本公开涉及设备节能领域，具体地，涉及一种预测模型的训练方法、一种对切片分组网(spn，slicing packet network)设备的功耗进行预测的方法、一种对切片分组网设备进行节能的方法、一种电子设备和一种计算机可读介质。
背景技术：
1、spn通信设备需要持续长时间的运行，以确保用户享受不间断的上网服务。spn通信设备主要放置于运营商机房，少部分放置于厂房、小区等。无论是运营机房、还是工厂、小区，都对功耗非常敏感。
2、如何对spn通信设备进行有效节能成为本领域亟待解决的技术问题。
技术实现思路
1、本公开实施例提供一种切片分组网设备的功耗进行预测的预测模型的训练方法、一种对切片分组网设备的功耗进行预测的方法、一种对切片分组网设备进行节能的方法、一种电子设备和一种计算机可读介质。
2、作为本公开的第一个方面，提供一种预测模型的训练方法，包括：
3、获取训练样本，所述训练样本包括影响所述切片分组网设备的功耗的参数历史数据、以及与所述参数历史数据对应的功耗历史数据；
4、根据所述训练样本确定与所述训练样本相匹配的初始神经网络模型；
5、利用所述训练样本对所述初始神经网络模型进行至少一次训练，以对所述初始神经网络模型的各层的权值进行调整，以得到误差满足要求的训练后模型；
6、将所述误差满足要求的训练后模型作为所述预测模型，其中，
7、对所述初始神经网络模型的各层的权值进行调整的步骤包括：
8、利用误差函数确定本次训练中待训练的神经网络模型的各层初始权值；
9、利用遗传算法对各层的所述初始权值进行调整，得到各层的调整后权值，并获得本次训练后的模型，在所述遗传算法中，针对本次训练的每层初始化权值，其对应的父代种群的个体包括n个当前层的所述初始化权值和至少一个随机个体。
10、作为本公开的第二个方面，提供一种对切片分组网设备的功耗进行预测的方法，包括：
11、将影响所述切片分组网设备的功耗的参数值输入至预测模型中，得到对切片分组网设备的功耗进行预测的预测值，其中，所述预测模型为本公开第一个方面所提供的训练方法获得的预测模型。
12、作为本公开的第三个方面，提供一种对切片分组网设备进行节能的方法，包括：
13、将影响所述切片分组网设备的功耗的参数的目标值输入至预测模型中，得到与所述目标值对应的功耗预测值，其中，所述预测模型为本公开第一个方面所提供的训练方法获得的预测模型；
14、判断所述功耗预测值是否满足节能需求。
15、作为本公开的第四个方面，提供一种电子设备，包括：
16、一个或多个处理器；
17、存储器，其上存储有一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本公开所提供的方法。
18、作为本公开的第五个方面，提供一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本公开所提供的方法。
19、在所述训练方法中，首先确定与spn设备功耗相关的参数，利用这些参数的历史数据(即，参数历史数据)对神经网络模型进行训练，可以得到预测模型。
20、得到预测模型后，可以根据spn设备的影响spn设备的功耗的参数的值对spn的功耗进行预测，根据预测的功耗来判断spn设备按照上述参数的值运行是否能够实现节能。进一步地，通过对影响spn设备的功耗的参数的值进行调整、将调整后的参数值输入值所述训练模型中进行预测，当得到的预测值表明spn能耗较低、满足节能要求时，可以控制spn设备按照相关的参数值进行运行，从而可以实现spn设备的有效节能。
1.一种预测模型的训练方法，包括：
2.根据权利要求1所述的训练方法，其中，针对本次训练的每层初始化权值，所述利用遗传算法对所述初始权值进行调整，包括：
3.根据权利要求1或2所述的训练方法，其中，所述初始神经网络模型选自以下神经模型中的任意一者：
4.根据权利要求3所述的训练方法，其中，在所述利用所述训练样本对所述初始神经网络模型进行至少一次训练的步骤中，将归一化的训练样本输入至待训练的神经网络模型中。
5.根据权利要求1或2所述的训练方法，其中，所述被预测项目为切片分组网设备的功耗，所述参数历史数据包括以下参数中至少一者的历史数据：
6.一种对切片分组网设备的功耗进行预测的方法，包括：
7.一种对切片分组网设备进行节能的方法，包括：
8.根据权利要求7所述的方法，其中，在所述功耗预测值未满足节能需求的情况下，对影响所述切片分组网设备的功耗的参数的目标值进行调整，并将调整值输入值所述预测模型中，直至得到的功耗预测值满足节能需求为止。
9.一种电子设备，包括：
10.一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现根据权利要求1至8中任意一项所述的方法。
