[发明专利]基于人工智能的机房温度预测方法及系统

说明书

本发明公开了基于人工智能的机房温度预测方法，包括步骤通过温度传感器获得目标区域的温度数据，获取服务器信息，对温度进行预处理，建立LSTM网络，获得预测温度，根据预测温度发出预警和调节冷却系统。本发明实现了利用人工智能技术，根据历史信息预测服务器的运行状态和冷却系统的工作状态，自动联动调节冷却系统和发出预警，避免了因为超温造成服务器服务中断。

技术领域

本发明涉及温度预测技术领域，具体涉及基于人工智能的机房温度预测方法及系统。

背景技术

计算机技术(Computer Technology)内容非常广泛，可粗略分为计算机系统技术、计算机器件技术、计算机部件技术和计算机组装技术等几个方面。计算机技术包括：运算方法的基本原理与运算器设计、指令系统、中央处理器(CPU)设计、流水线原理及其在CPU设计中的应用、存储体系、总线与输入输出。

AI(Artificial Intelligence人工智能)是研究使计算机来模拟人生的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术，也有软件层面的技术。人工智能技术一般包括计算机视觉技术、语音识别技术、自然语言处理技术以及及其学习/深度学习、大数据处理技术、知识图谱技术等几大方面。

ML(Machine Learning机器学习)是一门多领域交叉学科，涉及概率论、统计学、逼近论、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。

DL(Deep Learning深度学习)是ML机器学习(Machine Learning，机器学习)领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能。深度学习是学习样本数据的内在律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。

LSTM是一种用于解决梯度消亡现象的改进型RNN，广泛用于自然语言处理、图片标注、机器翻译等领域，通过引入3个sigmoid神经网络和按位乘法操作的门结构，LSTM可以选择性地改变神经网络中的状态，其中“遗忘门”可以根据当前输入，上一个状态和上一个输出决定哪部分信息需要被放弃，“输出门”可以根据当前输入，上一个状态和上一个输出决定哪部分信息进入当前状态，输出门根据当前状态，当前输入，上一个输出决定当前的输出。

随着信息化社会范围的逐步扩大，计算机行业的能源问题逐渐突显，根据工信部5月公布的《全国数据中心应用发展指引(2018)》数据显示，截至2017年底，我国在用数据中心的机柜总规模为166万个，同比增长33.4％，其中大型、超大型数据中心的规模增速达到68％。

超大型数据中心机房的温度调控是个热门话题，如何高效地预测机房温度和调控冷却系统成为当前的迫切课题。

发明内容

本发明的目的在于提出基于人工智能的机房温度预测方法，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。

为实现上述技术目的，本发明技术方案如下：

基于人工智能的机房温度预测方法，所述方法包括以下步骤：

步骤1，通过温度传感器获得目标区域的温度数据，获取服务器信息；

步骤2，对温度进行预处理；

步骤3，建立LSTM网络，获得预测温度；

步骤4，根据预测温度发出预警和调节冷却系统。

进一步地，步骤1中，通过温度传感器获得目标区域的温度数据，获取服务器信息的子步骤为：