CN107832578A - 基于态势变化模型的数据处理方法及装置 - Google Patents
基于态势变化模型的数据处理方法及装置 Download PDFInfo
- Publication number
- CN107832578A CN107832578A CN201711087873.0A CN201711087873A CN107832578A CN 107832578 A CN107832578 A CN 107832578A CN 201711087873 A CN201711087873 A CN 201711087873A CN 107832578 A CN107832578 A CN 107832578A
- Authority
- CN
- China
- Prior art keywords
- service
- situation
- change model
- model
- library
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0463—Neocognitrons
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Abstract
本发明实施例提供一种基于态势变化模型的数据处理方法及装置。所述基于态势变化模型的数据处理方法包括:根据服务系统的服务库及转移库建立服务对象在所述服务系统中的各个服务节点态势变化的态势变化模型,所述态势变化模型中包括感知参数,所述感知参数包括表示服务对象在节点间相互迁移的概率的第一感知参数;采集所述服务系统的历史数据;将所述历史数据代入所述态势变化模型通过神经网络进行训练,得到所述态势变化模型的感知参数,确定感知参数后的态势变化模型形成态势计算模型;根据所述态势计算模型分析得到所述服务系统的服务库以及转移库中在指定时刻的服务对象数据。
Description
技术领域
本发明涉及计算机技术领域,具体而言,涉及一种基于态势变化模型的数据处理方法及装置。
背景技术
在一个动态的服务系统中,可能有服务对象进入服务系统,也可能有服务对象从所述服务系统中离开的动态变化;但是由于外界条件的不确定性,进入服务系统或离开服务系统都可能受到导致未知因素较多,因此对于动态的服务系统状态的预估造成了很大的困扰。
发明内容
有鉴于此,本发明实施例的目的在于提供一种基于态势变化模型的数据处理方法及装置。
本发明实施例提供的一种基于态势变化模型的数据处理方法,所述基于态势变化模型的数据处理方法包括:
根据服务系统的服务库及转移库建立服务对象在所述服务系统中的各个服务节点态势变化的态势变化模型,所述态势变化模型中包括感知参数,所述感知参数包括表示服务对象在节点间相互迁移的概率的第一感知参数;
采集所述服务系统的历史数据;
将所述历史数据代入所述态势变化模型通过神经网络进行训练,得到所述态势变化模型的感知参数,确定感知参数后的态势变化模型形成态势计算模型;
根据所述态势计算模型分析得到所述服务系统的服务库以及转移库中在指定时刻的服务对象数据。
本发明实施例还提供一种基于态势变化模型的数据处理装置,所述基于态势变化模型的数据处理装置包括:
建立模块,用于根据服务系统的服务库及转移库建立服务对象在所述服务系统中的各个服务节点态势变化的态势变化模型,所述态势变化模型中包括感知参数,所述感知参数包括表示服务对象在节点间相互迁移的概率的第一感知参数;
采集模块,用于采集所述服务系统的历史数据;
训练模块,用于将所述历史数据代入所述态势变化模型通过神经网络进行训练,得到所述态势变化模型的感知参数,确定感知参数后的态势变化模型形成态势计算模型;
计算模块,用于根据所述态势计算模型分析得到所述服务系统的服务库以及转移库中在指定时刻的服务对象数据。
与现有技术相比,本发明实施例提供的基于态势变化模型的数据处理方法及装置,在外界环境不变的情况下,可通过态势计算模型分析得到所述服务系统的服务库以及转移库中在指定时间后的服务对象数据。通过在模型中加设感知参数,可以大大简化了对外界条件的建模需求,提高对服务系统中的状态计算的简便性。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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,还可以根据这些附图获得其他相关的附图。
图1为本发明较佳实施例提供的电子终端的方框示意图。
图2为本发明较佳实施例提供的基于态势变化模型的数据处理方法的流程图。
图3为本发明较佳实施例提供的基于态势变化模型的数据处理方法中使用的神经网络示意图。
图4为本发明较佳实施例提供基于态势变化模型的数据处理装置的功能模块示意图。
具体实施方式
下面将结合本发明实施例中附图,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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
如图1所示,是一电子终端100的方框示意图。所述电子终端100包括基于态势变化模型的数据处理装置110、存储器111、存储控制器112、处理器113、外设接口114、输入输出单元115、显示单元116。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对电子终端100的结构造成限定。例如,电子终端100还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。本实施例所述的电子终端100可以是个人计算机、图像处理服务器、或者移动电子设备等具有图像处理能力的计算设备。
所述存储器111、存储控制器112、处理器113、外设接口114、输入输出单元115及显示单元116各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述基于态势变化模型的数据处理装置110包括至少一个可以软件或固件(Firmware)的形式存储于所述存储器111中或固化在所述电子终端100的操作系统(Operating System,OS)中的软件功能模块。所述处理器113用于执行存储器中存储的可执行模块,例如所述基于态势变化模型的数据处理装置110包括的软件功能模块或计算机程序。
其中,所述存储器111可以是,但不限于,随机存取存储器(Random AccessMemory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(ProgrammableRead-Only Memory,PROM),可擦除只读存储器(Erasable Programmable Read-OnlyMemory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory,EEPROM)等。其中,存储器111用于存储程序,所述处理器113在接收到执行指令后,执行所述程序,本发明实施例任一实施例揭示的过程定义的电子终端100所执行的方法可以应用于处理器113中,或者由处理器113实现。
所述处理器113可能是一种集成电路芯片,具有信号的处理能力。上述的处理器113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(DSP)、专用集成电路(ASIC)、现场可编程门阵列(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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述外设接口114将各种输入/输入装置耦合至处理器113以及存储器111。在一些实施例中,外设接口114,处理器113以及存储控制器112可以在单个芯片中实现。在其他一些实例中,他们可以分别由独立的芯片实现。
所述输入输出单元115用于提供给用户输入数据。所述输入输出单元115可以是,但不限于,鼠标和键盘等。
所述显示单元116在所述电子终端100与用户之间提供一个交互界面(例如用户操作界面)或用于显示图像数据给用户参考。在本实施例中,所述显示单元可以是液晶显示器或触控显示器。若为触控显示器,其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作,并将该感应到的触控操作交由处理器进行计算和处理。
请参阅图2,是本发明较佳实施例提供的应用于图1所示的电子终端的基于态势变化模型的数据处理方法的流程图。下面将对图2所示的具体流程进行详细阐述。
步骤S101,根据服务系统的服务库及转移库建立服务对象在所述服务系统中的各个服务节点态势变化的态势变化模型。
本实施例中,所述服务系统可以是政务服务系统,所述服务库可以是正在接受政务人员服务的人员库;所述转移库可以是正在等待接受服务的人员库,正在由一个服务节点转移等待接受另外的服务的人员库等。所述服务系统还可以是机场管理飞机的服务系统等。
本实施例中,所述态势变化模型可以是使用感知Petri网进行建模的模型。所述态势变化模型中包括感知参数,所述感知参数包括表示服务对象在节点间相互迁移的概率的第一感知参数。
本实施例中,所述态势变化模型由变化数据和稳定数据之和组成;其中,所述变化数据包括所述服务系统的服务变迁函数与所述第一感知参数的乘积,所述第一感知参数为所述服务变迁函数中各元素的权重形成的矩阵,所述稳定数据包括当前所述服务系统的服务对象数据。
本实施例中,所述态势变化模型可以是一个感知Petri网的模型,所述感知Petri网的模型可包括:
SM=[M(ss1),M(ss2),M(ss3),…M(ssn)]T
MM=[M(ms1),M(ms2),M(ms3),…M(msn)]T;
其中,M表示感知Petri网中的Petri元素集合,M向量包含两个子向量SM和MM,SM包含了服务库ss的标记值,MM包含了转移库ms的标记值。其中SM向量表征了服务对象在各个服务节点排队等待接受服务的情况,而MM向量只是用于描述服务对象在服务节点和节点间过渡的状态。
详细地,服务系统的态势变化模型可以表示为:在已知SM(t0)和E的情况下,求SM(ti)的点估计值;其中,t0是当前的时间,ti是未来某一时刻,E表示当前影响系统的外界条件的值的集合。
在另外的实施例,服务系统的态势变化模型可用于研究一个服务对象在系统中从进入到接受各种服务到最后离开系统的全过程,则该问题可以表示为:在已知SM(t0),E的情况下,求变迁到不同SM′(ti)时,时间节点ti的点估计值,其中SM(t0)=[1,0,0,…0]T。
在一种实施方式中,由于上个时刻转移库ms的服务对象将迁往服务库ss,在一个实例中,可以只考虑服务对象在服务节点间迁移,则所述态势变化模型可表示为:
其中,SM()表示所述态势变化模型,MM(t0)表示t0时刻转移库ms中的转移函数,也可以理解成所述MM(t0)表示t0时刻服务对象在各个服务节点间的过渡状态,Tm是将权重集合W写为矩阵的形式,它表征了服务对象在节点间相互迁移的概率,也是一个随外界环境改变而改变的第一感知参数。本实施方式中,所述服务变迁函数由所述MM(t0+Δt)表示。本实施例中,所述态势变化模型SM()用来表示服务对象在各个服务节点接受服务的情况。
本实施例中,由于服务对象在服务节点接受服务的过程。根据变迁规则的规定,服务对象在一个节点接受完服务后一定离开转移库ms库所进行迁移,则MM(t0+Δt)只依赖于Δt时间内完成服务的个数,因此,所述转移函数可以表示为:
MM(t0+Δt)=Q(SM(t0),ST,Δt);
其中,Q函数为变迁函数,Q(SM(t0),ST,Δt)表示Δt时间内,客源服务对象为SM(t0)时,服务变迁ST中发生变迁的服务对象的数量。
有上述可知,一个服务节点之间的服务变迁函数可以表示为:
Q(smi(t0),sti,Δt,E);
其中,Q(smi(t0),sti,Δt,E)表示服务对象数为smi(t0)时,在时间Δt内服务节点在ti时间时对应的库sti中的发生服务变迁的服务对象数。
本实施例中,公式Q(smi(t0),sti,Δt,E)服务节点内接受服务的过程满足D/N/Z/A/D/FCFS的排队模型。其中,D表示顾客源容量受限于上一级服务;N表示服务时间满足整体分布;Z表示服务台个数;A表示服务系统容量限制;FCFS表示先到先服务。
在一种实施方式中,可以将所述Q(smi(t0),sti,Δt,E)的数学期望值作为t0+Δt时刻的点估计值。
在一种实施方式中,可以将公式Q(smi(t0),sti,Δt,E)作为初步变迁函数。计算初步变迁函数的数学期望值得到积分表达式,所述积分表达式表示:
根据预设的积分步长对所述积分表达式进行计算得到所述服务变迁函数,所述服务变迁函数表示为:
其中,δ,μ是随外界环境改变而改变的第二感知参数,sti是第i次服务的时间,k是完成的服务次数,p(k)表示泊松分布的概率函数,Δt′预设的积分步长,(2πσ2)-1/2exp(-(sti-μ)2/2σ2)为正态分布的密度函数,所述感知参数还包括所述第二感知参数。
在另一种实施方式中,所述服务变迁函数的通过以下公式计算得到:
其中,μ为每次服务时间的点估计值,则单位时间中接受服务的服务对象数的估计量取1/μ,sm(t0)表示t0时接受完服务的服务对象数量。
在一种实施方式中,所述服务系统包括多个服务节点时,所述服务变迁函数可表示为:
其中,stj∈ssi。
在另一种实施方式中,在不考虑系统拥塞的情况下,SM的值的变迁只依赖于服务队列服务的速度及等待服务的对象的数量。当外界条件一定时,只考虑服务对象从外界进入服务节点的过程时,所述态势变化模型可表示为:
SM(t0+Δt)=SM(t0)+Q(∞,s0,Δt)×[w0,1,w0,2…w0,n]T
=SM(t0)+Q(∞,s0,Δt)×Tin
其中,Δt是间隔时间;Tin是将权重元素W写为矩阵的形式,它表征了服务对象从外界进入系统不同节点的概率,是一个随外界环境改变而改变的感知参数;n是感知Petri网中节点的个数;函数Q是求排队节点完成服务数的函数,具体来讲Q(∞,s0,Δt,E)表示客源服务对象数为无限个,在时间Δt内库所s0中的发生变迁的服务对象的个数。
接下来讨论函数Q(∞,s0,Δt,E)的点估计值。在一种实施方式中,外界环境中的服务对象到所述服务系统内的队列为M/0/Z/A/∞/FCFS模型,其到达人数符合泊松分布。取Q(∞,s0,Δt,E)的数学期望作为其点估计的值有:
其中,λ也是一个随外界环境改变而改变的感知参数。
本实施例中,所述变化数据还包括转移变迁函数与第三感知参数的乘积,所述第三感知参数为所述转移变迁函数中各个元素的权重形成的矩阵,所述转移变迁函数表示为:
Q(s0,mt0,Δt,E);
其中,Q(s0,mt0,Δt,E)表示客源服务对象数为s0在时间Δt内转移变迁库mt0中的发生变迁的服务对象的个数,s0表示所述服务系统的整个库,所述感知参数还包括所述第三感知参数。
再一种实施方式中,事实上SM(t0+Δt)的值包含从上一个时刻SM(t0)的值、服务系统从外界环境中引入的值、从其它服务节点迁入的值、接受完成服务迁出的值四部分。当Δt较小时,多数服务对象可以视作只完成了一次变迁,即上述四部分变化可以视为串行发生的。则综上所述,所述态势变化模型可表示为:
SM(t0+Δt)=SM(t0)+
Q(s0,mt0,Δt,E)×Tin+
Q(SM(t0),ST,Δt,E)×Tm-
Q(SM(t0),ST,Δt,E)
=SM(t0)+
Q(s0,mt0,Δt,E)×Tin+
Q(SM(t0),ST,Δt,E)×(Tm-I);
其中,I为单位矩阵,对函数Q(s0,mt0,Δt,E),Q(SM(t0),ST,Δt)的值取相应的点估计值便得到了在一定外界条件下在时间Δt之后系统的宏观态势的点估计值。
步骤S102,采集所述服务系统的历史数据。
所述历史数据包括所述服务系统中各个服务节点的服务对象的数量变化、变迁时间、转移服务对象的数量变化等数据。
步骤S103,将所述历史数据代入所述态势变化模型通过神经网络进行训练,得到所述态势变化模型的感知参数,确定感知参数后的态势变化模型形成态势计算模型。
本实施例中,所述神经的输入层是进行量化并归一之后的各种外界条件,输出层为态势变化模型中的各个感知参数,所述感知参数包括:表示所述服务变迁函数中各元素的权重形成的矩阵W的第一感知参数;随外界环境改变而改变的第二感知参数δ,μ;进入服务系统的服务对象的参数λ的第三感知参数等三部份参数。
在一种实施方式中,如图3所示,所述神经网络可以包括核空间提取网络和感知参数拟合网络。求解感知参数的神经网络前半部分为核空间提取网络。所述核空间提取网络用于将所述历史数据Ei映射到高维特征空间中。求解感知参数的神经网络的后半部分是感知参数拟合网络,该网络纵向分为多个部分,可以包括多个互不链接的小神经网络的集合。每个部分的输入层都是核空间提取网络的输出值T0、ST、W,而每个部分各自独立负责一个感知参数的输出,从而避免不同参数的学习结果间的相互干扰。
对于求解感知参数的神经网络输入输出参数较多,分为了两部分网络且层数较深等特点。在一种实施方式中,可以将历史数据作为输入量化并归一化后,进一步使用随机过程理论进行处理,如,使用ARIMA算法拟合的数据代替所述作为输入数据的历史数据,以剔除历史数据中难以学习的突变因素及噪声;对网络参数逐层进行预训练,以取得更优的初始参数值,这有助于网络收敛到更好的最优解之上;使用ReLu系列函数来减缓随着网络深度的加深学习时向后传导梯度消失的问题,并加快训练速度等。
步骤S104,根据所述态势计算模型分析得到所述服务系统的服务库以及转移库中在指定时刻的服务对象数据。
在其它实施例中,根据计算得到的感知参数还可以计算用于计算服务对象变迁时间的时间计算模型。
在一种实施方式中,一个刚进入系统的服务对象,其离开系统的时间节点的点估计值为:
Time(SMstart[T>SMend)=w0,1w1,2(Time([st1>)+Time([st2>))+
w0,1w1,3(Time([st1>)+Time([st3>))+
w0,2(Time([st2>))+tstart;
其中,tstart为进入系统的时刻,Time([sti)为求解变迁sti发生时间的函数。SMstart=[1,0,0,…0]T,为服务节点刚进入系统的状态,SMend=[0,0,0,…0]T,为服务节点刚离开系统的状态。对Time([sti)取数学期望,即得到第二感知参数中的μi,便可以求得Time(SMstart[T>SMend)的点估计值,即:
Time(SMstart[T>SMend)=w0,1w1,2(μ1+μ2)
+w0,1w1,3(μ1+μ3)
+w0,2(μ2)+tstart。
在所述第二感知参数为已知的情况下,可以计算得到服务对象进入所述服务系统后的离开服务系统或服务系统中任一服务节点的时间。
下面在一个实例中描述通过态势计算模型分析得到所述服务系统的在指定时刻的服务库以及转移库中的服务对象数据。假设,在时间t0=0时,统计出系统的初始状态SM(t0)=[0,1,2],在一个实例中,通过训练完成的神经网络计算出各个感知参数的值,其中λ0=3,μ1=μ2=μ3=2,δ1=δ2=δ3=1,w0,1=w0,2=w1,2=w1,3=0.5,w2,0=w3,0=1,则对于时间t1=1的宏观态势有:
计算得到Q(s0,mt0,Δt,E)的点估计值为3,Q(SM(t0),ST,Δt,E)的点估计值为[0,1,1]T,由此可得:
则[1.5,1.5,1]T代表着系统在当前环境下发展到t1时刻时,服务系统的服务对象分布依概率收敛的点估计值。
类似的,使用上述算法可以很方便地求出微观态势的点估计值。同样使用上面的例子,有一个从0时刻进入系统的节点,求该节点离开系统的里程碑时间节点有:
Time(SMstart[T>SMend)=w0,1w1,2(Time([st1>)+Time([st2>))+
w0,1w1,3(Time([st1>)+Time([st3>))+
w0,2(Time([st2>))
=0.5×0.5×(2+2)+0.5×0.5×(2+2)+0.5×2+0
=3;
类似的,上述计算值代表着在当前环境下,一个刚进入系统的节点,它离开系统的时间节点依概率收敛的点估计值。
本实施例中,当根据所述服务系统中有服务节点出现异常时,可以在修改所述态势计算模型后,再次进行所述服务系统的在指定时刻的服务库以及转移库中的服务对象数据的计算,具体描述如下:
针对系统发生异常时,系统的态势感知点估计值的计算举一个例子。例如,服务节点3发生故障,不再能够提供服务,这时需要将与服务节点3相关的参数进行重置,即sm3(t0)=0,Q(ms0,mt0,Δt,E)=0,w1,3设置为0,按原有比例重置服务节点3前集的所有权重参数,即w1,2设置为1。
在根据系统的结构改变对参数进行更新后,便可以继续使用上述算法求对态势的点估计值进行求解。则当前外界条件下,当服务节点3失效后,系统在一段时间内宏观态势和微观态势的变化有:
则[1.5,1.5,0]T代表着在当前环境下,系统服务节点3发生故障,如果不进行额外的处理,系统发展到时刻t1时服务对象分布依概率收敛的点估计值。可见,在系统的结构发生变化后,上述算法仍然能够继续输出具有物理含义的点估计值,这是使用建模方法带来的优势。
本实施例中,所述基于态势变化模型的数据处理方法还包括步骤S105和S106。
步骤S105,在预设时间后,获取所述服务系统的更新后的历史数据。
步骤S106,将所述更新后的历史数据代入所述态势变化模型通过神经网络进行训练,得到所述态势变化模型新的感知参数,确定感知参数后的态势变化模型更新态势计算模型。
通过在预设时间后重新采集历史数据对所述感知参数进行更新可以使所述态势计算模型的适应性更强。
根据本发明实施例提供的基于态势变化模型的数据处理方法,在外界环境不变的情况下,可通过态势计算模型分析得到在指定时间后所述服务系统的服务库以及转移库中的服务对象数据。通过在模型中加设感知参数,可以大大简化了对外界条件的建模需求,提高对服务系统中的状态计算的简便性。
请参阅图4,是本发明较佳实施例提供的图1所示的基于态势变化模型的数据处理装置110的功能模块示意图。本实施例中的基于态势变化模型的数据处理装置110中的各个模块可用于执行上述方法实施例中的各个步骤。所述基于态势变化模型的数据处理装置110包括建立模块1101、采集模块1102、训练模块1103及计算模块1104。
所述建立模块1101,用于根据服务系统的服务库及转移库建立服务对象在所述服务系统中的各个服务节点态势变化的态势变化模型。
本实施例中,所述态势变化模型中包括感知参数,所述感知参数包括表示服务对象在节点间相互迁移的概率的第一感知参数。
所述采集模块1102,用于采集所述服务系统的历史数据。
所述训练模块1103,用于将所述历史数据代入所述态势变化模型通过神经网络进行训练,得到所述态势变化模型的感知参数,确定感知参数后的态势变化模型形成态势计算模型。
所述计算模块1104,用于根据所述态势计算模型分析得到所述服务系统的服务库以及转移库中在指定时刻的服务对象数据。
本实施例中,所述态势变化模型由变化数据和稳定数据之和组成;其中,所述变化数据包括所述服务系统的服务变迁函数与所述第一感知参数的乘积,所述第一感知参数为所述服务变迁函数中各元素的权重形成的矩阵,所述稳定数据包括当前所述服务系统的服务对象数据。
本实施例中,所述服务变迁函数通过以下方式实现:
获得初步变迁公式:Q(smi(t0),sti,Δt,E);
其中,Q(smi(t0),sti,Δt,E)表示服务对象数为smi(t0)时,在时间Δt内服务节点在ti时间时对应的库sti中的发生服务变迁的服务对象数;
公式Q(smi(t0),sti,Δt,E)服务节点内接受服务的过程满足D/N/Z/A/D/FCFS的排队模型。其中,D表示顾客源容量受限于上一级服务;N表示服务时间满足整体分布;Z表示服务台个数;A表示服务系统容量限制;FCFS表示先到先服务。
计算所述初步变迁公式的数学期望值得到积分表达式,所述积分表达式表示:
根据预设的积分步长对所述积分表达式进行计算得到所述服务变迁函数,所述服务变迁函数表示为:
其中,δ,μ是随外界环境改变而改变的第二感知参数,sti是第i次服务的时间,k是完成的服务次数,p(k)表示泊松分布的概率函数,Δt′预设的积分步长,(2πσ2)-1/2exp(-(sti-μ)2/2σ2)为正态分布的密度函数,所述感知参数还包括所述第二感知参数;或者,
所述服务变迁函数的通过以下公式计算得到:
其中,μ为每次服务时间的点估计值,则单位时间中接受服务的服务对象数的估计量取1/μ,sm(t0)表示t0时接受完服务的服务对象数量。
所述服务系统包括多个服务节点时,所述服务变迁函数为:
其中,stj∈ssi。
本实施例中,所述变化数据还包括转移变迁函数与第三感知参数的乘积,所述第三感知参数为所述转移变迁函数中各个元素的权重形成的矩阵,所述转移变迁函数表示为:
Q(s0,mt0,Δt,E);
其中,Q(s0,mt0,Δt,E)表示客源服务对象数为s0在时间Δt内转移变迁库mt0中的发生变迁的服务对象的个数,s0表示所述服务系统的整个库,所述感知参数还包括所述第三感知参数。
根据本发明实施例提供的基于态势变化模型的数据处理装置,在外界环境不变的情况下,可通过态势计算模型分析得到所述服务系统的服务库以及转移库中在指定时间后的服务对象数据。通过在模型中加设感知参数,可以大大简化了对外界条件的建模需求,提高对服务系统中的状态计算的简便性。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。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。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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,均应包含在本发明的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种基于态势变化模型的数据处理方法,其特征在于,所述基于态势变化模型的数据处理方法包括:
根据服务系统的服务库及转移库建立服务对象在所述服务系统中的各个服务节点态势变化的态势变化模型,所述态势变化模型中包括感知参数,所述感知参数包括表示服务对象在节点间相互迁移的概率的第一感知参数;
采集所述服务系统的历史数据;
将所述历史数据代入所述态势变化模型通过神经网络进行训练,得到所述态势变化模型的感知参数,确定感知参数后的态势变化模型形成态势计算模型;
根据所述态势计算模型分析得到所述服务系统的服务库以及转移库中在指定时刻的服务对象数据。
2.如权利要求1所述的基于态势变化模型的数据处理方法,其特征在于,所述态势变化模型由变化数据和稳定数据之和组成;其中,所述变化数据包括所述服务系统的服务变迁函数与所述第一感知参数的乘积,所述第一感知参数为所述服务变迁函数中各元素的权重形成的矩阵,所述稳定数据包括当前所述服务系统的服务对象数据。
3.如权利要求2所述的基于态势变化模型的数据处理方法,其特征在于,所述服务变迁函数通过以下方式实现:
获得初步变迁公式:Q(smi(t0),sti,Δt,E);
其中,Q(smi(t0),sti,Δt,E)表示服务对象数为smi(t0)时,在时间Δt内服务节点在ti时间时对应的库sti中的发生服务变迁的服务对象数;
其中,公式Q(smi(t0),sti,Δt,E)服务节点内接受服务的过程满足D/N/Z/A/D/FCFS的排队模型,其中,D表示顾客源容量受限于上一级服务;N表示服务时间满足整体分布;Z表示服务台个数;A表示服务系统容量限制;FCFS表示先到先服务;
计算所述初步变迁公式数学期望值得到积分表达式,所述积分表达式为:
<mrow>
<mtable>
<mtr>
<mtd>
<mover>
<mrow>
<mi>Q</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>sm</mi>
<mi>i</mi>
</msub>
<mo>(</mo>
<msub>
<mi>t</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
<mo>,</mo>
<msub>
<mi>st</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<mi>&Delta;</mi>
<mi>t</mi>
<mo>,</mo>
<mi>E</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>&OverBar;</mo>
</mover>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>S</mi>
<mi>M</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</munderover>
<mi>k</mi>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>S</mi>
<mi>M</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</munderover>
<mi>k</mi>
<msubsup>
<mo>&Integral;</mo>
<mn>0</mn>
<mrow>
<mi>&Delta;</mi>
<mi>t</mi>
</mrow>
</msubsup>
<msubsup>
<mo>&Integral;</mo>
<mn>0</mn>
<mrow>
<mi>&Delta;</mi>
<mi>t</mi>
<mo>-</mo>
<msub>
<mi>st</mi>
<mn>1</mn>
</msub>
</mrow>
</msubsup>
<mn>...</mn>
<msubsup>
<mo>&Integral;</mo>
<mn>0</mn>
<mrow>
<mi>&Delta;</mi>
<mi>t</mi>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msub>
<mi>st</mi>
<mi>i</mi>
</msub>
</mrow>
</msubsup>
<mo>&Pi;</mo>
<msup>
<mrow>
<mo>(</mo>
<mn>2</mn>
<msup>
<mi>&pi;&sigma;</mi>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
</mrow>
</msup>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>st</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mi>&mu;</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<msub>
<mi>dst</mi>
<mi>n</mi>
</msub>
<msub>
<mi>dst</mi>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mn>...</mn>
<msub>
<mi>dst</mi>
<mn>1</mn>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>;</mo>
</mrow>
根据预设的积分步长对所述积分表达式进行计算得到所述服务变迁函数,所述服务变迁函数表示为:
<mrow>
<mtable>
<mtr>
<mtd>
<mover>
<mrow>
<mi>Q</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>sm</mi>
<mi>i</mi>
</msub>
<mo>(</mo>
<msub>
<mi>t</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
<mo>,</mo>
<msub>
<mi>st</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<mi>&Delta;</mi>
<mi>t</mi>
<mo>,</mo>
<mi>E</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>&OverBar;</mo>
</mover>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>S</mi>
<mi>M</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</munderover>
<mi>k</mi>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>S</mi>
<mi>M</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</munderover>
<mi>k</mi>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<msup>
<msub>
<mi>st</mi>
<mn>1</mn>
</msub>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mfrac>
<mrow>
<mi>&Delta;</mi>
<mi>t</mi>
</mrow>
<mrow>
<msup>
<mi>&Delta;t</mi>
<mo>&prime;</mo>
</msup>
</mrow>
</mfrac>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<msup>
<msub>
<mi>st</mi>
<mn>2</mn>
</msub>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mfrac>
<mrow>
<mi>&Delta;</mi>
<mi>t</mi>
</mrow>
<mrow>
<msup>
<mi>&Delta;t</mi>
<mo>&prime;</mo>
</msup>
</mrow>
</mfrac>
<mo>-</mo>
<msup>
<msub>
<mi>st</mi>
<mn>1</mn>
</msub>
<mo>&prime;</mo>
</msup>
</mrow>
</munderover>
<mn>...</mn>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<msup>
<msub>
<mi>st</mi>
<mi>i</mi>
</msub>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mfrac>
<mrow>
<mi>&Delta;</mi>
<mi>t</mi>
</mrow>
<mrow>
<msup>
<mi>&Delta;t</mi>
<mo>&prime;</mo>
</msup>
</mrow>
</mfrac>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msup>
<msub>
<mi>st</mi>
<mi>i</mi>
</msub>
<mo>&prime;</mo>
</msup>
</mrow>
</munderover>
<mo>&Pi;</mo>
<msup>
<mrow>
<mo>(</mo>
<mn>2</mn>
<msup>
<mi>&pi;&sigma;</mi>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
</mrow>
</msup>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>st</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mi>&mu;</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>;</mo>
</mrow>
其中,δ,μ是随外界环境改变而改变的第二感知参数,sti是第i次服务的时间,k是完成的服务次数,p(k)表示泊松分布的概率函数,Δt′为预设的积分步长,(2πσ2)-1/2exp(-(sti-μ)2/2σ2)为正态分布的密度函数,所述感知参数还包括所述第二感知参数;或者,
所述服务变迁函数通过以下公式计算得到:
<mrow>
<mover>
<mrow>
<mi>Q</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>sm</mi>
<mi>i</mi>
</msub>
<mo>(</mo>
<msub>
<mi>t</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
<mo>,</mo>
<msub>
<mi>st</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<mi>&Delta;</mi>
<mi>t</mi>
<mo>,</mo>
<mi>E</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mi>m</mi>
<mo>(</mo>
<msub>
<mi>t</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
<mo>,</mo>
<mfrac>
<mrow>
<mi>&Delta;</mi>
<mi>t</mi>
</mrow>
<mi>&mu;</mi>
</mfrac>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中,μ为每次服务时间的点估计值,单位时间中接受服务的服务对象数的估计量取1/μ,sm(t0)表示t0时接受完服务的服务对象数量。
4.如权利要求3所述的基于态势变化模型的数据处理方法,其特征在于,所述服务系统包括多个服务节点时,所述服务变迁函数为:
<mrow>
<mover>
<mrow>
<mi>Q</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>sm</mi>
<mi>i</mi>
</msub>
<mo>(</mo>
<msub>
<mi>t</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
<mo>,</mo>
<msub>
<mi>ss</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<mi>&Delta;</mi>
<mi>t</mi>
<mo>,</mo>
<mi>E</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mover>
<mrow>
<mi>Q</mi>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mi>m</mi>
<mo>(</mo>
<msub>
<mi>t</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
<mo>,</mo>
<msub>
<mi>st</mi>
<mi>j</mi>
</msub>
<mo>,</mo>
<mi>&Delta;</mi>
<mi>t</mi>
<mo>,</mo>
<mi>E</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>&OverBar;</mo>
</mover>
<mo>;</mo>
</mrow>
其中,stj∈ssi。
5.如权利要求2所述的基于态势变化模型的数据处理方法,其特征在于,所述变化数据还包括转移变迁函数与第三感知参数的乘积,所述第三感知参数为所述转移变迁函数中各个元素的权重形成的矩阵,所述转移变迁函数表示为:
Q(s0,mt0,Δt,E);
其中,Q(s0,mt0,Δt,E)表示客源服务对象数为s0在时间Δt内转移变迁库mt0中的发生变迁的服务对象的个数,s0表示所述服务系统的整个库,所述感知参数还包括所述第三感知参数。
6.如权利要求1所述的基于态势变化模型的数据处理方法,其特征在于,所述方法还包括:
在预设时间后,获取所述服务系统更新后的历史数据;
将所述更新后的历史数据代入所述态势变化模型通过神经网络进行训练,得到所述态势变化模型新的感知参数,确定感知参数后的态势变化模型更新态势计算模型。
7.一种基于态势变化模型的数据处理装置,其特征在于,所述基于态势变化模型的数据处理装置包括:
建立模块,用于根据服务系统的服务库及转移库建立服务对象在所述服务系统中的各个服务节点态势变化的态势变化模型,所述态势变化模型中包括感知参数,所述感知参数包括表示服务对象在节点间相互迁移的概率的第一感知参数;
采集模块,用于采集所述服务系统的历史数据;
训练模块,用于将所述历史数据代入所述态势变化模型通过神经网络进行训练,得到所述态势变化模型的感知参数,确定感知参数后的态势变化模型形成态势计算模型;
计算模块,用于根据所述态势计算模型分析得到所述服务系统的服务库以及转移库中在指定时刻的服务对象数据。
8.如权利要求7所述的基于态势变化模型的数据处理装置,其特征在于,所述态势变化模型由变化数据和稳定数据之和组成;其中,所述变化数据包括所述服务系统的服务变迁函数与所述第一感知参数的乘积,所述第一感知参数为所述服务变迁函数中各元素的权重形成的矩阵,所述稳定数据包括当前所述服务系统的服务对象数据。
9.如权利要求8所述的基于态势变化模型的数据处理装置,其特征在于,所述服务变迁函数通过以下方式实现:
获得初步变迁公式:Q(smi(t0),sti,Δt,E);
其中,Q(smi(t0),sti,Δt,E)表示服务对象数为smi(t0)时,在时间Δt内服务节点在ti时间时对应的库sti中的发生服务变迁的服务对象数;
公式Q(smi(t0),sti,Δt,E)服务节点内接受服务的过程满足D/N/Z/A/D/FCFS的排队模型,其中,D表示顾客源容量受限于上一级服务;N表示服务时间满足整体分布;Z表示服务台个数;A表示服务系统容量限制;FCFS表示先到先服务;
计算所述初步变迁公式的数学期望值得到积分表达式,所述积分表达式表示:
<mrow>
<mtable>
<mtr>
<mtd>
<mover>
<mrow>
<mi>Q</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>sm</mi>
<mi>i</mi>
</msub>
<mo>(</mo>
<msub>
<mi>t</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
<mo>,</mo>
<msub>
<mi>st</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<mi>&Delta;</mi>
<mi>t</mi>
<mo>,</mo>
<mi>E</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>&OverBar;</mo>
</mover>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>S</mi>
<mi>M</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</munderover>
<mi>k</mi>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>S</mi>
<mi>M</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</munderover>
<mi>k</mi>
<msubsup>
<mo>&Integral;</mo>
<mn>0</mn>
<mrow>
<mi>&Delta;</mi>
<mi>t</mi>
</mrow>
</msubsup>
<msubsup>
<mo>&Integral;</mo>
<mn>0</mn>
<mrow>
<mi>&Delta;</mi>
<mi>t</mi>
<mo>-</mo>
<msub>
<mi>st</mi>
<mn>1</mn>
</msub>
</mrow>
</msubsup>
<mn>...</mn>
<msubsup>
<mo>&Integral;</mo>
<mn>0</mn>
<mrow>
<mi>&Delta;</mi>
<mi>t</mi>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msub>
<mi>st</mi>
<mi>i</mi>
</msub>
</mrow>
</msubsup>
<mo>&Pi;</mo>
<msup>
<mrow>
<mo>(</mo>
<mn>2</mn>
<msup>
<mi>&pi;&sigma;</mi>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
</mrow>
</msup>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>st</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mi>&mu;</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<msub>
<mi>dst</mi>
<mi>n</mi>
</msub>
<msub>
<mi>dst</mi>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mn>...</mn>
<msub>
<mi>dst</mi>
<mn>1</mn>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>;</mo>
</mrow>
根据预设的积分步长对所述积分表达式进行计算得到所述服务变迁函数,所述服务变迁函数表示为:
<mrow>
<mtable>
<mtr>
<mtd>
<mover>
<mrow>
<mi>Q</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>sm</mi>
<mi>i</mi>
</msub>
<mo>(</mo>
<msub>
<mi>t</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
<mo>,</mo>
<msub>
<mi>st</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<mi>&Delta;</mi>
<mi>t</mi>
<mo>,</mo>
<mi>E</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>&OverBar;</mo>
</mover>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>S</mi>
<mi>M</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</munderover>
<mi>k</mi>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>S</mi>
<mi>M</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</munderover>
<mi>k</mi>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<msup>
<msub>
<mi>st</mi>
<mn>1</mn>
</msub>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mfrac>
<mrow>
<mi>&Delta;</mi>
<mi>t</mi>
</mrow>
<mrow>
<msup>
<mi>&Delta;t</mi>
<mo>&prime;</mo>
</msup>
</mrow>
</mfrac>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<msup>
<msub>
<mi>st</mi>
<mn>2</mn>
</msub>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mfrac>
<mrow>
<mi>&Delta;</mi>
<mi>t</mi>
</mrow>
<mrow>
<msup>
<mi>&Delta;t</mi>
<mo>&prime;</mo>
</msup>
</mrow>
</mfrac>
<mo>-</mo>
<msup>
<msub>
<mi>st</mi>
<mn>1</mn>
</msub>
<mo>&prime;</mo>
</msup>
</mrow>
</munderover>
<mn>...</mn>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<msup>
<msub>
<mi>st</mi>
<mi>i</mi>
</msub>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mfrac>
<mrow>
<mi>&Delta;</mi>
<mi>t</mi>
</mrow>
<mrow>
<msup>
<mi>&Delta;t</mi>
<mo>&prime;</mo>
</msup>
</mrow>
</mfrac>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msup>
<msub>
<mi>st</mi>
<mi>i</mi>
</msub>
<mo>&prime;</mo>
</msup>
</mrow>
</munderover>
<mo>&Pi;</mo>
<msup>
<mrow>
<mo>(</mo>
<mn>2</mn>
<msup>
<mi>&pi;&sigma;</mi>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
</mrow>
</msup>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>st</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mi>&mu;</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>;</mo>
</mrow>
其中,δ,μ是随外界环境改变而改变的第二感知参数,sti是第i次服务的时间,k是完成的服务次数,p(k)表示泊松分布的概率函数,Δt′预设的积分步长,(2πσ2)-1/2exp(-(sti-μ)2/2σ2)为正态分布的密度函数,所述感知参数还包括所述第二感知参数;或者,
所述服务变迁函数的通过以下公式计算得到:
<mrow>
<mover>
<mrow>
<mi>Q</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>sm</mi>
<mi>i</mi>
</msub>
<mo>(</mo>
<msub>
<mi>t</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
<mo>,</mo>
<msub>
<mi>st</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<mi>&Delta;</mi>
<mi>t</mi>
<mo>,</mo>
<mi>E</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mi>m</mi>
<mo>(</mo>
<msub>
<mi>t</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
<mo>,</mo>
<mfrac>
<mrow>
<mi>&Delta;</mi>
<mi>t</mi>
</mrow>
<mi>&mu;</mi>
</mfrac>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中,μ为每次服务时间的点估计值,则单位时间中接受服务的服务对象数的估计量取1/μ,sm(t0)表示t0时接受完服务的服务对象数量。
10.如权利要求8所述的基于态势变化模型的数据处理装置,其特征在于,所述变化数据还包括转移变迁函数与第三感知参数的乘积,所述第三感知参数为所述转移变迁函数中各个元素的权重形成的矩阵,所述转移变迁函数表示为:
Q(s0,mt0,Δt,E);
其中,Q(s0,mt0,Δt,E)表示客源服务对象数为s0在时间Δt内转移变迁库mt0中的发生变迁的服务对象的个数,s0表示所述服务系统的整个库,所述感知参数还包括所述第三感知参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711087873.0A CN107832578B (zh) | 2017-11-07 | 2017-11-07 | 基于态势变化模型的数据处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711087873.0A CN107832578B (zh) | 2017-11-07 | 2017-11-07 | 基于态势变化模型的数据处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107832578A true CN107832578A (zh) | 2018-03-23 |
CN107832578B CN107832578B (zh) | 2021-08-31 |
Family
ID=61654759
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711087873.0A Active CN107832578B (zh) | 2017-11-07 | 2017-11-07 | 基于态势变化模型的数据处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107832578B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110362494A (zh) * | 2019-07-18 | 2019-10-22 | 腾讯科技(深圳)有限公司 | 微服务状态信息展示的方法、模型训练方法以及相关装置 |
CN111079911A (zh) * | 2018-10-19 | 2020-04-28 | 中科寒武纪科技股份有限公司 | 运算方法、系统及相关产品 |
CN112422234A (zh) * | 2020-11-06 | 2021-02-26 | 应急管理部通信信息中心 | 一种基于时间感知的自适应深度学习的数据治理服务方法 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0245508A1 (en) * | 1985-11-02 | 1987-11-19 | Nippon Hoso Kyokai | Hierarchical data processing system |
US20070168157A1 (en) * | 2003-08-07 | 2007-07-19 | Khibnik Alexander I | Virtual load monitoring system and method |
CN101459537A (zh) * | 2008-12-20 | 2009-06-17 | 中国科学技术大学 | 基于多层次多角度分析的网络安全态势感知系统及方法 |
CN102098180A (zh) * | 2011-02-17 | 2011-06-15 | 华北电力大学 | 一种网络安全态势感知方法 |
CN102821007A (zh) * | 2012-08-06 | 2012-12-12 | 河南科技大学 | 一种基于自律计算的网络安全态势感知系统及其处理方法 |
CN103581188A (zh) * | 2013-11-05 | 2014-02-12 | 中国科学院计算技术研究所 | 一种网络安全态势预测方法及系统 |
CN103647665A (zh) * | 2013-12-13 | 2014-03-19 | 北京启明星辰信息技术股份有限公司 | 网络流量曲线分析方法和装置 |
CN104348829A (zh) * | 2014-09-26 | 2015-02-11 | 智慧城市信息技术有限公司 | 一种网络安全态势感知系统及方法 |
CN104363104A (zh) * | 2014-09-29 | 2015-02-18 | 中国人民解放军总参谋部第五十四研究所 | 一种面向用户需求的海量多元数据态势显示系统与方法 |
CN104766137A (zh) * | 2015-03-27 | 2015-07-08 | 中国人民解放军信息工程大学 | 一种基于证据理论的网络安全态势预测方法 |
CN104794534A (zh) * | 2015-04-16 | 2015-07-22 | 国网山东省电力公司临沂供电公司 | 一种基于改进深度学习模型的电网安全态势预测方法 |
RU2014120642A (ru) * | 2014-05-22 | 2015-11-27 | Максим Сергеевич Слетнев | Способ мониторинга состояния узлов автоматизированных технологических комплексов производств непрерывного типа |
CN105354634A (zh) * | 2015-10-28 | 2016-02-24 | 国家电网公司 | 一种主动配电网天线集成装置 |
CN106453293A (zh) * | 2016-09-30 | 2017-02-22 | 重庆邮电大学 | 一种基于改进bpnn的网络安全态势预测方法 |
CN106506485A (zh) * | 2016-10-26 | 2017-03-15 | 中国电子产品可靠性与环境试验研究所 | 网络空间安全态势感知分析方法和系统 |
CN106779085A (zh) * | 2016-11-25 | 2017-05-31 | 南京大学 | 一种基于人件服务的态势认知计算架构 |
CN106878943A (zh) * | 2017-01-11 | 2017-06-20 | 中国人民解放军国防信息学院 | 短波网络态势感知实现方法及系统 |
CN106953862A (zh) * | 2017-03-23 | 2017-07-14 | 国家电网公司 | 网络安全态势的感知方法和装置及感知模型训练方法和装置 |
CN106971051A (zh) * | 2017-04-19 | 2017-07-21 | 民航成都电子技术有限责任公司 | 一种航班保障服务时间估算方法及系统 |
CN107122869A (zh) * | 2017-05-11 | 2017-09-01 | 中国人民解放军装备学院 | 网络态势的分析方法和装置 |
-
2017
- 2017-11-07 CN CN201711087873.0A patent/CN107832578B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0245508A1 (en) * | 1985-11-02 | 1987-11-19 | Nippon Hoso Kyokai | Hierarchical data processing system |
US20070168157A1 (en) * | 2003-08-07 | 2007-07-19 | Khibnik Alexander I | Virtual load monitoring system and method |
CN101459537A (zh) * | 2008-12-20 | 2009-06-17 | 中国科学技术大学 | 基于多层次多角度分析的网络安全态势感知系统及方法 |
CN102098180A (zh) * | 2011-02-17 | 2011-06-15 | 华北电力大学 | 一种网络安全态势感知方法 |
CN102821007A (zh) * | 2012-08-06 | 2012-12-12 | 河南科技大学 | 一种基于自律计算的网络安全态势感知系统及其处理方法 |
CN103581188A (zh) * | 2013-11-05 | 2014-02-12 | 中国科学院计算技术研究所 | 一种网络安全态势预测方法及系统 |
CN103647665A (zh) * | 2013-12-13 | 2014-03-19 | 北京启明星辰信息技术股份有限公司 | 网络流量曲线分析方法和装置 |
RU2014120642A (ru) * | 2014-05-22 | 2015-11-27 | Максим Сергеевич Слетнев | Способ мониторинга состояния узлов автоматизированных технологических комплексов производств непрерывного типа |
CN104348829A (zh) * | 2014-09-26 | 2015-02-11 | 智慧城市信息技术有限公司 | 一种网络安全态势感知系统及方法 |
CN104363104A (zh) * | 2014-09-29 | 2015-02-18 | 中国人民解放军总参谋部第五十四研究所 | 一种面向用户需求的海量多元数据态势显示系统与方法 |
CN104766137A (zh) * | 2015-03-27 | 2015-07-08 | 中国人民解放军信息工程大学 | 一种基于证据理论的网络安全态势预测方法 |
CN104794534A (zh) * | 2015-04-16 | 2015-07-22 | 国网山东省电力公司临沂供电公司 | 一种基于改进深度学习模型的电网安全态势预测方法 |
CN105354634A (zh) * | 2015-10-28 | 2016-02-24 | 国家电网公司 | 一种主动配电网天线集成装置 |
CN106453293A (zh) * | 2016-09-30 | 2017-02-22 | 重庆邮电大学 | 一种基于改进bpnn的网络安全态势预测方法 |
CN106506485A (zh) * | 2016-10-26 | 2017-03-15 | 中国电子产品可靠性与环境试验研究所 | 网络空间安全态势感知分析方法和系统 |
CN106779085A (zh) * | 2016-11-25 | 2017-05-31 | 南京大学 | 一种基于人件服务的态势认知计算架构 |
CN106878943A (zh) * | 2017-01-11 | 2017-06-20 | 中国人民解放军国防信息学院 | 短波网络态势感知实现方法及系统 |
CN106953862A (zh) * | 2017-03-23 | 2017-07-14 | 国家电网公司 | 网络安全态势的感知方法和装置及感知模型训练方法和装置 |
CN106971051A (zh) * | 2017-04-19 | 2017-07-21 | 民航成都电子技术有限责任公司 | 一种航班保障服务时间估算方法及系统 |
CN107122869A (zh) * | 2017-05-11 | 2017-09-01 | 中国人民解放军装备学院 | 网络态势的分析方法和装置 |
Non-Patent Citations (5)
Title |
---|
CHRISTIAN BARTSCH 等: "Simulation of IT Service Processes with Petri-Nets", 《ICSOC 2008》 * |
F. BAUSE: "Queueing Petri Nets-A formalism for the combined qualitative and quantitative analysis of systems", 《PROCEEDINGS OF 5TH INTERNATIONAL WORKSHOP ON PETRI NETS AND PERFORMANCE MODELS》 * |
何胜利: "网络环境下服务系统的Petri网建模方法研究", 《现代防御技术》 * |
章昭辉 等: "大规模网络服务系统行为异常的敏捷感知方法", 《计算机学报》 * |
赵凌: "基于神经网络分析网络安全态势感知", 《数字化用户》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111079911A (zh) * | 2018-10-19 | 2020-04-28 | 中科寒武纪科技股份有限公司 | 运算方法、系统及相关产品 |
CN111079911B (zh) * | 2018-10-19 | 2021-02-09 | 中科寒武纪科技股份有限公司 | 运算方法、系统及相关产品 |
CN110362494A (zh) * | 2019-07-18 | 2019-10-22 | 腾讯科技(深圳)有限公司 | 微服务状态信息展示的方法、模型训练方法以及相关装置 |
CN110362494B (zh) * | 2019-07-18 | 2021-06-15 | 腾讯科技(深圳)有限公司 | 微服务状态信息展示的方法、模型训练方法以及相关装置 |
CN112422234A (zh) * | 2020-11-06 | 2021-02-26 | 应急管理部通信信息中心 | 一种基于时间感知的自适应深度学习的数据治理服务方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107832578B (zh) | 2021-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Grilli et al. | Feasibility and coexistence of large ecological communities | |
US11068658B2 (en) | Dynamic word embeddings | |
CN108140075B (zh) | 将用户行为分类为异常 | |
CN107451832B (zh) | 推送信息的方法和装置 | |
Middleton et al. | Unbiased estimation of the average treatment effect in cluster-randomized experiments | |
JP6547070B2 (ja) | プッシュ情報粗選択ソーティングの方法、デバイス、およびコンピュータ記憶媒体 | |
CN107832578B (zh) | 基于态势变化模型的数据处理方法及装置 | |
US11410112B2 (en) | Industrial data service, data modeling, and data application platform | |
CN111080360B (zh) | 行为预测方法、模型训练方法、装置、服务器及存储介质 | |
WO2022148186A1 (zh) | 行为序列数据处理方法及装置 | |
WO2016063341A1 (ja) | 時系列予測装置、及び時系列予測方法 | |
CN113610265A (zh) | 一种基于超图卷积网络的时空行为预测方法及系统 | |
Limnios et al. | Empirical estimator of stationary distribution for semi-Markov processes | |
CN111104299A (zh) | 一种服务器性能预测方法、装置及电子设备和存储介质 | |
CN114610865A (zh) | 召回文本推荐方法、装置、设备及存储介质 | |
US20190164083A1 (en) | Categorical Data Transformation and Clustering for Machine Learning using Natural Language Processing | |
CN114511387A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
CN110689927B (zh) | 耐药性关键基因筛选方法、装置、电子设备及存储介质 | |
Almomani et al. | Selecting a good stochastic system for the large number of alternatives | |
CN111369324A (zh) | 一种目标信息确定方法、装置、设备及可读存储介质 | |
CN115221663A (zh) | 数据处理方法、装置、设备及计算机可读存储介质 | |
Rong et al. | Exploring network behavior using cluster analysis | |
JP2022531480A (ja) | 訪問予測 | |
CN116308721B (zh) | 一种信息监督管理方法、装置、电子设备及存储介质 | |
CN113420227B (zh) | 点击率预估模型的训练方法、预估点击率的方法、装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |