PYCON CHINA 基于深度学习的多维时间序列 预测在数据机房中的应用 目 录 1 背景介绍 2 研究目标 3 研究内容 4 后续工作 1. 背景介绍 数据机房面临的能耗问题 数据机房面临电量消耗巨大的问题 空调是数据机房中电量消耗最大的设备 空调为什么那么耗电？怎么优化节能？ 低效的 冷却装 置 服务主 机工作 发热 影响空 调耗电 量原因 建筑材料 隔热和散 代表算法有AR， ARIMA 基于深度学习的 时间序列预测 ⚫ 利用多维时间序列之间的 信息 ⚫ 对变周期序列，多维空间 依赖序列预测较弱 ⚫ 代表算法有RNN，LSTM 混合多维时间序列预测 ⚫ 提取多维序列之间更加复杂 的关系 ⚫ 提取维度之间空间依赖关系， 长短期依赖关系 ⚫ 算法有LSTNet，TPA-LSTM 多维时间序列预测方法解决机房温度预测 对数据包含的信息提取能力越来越强

黄海广 副教授 2 目录 01 随机事件和概率 02 随机变量及其概率分布 03 多维随机变量及其分布 05 数理统计的基本概念 04 随机变量的数字特征 3 1.随机事件和概率 01 随机事件和概率 02 随机变量及其概率分布 03 多维随机变量及其分布 05 数理统计的基本概念 04 随机变量的数字特征 4 1.事件的关系与运算 所得的事件，另外，概率为1（ 或0）的事件与任何事件相互独立. 1.随机事件和概率 14 2.随机变量及其概率分布 01 随机事件和概率 02 随机变量及其概率分布 03 多维随机变量及其分布 05 数理统计的基本概念 04 随机变量的数字特征 15 1.随机变量及概率分布 取值带有随机性的变量，严格地说是定义在样本空间上，取值于实数的函数称为随机 续型随机变量的分布函数为连续函数，但 不一定为处处可导函数。 (6) 存在既非离散也非连续型随机变量。 2.随机变量及其概率分布 21 3.多维随机变量及其分布 01 随机事件和概率 02 随机变量及其概率分布 03 多维随机变量及其分布 05 数理统计的基本概念 04 随机变量的数字特征 22 1.二维随机变量及其联合分布 由两个随机变量构成的随机向量(

中的元素可以是任何对象，所以浪费了CPU运算时间和内存。 NumPy诞生为了弥补这些缺陷。它提供了两种基本的对象： ndarray：全称（n-dimensional array object）是储存单一数据类型的 多维数组。 ufunc：全称（universal function object）它是一种能够对数组进行处 理的函数。 NumPy的官方文档： https://docs.scipy.org/doc/numpy/reference/ ]从内到外分别为第0轴，第1轴，第2轴，第3轴。 NumPy 最重要的一个特点是其 N 维数组对象 ndarray，它是一系列同类型数据 的集合，以 0 下标为开始进行集合中元素的索引。 ndarray 对象是用于存放同类型元素的多维数组。 10 1.1 认识 NumPy 数组对象 shape(4,) shape(4,3,2) shape(3,2) NumPy 数组图示 11 1.1 认识 NumPy 数组对象 2 -------- [3, 3, 100, 8] [ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9] 20 多维数组 NumPy的多维数组和一维数组类似。多维数组有多个轴。 我们前面已经提到从内到外分别是第0轴，第1轴… > a = np.arange(0, 60, 10).reshape(-1, 1) + np.arange(0

Tensors张量 01 Tensors张量 02 Autograd自动求导 03 神经网络 04 训练一个分类器 4 1.Tensors张量的概念 Tensor实际上就是一个多维数组（multidimensional array） 标量（0阶张量） 向量（1阶张量） 矩阵（2阶张量） 张量（大于等于3阶张量） 1.2 5  创建张量的几种方法  用现有数据创建张量，使用 函数（只能是标量）将值取出来：loss_output.item() 1.Tensors张量的概念 8  Tensor与NumPy的异同 对比项 NumPy Tensor 相同点 可以定义多维数组，进行切片、改变维度、 数学运算等 可以定义多维数组，进行切片、改变维度、数学运 算等 不同点 1、产生的数组类型为 numpy.ndarray； 2、会将ndarray放入 CPU中进行运算； 3、导入方式为import 该函数的两个输入必须是三维矩阵并且第一维相同（表 示Batch维度）， 不支持broadcast操作 13 1.Tensor张量乘法 3. 多维矩阵乘法 torch.matmul() torch.matmul(input, other, out=None) 支持broadcast操作，使用起来比较复杂。针对多维数据matmul() 乘法，可以认为该乘 法使用使用两个参数的后两个维度来计算，其他的维度都可以认为是batch维度。

普适性之前，需要先将张量 shape 靠右对齐，然后进行普适性判断：对于长度为 1 的维 度，默认这个数据普遍适合于当前维度的其他位置；对于不存在的维度，则在增加新维度 后默认当前数据也是普适于新维度的，从而可以扩展为更多维度数、任意长度的张量形 状。 考虑 shape 为[ , 1]的张量?，需要扩展为 shape：[?, ℎ, , ?]，如图 4.7 所示，第一行 为欲扩展的 shape，第二行是现有 shape： 过分别知道每个维度坐标信息来采样数据。方式二中的采样方式与 TensorFlow 框架中的 gather_nd 函数是类似的。 实际上，[]索引方式既可以实现 index_select 函数，又可以实现多维坐标索引方式，更 加推荐。 5.6.2 掩码采样 除了可以通过给定索引号的方式采样，还可以通过给定掩码(Mask)的方式进行采样。 继续以 shape 为[4,35,8]的成绩册张量为例，这次以掩码方式进行数据提取。 torch.Size([4, 35, 4]) 不难发现，这种通过 Mask 方式的用法其实与 index_select 非常类似，只不过一个通过掩码 方式采样，一个直接给出索引号采样。 现在来考虑多维掩码采样方式。为了方便演示，这里将班级数量减少到 2 个，学生的 数量减少到 3 个，即一个班级只有 3 个学生，shape 为[2,3,8]。如果希望采样第 1 个班级的 第 1~2 号学生，第

input.unsqueeze(0) 来添加其它的维数 在继续之前，我们回顾一下到目前为止用到的类。 回顾: ● torch.Tensor：一个用过自动调用backward() 实现支持自动梯度计算的多维数组 ，并且保存关于 个向量的梯度 w.r.t. ● nn.Module：神经网络模块。封装参数、移动到 GPU 上运行、导出、加载等。 ● nn.Parameter：一种变量，当把它赋值给一个Module

球体，我们要找寻的最近邻点一定是在该球体内部。 搜索（4,4）的最近邻时。首先从根节点（6,4）出发 ，将当前最近邻设为（6,4），对该KD树作深度优先 遍历。以（4,4）为圆心，其到（6,4）的距离为半径 画圆（多维空间为超球面），可以看出（7,2）右侧 的区域与该圆不相交，所以（7,2）的右子树全部忽 略。 23 KD树搜索 2.返回叶子结点的父节点，检查另一个子结点包含的 超矩形体是否和超球体相交，如果相交就到这个子节

间、等餐时间、骑士到用户时间、交付用户 时间等配送全流程节点时间预估 动态规划最优配送路线，且合理并单，以最 低的配送成本最大化满足用户配送体验。 建立配送成本及用户体验的评估模型，并基于多 场景多维度权衡骑士和待分配订单匹配程度 依据评价模型得出的订单和骑士匹配程 度，全局最优进行整体调度分配 借助机器学习实现精准的配送时长预估，预 测不同价格杠杆的效果，满足用户体验的情 况下，最大化的承载适合的单量

Infrastructure PAI平台（Platform of Artificial Intelligence） • 一键部署、弹性扩缩 • 多框架、多语言 • 推理优化Blade • 多维度监控+报警 • 自定义镜像 • 全托管+半托管 • 分布式训练优化 • 超大资源池 智能标注 可视化建模(Designer) 分布式训练(DLC) 在线服务(EAS) 生态市场

?) = ?(? = ?) (5) 离散型随机变量的分布函数为阶梯间断函数；连续型随机变量的分布函数为连续函 数，但不一定为处处可导函数。 (6) 存在既非离散也非连续型随机变量。 多维随机变量及其分布 1.二维随机变量及其联合分布 由两个随机变量构成的随机向量(?, ?)， 联合分布为?(?, ?) = ?(? ≤ ?, ? ≤ ?) 机器学习的数学基础 24