[发明专利]模型更新方法、装置、电子设备及存储介质

说明书

本发明实施例提供了一种模型更新方法、装置、电子设备及存储介质，所述方法包括：在目标业务场景中的当前融合模型推理的过程中，获取当前融合模型的第一预测差异信息，若第一预测差异信息满足目标业务场景对应的第一预测异常条件时，则对当前融合模型中的子模型的融合系数进行调整，生成目标融合模型，若第一预测差异信息满足目标业务场景对应的第二预测异常条件时，则对当前融合模型中的子模型进行训练，在子模型训练完成后，对当前融合模型中的子模型的融合系数进行调整，生成目标融合模型。通过预测差异信息对模型的进行性能自动检测，可以在模型性能下降到使用标准的临界值之前发现模型性能异常并对模型进行在线更新，保证模型性能的有效性。

技术领域

本发明涉及计算机技术领域，特别是涉及一种模型更新方法、一种模型更新装置、一种电子设备以及一种计算机可读存储介质。

背景技术

人工智能模型从应用上看，主要分为训练和推理两大阶段。在训练阶段使用特定场景下大量已发生的历史数据对模型进行调优、训练得到符合预期的预训练模型。在生产环境中推理阶段向预训练模型输入实时发生的数据得到模型的推理结果。

但从实际应用来看，特定场景下的情景、数据也是时刻变化的，基于历史结构和数据的预训练模型也存在“保鲜期”的问题，如果模型长久不更新推理准确率势必越来越差。

以光伏电站的光伏功率预测为例，光伏功率预测精度强依赖于天气模态和气候条件等因素，随着天气模态和气候条件等因素的变化，模型的数据处理性能会逐步下降，甚至出现模型失效的情况，对于模型性能下降或模型失效等情况，往往是在光伏功率预测出现严重异常或者在考核阶段被发现下降到使用标准的临界值后，才通过人工对模型进行更新升级。可见，采用上述模型更新方式，不仅很容易导致模型不能及时被更新，而且会耗费大量人力成本。

发明内容

本发明实施例是提供一种模型更新方法、装置、电子设备以及计算机可读存储介质，以解决或部分解决相关技术在模型不能及时被更新，而且会耗费大量人力成本的问题。

本发明实施例公开了一种模型更新方法，包括：

在目标业务场景中的当前融合模型推理的过程中，获取所述当前融合模型的第一预测差异信息；其中，所述当前融合模型由至少两个子模型融合得到；

若所述第一预测差异信息满足所述目标业务场景对应的第一预测异常条件时，则对所述当前融合模型中的所述子模型的融合系数进行调整，生成目标融合模型；

若所述第一预测差异信息满足所述目标业务场景对应的第二预测异常条件时，则对所述当前融合模型中的所述子模型进行训练；在所述子模型训练完成后，对所述当前融合模型中的所述子模型的融合系数进行调整，生成目标融合模型。

可选地，所述在目标业务场景中的当前融合模型推理的过程中，获取所述当前融合模型的第一预测差异信息，包括：

获取目标业务场景对应的实时场景数据以及所述实时场景数据对应的参照信息；

将所述实时场景数据输入所述目标业务场景对应的当前融合模型中，得到所述当前融合模型的第一预测信息；

将所述第一预测信息与所述实时场景数据对应的参照信息进行比对，得到第一预测差异信息。

可选地，所述对所述当前融合模型中的所述子模型的融合系数进行调整，生成目标融合模型，包括：

获取针对所述当前融合模型的第一模型训练数据；其中，所述第一模型训练数据包括第一历史场景数据以及所述第一历史场景数据对应的参照信息；

将所述第一历史场景数据输入当前融合模型，得到第二预测信息；

将所述第二预测信息与所述第一历史场景数据对应的参照信息进行比对，得到第二预测差异信息；