[发明专利]基于格兰杰因果关系的系统策略预测方法及相关设备

说明书

本申请实施例属于人工智能领域，涉及一种基于格兰杰因果关系的系统策略预测方法，包括采集相关参数和工业数据，其中，所述相关参数包括至少一个系统模块的至少一个模块变量，所述工业数据为各模块变量的历史数据；基于所述历史数据，采用基于注意力机制的格兰杰因果关系分析方式对各模块变量进行因果分析，得到各模块变量的历史数据与当前数据之间的格兰杰因果强度；构建图数据结构以描述工业系统的系统拓扑结构；将构建的图数据结构输入到预测模型中，得到系统策略的预测结果。采用本方法提高了模型预测准确率。

技术领域

本申请涉及人工智能领域，特别是涉及一种基于格兰杰因果关系的系统策略预测方法、装置、计算机设备和存储介质。

背景技术

随着计算机技术的发展和先进控制系统的应用,现代工业系统设备和结构日趋复杂,工业过程积累了大量的历史数据，这些数据包含过程的运行规律、操作者经验、产品质量和过程出现的问题等丰富的信息。如何在难以建立精确机理模型的情况下，从数据中获取有用信息，为生产过程的控制和决策提供依据，成为研究者和工业界广泛关注的问题。基于工业数据的时间序列预测，是利用采集的大量数据预测过程的某些关键性能指标,以便为工业过程监控、模型辨识、故障诊断和预测等提供支持,具有重要的理论意义和应用价值。

随着工业过程规模和精细化程度不断提高，采集的大量数据具有复杂特性，包括数据的非完整性，强非线性，多变量的互相关性，以及过程的多模态等特性。工业大数据的这些复杂特性，对现有的数据驱动预测模型提出了挑战。通常来说，时间序列预测工具方法可以归结为三大类：一类是基于业务场景理解的因子预测模型；一类是传统时间序列预测模型，比如均值回归、ARIMA、指数平滑预测法等；还有一类是机器学习模型，比如支持向量机、树模型(比如GBM、QRF)、神经网络模型(比如RNN)等。基于业务场景的模型不适用于工业大数据，因为工业过程复杂性高，难以构建预测公式；传统的时间序列预测模型在复杂多变的实际工业场景下表现欠佳；机器学习模型能够在复杂场景中拥有较小的预测偏差，前提是训练了足够多的样本，但机器学习模型的可解释性较差。这些模型都是在努力寻找特征和目标值之间的关系，这也正是模型会遇到瓶颈的原因，因为模型没有进过因果之梯的检验，可能出现伪拟合的模型，其内部是互相关联且没有厘清的线头，只是一个不知其所以然的黑箱过程，难以真正指导行业实施行动策略。

发明内容

基于此，针对上述技术问题，本申请提供一种基于格兰杰因果关系的系统策略预测方法、装置、计算机设备及存储介质，以解决现有技术中系统策略预测不准确的技术问题。

一种基于格兰杰因果关系的系统策略预测方法，所述方法包括：

采集相关参数和工业数据，其中，所述相关参数包括至少一个系统模块的至少一个模块变量，所述工业数据为各模块变量的历史数据；

基于所述历史数据，采用基于注意力机制的格兰杰因果关系分析方式对各模块变量进行因果分析，得到各模块变量的历史数据与当前数据之间的格兰杰因果强度；

构建图数据结构以描述工业系统的系统拓扑结构，其中，所述图数据结构以各系统模块为顶点，每个顶点代表一个系统模块，每个系统模块中包括的系统变量的数量表示顶点的特征个数，每条边代表系统模块之间的因果连接关系，综合的格兰杰因果强度为量化的因果连接关系；

将构建的图数据结构输入到预测模型中，得到系统策略的预测结果。

一种基于格兰杰因果关系的系统策略预测装置，所述装置包括：

数据采集模块，用于采集相关参数和工业数据，其中，所述相关参数包括至少一个系统模块的至少一个模块变量，所述工业数据为各模块变量的历史数据；

因果分析模块，用于基于所述历史数据，采用基于注意力机制的格兰杰因果关系分析方式对各模块变量进行因果分析，得到各模块变量的历史数据与当前数据之间的格兰杰因果强度；