[0055] 依據(jù)本申請另一個方面，提供了一種基于特征篩選的用能數(shù)據(jù)預測裝置，包括： [0056] 數(shù)據(jù)獲取模塊，用于獲取目標區(qū)域所包含的全部用戶在預設時長內的用能行為數(shù)據(jù)以及所述目標區(qū)域的環(huán)境參數(shù)集； [0057] 環(huán)境參數(shù)子集劃分模塊，用于將所述環(huán)境參數(shù)集所包含的多個環(huán)境參數(shù)進行第一隨機劃分，生成多個環(huán)境參數(shù)子集，所述第一隨機劃分包括環(huán)境參數(shù)子集的數(shù)量，環(huán)境參數(shù)子集中的環(huán)境參數(shù)的數(shù)量、環(huán)境參數(shù)子集中的環(huán)境參數(shù)的類型； [0058] 典型環(huán)境參數(shù)集確定模塊，用于將各個所述用戶逐一作為目標用戶，并分別計算各個所述環(huán)境參數(shù)子集與所述目標用戶的用能行為數(shù)據(jù)之間的最大相關最小冗余指標，并從所述目標用戶對應的多個最大相關最小冗余指標中，篩選出最大值所對應的環(huán)境參數(shù)子集，將所述環(huán)境參數(shù)子集作為所述目標用戶的典型環(huán)境參數(shù)集，所述最大相關最小冗余指標用于表征環(huán)境參數(shù)子集與用戶的用能行為數(shù)據(jù)之間的最大相關性指標與最小冗余性指標的差值； [0059] 相關系數(shù)矩陣確定模塊，用于分別計算所述典型環(huán)境參數(shù)集所包含的各個環(huán)境參數(shù)與所述目標用戶的用能行為數(shù)據(jù)之間的相關系數(shù)，將各個所述相關系數(shù)組合得到所述目標用戶的相關系數(shù)向量，將各個所述目標用戶的相關系數(shù)向量組合得到用戶與典型環(huán)境參數(shù)集之間的相關系數(shù)矩陣； [0060] 用戶聚類模塊，用于基于所述相關系數(shù)矩陣對全部用戶進行聚類處理，得到多個用戶組，并將各個所述用戶組逐一作為目標用戶組； [0061] 環(huán)境參數(shù)指示子向量劃分模塊，用于將所述目標用戶組所包含的各個用戶的典型環(huán)境參數(shù)集進行整合，得到所述目標用戶組的環(huán)境參數(shù)指示向量，將所述環(huán)境參數(shù)指示向量所包含的多個環(huán)境參數(shù)進行第二隨機劃分，生成多個環(huán)境參數(shù)指示子向量，所述第二隨機劃分包括環(huán)境參數(shù)指示子向量的數(shù)量，環(huán)境參數(shù)指示子向量中的環(huán)境參數(shù)的數(shù)量、環(huán)境參數(shù)指示子向量中的環(huán)境參數(shù)的類型； [0062] 最優(yōu)環(huán)境參數(shù)集確定模塊，用于分別計算各個所述環(huán)境參數(shù)指示子向量的特征篩選遍歷求解指標，從各個所述特征篩選遍歷求解指標中篩選出最大特征篩選遍歷求解指標，將所述最大特征篩選遍歷求解指標所對應的環(huán)境參數(shù)指示子向量確定為所述目標用戶組的最優(yōu)環(huán)境參數(shù)集，得到各個用戶組的最優(yōu)環(huán)境參數(shù)集，所述特征篩選遍歷求解指標用于衡量環(huán)境參數(shù)指示子向量與用戶組的用能行為數(shù)據(jù)之間的適應程度； [0063] 用能行為數(shù)據(jù)預測模塊，用于分別調用與各個所述用戶組相匹配的用能行為數(shù)據(jù)預測模型，根據(jù)各個所述用戶組的最優(yōu)環(huán)境參數(shù)集以及用能行為數(shù)據(jù)進行預測處理，得到各個所述用戶組的預測用能行為數(shù)據(jù)，所述用能行為數(shù)據(jù)預測模型是由編碼器、解碼器、全局注意力子模型組成的，所述編碼器以及所述解碼器是基于長短期神經(jīng)網(wǎng)絡構建的。 [0064] 根據(jù)本申請的又一方面，提供了一種存儲介質，所述存儲介質中存儲有至少一條可執(zhí)行指令，所述可執(zhí)行指令使處理器執(zhí)行如上述基于特征篩選的用能數(shù)據(jù)預測方法對應的操作。 [0065] 根據(jù)本申請的再一方面，提供了一種終端，包括：處理器、存儲器、通信接口和通信總線，所述處理器、所述存儲器和所述通信接口通過所述通信總線完成相互間的通信； [0066] 所述存儲器用于存放至少一條可執(zhí)行指令，所述可執(zhí)行指令使所述處理器執(zhí)行上述基于特征篩選的用能數(shù)據(jù)預測方法對應的操作。 [0067] 借由上述技術方案，本申請實施例提供的技術方案至少具有下列優(yōu)點： [0068] 本申請?zhí)峁┝艘环N基于特征篩選的用能數(shù)據(jù)預測方法及裝置、介質、終端，與現(xiàn)有技術相比，本申請實施例基于最大相關最小冗余指標從環(huán)境參數(shù)集中篩選出每個用戶對應的典型環(huán)境參數(shù)集，再基于典型環(huán)境參數(shù)集所包含的各個環(huán)境參數(shù)與對應用戶的用能行為數(shù)據(jù)之間的相關系數(shù)組合得到各個用戶的相關系數(shù)向量，基于相關系數(shù)向量將全部用戶劃分為多個用戶組，再將用戶組所包含的各個用戶的典型環(huán)境參數(shù)集整合得到該用戶組的環(huán)境參數(shù)指示向量，并利用遍歷求解的方式從環(huán)境參數(shù)指示向量中確定該用戶組的最優(yōu)環(huán)境參數(shù)集，充分考慮了環(huán)境參數(shù)與用戶用能行為數(shù)據(jù)之間的相關性以及環(huán)境參數(shù)之間的冗余性，不局限于僅對用戶用能行為數(shù)據(jù)本身的關注，考慮了環(huán)境參數(shù)等非線性問題對用戶用能行為數(shù)據(jù)的影響，使得針對用戶用能特性的分析結果更可靠；進一步的，為每個用戶組構建的用能行為數(shù)據(jù)預測模型是由編碼器、解碼器、全局注意力子模型組成的，其中，編碼器以及解碼器是基于長短期神經(jīng)網(wǎng)絡構建的，利用了長短期神經(jīng)網(wǎng)絡具備較長短期記憶的特點，充分表示了時間序列的變化情況，以及利用全局注意力子模型考慮所有隱藏層，學習不同環(huán)境參數(shù)的權重，提高了預測模型對重要環(huán)境參數(shù)的關注度，降低了誤差隨迭代而逐步累加的概率，從而提高了用能行為數(shù)據(jù)預測結果的準確率。

3.根據(jù)權利要求2所述的方法，其特征在于，所述獲取所述環(huán)境參數(shù)子集所包含的各個環(huán)境參數(shù)與所述目標用戶的用電行為數(shù)據(jù)之間的相關系數(shù)之前，所述方法還包括： 將所述環(huán)境參數(shù)集中所包含的各個環(huán)境參數(shù)逐一作為目標環(huán)境參數(shù)，以及將所述目標區(qū)域內所包含的各個用戶逐一作為目標用戶； 基于下述公式，計算目標環(huán)境參數(shù)與目標用戶的用能行為數(shù)據(jù)之間的相關系數(shù)， 其中， 表示環(huán)境參數(shù) 與用戶的用能行為數(shù)據(jù) 之間的協(xié)方差， 表 示環(huán)境參數(shù) 的標準差， 表示用戶的用能行為數(shù)據(jù) 的標準差。 4.根據(jù)權利要求1所述的方法，其特征在于，所述分別調用與各個所述用戶組相匹配的用能行為數(shù)據(jù)預測模型之前，所述方法還包括： 為各個所述用戶組分別構建對應的初始用能行為數(shù)據(jù)預測模型，并將各個所述初始用能行為數(shù)據(jù)預測模型逐一作為目標初始用能行為數(shù)據(jù)預測模型，所述初始用能行為數(shù)據(jù)預測模型是由編碼器、解碼器、全局注意力子模型組成的，所述編碼器以及所述解碼器是基于長短期神經(jīng)網(wǎng)絡構建的； 獲取所述目標初始用能行為數(shù)據(jù)預測模型所對應的用戶組的第一歷史時段的用能行為數(shù)據(jù)以及歷史最優(yōu)環(huán)境參數(shù)集； 將所述第一歷史時段的用能行為數(shù)據(jù)以及所述歷史最優(yōu)環(huán)境參數(shù)集輸入到所述目標初始用能行為數(shù)據(jù)預測模型中，得到第二歷史時段的預測用能行為數(shù)據(jù)； 基于所述預測用能行為數(shù)據(jù)與所述第二歷史時段的真實用能行為數(shù)據(jù)之間的損失函數(shù)對所述目標初始用能行為數(shù)據(jù)預測模型進行模型訓練，得到已完成模型訓練的目標用能行為數(shù)據(jù)預測模型； 得到各個所述用戶組對應的已完成模型訓練的用能行為數(shù)據(jù)預測模型，以基于各個所述已完成模型訓練的用能行為數(shù)據(jù)預測模型預測各個所述用戶組的預測用能行為數(shù)據(jù)。 5.根據(jù)權利要求1所述的方法，其特征在于，所述基于所述相關系數(shù)矩陣對全部用戶進行聚類處理，得到多個用戶組，包括： 基于預先配置的用戶組的數(shù)量，隨機選取所述數(shù)量的用戶作為初始聚類質心； 分別計算各個所述用戶的相關系數(shù)向量與各個所述初始聚類質心所對應的用戶的相關系數(shù)向量之間的歐氏距離，為各個所述用戶篩選出最小歐氏距離所對應的初始聚類質心，將各個所述用戶分配到所述初始聚類質心所對應的聚類簇，所述相關系數(shù)向量是從所述相關系數(shù)矩陣中獲取得到的； 計算各個所述聚類簇的中心向量，并將所述中心向量確定為更新聚類質心；