温度预测训练数据

本数据集包含数千条TPU性能监控数据，经清洗及特征工程，衍生出能效比、延迟乘积等特征，以TPU温度作为回归预测目标。数据按8:1:1划分为训练集、验证集和测试集，可直接用于监督学习模型训练。对外部企业而言，本数据可用于训练温度预测模型，帮助数据中心提前感知升温趋势，主动触发散热或降频策略，避免过热宕机，保障硬件长期稳定运行。此外，本数据集可为机器学习模型提供高质量训练数据，用于训练热失控预警模型、智能温控模型等，具有重要的行业应用价值。本数据集具有独立性：通过自主设计衍生特征，独立抽取、清洗、重索引。必要性：温度变化滞后于负载，直接监测往往来不及响应；本数据集提供可提前预测的特征，是TPU热管理训练任务的基础。1.加工前的数据说明：原始数据为TPU推理任务性能监控日志，以表格形式存储，每行代表一个采样时刻，按时间顺序编号。总样本量达数千行，所有字段均为数值型且无缺失值。原始数据包含TPU利用率、显存使用、功率、首token延迟、每token延迟、吞吐量、请求排队长度、显存带宽利用率共9个字段。 2.处理规则：首先，对数据进行质量检查，剔除功率为负等明显错误记录。接着，基于原始字段计算衍生特征：能效比等于吞吐量除以功率，延迟乘积等于首token延迟乘以每token延迟。自变量包括除温度以外的所有原始字段以及衍生特征。因变量为TPU温度。之后，按原始时间顺序重新赋予连续编号。最后，将处理后的全部数据按8:1:1比例划分为训练集、验证集和测试集。基于随机森林回归算法构建温度预测模型，以10个自变量为输入，温度为输出。通过网格搜索优化超参数，特征重要性分析表明TPU功率、利用率和吞吐量是影响温度的关键因素。模型在测试集上达到良好的预测精度，验证了本数据集的有效性。 3.数据内容描述：最终产出数据集包含10个自变量，1个因变量。样本覆盖了不同热状态的典型运行范围。该数据集结构清晰、指标完整，可直接用于训练温度预测模型。

搜集汇总

背景与挑战

背景概述

该数据集基于TPU推理任务性能监控日志，经数据清洗和特征工程，衍生出能效比、延迟乘积等特征，包含4943条样本，以TPU温度作为回归预测目标。数据按8:1:1划分为训练集、验证集和测试集，可直接用于监督学习模型训练。该数据集可用于训练温度预测模型，帮助数据中心提前感知升温趋势，触发散热或降频策略，也可用于热失控预警和智能温控等机器学习任务。