CN108471362A - 资源分配预测方法和装置 - Google Patents
资源分配预测方法和装置 Download PDFInfo
- Publication number
- CN108471362A CN108471362A CN201810286633.1A CN201810286633A CN108471362A CN 108471362 A CN108471362 A CN 108471362A CN 201810286633 A CN201810286633 A CN 201810286633A CN 108471362 A CN108471362 A CN 108471362A
- Authority
- CN
- China
- Prior art keywords
- data
- time
- monotony
- real
- target
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明是关于一种资源分配预测方法,包括:确定实时的数据的时间所属的目标单调区间;确定与所述目标单调区间对应的目标线性回归模型;将所述实时的数据的数据量输入目标单调区间对应的线性回归模型得到实时输出值;将实时输出值作为支持向量机的核函数的输入值,根据支持向量机的核函数的输出值预测动作的类别。根据本发明的实施例,保证了所预测的动作的类别不会频繁变化,使得分配资源的电子设备可以在较长时间内保持相同的动作,减少对电子设备性能的浪费。
Description
技术领域
本申请涉及数据处理技术领域,具体而言,涉及资源分配预测方法、资源分配预测装置、电子设备和计算机可读存储介质。
背景技术
相关技术中对于处理数据负荷的预测,需要针对某个区域按照月和日两个维度分析历史最大负荷、最小负荷、平均负荷的变化趋势,然后运用随机森林回归和时间序列算法,构建负荷预测模型,然后根据该模型来实现下一阶段的负荷预测。
这种方式考虑的因素较多,在实际应用中所需采集的数据也就较多,不利于计算和采集。并且实际数据一般是非线性的,所以容易频繁地出现极值,导致对于负荷的预测几乎不存在规律,从而难以准确地在某一时刻预测下一时刻的负荷,因此可能导致对于资源的利用不充分而浪费资源。
发明内容
有鉴于此,本申请提供资源分配预测方法、资源分配预测装置、电子设备和计算机可读存储介质。
根据本发明实施例的第一方面,提供一种资源分配预测方法,包括:
确定实时的数据的时间所属的目标单调区间;
确定与所述目标单调区间对应的目标线性回归模型;
将所述实时的数据的数据量输入所述目标单调区间对应的线性回归模型得到实时输出值;
将所述实时输出值作为支持向量机的核函数的输入值,根据所述支持向量机的核函数的输出值预测动作的类别,其中,所述动作为针对处理所述数据的资源的分配动作。
可选地,所述方法还包括:
在确定实时的数据的时间所属的目标单调区间之前,将所述数据的数据量的变化周期划分为多个单调区间,其中,所述数据的数据量呈周期性变化。
可选地,所述将所述数据的数据量的变化周期划分为多个单调区间包括:
确定历史上的所述数据的数据量的极值在所述变化周期中对应的时刻;
根据所述时刻将所述变化周期划分为多个单调区间。
可选地,所述数据为餐饮数据,所述变化周期为一天,所述单调区间包括1点至13点,和/或13点至15点,和/或15点至19点,和/或19点至1点。
可选地,所述方法还包括:
在确定实时的数据的时间所属的目标单调区间之前,针对每个所述单调区间分别构建所述数据的线性回归模型。
可选地,所述方法还包括:
根据历史上的所述数据在所述多个单调区间中所处的历史单调区间,将历史上的所述数据的数据量输入所述历史单调区间对应的线性回归模型得到历史输出值;
根据多个所述历史输出值和样本动作类别构成训练集,根据机器学习算法对所述训练集进行训练以确定所述核函数。
可选地,所述线性回归模型为二元线性回归模型。
可选地,所述支持向量机的核函数为线性核函数。
根据本发明实施例的第二方面,提供一种资源分配预测装置,包括:
区间确定模块,用于确定实时的数据的时间所属的目标单调区间;
模型确定模块,用于确定与所述目标单调区间对应的目标线性回归模型;
线性回归模块,用于实时的所述数据的数据量输入所述目标单调区间对应的线性回归模型得到实时输出值;
支持向量机模块,用于将所述实时输出值作为支持向量机的核函数的输入值,根据所述支持向量机的核函数的输出值预测动作的类别,其中,所述动作为针对处理所述数据的资源的分配动作。
可选地,所述资源预测装置还包括:
区间划分模块,用于将所述数据的数据量的变化周期划分为多个单调区间,其中,所述数据的数据量呈周期性变化。
可选地,所述区间划分模块包括:
时刻确定子模块,用于确定历史上的所述数据的数据量的极值在所述变化周期中对应的时刻;
区间划分子模块,根据所述时刻将所述变化周期划分为多个单调区间。
可选地,所述变化周期为一天,所述单调区间包括1点至13点,和/或13点至15点,和/或15点至19点,和/或19点至1点。
可选地,所述资源预测装置还包括:
模型构建模块,用于针对每个所述单调区间分别构建所述数据的线性回归模型。
可选地,所述线性回归模块还用于根据历史上的所述数据在所述多个单调区间中所处的历史单调区间,将历史上的所述数据的数据量输入所述历史单调区间对应的线性回归模型得到历史输出值;
所述装置还包括:
机器学习模块,用于根据所述历史输出值和样本动作类别构成训练集,根据机器学习算法对所述训练集进行训练以确定所述核函数。
可选地,所述线性回归模型为二元线性回归模型。
可选地,所述支持向量机的核函数为线性核函数。
根据本发明实施例的第三方面,提供一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行上述任一实施例所述的方法。
根据本发明实施例的第四方面,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时执行上述任一实施例所述的方法。
根据上述实施例可知,将实时的数据输入目标单调区间对应的线性回归模型得到实时输出值是接近线性的,也即支持向量机的核函数的输入值是呈线性变化的,而支持向量机的核函数的输出值一般包括0和1两种情况,当输入值从某个阈值之下变到某个阈值之上,或从某个阈值之下变到某个阈值之下时,支持向量机的核函数的输出值才会才在0和1之间改变,而由于输入值是线性变化的,因此并不会在该阈值上下频繁地波动,从而避免了支持向量机的核函数的输出值在0和1之间频繁变化,保证了所预测的动作的类别不会频繁变化,使得分配资源的电子设备可以在较长时间内保持相同的动作,减少对电子设备性能的浪费。
并且由于划分单调区间后,每个单调区间中数据的数据量单调,因此相对于直接对整个周期内的数据构建线性回归模型,针对每个单调区间分别构建数据的线性回归模型,线性回归模型更接近于数据的数据量的实际变化趋势,有利于保证将数据的数据量输入到线性回归模型中后得到相对准确的输出值。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1是根据本发明的实施例示出的一种资源分配预测方法的示意流程图。
图2是根据本发明的实施例示出的另一种资源分配预测方法的示意流程图。
图3是根据本发明的实施例示出的又一种资源分配预测方法的示意流程图。
图4是根据本发明的实施例示出的又一种资源分配预测方法的示意流程图。
图5是根据本发明的实施例示出的又一种资源分配预测方法的示意流程图。
图6是根据本发明的实施例示出的资源分配预测装置所在终端的一种硬件结构图。
图7是根据本发明的实施例示出的一种资源分配预测装置的示意框图。
图8是根据本发明的实施例示出的另一种资源分配预测装置的示意框图。
图9是根据本发明的实施例示出的一种区间划分模块的示意框图。
图10是根据本发明的实施例示出的又一种资源分配预测装置的示意框图。
图11是根据本发明的实施例示出的又一种资源分配预测装置的示意框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
图1是根据本发明的实施例示出的一种资源分配预测方法的示意流程图。本实施例所示的方法可以应用于终端,例如手机、平板电脑等电子设备,也可以应用于服务器。
如图1所示,所述资源分配预测方法包括:
步骤S1,确定实时的数据的时间所属的目标单调区间。
在一个实施例中,所述数据的数据量可以是呈周期性变化的数据,例如用电数据、餐饮数据、交通数据等。
在一个实施例中,可以预先根据需要将数据的数据量的变化周期划分为多个单调区间,并可以根据需要选择划分方式,例如,可以先确定历史上的数据的数据量的极值在变化周期中对应的时刻,然后根据该时刻将变化周期划分为多个单调区间。
例如上述数据为餐饮数据,数据的类型可以包括:团购数据、结账数据、金融数据、评论数据等。例如数据量以一天为变化周期,在一天当中,餐饮数据根据人们用餐情况周期性变化,例如在中午和晚上数据的数据量较大。
例如通过统计历史上的餐饮数据可以确定,餐饮数据的数据量的极值在变化周期中对应的时刻为13点、15点、19点和1点,其中,极大值对应的时刻分别为13点和19点,极小值对应的时刻分别为15点和1点,也即餐饮数据在1点至13点之间以及15点至19点之间呈单调递增趋势,在13点和15点之间以及19点至1点之间呈单调递减趋势。据此,可以根据上述4个极值点将一天划分为四个单调区间,分别为(1,13],(13,15],(15,19],(19,1],划分后的每个单调区间中的数据的数据量呈单调。
步骤S2,确定与所述目标单调区间对应的目标线性回归模型。
在一个实施例中,可以预先针对每个所述单调区间分别构建所述历史数据的线性回归模型。由于划分单调区间后,每个单调区间中数据的数据量单调,因此相对于直接对整个周期内的数据构建线性回归模型,针对每个单调区间分别构建数据的线性回归模型,线性回归模型更接近于数据的数据量的实际变化情况,有利于保证将数据的数据量输入到线性回归模型中后得到相对准确的输出值。
在一个实施例中,数据可以包含类型、时间和数据量等维度,针对数据的各个维度可以将数据抽象化,例如抽象化为(Yi,X1i,X2i),其中,X1i对应数据的类型,例如数据的类型为团购数据,那么X1i可以为1,数据的类型为结账数据,那么X1i可以为2,而若只存在一种类型的数据,那么可以将数据抽象化为(Yi,X2i),也即无需考虑类型这一维度,以下实施例主要针对存在多种类型的数据的情况进行说明;X2i对应时间,X2i所采用的时间戳可以是秒级的unix时间戳;Yi为X1i类型的数据在X2i时的数据量。
针对变化周期中的某个单调区间而言,可以构建所述数据线性回归模型,以可以抽象化为(Yi,X1i,X2i)的数据为例,可以构建数据的二元线性回归模型:
设,
L21=∑x2ix1i,L12=∑x1ix2i,其中,j=1,2,μ为常数;
经过矩阵转换可以得到回归系数:
进而将求得的回归系数带入构建的二元线性回归模型,即可得到数据在单调区间的二元线性回归模型。
需要说明的是,上述线性回归模型可以在采集实时的数据之前预先得到,也可以在采集实时的数据时实时地生成。
步骤S3,将所述实时的数据的数据量输入所述目标线性回归模型得到实时输出值。
在一个实施例中,通过构建二元线性回归模型,然后将实时的数据的数据量输入目标线性回归模型,得到的实时输出值是接近线性的,例如线性递增,或者线性递减,更接近数据的数据量在单调区间内的实际变化趋势。
在一个实施例,除了可以先确定历史上的数据的数据量的极值在变化周期中对应的时刻,然后根据该时刻将变化周期划分为多个单调区间,也可以选择其他方式来划分变化周期。
例如所述数据在变化周期中单调,那么可以将变化周期平均划分为多个单调区间,由于针对每个单调区间分别构建了线性回归模型,而不是针对整个变化周期构建线性回归模型,因此单调区间对应的线性回归模型,更加接近于目标单调区间中数据的数据量的变化趋势,从而将实时的数据输入到的目标单调区间对应的二元线性回归模型,得到的结果与实际的数据量更加接近,也即相对准确。
再例如所述数据的数据量在变化周期中单调,并且在变化周期的多个区间中斜率不同,那么可以将不同斜率对应的区间划分为不同的单调区间,从而将变化周期划分为多个单调区间。与前述实施例类似地,由于针对每个单调区间分别构建了线性回归模型,而不是针对整个变化周期构建线性回归模型,因此将实时的数据的数据量输入到的目标单调区间对应的目标线性回归模型,更加接近于目标单调区间中数据的数据量的实际变化趋势,从而将实时的数据输入到的目标单调区间对应的二元线性回归模型,得到的结果与实际的数据量更加接近,也即相对准确。
步骤S4,将所述实时输出值作为支持向量机的核函数的输入值,根据所述支持向量机的核函数的输出值预测动作的类别,其中,所述动作为针对处理所述数据的资源的分配动作。
在一个实施例中,支持向量机的核函数可以在采集数据之前预先通过机器学习得到。支持向量机的作用是分类,其核函数的输出值一般包括0和1两种情况,动作的类别可以包括增加分配的资源和减少分配的资源。例如核函数的输出值为1,那么动作的类别为增加分配的资源,也即增加为处理所述数据分配的资源;例如核函数的输出值为0,那么动作的类别为减少分配的资源,也即减少为处理所述数据分配的资源。
在一个实施例中,由于将实时的数据的数据量输入目标单调区间对应的线性回归模型得到实时输出值是接近线性的,也即支持向量机的核函数的输入值是呈线性变化的,而支持向量机的核函数的输出值一般包括0和1两种情况,当输入值从某个阈值之下变到某个阈值之上,或从某个阈值之下变到某个阈值之下时,支持向量机的核函数的输出值才会才在0和1之间改变,而由于输入值是线性变化的,因此并不会在该阈值上下频繁地波动,从而避免了支持向量机的核函数的输出值在0和1之间频繁变化,保证了所预测的动作的类别不会频繁变化,使得分配资源的电子设备可以在较长时间内保持相同的动作,减少对电子设备性能的浪费。
图2是根据本发明的实施例示出的另一种资源分配预测方法的示意流程图。如图2所示,在图1所示实施例的基础上,所述资源分配预测方法还包括:
步骤S5,在确定实时的数据的时间所属的目标单调区间之前,将所述数据的数据量的变化周期划分为多个单调区间,其中,所述数据的数据量呈周期性变化。
图3是根据本发明的实施例示出的又一种资源分配预测方法的示意流程图。如图3所示,在图2所示实施例的基础上,所述将所述数据的数据量的变化周期划分为多个单调区间包括:
步骤S51,确定历史上的所述数据的数据量的极值在所述变化周期中对应的时刻;
步骤S52,根据所述时刻将所述变化周期划分为多个单调区间
在一个实施例中,对于数据量按照变化周期变化的数据,数据的数据量在极大值和极小值之间是呈单调的,或者单调递增,或者单调递减,因此根据极值在变化周期中对应的时刻将变化周期划分为多个单调区间,可以使得每个区间中的数据的数据量呈单调,进而保证针对每个单调区间中的数据构建的线性回归模型,与相应单调区间中数据的数据量的实际变化规律接近,从而将实时的数据的数据量输入到的目标单调区间对应的线性回归模型,得到的结果与实际的数据量更加接近,也即相对准确。
在一个实施例中,例如所述数据为餐饮数据,所述变化周期为一天,通过统计历史上的餐饮数据可以得出,餐饮数据的数据量的极值在变化周期中对应的时刻为13点、15点、19点和1点,其中,极大值分别对应13点和19点,极小值对应15点和1点,也即餐饮数据在1点至13点之间以及15点至19点之间呈单调递增趋势,在13点和15点之间以及19点至1点之间呈单调递减趋势。据此,可以根据上述4个极值点将一天划分为四个单调区间,分别为(1,13],(13,15],(15,19],(19,1],划分后的每个单调区间中的数据的数据量近似于单调。
图4是根据本发明的实施例示出的又一种资源分配预测方法的示意流程图。如图4所示,在图2所示实施例的基础上,所述资源分配预测方法还包括:
步骤S6,在确定实时的数据的时间所属的目标单调区间之前,针对每个所述单调区间分别构建所述数据的线性回归模型。
图5是根据本发明的实施例示出的又一种资源分配预测方法的示意流程图。如图5所示,在图1所示实施例的基础上,所述资源分配预测方法还包括:
步骤S7,根据历史上的所述数据在所述多个单调区间中所处的历史单调区间,将历史上的所述数据的数据量输入所述历史单调区间对应的线性回归模型得到历史输出值;
步骤S8,根据多个所述历史输出值和对应的样本动作类别构成训练集,根据机器学习算法对所述训练集进行训练以确定所述核函数。
在一个实施例中,历史上的数据可以是当前时刻以前预设时长(例如一个月,一年)的数据。其中,若划分单调区间的方式为先确定历史上的数据的数据量的极值在变化周期中对应的时刻,然后根据该时刻将变化周期划分为多个单调区间,可以计算每个历史上的数据的数据量在变化周期中的极值的平均值作为历史上的数据的数据量的极值。
在一个实施例中,样本动作类别可以是针对历史输出值预先确定的动作类别,例如针对某个历史输出值作为的输入值,可以预先确定该输入值对应的样本动作类别,例如增加分配的资源,或减少分配的资源。进而针对多个历史输出值和对应的样本动作类别可以构成训练集,其中,对训练集进行训练的机器学习算法可以是监督学习算法。训练过程主要是将历史输出值输入到预先设定的核函数中,然后确定输出值与历史输出值对应的样本动作类别是否相同,若不相同,则更改预先设定的核函数中各项参数的权值,直至输出值与历史输出值对应的样本动作类别相同。
在一个实施例中,所述线性回归模型为二元线性回归模型。
在一个实施例中,所述支持向量机的核函数为线性核函数。
与前述资源分配预测方法的实施例相对应,本申请还提供了资源分配预测装置的实施例。
本申请资源分配预测装置的实施例可以应用在终端上。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在终端的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言,如图6所示,为本申请资源分配预测装置所在终端的一种硬件结构图,除了图6所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的终端通常根据该终端的实际功能,还可以包括其他硬件,对此不再赘述。
图7是根据本发明的实施例示出的一种资源分配预测装置的示意框图。如图7所示,所述资源预测装置包括:
区间确定模块1,用于确定实时的数据的时间所属的目标单调区间;
模型确定模块2,用于确定与所述目标单调区间对应的目标线性回归模型;
线性回归模块3,用于将实时的所述数据的数据量输入所述目标单调区间对应的线性回归模型得到实时输出值;
支持向量机模块4,用于将所述实时输出值作为支持向量机的核函数的输入值,根据所述支持向量机的核函数的输出值预测动作的类别,其中,所述动作为针对处理所述数据的资源的分配动作。
图8是根据本发明的实施例示出的另一种资源分配预测装置的示意框图。如图8所示,在图7所示实施例的基础上,所述资源预测装置还包括:
区间划分模块5,用于将所述数据的数据量的变化周期划分为多个单调区间,其中,所述数据的数据量呈周期性变化。
图9是根据本发明的实施例示出的一种区间划分模块的示意框图。如图9所示,在图8所示实施例的基础上,所述区间划分模块包括:
时刻确定子模块51,用于确定历史上的所述数据的数据量的极值在所述变化周期中对应的时刻;
区间划分子模块52,根据所述时刻将所述变化周期划分为多个单调区间。
可选地,所述变化周期为一天,所述单调区间包括1点至13点,和/或13点至15点,和/或15点至19点,和/或19点至1点。
图10是根据本发明的实施例示出的又一种资源分配预测装置的示意框图。如图10所示,在图8所示实施例的基础上,所述资源预测装置还包括:
模型构建模块6,用于针对每个所述单调区间分别构建所述数据的线性回归模型。
图11是根据本发明的实施例示出的又一种资源分配预测装置的示意框图。如图11所示,在图7所示实施例的基础上,所述线性回归模块3还用于根据历史上的所述数据在所述多个单调区间中所处的历史单调区间,将历史上的所述数据的数据量输入所述历史单调区间对应的线性回归模型得到历史输出值;
所述资源预测装置还包括:
机器学习模块7,用于根据所述历史输出值和样本动作类别构成训练集,根据机器学习算法对所述训练集进行训练以确定所述核函数。
可选地,所述线性回归模型为二元线性回归模型。
可选地,所述支持向量机的核函数为线性核函数。
本发明的实施例还提出了一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行上述任一实施例所述的资源分配预测方法。
本发明的实施例还提出了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时执行上述任一实施例所述的资源分配预测方法。
上述装置中各个模块的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请保护的范围之内。
Claims (10)
1.一种资源分配预测方法,其特征在于,包括:
确定实时的数据的时间所属的目标单调区间;
确定与所述目标单调区间对应的目标线性回归模型;
将所述实时的数据的数据量输入所述目标线性回归模型得到实时输出值;
将所述实时输出值作为支持向量机的核函数的输入值,根据所述支持向量机的核函数的输出值预测动作的类别,其中,所述动作为针对处理所述数据的资源的分配动作。
2.根据权利要求1所述的方法,其特征在于,还包括:
在确定实时的数据的时间所属的目标单调区间之前,将所述数据的数据量的变化周期划分为多个单调区间,其中,所述数据的数据量呈周期性变化。
3.根据权利要求2所述的方法,其特征在于,所述将所述数据的数据量的变化周期划分为多个单调区间包括:
确定历史上的所述数据的数据量的极值在所述变化周期中对应的时刻;
根据所述时刻将所述变化周期划分为多个单调区间。
4.根据权利要求2或3所述的方法,其特征在于,所述数据为餐饮数据,所述变化周期为一天,所述单调区间包括1点至13点,和/或13点至15点,和/或15点至19点,和/或19点至1点。
5.根据权利要求2所述的方法,其特征在于,还包括:
在确定实时的数据的时间所属的目标单调区间之前,针对每个所述单调区间分别构建所述数据的线性回归模型。
6.根据权利要求1所述的方法,其特征在于,还包括:
根据历史上的所述数据在所述多个单调区间中所处的历史单调区间,将历史上的所述数据的数据量输入所述历史单调区间对应的线性回归模型得到历史输出值;
根据多个所述历史输出值和样本动作类别构成训练集,根据机器学习算法对所述训练集进行训练以确定所述核函数。
7.一种资源分配预测装置,其特征在于,包括:
区间确定模块,用于确定实时的数据的时间所属的目标单调区间;
模型确定模块,用于确定与所述目标单调区间对应的目标线性回归模型;
线性回归模块,用于实时的所述数据的数据量输入所述目标单调区间对应的线性回归模型得到实时输出值;
支持向量机模块,用于将所述实时输出值作为支持向量机的核函数的输入值,根据所述支持向量机的核函数的输出值预测动作的类别,其中,所述动作为针对处理所述数据的资源的分配动作。
8.根据权利要求7所述的装置,其特征在于,还包括:
区间划分模块,用于将所述数据的数据量的变化周期划分为多个单调区间,其中,所述数据的数据量呈周期性变化。
9.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述权利要求1至3以及5和6中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时执行所述权利要求1至3以及5和6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810286633.1A CN108471362B (zh) | 2018-03-30 | 2018-03-30 | 资源分配预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810286633.1A CN108471362B (zh) | 2018-03-30 | 2018-03-30 | 资源分配预测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108471362A true CN108471362A (zh) | 2018-08-31 |
CN108471362B CN108471362B (zh) | 2019-07-09 |
Family
ID=63262566
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810286633.1A Active CN108471362B (zh) | 2018-03-30 | 2018-03-30 | 资源分配预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108471362B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110796399A (zh) * | 2020-01-03 | 2020-02-14 | 支付宝(杭州)信息技术有限公司 | 基于区块链的资源分配方法以及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105050132A (zh) * | 2015-08-10 | 2015-11-11 | 北京邮电大学 | 小区极值吞吐量的估计方法 |
CN105678398A (zh) * | 2015-12-24 | 2016-06-15 | 国家电网公司 | 基于大数据技术的电力负荷预测方法及基于该方法的研究应用系统 |
CN106485348A (zh) * | 2016-09-22 | 2017-03-08 | 中国银联股份有限公司 | 一种交易数据的预测方法及装置 |
CN106709640A (zh) * | 2016-12-15 | 2017-05-24 | 华南理工大学 | 基于深度学习与支持向量回归的船舶能耗预测方法 |
-
2018
- 2018-03-30 CN CN201810286633.1A patent/CN108471362B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105050132A (zh) * | 2015-08-10 | 2015-11-11 | 北京邮电大学 | 小区极值吞吐量的估计方法 |
CN105678398A (zh) * | 2015-12-24 | 2016-06-15 | 国家电网公司 | 基于大数据技术的电力负荷预测方法及基于该方法的研究应用系统 |
CN106485348A (zh) * | 2016-09-22 | 2017-03-08 | 中国银联股份有限公司 | 一种交易数据的预测方法及装置 |
CN106709640A (zh) * | 2016-12-15 | 2017-05-24 | 华南理工大学 | 基于深度学习与支持向量回归的船舶能耗预测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110796399A (zh) * | 2020-01-03 | 2020-02-14 | 支付宝(杭州)信息技术有限公司 | 基于区块链的资源分配方法以及装置 |
CN110796399B (zh) * | 2020-01-03 | 2020-05-26 | 支付宝(杭州)信息技术有限公司 | 基于区块链的资源分配方法以及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108471362B (zh) | 2019-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022037337A1 (zh) | 机器学习模型的分布式训练方法、装置以及计算机设备 | |
CN112000459B (zh) | 一种用于服务的扩缩容的方法及相关设备 | |
US11200592B2 (en) | Simulation-based evaluation of a marketing channel attribution model | |
CN105205297B (zh) | 一种基于时间序列的业务预测方法及系统 | |
US20200249992A1 (en) | Resource usage prediction for cluster provisioning | |
CN104123189A (zh) | 一种基于IaaS层应用感知的Web多层应用动态资源调整方法 | |
CN112328395B (zh) | 一种云资源容量规划方法和系统 | |
Armant et al. | Semi-online task assignment policies for workload consolidation in cloud computing systems | |
CN113038302A (zh) | 流量预测方法及装置、计算机可存储介质 | |
CN114359563A (zh) | 模型训练方法、装置、计算机设备和存储介质 | |
Li et al. | Analysis of approximately balanced production lines | |
CN109325530A (zh) | 基于少量无标签数据的深度卷积神经网络的压缩方法 | |
CN108471362B (zh) | 资源分配预测方法和装置 | |
Jain et al. | Queueing network modelling of flexible manufacturing system using mean value analysis | |
CN113205128A (zh) | 基于无服务器计算的分布式深度学习性能保证方法 | |
CN111768246B (zh) | 一种数据处理方法、模型建立方法、装置及电子设备 | |
CN110580265B (zh) | Etl任务的处理方法、装置、设备及存储介质 | |
Almomani et al. | Selecting a good stochastic system for the large number of alternatives | |
CN107844496A (zh) | 统计信息输出方法及装置 | |
CN116737373A (zh) | 负载均衡方法、装置、计算机设备、存储介质 | |
CN116134387B (zh) | 用于确定工业任务的ai模型的压缩率的方法和系统 | |
CN109857547A (zh) | 一种线程分配方法、装置及终端设备 | |
CN109872183A (zh) | 智能服务评价方法、计算机可读存储介质和终端设备 | |
Prasad et al. | RConf (PD): Automated resource configuration of complex services in the cloud | |
Alyatama et al. | Continuous memory allocation model for cloud services |
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 |