所述gbo中的局部逃逸算子leo執(zhí)行概率，則根據所述當前向量的位置和所述當前向量的相反位置，通過計算種群適應度值，用以找出當前的最優(yōu)向量和當前的最差向量；

29、若rand函數生成的隨機數小于所述gbo中的局部逃逸算子leo執(zhí)行概率，則通過leo，計算第二向量；根據所述leo計算得到的所述第二向量，更前所述當前向量的位置和所述當前向量的相反位置；以及根據所述當前向量的位置和所述當前向量的相反位置，通過計算種群適應度值，用以找出當前的最優(yōu)向量和當前的最差向量。

30、可選地，進一步地，所述通過所述驗證集，對優(yōu)化參數后的lstm-attention進行模型評估，包括：

31、將所述驗證集輸入所述優(yōu)化參數后的lstm-attention，得到所述驗證集中各所述任務對應的預測值；

32、根據所述驗證集中各所述任務對應的預測值和相應的樣本標簽，通過計算均方誤差、平均絕對誤差、平均相對誤差、決定系數中的至少一項，用以評估所述優(yōu)化參數后的lstm-attention；

33、若評估結果不滿足預設條件，則繼續(xù)通過融合反向學習策略的所述gbo優(yōu)化lstm-attention參數，直至所述評估結果滿足所述預設條件。

34、本公開的第二方面提供了一種器材消耗預測方法，包括：

35、獲取待預測的目標任務的器材消耗數據，所述目標任務的器材消耗數據包括：目標任務持續(xù)時間、目標任務類型、目標任務強度、參與目標任務的人員數量、參與目標任務的裝備指數、執(zhí)行目標任務時的氣候、執(zhí)行目標任務時的地形、執(zhí)行目標任務時的風力、執(zhí)行目標任務時的能見度；

36、對所述目標任務的器材消耗數據進行特征提取，得到所述目標任務的特征數據；

37、將所述目標任務的特征數據輸入器材消耗預測模型，預測得到所述目標任務的器材消耗量；

38、其中，所述器材消耗預測模型是通過融合反向學習策略的gbo優(yōu)化lstm-attention參數，并對優(yōu)化參數后的lstm-attention進行模型評估以及模型測試得到的，所述lstm-attention為lstm網絡和attention機制融合的深度學習模型。

39、本公開的第三方面提供了一種器材消耗預測模型的訓練裝置，包括：

40、獲取單元，用于獲取歷史器材消耗數據，所述歷史器材消耗數據包括：任務持續(xù)時間、任務類型、任務強度、參與任務的人員數量、參與任務的裝備指數、執(zhí)行任務時的氣候、執(zhí)行任務時的地形、執(zhí)行任務時的風力、執(zhí)行任務時的能見度、任務對應的器材消耗量，所述任務為多個；

41、處理單元，用于對所述歷史器材消耗數據進行特征提取，得到樣本集；

42、訓練單元，用于將所述樣本集劃分為訓練集、驗證集和測試集，并根據所述訓練集，通過融合反向學習策略的梯度優(yōu)化算法gbo優(yōu)化lstm-attention參數，以及通過所述驗證集，對優(yōu)化參數后的lstm-attention進行模型評估，并通過所述測試集對評估后的lstm-attention進行測試，確定器材消耗預測模型；

43、其中，所述lstm-attention為長短期記憶lstm網絡和注意力attention機制融合的深度學習模型，所述器材消耗預測模型用于預測任意任務對應的器材消耗量。

44、本公開的第四方面提供了一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機指令，所述計算機指令用于使計算機執(zhí)行第一方面任意一項提供的器材消耗預測模型的訓練方法或第二方面任意一項提供的器材消耗預測方法。

45、本公開的第五方面提供了一種電子設備，所述電子設備包括：至少一個處理器；以及與所述至少一個處理器通信連接的存儲器；其中，所述存儲器存儲有可被所述至少一個處理器執(zhí)行的計算機程序，所述計算機程序被所述至少一個處理器執(zhí)行，以使所述至少一個處理器執(zhí)行第一方面任意一項提供的器材消耗預測模型的訓練方法或第二方面任意一項提供的器材消耗預測方法。

46、本公開的第六方面提供了一種計算機程序產品，該計算機程序產品包括計算機程序，該計算機程序被處理器執(zhí)行時實現第一方面任意一項提供的器材消耗預測模型的訓練方法或第二方面任意一項提供的器材消耗預測方法。

47、在本公開實施例提供的器材消耗預測模型的訓練方法中，采用提取歷史器材消耗數據的特征構建樣本集，基于樣本集劃分的訓練集，通過融合反向學習策略的梯度優(yōu)化算法gbo優(yōu)化lstm-attention參數，實現了通過反向學習策略擴大搜索范圍，提高了種群的多樣性，并結合gbo優(yōu)化lstm-attention參數，提高了預測的準確性，以及通過驗證集，對優(yōu)化參數后的lstm-attention進行模型評估，并通過所述測試集對評估后的lstm-attention進行測試，進而確定能夠用于預測任意任務對應的器材消耗量的器材消耗預測模型，達到器材消耗預測模型的訓練的目的，從而實現了提高了器材消耗預測模型預測的準確性的技術效果，進而解決了相關技術無法提高器材消耗預測精度的技術問題。