CN107563514A - 一种预测数据访问频率的方法及装置 - Google Patents
一种预测数据访问频率的方法及装置 Download PDFInfo
- Publication number
- CN107563514A CN107563514A CN201710875744.1A CN201710875744A CN107563514A CN 107563514 A CN107563514 A CN 107563514A CN 201710875744 A CN201710875744 A CN 201710875744A CN 107563514 A CN107563514 A CN 107563514A
- Authority
- CN
- China
- Prior art keywords
- access frequency
- period
- neutral net
- value
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Computer And Data Communications (AREA)
Abstract
本发明公开了一种预测数据访问频率的方法及装置,该方法包括:步骤1:获取N段连续时间段中每个时间段内目标数据的访问频率,设置m的值为0;步骤2:将第m+1个至第m+n+1个时间段内访问频率输入至神经网络,以指示神经网络得到第m+n+1个时间段的预测访问频率、输出该预测访问频率及该预测访问频率与第m+n+1个时间段内访问频率的差值、在该差值大于预设阈值时调整自身参数;步骤3:判断神经网络输出的差值是否大于预设阈值,若是,则将m的值加1并返回步骤2,若否,则确定神经网络训练完成;获取n个连续时间段中每个时间段内目标数据的访问频率输入至神经网络,得到第n+1个时间段内的访问频率。提高了预测准确性。
Description
技术领域
本发明涉及数据处理技术领域,更具体地说,涉及一种预测数据访问频率的方法,还涉及一种预测数据访问频率的装置。
背景技术
计算机在运行时,CPU就会把需要运算的数据调到内存中进行运算,但是内存的工作频率远远低于CPU的工作频率,这样会造成的结果为:当CPU在执行完一条指令后,需要等待一些时间才能再次访问内存,虽然CPU本身可以较快处理完当前指令,但是等待所花费的时间拉低了CPU的工作效率。因此,高速缓冲存储器Cache肩负使命应运而生。Cache的存取速度比内存快几倍甚至十几倍,能更好地配合CPU进行工作。
在大量数据中,有80%的访问操作为读操作,并且只有20%的数据占用了80%的访问比率,我们需要把那些访问频率大的数据存储到Cache中,那些访问频率小的数据存储在内存中。在CPU运行过程中,当CPU需要的数据存储在Cache中时,被称为“命中”;当CPU需要的数据未被存储在Cache中时,被称为“不命中”,可见提高“命中”率可以提高CPU从Cache中获取所需要的数据的概率。而要提高“命中”率,需要我们预测数据的访问频率,这样才能将访问频率大的数据存储到Cache中。
现有技术中,数据访问频率的预测方法为统计某一段时间内数据的访问频率,然后将访问频率大的数据存入Cache,访问频率小的存入内存。但是此种方法的准确性很差,因为数据的访问频率是会根据实际需要变化的,单纯获得一段时间内的访问频率并不能准确地预测该数据的访问频率的变化趋势,因此该种预测数据访问频率的方法的准确性很低。
综上所述,如何提供一种能提高预测数据访问频率的准确性的方法,是目前本领域技术人员亟待解决的问题。
发明内容
本发明的目的是提供一种预测数据访问频率的方法及装置,能够提高预测数据访问频率的准确性。
为了实现上述目的,本发明提供如下技术方案:
一种预测数据访问频率的方法,包括:
步骤1:获取N段连续的时间段中每个时间段内目标数据的访问频率,第一个时间段至第N个时间段对应历史上距离当前时刻由远到近的时间,设置变量m的值为0;
步骤2:将第m+1个至第m+n+1个时间段对应访问频率输入至预先创建的神经网络,以指示所述神经网络基于第m+1个至第m+n个时间段对应访问频率得到第m+n+1个时间段的预测访问频率、输出该预测访问频率及该预测访问频率与第m+n+1个时间段对应访问频率的差值、在该差值大于预设阈值时调整自身参数;
步骤3:判断所述神经网络输出的差值是否大于预设阈值,如果是,则将变量m的值加1并返回执行步骤2,如果否,则确定所述神经网络训练完成;获取n个连续的时间段中每个时间段内所述目标数据的访问频率并输入至训练完成的神经网络,得到该神经网络输出的预测的所述目标数据第n+1个时间段内的访问频率。
优选的,在判断出所述神经网络输出的差值大于预设阈值后,还包括:
基于m当前的值判断m+n+1的值是否小于N的值,若是,则执行所述将变量m的值加1并返回执行步骤2的步骤,若否,则发出所述神经网络训练失败的提示。
优选的,发出所述神经网络训练失败的提示,包括:
将所述神经网络训练失败的提示发送至指定通讯终端。
优先的,发出所述神经网络训练失败的提示后,还包括:
按照预设规则扩大N的值,并返回执行步骤1。
一种预测数据访问频率的装置,包括:
获取单元,用于:获取N段连续的时间段中每个时间段内目标数据的访问频率,第一个时间段至第N个时间段对应历史上距离当前时刻由远到近的时间,设置变量m的值为0;
输入单元,用于:将第m+1个至第m+n+1个时间段对应访问频率输入至预先创建的神经网络,以指示所述神经网络基于第m+1个至第m+n个时间段对应访问频率得到第m+n+1个时间段的预测访问频率、输出该预测访问频率及该预测访问频率与第m+n+1个时间段对应访问频率的差值、在该差值大于预设阈值时调整自身参数;
判断单元,用于:判断所述神经网络输出的差值是否大于预设阈值,如果是,则将变量m的值加1并指示所述输入单元执行所述将第m+1个至第m+n+1个时间段对应访问频率输入至预先创建的神经网络的步骤,如果否,则确定所述神经网络训练完成;获取n个连续的时间段中每个时间段内所述目标数据的访问频率并输入至训练完成的神经网络,得到该神经网络输出的预测的所述目标数据第n+1个时间段内的访问频率。
优选的,所述判断单元还用于:
在判断出所述神经网络输出的差值大于预设阈值后,基于m当前的值判断m+n+1的值是否小于N的值,若是,则执行所述将变量m的值加1并指示所述输入单元执行所述将第m+1个至第m+n+1个时间段对应访问频率输入至预先创建的神经网络的步骤,若否,则发出所述神经网络训练失败的提示。
优选的,所述判断单元包括:
判断子单元,用于:将所述神经网络训练失败的提示发送至指定通讯终端。
优选的,所述装置还包括:
设置单元,用于:在所述判断单元发出所述神经网络训练失败的提示后,按照预设规则扩大N的值,并指示获取单元返回执行所述获取N段连续的时间段中每个时间段内目标数据的访问频率的步骤。
本发明提供了一种预测数据访问频率的方法及装置,其中该方法包括:步骤1:获取N段连续的时间段中每个时间段内目标数据的访问频率,第一个时间段至第N个时间段对应历史上距离当前时刻由远到近的时间,设置变量m的值为0;步骤2:将第m+1个至第m+n+1个时间段对应访问频率输入至预先创建的神经网络,以指示所述神经网络基于第m+1个至第m+n个时间段对应访问频率得到第m+n+1个时间段的预测访问频率、输出该预测访问频率及该预测访问频率与第m+n+1个时间段对应访问频率的差值、在该差值大于预设阈值时调整自身参数;步骤3:判断所述神经网络输出的差值是否大于预设阈值,如果是,则将变量m的值加1并返回执行步骤2,如果否,则确定所述神经网络训练完成;获取n个连续的时间段中每个时间段内所述目标数据的访问频率并输入至训练完成的神经网络,得到该神经网络输出的预测的所述目标数据第n+1个时间段内的访问频率。
本发明中神经网络根据第m+1段到第m+n段的历史时间段对应的访问频率得到第m+n+1段的历史时间段的预测访问频率,由于该神经网络已经得到了了第m+n+1段的历史时间段对应的真实的访问频率,判断预测的访问频率与其真实的访问频率的差值是否大于预设的阈值,若不大于则说明预测的访问频率与真实的访问频率的差值是可被接受的,该神经网络训练成功,可以用来预测待预测的时间段的访问频率;若大于则神经网络需要根据该差值进行相应调整,然后继续判断下一组预测访问频率与真实的访问频率之间的差值,本发明基于神经网络的学习能力实现上述步骤,在神经网络进行相应的调整的过程中,神经网络学习到了标号m+1到m+n+1的历史时间段对应的访问频率的变化趋势,因此该方法能提高预测数据访问频率的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种预测数据访问频率的方法的流程图;
图2为本发明实施例提供的一种预测数据访问频率的装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,其示出了本发明实施例提供的一种预测数据访问频率的方法的流程图,可以包括:
S11:获取N段连续的时间段中每个时间段内目标数据的访问频率,第一个时间段至第N个时间段对应历史上距离当前时刻由远到近的时间,设置变量m的值为0。
本发明提供的一种预测数据访问频率的方法的执行主语可以为对应的预测数据访问频率的装置,而该装置可以集成在数据处理器中,所以本申请实施例提供的一种预测数据访问频率的方法的执行主语也可以为数据处理器,本申请中以执行主语为数据处理器对本申请提供的一种预测数据访问频率的方法进行说明。本发明中,待预测访问频率的数据为目标数据,即若想要预测数据A的访问频率,那么数据A就是本发明中的目标数据,下面以数据A来进行说明。
首先数据处理器需要获取数据A在历史时间上连续的N段时间段的对应的数据访问频率情况,其中每个时间段的时间长度可以根据实际情况来设定,如果数据A的访问频率变化很大,那么每个时间段的时间长度可以设置得短一些,例如5毫秒,如果数据A的访问频率变化很小,那么每个时间段的时间长度可以设置得长一些,例如10毫秒。此外,N值的选取也可以根据实际情况进行设置,N值越大,表明数据处理器获取的历史访问频率越多,那么最终预测得到的数据访问频率就越准确,但是数据处理器处理的工作量也相应变大了,处理所需的时间也就会变长;由于数据处理取在S12中会将获取到的历史访问频率输入到神经网络中,指示神经网络做相应的处理,那么数据越多,神经网络的工作负荷越大,工作时间也会越长,所以在具体实现中,应综合考虑多方面的因素。例如,若数据处理器和神经网络的性能良好,那么N值可以设置得大一些,若数据处理器和神经网络的性能不是很好,可以将N值设置得小一些;另外,若数据A的历史数据访问频率变化很大,N值可以设置的大一些,若数据A的历史数据访问频率变化较小,N值可以设置的小一些。举个例子,我们假设N值为1000,即假设数据处理器获取了1000个时间段对应的访问频率,这1000个时间段是连续的,并且第1个时间段到第1000个时间段是距离当前时刻由远到近的。此外,每个时间段的长度可以设置成均相等,也可以不全相等,需要根据实际情况来确定,但是一般将每个时间段的长度设置得相等,这样数据处理器获取数据时更加方便。其中m是便于数据处理器选取相应数据来并输入到神经网络中的变量。
S12:将第m+1个至第m+n+1个时间段对应访问频率输入至预先创建的神经网络,以指示神经网络基于第m+1个至第m+n个时间段对应访问频率得到第m+n+1个时间段的预测访问频率、输出该预测访问频率及该预测访问频率与第m+n+1个时间段对应访问频率的差值、在该差值大于预设阈值时调整自身参数。
n值可以根据实际情况来设定,n值越大,则数据处理器某次输入的从第m+1段到第m+n+1段的时间段的数量就越大,也就是对于数据处理器的一次输入而言,神经网络获得了时间范围更宽的数据A的历史数据访问频率的变化趋势,所以其值越大,使用步骤S13中训练成功后得到的神经网络来预测到的数据A的数据访问频率就越准确,一般情况下将n设置为3。紧接上述例子,假设n为3,所以当m等于0时,数据处理器将第1个时间段到第4个时间段对应的访问频率输入到预先创建的神经网络中。该神经网络具有学习能力,能根据输入的数据输出相应的数据,可以根据实际情况创建相应的神经网络。神经网络根据第1个时间段到第3个时间段得到第4个时间段的预测访问频率,并且得到该预测访问频率与数据处理器输入的第4个时间段对应的数据访问频率的差值,若差值大于预设的阈值,神经网络将调整自身的参数,调整参数是为了在步骤S13中当数据处理器向神经网络输入第2个时间段到第5个时间段对应的访问频率后,神经网络根据第2个时间段到第4个时间段的访问频率得到第5个时间段的预测访问频率后,期望第5个时间段的预测访问频率与数据处理器输入的第5个时间段的对应的数据访问频率的差值能减小,假设第5个时间段对应的访问频率与预测的访问频率的差值仍大于预设的阈值,那么神经网络将再次调整自身的参数,然后处理神经网络输入的第3个时间段到第6个时间段对应的访问频率,神经网络根据第3个时间段到第5个时间段对应的访问频率得到第6个时间段的预测访问频率,以此类推。
其中,阈值反应了神经网络对某个时间段的数据A的预测访问频率的准确性的要求,该阈值设置得越小,说明对神经网络的预测的准确性要求越高,但在设置阈值的时候除了考虑准确性,还应考虑到神经网络的性能,包括神经网络调整参数的能力等,若神经网络的性能较差,则该阈值可以设置得大一些,若该神经性能较好,可以将该阈值设置得很小。
S13:判断神经网络输出的差值是否大于预设阈值,如果是,则将变量m的值加1并返回执行步骤S12,如果否,则确定神经网络训练完成;获取n个连续的时间段中每个时间段内目标数据的访问频率并输入至训练完成的神经网络,得到该神经网络输出的预测的目标数据第n+1个时间段内的访问频率。
当神经网络输出的差值大于阈值时,说明此时神经网络的预测准确性达不到预设的要求,处理器需要将m加1,输入下一组数据访问频率到神经网络中;而当神经网络输出的差值不大于阈值时,说明此时神经网络的预测准确性已经达到预设的要求,此时数据处理器可以获取目前待预测的时间段前与待预测时间段最接近的3段相邻的时间段的数据访问频率,由于此时神经网络已经训练成功,那么神经网络可以根据该3段时间段对应的数据访问频率预测待遇测时间段对应的访问频率。
本发明中神经网络根据第m+1段到第m+n段的历史时间段对应的访问频率得到第m+n+1段的历史时间段的预测访问频率,由于该神经网络已经得到了了第m+n+1段的历史时间段对应的真实的访问频率,判断预测的访问频率与其真实的访问频率的差值是否大于预设的阈值,若不大于则说明预测的访问频率与真实的访问频率的差值是可被接受的,该神经网络训练成功,可以用来预测待预测的时间段的访问频率;若大于则神经网络需要根据该差值进行相应调整,然后继续判断下一组预测访问频率与真实的访问频率之间的差值,本发明基于神经网络的学习能力实现上述步骤,在神经网络进行相应的调整的过程中,神经网络学习到了标号m+1到m+n+1的历史时间段对应的访问频率的变化趋势,因此该方法能提高预测数据访问频率的准确性。
本发明实施例提供的一种预测数据访问频率的方法,在判断出神经网络输出的差值大于预设阈值后,还可以包括:
基于m当前的值判断m+n+1的值是否小于N的值,若是,则执行将变量m的值加1并返回执行步骤S12的步骤,若否,则发出神经网络训练失败的提示。
本方法中,在返回执行步骤S12前,判断当前m+n+1是否小于预先设定的N的值,如果小于则可以返回,若不小于则应发出神经网络训练失败的提示,因为如果当前m的值使得m+n+1不小于N的值时,当m的值加1后,m+n+1必然会大于N的值,由于返回执行步骤S12意味着数据处理器需要将第m+1个至第m+n+1个时间段对应的访问频率输入到神经网络中,但是由于数据处理器并未获取到第m+n+1个时间段对应的访问频率,所以此时数据服务器无法将第m+n+1个时间段对应的访问频率输入到神经网络中。为了表达更清楚,紧接上述例子,假设当前m等于995时,此时m+n+1为999,小于预设1000(上述例子将N值假定为1000),此时数据处理器将m加1后得到996,返回执行步骤S12,即将第997段到第1000段对应的数据A的数据访问频率输入到神经网络中,假设神经网络根据第997段到999段得到的第1000段的预测数据访问频率与数据处理器输入的第1000段时间段对应的数据访问频率的差值依旧大于预设的阈值,那么就应该发出神经网络训练失败的提示,因为数据处理器已经将其获取的1000段时间段都输入给了神经网络,如果不发出神经网络训练失败的提示,而是将m加1再返回步骤S12的话,数据处理器需要将第998段到第1001段时间段对应的数据A的数据访问频率输入到神经网络中,但是实际上数据处理器只获得了1000段时间段对应的数据访问频率,无法为神经网络提供第1001段时间段对应的数据访问频率,所以此时可能会引起故障,或者使得神经网络输出错误的结果。因此该方法在判断出m+n+1不小于N值后,可以通过发出提示使得工作者及时获知此时神经网络训练失败,并且避免了可能引起的故障等问题。
本发明实施例提供的一种预测数据访问频率方法,发出神经网络训练失败的提示,可以包括:
将神经网络训练失败的提示发送至指定通讯终端。
该方法在当工作人员不在现场时,也能通过指定的通讯终端及时获知此时神经网络训练失败的情况,该通讯终端可以是与数据处理器能进行通讯的移动设备。
本发明实施例提供的一种预测数据访问频率的方法,发出神经网络训练失败的提示后,还可以包括:
按照预设规则扩大N的值,并返回执行步骤S11。
本次神经网络未训练成功,一个可能的原因为数据处理器获得的时间段对应的数据访问频率的数量不够,此时神经网络还未能学习到数据A的数据访问频率的变化趋势,所以当发出神经网络训练失败的提示后,可以按照预设规则扩大N的值,使得数据处理器获得更多的时间段对应的数据访问频率,具体实现中,按照预设规则扩大N的值可以为:若在发出神经网络训练失败的提示时神经网络输出的差值比预设的阈值大很多,那么可以将N的值扩大至为2×N或者3×N,甚至更大,如果该差值只比预设的阈值大一些,即该差值已经很接近预设的阈值了,那么可以将N值扩大为1.2×N或者1.3×N等,具体扩大多少需要视实际情况来确定。确定N值后返回执行步骤S11,即数据处理器获取N段连续的时间段中每个时间段内数据A的访问频率,此时的N的值已经扩大,数据处理器可以选取与之前选取的时间段完全不同的时间段,也可以紧接原来选取的时间段后面继续选取时间段,还可以在原来选取的时间段前面选取时间段,只要保证所选时间段是连续的并且所选时间段的数量为扩大后的N值即可。为了表达更清楚,紧接上述例子,当m等于996时,由于m+n+1不小于1000,此时应该提示训练失败,需要扩大N的值,具体将N扩大多少,可以将当m等于995时,神经网络根据第997段到999段得到的第1000段的预测数据访问频率与数据处理器输入的第1000段时间段对应的数据访问频率的差值与阈值的差距作个参考,若该差值已经很接近预设的阈值,那么可以将N值扩大到1300,如果该差值离预设的阈值较远,则可以设置为1800,2000,3000,甚至更大。假设将N值扩大为1300,那么数据处理器可以获取上述1000个数据后紧跟的300个时间段对应的访问频率,还可以获取上述1000个数据前面300个时间段对应的访问频率,然后将这1300个数据输入到神经网络中,当然也可以是获取与上述1000段时间段完全不同的1300个时间段对应的数据访问频率。扩大N值,就可以增加数据处理器输入到神经网络中的数据访问频率,也相应增加了神经网络调整参数的次数,提高神经网络训练成功的几率。
本发明实施例还提供了一种预测数据访问频率的装置,如图2所示,可以包括:
获取单元11,用于:获取N段连续的时间段中每个时间段内目标数据的访问频率,第一个时间段至第N个时间段对应历史上距离当前时刻由远到近的时间,设置变量m的值为0;
输入单元12,用于:将第m+1个至第m+n+1个时间段对应访问频率输入至预先创建的神经网络,以指示神经网络基于第m+1个至第m+n个时间段对应访问频率得到第m+n+1个时间段的预测访问频率、输出该预测访问频率及该预测访问频率与第m+n+1个时间段对应访问频率的差值、在该差值大于预设阈值时调整自身参数;
判断单元13,用于:判断神经网络输出的差值是否大于预设阈值,如果是,则将变量m的值加1并指示所述输入单元执行所述将第m+1个至第m+n+1个时间段对应访问频率输入至预先创建的神经网络的步骤,如果否,则确定神经网络训练完成;获取n个连续的时间段中每个时间段内目标数据的访问频率并输入至训练完成的神经网络,得到该神经网络输出的预测的目标数据第n+1个时间段内的访问频率。
本发明实施例提供的一种预测数据访问频率的装置,判断单元还可以用于:
在判断出神经网络输出的差值大于预设阈值后,基于m当前的值判断m+n+1的值是否小于N的值,若是,则执行将变量m的值加1并指示所述输入单元执行所述将第m+1个至第m+n+1个时间段对应访问频率输入至预先创建的神经网络的步骤,若否,则发出神经网络训练失败的提示。
本发明实施例提供的一种预测数据访问频率的装置,判断单元可以包括:
判断子单元,用于:将神经网络训练失败的提示发送至指定通讯终端。
本发明实施例提供的一种预测数据访问频率的装置,还可以包括:
设置单元,用于:在判断单元发出神经网络训练失败的提示后,按照预设规则扩大N的值,并指示获取单元返回执行获取N段连续的时间段中每个时间段内目标数据的访问频率的步骤。
本发明实施例提供的一种预测数据访问频率的装置中相关部分的说明请参见本发明实施例提供的一种预测数据访问频率的方法中对应部分的详细说明,在此不再赘述。本发明公开的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明,以免过多赘述。
对所公开的实施例的上述说明,使本领域技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种预测数据访问频率的方法,其特征在于,包括:
步骤1:获取N段连续的时间段中每个时间段内目标数据的访问频率,第一个时间段至第N个时间段对应历史上距离当前时刻由远到近的时间,设置变量m的值为0;
步骤2:将第m+1个至第m+n+1个时间段对应访问频率输入至预先创建的神经网络,以指示所述神经网络基于第m+1个至第m+n个时间段对应访问频率得到第m+n+1个时间段的预测访问频率、输出该预测访问频率及该预测访问频率与第m+n+1个时间段对应访问频率的差值、在该差值大于预设阈值时调整自身参数;
步骤3:判断所述神经网络输出的差值是否大于预设阈值,如果是,则将变量m的值加1并返回执行步骤2,如果否,则确定所述神经网络训练完成;获取n个连续的时间段中每个时间段内所述目标数据的访问频率并输入至训练完成的神经网络,得到该神经网络输出的预测的所述目标数据第n+1个时间段内的访问频率。
2.根据权利要求1所述的方法,其特征在于,在判断出所述神经网络输出的差值大于预设阈值后,还包括:
基于m当前的值判断m+n+1的值是否小于N的值,若是,则执行所述将变量m的值加1并返回执行步骤2的步骤,若否,则发出所述神经网络训练失败的提示。
3.根据权利要求2所述的方法,其特征在于,发出所述神经网络训练失败的提示,包括:
将所述神经网络训练失败的提示发送至指定通讯终端。
4.根据权利要求2所述的方法,其特征在于,发出所述神经网络训练失败的提示后,还包括:
按照预设规则扩大N的值,并返回执行步骤1。
5.一种预测数据访问频率的装置,其特征在于,包括:
获取单元,用于:获取N段连续的时间段中每个时间段内目标数据的访问频率,第一个时间段至第N个时间段对应历史上距离当前时刻由远到近的时间,设置变量m的值为0;
输入单元,用于:将第m+1个至第m+n+1个时间段对应访问频率输入至预先创建的神经网络,以指示所述神经网络基于第m+1个至第m+n个时间段对应访问频率得到第m+n+1个时间段的预测访问频率、输出该预测访问频率及该预测访问频率与第m+n+1个时间段对应访问频率的差值、在该差值大于预设阈值时调整自身参数;
判断单元,用于:判断所述神经网络输出的差值是否大于预设阈值,如果是,则将变量m的值加1并指示所述输入单元执行所述将第m+1个至第m+n+1个时间段对应访问频率输入至预先创建的神经网络的步骤,如果否,则确定所述神经网络训练完成;获取n个连续的时间段中每个时间段内所述目标数据的访问频率并输入至训练完成的神经网络,得到该神经网络输出的预测的所述目标数据第n+1个时间段内的访问频率。
6.根据权利要求5所述的装置,其特征在于,所述判断单元还用于:
在判断出所述神经网络输出的差值大于预设阈值后,基于m当前的值判断m+n+1的值是否小于N的值,若是,则执行所述将变量m的值加1并指示所述输入单元执行所述将第m+1个至第m+n+1个时间段对应访问频率输入至预先创建的神经网络的步骤,若否,则发出所述神经网络训练失败的提示。
7.根据权利要求6所述的装置,其特征在于,所述判断单元包括:
判断子单元,用于:将所述神经网络训练失败的提示发送至指定通讯终端。
8.根据权利要求6所述的装置,其特征在于,所述装置还包括:
设置单元,用于:在所述判断单元发出所述神经网络训练失败的提示后,按照预设规则扩大N的值,并指示获取单元返回执行所述获取N段连续的时间段中每个时间段内目标数据的访问频率的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710875744.1A CN107563514A (zh) | 2017-09-25 | 2017-09-25 | 一种预测数据访问频率的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710875744.1A CN107563514A (zh) | 2017-09-25 | 2017-09-25 | 一种预测数据访问频率的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107563514A true CN107563514A (zh) | 2018-01-09 |
Family
ID=60981583
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710875744.1A Pending CN107563514A (zh) | 2017-09-25 | 2017-09-25 | 一种预测数据访问频率的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107563514A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108965455A (zh) * | 2018-08-01 | 2018-12-07 | 中国联合网络通信集团有限公司 | 一种视频容器云的调整方法和系统 |
CN109976905A (zh) * | 2019-03-01 | 2019-07-05 | 联想(北京)有限公司 | 内存管理方法、装置和电子设备 |
CN111907370A (zh) * | 2020-07-01 | 2020-11-10 | 广州小鹏汽车科技有限公司 | 一种动力电池温度监测方法及装置、车辆、存储介质 |
CN112306953A (zh) * | 2020-01-14 | 2021-02-02 | 深圳新阳蓝光能源科技股份有限公司 | 一种智慧城市数据归档方法、装置和电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1604054A (zh) * | 2003-09-29 | 2005-04-06 | 刘志明 | 层次化视频点播中的磁盘缓存替换算法 |
CN101951395A (zh) * | 2010-08-30 | 2011-01-19 | 中国科学院声学研究所 | 一种基于访问预测的P2P VoD系统服务端的数据缓存策略 |
US9147159B2 (en) * | 2011-12-30 | 2015-09-29 | Certona Corporation | Extracting predictive segments from sampled data |
-
2017
- 2017-09-25 CN CN201710875744.1A patent/CN107563514A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1604054A (zh) * | 2003-09-29 | 2005-04-06 | 刘志明 | 层次化视频点播中的磁盘缓存替换算法 |
CN101951395A (zh) * | 2010-08-30 | 2011-01-19 | 中国科学院声学研究所 | 一种基于访问预测的P2P VoD系统服务端的数据缓存策略 |
US9147159B2 (en) * | 2011-12-30 | 2015-09-29 | Certona Corporation | Extracting predictive segments from sampled data |
Non-Patent Citations (1)
Title |
---|
马国炬: "云平台服务负载自动化预测的设计与实现", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108965455A (zh) * | 2018-08-01 | 2018-12-07 | 中国联合网络通信集团有限公司 | 一种视频容器云的调整方法和系统 |
CN108965455B (zh) * | 2018-08-01 | 2021-07-27 | 中国联合网络通信集团有限公司 | 一种视频容器云的调整方法和系统 |
CN109976905A (zh) * | 2019-03-01 | 2019-07-05 | 联想(北京)有限公司 | 内存管理方法、装置和电子设备 |
CN112306953A (zh) * | 2020-01-14 | 2021-02-02 | 深圳新阳蓝光能源科技股份有限公司 | 一种智慧城市数据归档方法、装置和电子设备 |
CN111907370A (zh) * | 2020-07-01 | 2020-11-10 | 广州小鹏汽车科技有限公司 | 一种动力电池温度监测方法及装置、车辆、存储介质 |
CN111907370B (zh) * | 2020-07-01 | 2022-02-11 | 广州小鹏汽车科技有限公司 | 一种动力电池温度监测方法及装置、车辆、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107563514A (zh) | 一种预测数据访问频率的方法及装置 | |
CN107851216B (zh) | 一种用于选择待由与环境进行交互的强化学习代理执行的动作的方法 | |
CN108650226B (zh) | 一种登录验证方法、装置、终端设备及存储介质 | |
CN107231436A (zh) | 一种进行业务调度的方法和装置 | |
CN105119733A (zh) | 人工智能系统及其状态跳转方法、服务器、通信系统 | |
CN112669629A (zh) | 一种基于深度强化学习的实时交通信号控制方法及装置 | |
CN107864071A (zh) | 一种面向主动安全的数据动态采集方法、装置及系统 | |
CN104504520B (zh) | 一种基于神经网络的深空探测器自主任务规划方法 | |
CN113595923A (zh) | 一种网络拥塞控制方法及装置 | |
CN108010378A (zh) | 停车场泊位占用率预测方法、装置、设备及存储介质 | |
CN105554544B (zh) | 一种数据处理方法及系统 | |
CN106875004A (zh) | 复合模式神经元信息处理方法和系统 | |
CN101873638A (zh) | 基于模糊神经网络的异构无线网络接入选择方法 | |
CN107992939B (zh) | 基于深度增强学习的等切削力齿轮加工方法 | |
US20160358208A1 (en) | Method, device, system for displaying media data | |
CN107591001B (zh) | 基于在线标定的快速路交通流数据填补方法及系统 | |
CN106769030A (zh) | 一种基于mea‑bp神经网络算法的轴承状态跟踪与预测方法 | |
CN110308658A (zh) | 一种pid参数整定方法、装置、系统及可读存储介质 | |
CN107016212A (zh) | 基于动态贝叶斯网络的意图分析方法 | |
CN109710500A (zh) | 一种基于自动伸缩Docker集群的组合预测方法 | |
CN112541584A (zh) | 深度神经网络模型并行模式选择方法 | |
WO2021245286A1 (en) | Learning options for action selection with meta-gradients in multi-task reinforcement learning | |
CN114370264B (zh) | 机械钻速确定、钻井参数优化方法、装置及电子设备 | |
CN105989376A (zh) | 一种基于神经网络的手写识别系统、装置和移动终端 | |
CN104778495A (zh) | 基于粒子群算法的贝叶斯网络优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180109 |