模型更新方法、装置、电子设备及存储介质与流程

计算;推算;计数设备的制造及其应用技术1.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：2.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。3.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。4.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。技术实现要素：5.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。6.本发明实施例公开了一种模型更新方法，包括：7.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；8.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；9.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。10.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：11.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；12.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；13.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。14.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：15.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；16.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；17.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；18.基于所述第二预测差异信息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。19.可选地，所述对所述当前融合模型中的所述子模型进行训练，包括：20.获取针对所述子模型的第二模型训练数据；其中，所述第二模型训练数据包括第二历史场景数据以及所述第二历史场景数据对应的参照信息；21.采用所述第二历史场景数据对所述子模型进行训练，得到训练完成的子模型。22.可选地，所述采用所述第二历史场景数据对所述子模型进行训练，得到训练完成的子模型，包括：23.将所述第二历史场景数据输入当前融合模型，得到第三预测信息；24.将所述第三预测信息与第二历史场景数据对应的参照信息进行比对，得到第三预测差异信息；25.当所述第三预测差异信息满足所述目标业务场景对应的训练结束条件时，得到训练完成的子模型。26.可选地，所述第三预测差异信息满足训练结束条件包括：所述第三预测差异信息小于预设阈值或所述第三预测差异信息收敛。27.可选地，所述当前融合模型中的各所述子模型分别具有对应的模型库，所述采用所述第二历史场景数据对所述子模型进行训练，得到训练完成的子模型，包括：28.采用一定数量的所述第二历史场景数据对所述模型库中的各个模型进行训练；29.在所述模型库中的各个模型训练完成后，从所述模型库中选择预测差异信息最小的模型作为训练完成的子模型。30.可选地，在所述生成目标融合模型之后，还包括：31.获取测试场景数据以及所述测试场景数据对应的参照信息；其中，所述测试场景数据为实时场景数据或一定时间内的历史场景数据；32.将所述测试场景数据输入所述当前融合模型，得到第四预测信息、以及将所述测试场景数据分别输入所述目标融合模型，得到第五预测信息；33.确定所述第四预测信息与所述测试场景数据对应的参照信息的第四预测差异信息、以及确定所述第五预测信息与所述测试场景数据对应的参照信息的第五预测差异信息；34.若所述第五预测差异信息表征的所述目标融合模型的性能优于所述第四预测差异信息表征的所述当前融合模型的性能，将所述目标融合模型替换所述目标业务场景中所述当前融合模型。35.可选地，在所述将所述当前融合模型的预测差异信息与所述目标融合模型的预测差异信息进行比较之后，还包括：36.若所述第五预测差异信息表征的所述目标融合模型的性能劣于或等于所述第四预测差异信息表征的所述当前融合模型的性能，返回执行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信息步骤，或将所述目标融合模型作为当前融合模型，返回执行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信息步骤。37.可选地，还包括：38.若所述第五预测差异信息表征的所述目标融合模型的性能劣于或等于所述第四预测差异信息表征的所述当前融合模型的性能，向工作人员发送警报。39.本发明实施例还公开了一种模型更新装置，包括：40.差异信息获取模块，用于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，则执行第一模型更新模块；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，则执行第二模型更新模块；41.所述第一模型更新模块，用于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；42.所述第二模型更新模块，用于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。43.可选地，所述差异信息获取模块，包括44.第一数据获取子模块，用于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；45.第一信息预测子模块，用于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；46.第一差异确定子模块，将所述第一预测信息与所述参照信息进行比对，得到第一预测差异信息。47.可选地，所述第一模型更新模块，包括：48.第二数据获取子模块，用于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；49.第二信息预测子模块，用于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；50.第二差异确定子模块，用于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；51.系数调整子模块，用于基于所述第二预测差异信息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。52.可选地，所述第二模型更新模块，包括：53.第三数据获取子模块，用于获取针对所述子模型的第二模型训练数据；其中，所述第二模型训练数据包括第二历史场景数据以及所述第二历史场景数据对应的参照信息；54.子模型训练子模块，用于采用所述第二历史场景数据对所述子模型进行训练，得到训练完成的子模型。55.可选地，所述子模型训练子模块，包括：56.信息预测单元，用于将所述第二历史场景数据输入当前融合模型，得到第三预测信息；57.差异确定单元，用于将所述第三预测信息与第二历史场景数据对应的参照信息进行比对，得到第三预测差异信息；58.训练结束单元，用于当所述第三预测差异信息满足所述目标业务场景对应的训练结束条件时，得到训练完成的子模型。59.可选地，所述第三预测差异信息满足训练结束条件包括：所述第三预测差异信息小于预设阈值或所述第三预测差异信息收敛。60.可选地，所述当前融合模型中的各所述子模型分别具有对应的模型库，所述子模型训练子模块，包括：61.模型训练单元，用于采用一定数量的所述第二历史场景数据对所述模型库中的各个模型进行训练；62.模型选择单元，用于在所述模型库中的各个模型训练完成后，从所述模型库中选择预测差异信息最小的模型作为训练完成的子模型。63.可选地，还包括：64.数据获取模块，用于获取测试场景数据以及所述测试场景数据对应的参照信息；其中，所述测试场景数据为实时场景数据或一定时间内的历史场景数据；65.信息预测模块，用于将所述测试场景数据输入所述当前融合模型，得到第四预测信息、以及将所述测试场景数据分别输入所述目标融合模型，得到第五预测信息；66.差异确定模块，用于确定所述第四预测信息与所述测试场景数据对应的参照信息的第四预测差异信息、以及确定所述第五预测信息与所述测试场景数据对应的参照信息的第五预测差异信息；67.模型替换模块，用于若所述第五预测差异信息表征的所述目标融合模型的性能优于所述第四预测差异信息表征的所述当前融合模型的性能，将所述目标融合模型替换所述目标业务场景中所述当前融合模型。68.可选地，还包括：69.返回执行模块，用于若所述第五预测差异信息表征的所述目标融合模型的性能劣于或等于所述第四预测差异信息表征的所述当前融合模型的性能，返回执行所述差异信息获取模块，或将所述目标融合模型作为当前融合模型，返回执行所述差异信息获取模块。70.可选地，还包括：71.警报发送模块，用于若所述第五预测差异信息表征的所述目标融合模型的性能劣于或等于所述第四预测差异信息表征的所述当前融合模型的性能，向工作人员发送警报。72.本发明实施例还公开了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口以及所述存储器通过所述通信总线完成相互间的通信；73.所述存储器，用于存放计算机程序；74.所述处理器，用于执行存储器上所存放的程序时，实现如本发明实施例所述的方法。75.本发明实施例还公开了一种计算机可读存储介质，其上存储有指令，当由一个或多个处理器执行时，使得所述处理器执行如本发明实施例所述的方法。76.本发明实施例包括以下优点：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。在当前融合模型推理的过程中，通过当前融合模型的第一预测差异信息来对当前融合模型的性能进行自动检测，可以在当前融合模型的性能低于使用标准的临界值之前，提前发现当前融合模型的性能异常，保证当前融合模型的性能的有效性，避免当前融合模型因输出的预测信息不准确而造成的安全风险与经济损失。同时可以避免人工对模型进行升级，降低当前融合模型维护成本。77.另外，还可以根据第一预测差异信息确定当前融合模型性能下降情况，以采用不同的更新方式适配当前融合模型的在线更新，提升当前融合模型的在线更新的更新效率，降低在线更新的成本。具体在当前融合模型性能下降较大时，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，以保证融合模型的准确性与有效性。当前融合模型性能下降较小时，仅对当前融合模型中的子模型的融合系数进行调整，无需对当前融合模型中各子模型进行增量训练，在保证融合模型的准确性与有效性的同时，可以有效减少训练样本的收集，降低数据收集成本有效减少训练样本的收集，降低数据收集成本。附图说明78.图1是本发明实施例中提供的一种模型更新方法的流程示意图；79.图2是本发明实施例中提供的另一种模型更新方法的流程示意图；80.图3是本发明实施例中提供的一种模型在线更新的流程示意图；81.图4是本发明实施例中提供的一种模型更新装置的结构框图；82.图5是本发明实施例中提供的一种电子设备的框图；83.图6是本发明实施例中提供的一种计算机可读介质的示意图。具体实施方式84.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。85.人工智能模型被广泛的应用于娱乐、教育、交通、工业等各个领域。例如，在工业领域的光伏电站，可以通过被训练好的人工智能模型对光伏电站的光伏功率进行预测，以提高光伏电站控制、调度性能，保障高比率光伏发电接入的电网安全稳定运行。86.然而，随着天气模态和气候条件等因素的变化、环境监测仪和光伏组件的老化，导致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。87.基于此，本发明的核心发明点之一在于在当前融合模型推理的过程中，对当前融合模型进行性能自动检测和在线更新，可以在模型性能下降到使用标准的临界值之前，提前发现当前融合模型的性能异常并对当前融合模型进行在线更新。以解决上述模型不能及时被更新，而且会耗费大量人力成本的问题。88.参照图1，示出了本发明实施例中提供的一种模型更新方法的流程示意图，具体可以包括如下步骤：89.步骤101：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。90.其中，当前融合模型由至少两个子模型融合得到；目标业务场景可以为风能发电场景、光伏发电场景等，本发明实施例中对目标业务场景不作限制。91.第一预测差异信息表征当前融合模型推理过程中输出的预测信息与真实信息的差异，第一预测差异信息可以用于评估当前融合模型的模型性能。92.具体地，在目标业务场景中的当前融合模型推理的过程中，将当前融合模型推理输出的预测信息与目标业务场景输出的真实信息进行比较，得到当前融合模型的第一预测差异信息。93.在得到当前融合模型的第一预测差异信息，可以通过当前融合模型的第一预测差异信息来判断当前融合模型是否性能异常，比如第一预测差异信息满足预测异常条件时，那么表明该融合模型性能异常。其中预测异常条件可以根据目标业务场景的实际需要进行设置，例如预测异常条件可以为一具体的检测阈值。作为示例，可以采用多种方式判断融合模型是否性能异常，具体如下：一、当存在一次第一预测差异信息满足预测异常条件时，判定当前融合模型的性能异常；二、当存在连续多次第一预测差异信息满足预测异常条件时，判定当前融合模型的性能异常；三、当存在连续多次第一预测差异信息的平均值满足预测异常条件时，判定当前融合模型的性能异常。94.在第一预测差异信息表征当前融合模型存在性能异常时，说明当前融合模型的性能已经临近使用标准的边缘，因此需要对当前融合模型进行在线更新，生成性能更优的目标融合模型以替代当前融合模型，保证融合模型的性能的有效性。95.在根据第一预测差异信息确定出当前融合模型的性能异常时，还可以基于当前融合模型的性能异常程度，采用不同的模型更新方式对当前融合模型进行更新，具体如下：96.步骤102：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。97.其中，当前融合模型中的各子模型可以通过简单的函数如投票、线性加权的方式进行融合，也可以通过复杂的非线性模型进行融合，本发明实施例中对当前融合模型中的各子模型的融合方式不加以限制。98.相应地，融合系数基于当前融合模型的融合方式的不同，可以包括线性融合系数和非线性融合系数。以线性融合系数为例，融合模型中的各子模型通过线性加权进行融合得到，各子模型的权重系数就是线性融合系数，对融合系数的调整就是对各子模型的权重系数进行调整。99.具体地，若第一预设差异信息满足目标业务场景对应的第一预测异常条件时，则表明当前融合模型的性能下降比较少，只需要通过对当前融合模型中的子模型的融合系数进行调整，就能让当前融合模型的性能恢复，因此无需对当前融合模型中各子模型进行增量训练，只需采用少量训练数据对当前融合模型中的子模型的融合系数进行微调，生成目标融合模型以替代当前融合模型，不仅可以保证融合模型的准确性与有效性，而且通过少量的训练数据进行训练，可以有效减少训练样本的收集，降低数据收集成本，且提高模型训练效率。100.步骤103：若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。101.具体地，在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，表明当前融合模型的性能下降比较大，单单对当前融合模型中的子模型的融合系数进行调整，可能无法让当前融合模型的性能恢复，因此需要对当前融合模型中的子模型进行增量训练，在子模型训练完成后，再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。102.第一预测差异信息可以用于表征当前融合模型运行性能的异常程度，对于不同的异常程度，可以选择不同的模型更新方式，第一预测异常条件可以为当前融合模型性能下降较少的情况下选择第一更新方式进行模型更新的条件；第二预测异常条件可以为当前融合模型性能下降较大的情况下选择第二更新方式进行模型更新的条件。作为示例，第一预测差异信息可以为第一预测差异值，针对当前融合模型，可以将第一预测异常条件设置为第一阈值，将第二预测异常条件设置为第二阈值，其中，第二阈值大于第一阈值，且第一阈值与第二阈值为大于0的数值。103.当第一预测差异值大于第一阈值且小于第二阈值时，表明当前融合模型性能下降较少的情况，因此选择第一更新方式对当前融合模型进行模型更新，采用少量训练数据对当前融合模型中的子模型的融合系数进行调整，生成目标融合模型以替代当前融合模型，保证融合模型的性能的有效性。104.当第一预测差异值大于或等于第二阈值时，表明当前融合模型性能下降较大的情况，选择第二种更新方式对当前融合模型进行模型更新，先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，生成目标融合模型以替代当前融合模型，保证融合模型的性能的有效性。105.需要说明的是，上述模型更新方法中对目标业务场景对应的当前融合模型的性能的检测方式，是在目标业务场景和其对应的当前融合模型正常运行的过程中进行的，具体可以根据当前融合模型每一次的预测来判断当前融合模型的性能是否异常，但是并不限于此，也可以根据业务场景和设备的处理能力来具体选择时间间隔来对当前融合模型的性能进行判断，例如，每隔一天、三天或一周等对当前融合模型的性能判断一次。106.在上述模型更新方法中，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，通过当前融合模型的第一预测差异信息来对当前融合模型的进行性能自动检测，可以在当前融合模型的性能低于使用标准之前，提前发现当前融合模型的性能异常，保证融合模型的性能的有效性，避免当前融合模型因输出的预测信息不准确而造成的安全风险与经济损失。同时可以避免人工对模型进行升级，降低当前融合模型维护成本。107.另外，还可以根据第一预测差异信息确定当前融合模型性能下降情况，以采用不同的更新方式适配当前融合模型的在线更新，提升当前融合模型的在线更新的更新效率，降低在线更新的成本。具体在当前融合模型性能下降较大时，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，以保证融合模型的准确性与有效性。当前融合模型性能下降较小时，仅对当前融合模型中的子模型的融合系数进行调整，无需对当前融合模型中各子模型进行增量训练，在保证融合模型的准确性与有效性的同时，可以有效减少训练样本的收集，降低数据收集成本有效减少训练样本的收集，降低数据收集成本。108.参照图2，示出了本发明实施例中提供的另一种模型更新方法的流程示意图，具体可以包括如下步骤：109.步骤201：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。110.其中，场景数据为目标业务场景对应的数据，实时场景数据可以为当下时刻的场景数据、在当下时刻之前一定时间至当下时刻的场景数据、或在当下时刻之后一定时间至当下时刻的预测场景数据等。以光伏发电场景为例，实时场景数据可以为预测到的辐照度、预测到的温度、预测到的湿度、预测到的风速、预测到的压强等。111.参照信息为目标业务场景在该实时场景数据下产生的真实信息，该参照信息用于在模型基于实时场景数据输出预测信息后，对预测信息进行评估。112.具体地，在目标业务场景运行的过程中，获取目标业务场景对应的实时场景数据以及实时场景数据对应的参照信息。以光伏发电场景为例，由于实时场景数据可能为基于天气气象预报数据或/和实测数据为基础，产生的预测场景数据，因此在光伏发电之前，先获取光伏发电场景的实时场景数据，通过实时场景数据对光伏功率进行预测，然后在光伏发电场景发电的过程中，输出真实的光伏功率，获取该真实的光伏功率输出作为参照信息。113.步骤202：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。114.其中，当前融合模型由至少两个子模型融合得到，针对一些复杂的业务场景，采用单一模型存在容易陷入局部最优、预测精度低、误差辐度大等问题，因此，可以将多种模型结合起来，降低每个单一模型的预测误差幅值，提升预测的精度。115.当前融合模型中的各个子模型的结构或/和训练的数据不同。作为示例，当前融合模型中的各个子模型可以针对相同的训练数据集采用不同的方式预先训练得到的模型，也可以针对不同的训练数据集采用相同或不同的方式预先训练得到的模型。其中，不同的训练数据集可以指训练数据集中包括的数据不同，如训练数据集a中的数据包括太阳辐射度、风速、温度，训练数据集b中的数据包括太阳辐射度、温度、湿度。不同的训练数据集也可以指训练数据集中包括的数据相同，但该数据对应的时间跨度不同，如训练数据集a和训练数据集b中的数据均包括太阳辐射度、风速、温度和湿度，但训练数据集a中的数据为获取到某一天的数据，训练数据集b中的为获取到某一周的数据。116.具体地，在当前融合模型推理的过程中，将获取到目标业务场景对应的实时场景数据输入该当前融合模型中，输出针对该实时场景数据的第一预测信息。其中，第一预测信息为该目标业务场景未来一段时间内的预测信息，本发明对当前融合模型预测的时间长度不加以限制。以光伏发电场景为例，光伏发电功率预测一般指预测未来一段时间内的光伏功率变化，从预测时间长度上可分为超短期预测、短期预测、中长期预测。其中，超短期一般指预测未来4小时内的功率变化、短期预测一般指预测未来7天内光伏功率变化、中长期预测大多以月或者以年计数。117.步骤203：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。118.具体地，在得到当前融合模型的第一预测信息和实时场景数据对应的参照信息后，将第一预测信息和参照信息进行比对，得到第一预测差异信息。由于参照信息为目标业务场景输出的真实信息，因此可以第一预测信息与其对应的参照信息确定的第一预测差异信息来评估当前融合模型的性能。以光伏发电场景为例，当前融合模型预测到该光伏发电场未来一天内的光伏发电功率(第一预测信息)，在光伏发电过程中实际测到这一天真实的光伏发电功率输出(参照信息)，通过预测的光伏发电功率与真实的光伏发电功率输出进行比对，得到预测的光伏发电功率与真实的光伏发电功率输出的差异，进而可以确定当前融合模型的预测精度，即第一预测差异信息。119.步骤204：若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。120.其中，当前融合模型中的各子模型可以通过简单的函数如投票、线性加权的方式进行融合，也可以通过复杂的非线性模型进行融合，本发明实施例中对当前融合模型中的各子模型的融合方式不加以限制。以当前融合模型中的各子模型通过线性加权进行融合为例，各子模型加权的系数就是融合系数，对融合系数的调整就是对各子模型加权的系数进行调整。121.具体地，若第一预设差异信息满足目标业务场景对应的第一预测异常条件时，则表明当前融合模型的性能下降比较少，只需要通过对当前融合模型中的子模型的融合系数进行调整，就能让当前融合模型的性能恢复，因此无需对当前融合模型中各子模型进行增量训练，只需采用少量训练数据对当前融合模型中的子模型的融合系数进行微调，生成目标融合模型以替代当前融合模型，不仅可以保证融合模型的准确性与有效性，而且通过少量的训练数据进行训练，可以有效减少训练样本的收集，降低数据收集成本，且提高模型训练效率。122.步骤205：若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。123.具体地，在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，表明当前融合模型的性能下降比较大，单单对当前融合模型中的子模型的融合系数进行调整，可能无法让当前融合模型的性能恢复，因此需要对当前融合模型中的子模型进行增量训练，在子模型训练完成后，再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。124.第一预测差异信息可以用于表征当前融合模型运行性能的异常程度，对于不同的异常程度，可以选择不同的模型更新方式，第一预测异常条件可以为当前融合模型性能下降较少的情况下选择第一更新方式进行模型更新的条件；第二预测异常条件可以为当前融合模型性能下降较大的情况下选择第二更新方式进行模型更新的条件。作为示例，第一预测差异信息可以为第一预测差异值，针对当前融合模型，可以将第一预测异常条件设置为第一阈值，将第二预测异常条件设置为第二阈值，其中，第二阈值大于第一阈值，且第一阈值与第二阈值为大于0的数值。125.当第一预测差异值大于第一阈值且小于第二阈值时，表明当前融合模型性能下降较少的情况，因此选择第一更新方式对当前融合模型进行模型更新，采用少量训练数据对当前融合模型中的子模型的融合系数进行调整，生成目标融合模型以替代当前融合模型，保证融合模型的性能的有效性。126.当第一预测差异值大于或等于第二阈值时，表明当前融合模型性能下降较大的情况，选择第二种更新方式对当前融合模型进行模型更新，先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，生成目标融合模型以替代当前融合模型，保证融合模型的性能的有效性。127.在上述示例性实施例中，可以根据当前融合模型性能下降情况，采用不同的更新方式以适配当前融合模型的在线更新，可以提升当前融合模型的在线更新的更新效率，降低在线更新的成本。在当前融合模型的性能下降较大时，先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，再对当前融合模型中的子模型对应的融合系数进行调整，以保证融合模型的准确性与有效性。在当前融合模型的性能下降较小时，仅对当前融合模型中的子模型的融合系数进行调整，无需对当前融合模型中各子模型进行增量训练，在保证融合模型的准确性与有效性的同时，可以有效减少训练样本的收集，降低数据收集成本。128.在一示例性实施例中，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；基于所述第二预测差异信息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。129.其中，第一历史场景数据为记录目标业务场景对应的历史场景数据得到，参照信息为记录目标业务场景在第一历史场景数据下运行输出的真实信息得到，可以采用标注方式将第一历史场景数据与其对应的参照信息进行关联，以便于采用第一历史场景数据对当前融合模型进行训练。130.具体地，将获取到的第一历史场景数据输入当前融合模型，得到第二预测信息，然后将第二预测信息与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。例如，可以采用损失函数计算第二预测信息与第一历史场景数据对应的参照信息的损失函数值作为第二预测差异信息。然后通过该第二预测差异信息对当前融合模型中的子模型的融合系数进行调整，以提高当前融合模型的性能。131.作为示例，第二预测差异信息可以为第二预测差异值，第二预测差异值越大，说明当前融合模型的性能就越差，预测得到的信息就越不准确，第二预测差异值小，说明当前融合模型的性能就越好，预测得到的信息就越准确。132.因此，可以基于第二预测差异信息对当前融合模型中的子模型的融合系数进行调整，以使融合系数调整后输出的第二预测差异值越小，当第二预测差异值小于指定的预设阈值，或者第二预测差异值收敛，则表明当前融合模型训练完成，得到目标融合模型以替代当前融合模型，保证融合模型的性能的有效性。133.在一示例性实施例中，所述对所述当前融合模型中的所述子模型进行训练，包括：获取针对所述子模型的第二模型训练数据；其中，所述第二模型训练数据包括第二历史场景数据以及所述第二历史场景数据对应的参照信息；采用所述第二历史场景数据对所述子模型进行训练，得到训练完成的子模型。134.其中，第二历史场景数据是针对子模型的训练数据，记录目标业务场景对应的历史场景数据得到，参照信息为记录目标业务场景在第二历史场景数据下运行输出的真实信息得到，可以采用标注方式将第二历史场景数据与其对应的参照信息进行关联，以便于采用第二历史场景数据对子模型进行训练。135.具体地，在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，先采用第二历史场景数据及其对应的参照信息对当前融合模型中各子模型进行训练，得到训练完成的子模型。136.作为示例，采用第二历史场景数据及其对应的参照信息对当前融合模型中各子模型进行训练方式有多种，具体如下：137.在一示例性实施例中，所述采用所述第二历史场景数据对所述子模型进行训练，得到训练完成的子模型，包括：将所述第二历史场景数据输入当前融合模型，得到第三预测信息；将所述第三预测信息与第二历史场景数据对应的参照信息进行比对，得到第三预测差异信息；当所述第三预测差异信息满足所述目标业务场景对应的训练结束条件时，得到训练完成的子模型。138.其中，第三预测差异信息满足训练结束条件包括：第三预测差异信息小于预设阈值或第三预测差异信息收敛。139.具体地，可以将第二历史场景数据输入当前融合模型，得到第三预测信息，将第三预测信息与第二历史场景数据对应的参照信息进行比对，得到第三预测差异信息。例如，可以采用损失函数计算第三预测信息与第二历史场景数据对应的参照信息的损失函数值作为第三预测差异信息，当第三预测差异信息满足目标业务场景对应的训练结束条件时，即第三预测差异信息小于预设阈值或第三预测差异信息收敛时，则结束对子模型的训练，得到训练完成的子模型。140.在一示例性实施例中，所述采用所述第二历史场景数据对所述子模型进行训练，得到训练完成的子模型，包括：采用一定数量的所述第二历史场景数据对所述模型库中的各个模型进行训练；在所述模型库中的各个模型训练完成后，从所述模型库中选择预测差异信息最小的模型作为训练完成的子模型。141.其中，当前融合模型中的各子模型分别具有对应的模型库，每一个模型库中包括若干个相同结构的模型。142.具体地，采用一定数量的第二历史场景数据对模型库中的各个模型进行训练，在第二历史场景数据用完之后，比较模型库中的各模型的预测差异信息(模型性能)，选择预测差异信息最小的模型，即模型性能最优的模型作为训练完成的子模型。143.在一示例性实施例中，在所述生成目标融合模型之后，还包括：获取测试场景数据以及所述测试场景数据对应的参照信息；将所述测试场景数据输入所述当前融合模型，得到第四预测信息、以及将所述测试场景数据分别输入所述目标融合模型，得到第五预测信息；确定所述第四预测信息与所述测试场景数据对应的参照信息的第四预测差异信息、以及确定所述第五预测信息与所述测试场景数据对应的参照信息的第五预测差异信息；若所述第五预测差异信息表征的所述目标融合模型的性能优于所述第四预测差异信息表征的所述当前融合模型的性能，将所述目标融合模型替换所述目标业务场景中所述当前融合模型。144.其中，测试场景数据为目标业务场景的实时场景数据或一定时间内的历史场景数据，测试场景数据用于检测目标融合模型是否适用于当下时刻以及未来一段时间的目标业务场景，因此，需要实时场景数据或一定时间内的历史场景数据来进行检测；参照信息为记录目标业务场景在测试场景数据下运行输出的真实信息得到，可以采用标注方式将测试场景数据与其对应的参照信息进行关联，以便于采用测试场景数据对目标融合模型的性能进行检测。145.具体地，分别将测试场景数据分别输入当前融合模型和目标融合模型中，得到当前融合模型输出的第四预测信息，和目标融合模型输出的第五预测信息，确定第四预测信息与测试场景数据对应的参照信息的第四预测差异信息，以及确定第五预测信息与测试场景数据对应的参照信息的第五预测差异信息。然后通过比较第四预测差异信息和第五预测差异信息，来判断当前融合模型和目标融合模型的性能，若第五预测差异信息表征的目标融合模型的性能优于第四预测差异信息表征的当前融合模型的性能，则将目标融合模型部署到目标业务场景中，以替代目标业务场景中的当前融合模型，保证融合模型的准确性和有效性。146.在一示例性实施例中，在所述将所述当前融合模型的预测差异信息与所述目标融合模型的预测差异信息进行比较之后，还包括：若所述第五预测差异信息表征的所述目标融合模型的性能劣于或等于所述第四预测差异信息表征的所述当前融合模型的性能，返回执行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信息步骤，或将所述目标融合模型作为当前融合模型，返回执行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信息步骤。147.具体地，若第五预测差异信息表征的目标融合模型的性能劣于或等于第四预测差异信息表征的当前融合模型的性能，则表明此次对当前融合模型的在线更新失败，那么就需要对当前融合模型重新进行在线更新，具体有两种方式，第一种直接返回执行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信息步骤，对当前融合模型重新进行在线更新，第二种是将目标融合模型作为当前融合模型，返回执行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信息步骤，在更新失败的目标融合模型的基础上，重新进行在线更新。直至得到的目标融合模型的性能优于当前融合模型的性能。148.在一示例性实施例中，还包括：若所述第五预测差异信息表征的所述目标融合模型的性能劣于或等于所述第四预测差异信息表征的所述当前融合模型的性能，向工作人员发送警报。149.其中，向工作人员发送警报具体可以通过系统提示、发送报警短信、电话等方式，本发明实施例对此不加以局限。150.具体地，若第五预测差异信息表征的目标融合模型的性能劣于或等于第四预测差异信息表征的当前融合模型的性能，则表明此次对当前融合模型当前融合模型的在线更新失败，因此，向工作人员发送模型在线更新失败的警报，提醒工作人员查询模型在线更新失败原因，以防止后续因相同的原因导致在线更新再次失败。151.为了更好的理解本发明实施例中的模型更新方法，参照图3进行示例性说明。152.模型线上推理：在目标业务场景运行的过程中或运行之前，从数据流中获取目标业务场景对应的实时场景数据，将实时场景数据输出当前融合模型之中，得到当前融合模型输出的第一预测信息。153.模型性能判断：在目标业务场景运行的过程中，从数据流中获取实时场景数据对应的参照信息，将第一预测信息与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，通过第一预测差异信息判断当前融合模型的性能。154.模型在线更新：若第一预测差异信息表征当前融合模型的性能稍有下降，则对当前融合模型中的各模型的融合系数进行在线微调，生成目标融合模型；若第一预测差异信息表征当前融合模型的性能下降较大，则对当前融合模型中的子模型进行增量训练，在子模型训练完成后，再对当前融合模型中的子模型的融合系数进行微调，生成目标融合模型。155.模型性能评估：将目标融合模型的性能与当前融合模型的性能进行比较，若目标融合模型的性能高于当前融合模型的性能，则对目标融合模型进行部署，替代当前融合模型。若目标融合模型的性能低于当前融合模型的性能，表明模型在线更新失败，则重新进行模型在线更新操作，或者同时返回警报给工作人员，以提醒工作人员查询模型在线更新失败的原因。156.在上述示例性实施例中，在当前融合模型推理的过程中，通过当前融合模型输出的第一预测信息与参照信息的第一预测差异信息来对当前融合模型的进行性能自动检测，可以在当前融合模型的性能低于使用标准之前，提前发现当前融合模型的性能异常并对当前融合模型进行在线更新，保证当前融合模型的性能的有效性，避免当前融合模型因输出的预测信息不准确而造成的安全风险与经济损失。同时可以避免人工对模型进行升级，降低当前融合模型维护成本。157.另外，可以根据当前融合模型性能下降情况，采用不同的更新方式以适配当前融合模型的在线更新，提升当前融合模型的在线更新的更新效率，降低在线更新的成本。具体在当前融合模型性能下降较大时，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，以保证融合模型的准确性与有效性。当前融合模型性能下降较小时，仅对当前融合模型中的子模型的融合系数进行调整，无需对当前融合模型中各子模型进行增量训练，在保证融合模型的准确性与有效性的同时，可以有效减少训练样本的收集，降低数据收集成本有效减少训练样本的收集，降低数据收集成本。158.需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。159.参照图4，示出了本发明实施例中提供的一种模型更新装置的结构框图，具体可以包括如下模块：160.差异信息获取模块401，用于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，则执行第一模型更新模块402；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，则执行第二模型更新模块403；161.所述第一模型更新模块402，用于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；162.所述第二模型更新模块403，用于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。163.可选地，所述差异信息获取模块401，包括164.第一数据获取子模块，用于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；165.第一信息预测子模块，用于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；166.第一差异确定子模块，将所述第一预测信息与所述参照信息进行比对，得到第一预测差异信息。167.在一示例性实施例中，所述第一模型更新模块402，包括：168.第二数据获取子模块，用于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；169.第二信息预测子模块，用于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；170.第二差异确定子模块，用于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；171.系数调整子模块，用于基于所述第二预测差异信息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。172.在一示例性实施例中，所述第二模型更新模块403，包括：173.第三数据获取子模块，用于获取针对所述子模型的第二模型训练数据；其中，所述第二模型训练数据包括第二历史场景数据以及所述第二历史场景数据对应的参照信息；174.子模型训练子模块，用于采用所述第二历史场景数据对所述子模型进行训练，得到训练完成的子模型。175.在一示例性实施例中，所述子模型训练子模块，包括：176.信息预测单元，用于将所述第二历史场景数据输入当前融合模型，得到第三预测信息；177.差异确定单元，用于将所述第三预测信息与第二历史场景数据对应的参照信息进行比对，得到第三预测差异信息；178.训练结束单元，用于当所述第三预测差异信息满足所述目标业务场景对应的训练结束条件时，得到训练完成的子模型。179.在一示例性实施例中，所述第三预测差异信息满足训练结束条件包括：所述第三预测差异信息小于预设阈值或所述第三预测差异信息收敛。180.在一示例性实施例中，所述当前融合模型中的各所述子模型分别具有对应的模型库，所述子模型训练子模块，包括：181.模型训练单元，用于采用一定数量的所述第二历史场景数据对所述模型库中的各个模型进行训练；182.模型选择单元，用于在所述模型库中的各个模型训练完成后，从所述模型库中选择预测差异信息最小的模型作为训练完成的子模型。183.在一示例性实施例中，还包括：184.数据获取模块，用于获取测试场景数据以及所述测试场景数据对应的参照信息；其中，所述测试场景数据为实时场景数据或一定时间内的历史场景数据；185.信息预测模块，用于将所述测试场景数据输入所述当前融合模型，得到第四预测信息、以及将所述测试场景数据分别输入所述目标融合模型，得到第五预测信息；186.差异确定模块，用于确定所述第四预测信息与所述测试场景数据对应的参照信息的第四预测差异信息、以及确定所述第五预测信息与所述测试场景数据对应的参照信息的第五预测差异信息；187.模型替换模块，用于若所述第五预测差异信息表征的所述目标融合模型的性能优于所述第四预测差异信息表征的所述当前融合模型的性能，将所述目标融合模型替换所述目标业务场景中所述当前融合模型。188.在一示例性实施例中，还包括：189.返回执行模块，用于若所述第五预测差异信息表征的所述目标融合模型的性能劣于或等于所述第四预测差异信息表征的所述当前融合模型的性能，差异信息获取模块，或将所述目标融合模型作为当前融合模型，返回执行所述差异信息获取模块。190.在一示例性实施例中，还包括：191.警报发送模块，用于若所述第五预测差异信息表征的所述目标融合模型的性能劣于或等于所述第四预测差异信息表征的所述当前融合模型的性能，向工作人员发送警报。192.在上述模型更新装置中，在当前融合模型推理的过程中，通过当前融合模型输出的第一预测信息与参照信息的第一预测差异信息来对当前融合模型的进行性能自动检测与在线更新，可以在当前融合模型的性能低于使用标准之前，提前发现当前融合模型的性能异常，保证当前融合模型的性能的有效性，避免当前融合模型因输出的预测信息不准确而造成的安全风险与经济损失。同时可以避免人工对模型进行升级，降低当前融合模型维护成本。193.对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。194.另外，本发明实施例还提供一种电子设备，如图5所示，包括处理器501、通信接口502、存储器503和通信总线504，其中，处理器501，通信接口502，存储器503通过通信总线504完成相互间的通信，195.存储器503，用于存放计算机程序；196.处理器501，用于执行存储器503上所存放的程序时，实现如下步骤：197.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；198.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；199.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。200.在一示例性实施例中，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：201.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；202.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；203.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。204.在一示例性实施例中，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：205.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；206.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；207.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；208.基于所述第二预测差异信息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。209.在一示例性实施例中，所述对所述当前融合模型中的所述子模型进行训练，包括：210.获取针对所述子模型的第二模型训练数据；其中，所述第二模型训练数据包括第二历史场景数据以及所述第二历史场景数据对应的参照信息；211.采用所述第二历史场景数据对所述子模型进行训练，得到训练完成的子模型。212.在一示例性实施例中，所述采用所述第二历史场景数据对所述子模型进行训练，得到训练完成的子模型，包括：213.将所述第二历史场景数据输入当前融合模型，得到第三预测信息；214.将所述第三预测信息与第二历史场景数据对应的参照信息进行比对，得到第三预测差异信息；215.当所述第三预测差异信息满足所述目标业务场景对应的训练结束条件时，得到训练完成的子模型。216.在一示例性实施例中，所述第三预测差异信息满足训练结束条件包括：所述第三预测差异信息小于预设阈值或所述第三预测差异信息收敛。217.在一示例性实施例中，所述当前融合模型中的各所述子模型分别具有对应的模型库，所述采用所述第二历史场景数据对所述子模型进行训练，得到训练完成的子模型，包括：218.采用一定数量的所述第二历史场景数据对所述模型库中的各个模型进行训练；219.在所述模型库中的各个模型训练完成后，从所述模型库中选择预测差异信息最小的模型作为训练完成的子模型。220.在一示例性实施例中，在所述生成目标融合模型之后，还包括：221.获取测试场景数据以及所述测试场景数据对应的参照信息；其中，所述测试场景数据为实时场景数据或一定时间内的历史场景数据；222.将所述测试场景数据输入所述当前融合模型，得到第四预测信息、以及将所述测试场景数据分别输入所述目标融合模型，得到第五预测信息；223.确定所述第四预测信息与所述测试场景数据对应的参照信息的第四预测差异信息、以及确定所述第五预测信息与所述测试场景数据对应的参照信息的第五预测差异信息；224.若所述第五预测差异信息表征的所述目标融合模型的性能优于所述第四预测差异信息表征的所述当前融合模型的性能，将所述目标融合模型替换所述目标业务场景中所述当前融合模型。225.在一示例性实施例中，在所述将所述当前融合模型的预测差异信息与所述目标融合模型的预测差异信息进行比较之后，还包括：226.若所述第五预测差异信息表征的所述目标融合模型的性能劣于或等于所述第四预测差异信息表征的所述当前融合模型的性能，将所述目标融合模型作为当前融合模型，返回执行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信息步骤，或将所述目标融合模型作为当前融合模型，返回执行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信息步骤。227.在一示例性实施例中，还包括：228.若所述第五预测差异信息表征的所述目标融合模型的性能劣于或等于所述第四预测差异信息表征的所述当前融合模型的性能，向工作人员发送警报。229.上述终端提到的通信总线可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。230.通信接口用于上述终端与其他设备之间的通信。231.存储器可以包括随机存取存储器(random access memory，简称ram)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。232.上述的处理器可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(digital signal processing，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、现场可编程门阵列(field－programmable gate array，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。233.如图6所示，在本发明提供的又一实施例中，还提供了一种计算机可读存储介质601，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中所述的模型更新方法。234.在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中所述的模型更新方法。235.在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘solid state disk(ssd))等。236.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。237.本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。238.以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!