CN110516714B - 一种特征预测方法、系统及引擎 - Google Patents

Abstract

本发明公开了一种特征预测方法、系统及引擎，其中，所述方法包括：接收携带输入数据的特征预测请求，并识别所述特征预测请求中包含的子请求；分别选择与各个所述子请求相匹配的预测模型，并通过选择的所述预测模型对所述输入数据分别进行预测，以得到各个所述子请求对应的预测结果；将各个所述子请求对应的预测结果按照预设融合算法进行融合，以得到并展示所述特征预测请求的最终预测结果。本申请提供的技术方案，能够提高特征预测的精度。

Description

一种特征预测方法、系统及引擎

技术领域

本发明涉及互联网技术领域，特别涉及一种特征预测方法、系统及引擎。

背景技术

随着云计算、大数据、人工智能等技术的快速发展，以及各种应用场景的不断成熟，越来越多的数据需要上传到云端进行处理，给云端带来相当多的工作负载。为了减轻云端的工作负载，以及越来越多的应用需要更快的反应速度，边缘智能(Edge Intelligence)应运而生。边缘智能可以使得大部分数据的收集、处理、分析、决策的过程都能在靠近数据源的一侧完成，从而极大地减轻了云端的工作负载，并且由于距离数据源较近，因此反应速度更快。

目前的边缘智能在进行特征预测时，通常只能采用单一的模型进行预测。然而，在实际应用中，针对相同的数据，可能需要进行多个特征的预测。在这种情况下，现有的边缘智能在进行特征预测时，往往具备较低的精度。

发明内容

本申请的目的在于提供一种特征预测方法、系统及引擎，能够提高特征预测的精度。

为实现上述目的，本申请一方面提供一种特征预测方法，所述方法包括：接收携带输入数据的特征预测请求，并识别所述特征预测请求中包含的子请求；分别选择与各个所述子请求相匹配的预测模型，并通过选择的所述预测模型对所述输入数据分别进行预测，以得到各个所述子请求对应的预测结果；将各个所述子请求对应的预测结果按照预设融合算法进行融合，以得到并展示所述特征预测请求的最终预测结果。

为实现上述目的，本申请另一方面还提供一种特征预测系统，所述系统包括应用层、模型层、平台层以及资源层，其中：所述应用层，用于接收携带输入数据的特征预测请求，并识别所述特征预测请求中包含的子请求；以及展示所述特征预测请求的最终预测结果；所述模型层，用于分别选择与各个所述子请求相匹配的预测模型，并通过选择的所述预测模型对所述输入数据分别进行预测，以得到各个所述子请求对应的预测结果；以及将各个所述子请求对应的预测结果按照预设融合算法进行融合，以得到所述特征预测请求的最终预测结果；所述平台层，用于在训练各个所述预测模型，以及通过选择的预测模型对所述输入数据分别进行预测时，创建对应的任务，并为创建的所述任务分配所需的计算资源；其中，所述计算资源至少包括中央处理器资源、图形处理器资源和内存资源；所述资源层，用于统计当前的计算资源，并响应于所述平台层的调度请求，将所述计算资源提供给对应的任务。

为实现上述目的，本申请另一方面还提供一种特征预测引擎，所述特征预测引擎包括处理器和存储器，所述存储器用于存储计算机程序，所述计算机程序被所述处理器执行时，实现上述的特征预测方法。

由上可见，本申请提供的技术方案，在接收到特征预测请求时，可以识别该特征预测请求中包含的各个子请求。然后，可以从预先训练得到的多个预测模型中，选择与各个所述子请求相匹配的预测模型，并通过选择的预测模型分别针对各个子请求进行预测，从而得到各自的预测结果。后续，为了得到特征预测请求的最终预测结果，可以按照预设融合算法，对得到的各个预测结果进行融合。这样，通过多个预测模型协同运作，以及将多个预测结果进行融合，能够得到较高精度的预测结果，从而更好地满足边缘智能的需求。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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一些实施例，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，还可以根据这些附图获得其他的附图。

图1是本发明实施方式中特征预测方法的步骤示意图；

图2是本发明实施方式中特征预测系统的结构示意图；

图3是本发明实施方式中特征预测方法的流程示意图；

图4是本发明实施方式中特征预测引擎的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

本申请提供一种特征预测方法，该方法可以应用于边缘智能系统中的各个边缘节点处，该可以应用于具备数据处理功能的电子设备中。请参阅图1，本申请提供的特征预测方法，可以包括以下步骤。

S1：接收携带输入数据的特征预测请求，并识别所述特征预测请求中包含的子请求。

在本实施方式中，请参阅图2，用于执行上述的特征预测方法的特征预测系统，可以包括四层结构。具体地，如图2所示，该系统中可以包括应用层、模型层、平台层以及资源层。其中，所述应用层中可以提供可被外部设备访问的接口，通过该接口，可以接收到携带输入数据的特征预测请求。在实际应用中，该接口可以是RESTful API模块，该RESTful API模块可以通过JAVA、C#，C/C++等编程语言实现，并可以采用HTTP(s)等通讯协议。

在本实施方式中，所述输入数据可以是用于特征预测的图片、视频帧等数据，所述特征预测请求可以根据实际情况的不同，划分为多种不同类型的请求。例如，所述特征预测请求可以是人脸特征预测请求、环境特征预测请求、目标对象预测请求等。在实际应用中，接收到的特征预测请求中，还可以进一步地细分为更多类型的子请求。例如对于人脸特征预测请求中，可以包括人脸的1比1验证请求、人脸的1比N验证请求、人脸定位验证请求、人脸搜寻请求、人脸布控请求等等。又例如，在人脸特征预测请求中，还可以同时存在目标对象的预测请求。具体地，在进行人脸识别时，可能还需要同时识别出人脸所处环境中的某个对象。这样，特征预测请求可以是各个子请求的合集，通过对该合集进行解析，从而可以识别出其中包含的各个子请求。

S3：分别选择与各个所述子请求相匹配的预测模型，并通过选择的所述预测模型对所述输入数据分别进行预测，以得到各个所述子请求对应的预测结果。

由于不同的子请求对特征的识别精度和方式均可能不同，因此不能统一采用相同的预测模型进行预测。在本实施方式中，可以在特征预测系统中预先针对不同的子请求，训练得到对应的预测模型，这些预测模型可供上述的模型层使用。这样，当应用层接收到特征预测请求，并识别出特征预测请求中包含的子请求后，可以通过模型层，分别选择与各个所述子请求相匹配的预测模型，并通过选择的所述预测模型对所述输入数据分别进行预测，以得到各个所述子请求对应的预测结果。

具体地，请参阅图2和图3，在模型层中可以包括算法分发模块以及由不同的算法SDK(Software Development Kit，软件开发工具包)构成的边缘智能应用(或者算法仓)。其中，不同的算法SDK中，可以包含不同的预测模型。当模型层接收到应用层发来的各个子请求后，可以根据各个子请求的类型，从众多的算法SDK中选择出类型相匹配的多个目标算法SDK，并通过目标算法SDK中的预测模型分别对相应的子请求进行预测。在进行预测时，可以将上述的输入数据分别输入不同的目标算法SDK中，从而通过不同的预测模型对输入数据进行预测，得到各个子请求对应的预测结果。

在一个实施方式中，考虑到后续需要按照预设融合算法将各个子请求对应的预测结果进行融合，那么在通过选择的所述预测模型对所述输入数据分别进行预测时，可以按照所述预设融合算法，确定各个所述预测模型的执行顺序。在实际应用中，所述执行顺序可以包括并行执行和/或串行执行。其中，该执行顺序可以由预设融合算法的类型确定。具体地，所述预设融合算法可以包括投票融合算法、线性加权融合算法、交叉融合算法、瀑布融合算法以及预测融合算法等等。不同的融合算法，对预测结果的处理方式也不同，从而决定了各个预测模型的执行顺序。例如，对于投票融合算法和线性加权融合算法而言，往往是针对各个预测模型的预测结果进行综合分析，在这种情况下，模型层中选择的各个预测模型可以并行执行。而对于瀑布融合算法而言，通常需要将当前的预测模型的预测结果，作为输入下一个预测模型的候选数据，在这种情况下，模型层中选择的各个预测模型就需要串行执行。当然，根据融合算法的不同，还可能需要将部分预测模型并行执行，以及将部分预测模型串行执行，这里就不再列举了。在本实施方式中，当确定了各个所述预测模型的执行顺序后，可以按照所述执行顺序分别对所述输入数据进行预测。

在一个实施方式中，由于所述输入数据通常是用户提供的，因此输入数据的格式与各个算法SDK中预测模型要求的格式可能并不一致。在这种情况下，在对输入数据进行预测之前，可以将所述输入数据的格式转换为与当前的预测模型相匹配的输入格式，并将转换后的输入数据输入所述当前的预测模型。该格式转换的过程，可以通过协议转换适配器来实现。这样便可以保证预测模型能够正确地识别并分析输入的数据。

在一个实施方式中，在训练各个所述预测模型时，所述应用层中的RESTful API模块可以接收导入的训练数据，并且所述应用层中还可以包括数据标注模块，该数据标注模块可以标注所述训练数据中的特征类型。这样，标注了特征类型的训练数据便可以作为训练各个所述预测模型的训练样本。其中，所述特征类型可以根据实际情况而定。例如，针对缺陷识别的场景而言，该特征类型可以是重皮、折叠、压痕、锯齿折叠等缺陷类型。在进行特征标注时，可以借用LabelImg等标注工具来完成训练样本的构建。

在本实施方式中，在标注得到大量的训练样本后，便可以利用这些训练样本训练得到各个预测模型。在实际应用中，这些预测模型可以基于一定的分类算法进行训练，这些分类算法例如可以是支持向量机、随机森林算法、较大熵算法、梯度提升树算法等。

需要说明的是，请参阅图2和图3，在模型层中还可以包括模型更新模块，该模块可以用于定期获取预测出错或者预测精度不够高的样本数据以及新出现的样本数据，并利用这部分样本数据和人工矫正后的真实预测结果，对现有的预测模型再次进行训练，以使得训练后的预测模型能够针对这部分样本数据进行准确的预测。这样，通过不断更新已经完成训练的预测模型，能够保证预测结果的准确性。

S5：将各个所述子请求对应的预测结果按照预设融合算法进行融合，以得到并展示所述特征预测请求的最终预测结果。

在本实施方式中，在得到各个子请求的预测结果后，为了向用户提供一个最终的预测结果，可以按照预设融合算法对这些预测结果进行融合。在实际应用中，不同的融合算法可以执行不同的融合步骤。

举例来说，在选用投票融合算法时，可以在各个所述子请求对应的预测结果中统计重复次数最多的目标预测结果，并将所述目标预测结果作为所述特征预测请求的最终预测结果。在确定出最终预测结果后，可以通过应用层中的结果展示模块展示该最终预测结果。在实际应用中，可以通过声光设备、短信、邮件以及消息推送等方式来展示最终预测结果。

又例如，在选用线性加权融合算法时，可以为各个所述预测结果分配各自的权重值，并按照分配的权重值对各个所述预测结果的数值加权求平均值，并将所述平均值对应的预测结果作为所述特征预测请求的最终预测结果。具体地，各个预测模型可以针对输入数据计算得到一个概率向量，该概率向量中可以包括多个概率值，每个概率值可以表征一种可能的预测结果。最终，预测模型可以将概率值最大的预测结果，作为输出的子请求的预测结果。在该应用场景下，在各个预测模型计算得到各个概率向量后，可以将该概率向量中包含的概率值与预测模型的权重值进行乘积运算，并将乘积运算后的各个概率向量相加，从而得到一个总的概率向量。接着，可以将该总的概率向量中的各个向量值除以概率向量的总数，从而得到各个向量值的加权平均值。最终，通过筛选出最加权平均值最大的概率值，从而可以确定出所述特征预测请求的最终预测结果。

又例如，在选用交叉融合算法时，可以从不同角度分别展示各个不同的预测结果。具体地，可以计算各个所述子请求对应的预测结果的并集，并将所述并集作为所述特征预测请求的最终预测结果。通过这种融合算法，可以向用户展示多个方面的不同预测结果，以供用户自己选择。当然，在实际应用中，多个不同的预测结果可能存在相悖的情况，因此，在计算得到预测结果的并集后，还可以消除这些相悖的预测结果，并将剩下的预测结果提供给用户。在消除相悖的预测结果时，可以将相悖的多个预测结果全部剔除，还可以从相悖的多个预测结果中保留置信度较高的一个预测结果。

又例如，在选用瀑布融合算法时，可以将当前的预测模型的预测结果作为候选数据，与所述输入数据一并输入下一个预测模型。这样，下一个预测模型在对输入数据进行预测时，可以利用候选数据进行辅助判定，从而通过层层递进的方式，得到最优的最终预测结果。

又例如，在选用预测融合算法时，可以针对各个子请求的预测结果进行二次训练。具体地，可以将各个所述子请求对应的预测结果作为二次数据，并根据针对所述二次数据的反馈数据，构建二次训练的训练样本。其中，各个子请求对应的预测结果可以作为原始的样本数据。用户可以针对这些样本数据，选择出自身感兴趣的数据，或者是从这些样本数据中挑选出具备某种缺陷类型的数据，这样，用户选择或者挑选的数据便可以作为上述的反馈数据。原始的样本数据和反馈数据可以共同构成二次训练的训练样本。后续，利用所述训练样本可以训练得到二层预测模型，并通过所述二层预测模型预测得到所述特征预测请求的最终预测结果。其中，可以按照步骤S3中描述的模型预测方式来训练二层预测模型，这里便不再赘述。

在一个实施方式中，各个预测模型得到的预测结果的格式，可能与融合算法的输入格式并不一致，在这种情况下，需要将各个所述预测结果的格式转换为与所述预设融合算法相匹配的输入格式，并按照所述预设融合算法对转换后的预设结果进行融合。具体地，可以在每个算法SDK中配置一个用于结果转换的适配器，该适配器可以通过Java、Python等编程语言实现，并可以将预测结果的数据格式(例如JSON数据格式)转换为预设融合算法的输入格式(例如XML格式、二进制流格式等等)。

在进行边缘智能的运算时，通常需要为运算过程分配硬件资源。而当前的边缘智能技术，通常只能将硬件资源与特定的运算过程绑定。一旦该运算过程没有执行，这部分硬件资源便无法被其它运算过程使用，这样无疑会造成资源的闲置和浪费。在本实施方式中，上述的平台层可以负责进行任务的创建和资源的调度。具体地，所述平台层可以在训练各个所述预测模型，以及通过选择的预测模型对所述输入数据分别进行预测时，创建对应的任务，并为创建的所述任务分配所需的计算资源。其中，所述计算资源至少包括中央处理器资源、图形处理器资源和内存资源，可调用的计算资源可以由上述的资源层提供。

具体地，平台层在创建了对应的任务后，还可以对创建的任务进行监控，监控的内容可以包括任务的运行状态、硬件资源的使用情况、任务的执行时间等。在为任务调度计算资源时，可以采用多种调度算法来实现。具体地，以图形处理器资源为例。在一个实施方式中，可以统计所述任务所需的图形处理器的目标数量，为所述任务分配所述目标数量的图形处理器。在另一个实施方式中，除了注重任务所需的资源数量，通常还需要注重资源的位置。具体地，平台层可以获取图形处理器的位置信息，并根据所述位置信息确定所述任务所需的图形处理器的目标位置，并将位于所述目标位置处的图形处理器分配给所述任务。举例来说，图形处理器的位置信息可以记录于固定长度的字节中，并且字节中的每一位可以代表一个图形处理器，每一位的数值可以代表图形处理器当前的可使用状态。例如，图形处理器的位置信息可以具备64位，其中每一位代表一个图形处理器，并且1可以表示当前位置的图形处理器可用，0则表示当前位置的图形处理器不可用。这样，通过位置信息，可以清晰地记载各个图形处理器的位置以及可使用状态。后续，可以根据任务所需的图形处理器的数量，以及对应的位置描述要求，筛选出相匹配的多个图形处理器，以供任务使用。在另一个实施方式中，图形处理器还可以具备各自的标签信息。该标签信息可以由一个或者多个标签构成。该标签例如可以是工作频率、CUDA核数、显存、工作温度、所处位置等。这样，通过识别所述任务所需的图形处理器的目标标签，并可以将标签信息中具备所述目标标签的图形处理器分配给所述任务，从而向任务提供符合要求的图形处理器。举例来说，如果某个任务占用的显存较高，则可以为之调配显存高的图形处理器资源，而如果某个任务要求较高的工作频率，则可以选择频率高的图形处理器资源等等。

在实际应用中，所述平台层可以通过openPAI(open Platform for AI，人工智能集群管理平台)实现。具体地，openPAI可提供深度学习、机器学习及大数据任务的大规模图形处理器集群调度、集群监控、任务监控、分布式存储等功能。openPAI在工作时，可以通过Web Portal调用REST Server的API接口提交作业(Job)，随后REST Server可以与Launcher交互，以执行各种作业，再由Launcher Server处理作业请求并将作业请求提交至HadoopYARN进行资源分配与调度。OpenPAI给Hadoop YARN添加了图形处理器支持，使Hadoop YARN能将图形处理器作为可计算资源调度，其中，Hadoop YARN负责作业的管理，其它静态资源则由Kubernetes进行管理。

请参阅图2，本申请还提供一种特征预测系统，所述系统包括应用层、模型层、平台层以及资源层，其中：

所述应用层，用于接收携带输入数据的特征预测请求，并识别所述特征预测请求中包含的子请求；以及展示所述特征预测请求的最终预测结果；

所述模型层，用于分别选择与各个所述子请求相匹配的预测模型，并通过选择的所述预测模型对所述输入数据分别进行预测，以得到各个所述子请求对应的预测结果；以及将各个所述子请求对应的预测结果按照预设融合算法进行融合，以得到所述特征预测请求的最终预测结果；

所述平台层，用于在训练各个所述预测模型，以及通过选择的预测模型对所述输入数据分别进行预测时，创建对应的任务，并为创建的所述任务分配所需的计算资源；其中，所述计算资源至少包括中央处理器资源、图形处理器资源和内存资源；

所述资源层，用于统计当前的计算资源，并响应于所述平台层的调度请求，将所述计算资源提供给对应的任务。

在一个实施方式中，所述应用层还用于接收导入的训练数据，并标注所述训练数据中的特征类型，以构建用于训练各个所述预测模型的训练样本。

在一个实施方式中，所述模型层还用于将所述输入数据的格式转换为与当前的预测模型相匹配的输入格式，并将转换后的输入数据输入所述当前的预测模型。

请参阅图4，本申请还提供一种特征预测引擎，所述特征预测引擎包括处理器和存储器，所述存储器用于存储计算机程序，所述计算机程序被所述处理器执行时，可以实现上述的特征预测方法。

由上可见，本申请提供的技术方案，在接收到特征预测请求时，可以识别该特征预测请求中包含的各个子请求。然后，可以从预先训练得到的多个预测模型中，选择与各个所述子请求相匹配的预测模型，并通过选择的预测模型分别针对各个子请求进行预测，从而得到各自的预测结果。后续，为了得到特征预测请求的最终预测结果，可以按照预设融合算法，对得到的各个预测结果进行融合。这样，通过多个预测模型协同运作，以及将多个预测结果进行融合，能够得到较高精度的预测结果，从而更好地满足边缘智能的需求。

本说明书中的各个实施方式均采用递进的方式描述，各个实施方式之间相同相似的部分互相参见即可，每个实施方式重点说明的都是与其他实施方式的不同之处。尤其，针对系统和引擎的实施方式来说，均可以参照前述方法的实施方式的介绍对照解释。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，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。

Claims (11)

1.一种特征预测系统中的特征预测方法，其特征在于，所述特征预测系统应用于边缘智能系统中的各个边缘节点处，其中，所述特征预测系统具有多个不同算法SDK构成的算法仓，所述方法包括：

接收携带输入数据的特征预测请求，并识别所述特征预测请求中包含的各个子请求；

从所述算法仓中分别选择与各个所述子请求相匹配的预测模型，并为各个所述预测模型创建对应的任务，并为创建的各个所述任务分配计算资源；

基于分配的所述计算资源，将相同的所述输入数据分别输入各个所述预测模型中，并基于选用的预设融合算法确定各个所述预测模型的执行顺序，以按照所述执行顺序分别对相应的子请求进行预测，得到各个所述子请求对应的预测结果，其中，所述预设融合算法至少包括投票融合算法、线性加权融合算法、交叉融合算法、瀑布融合算法以及预测融合算法；

将各个所述子请求对应的预测结果按照选用的所述预设融合算法的融合步骤进行融合，以得到并展示所述特征预测请求的最终预测结果。

2.根据权利要求1所述的方法，其特征在于，按照所述执行顺序分别对相应的子请求进行预测包括：

若所述执行顺序为串行执行，将当前的预测模型的预测结果作为候选数据，与所述输入数据一并输入下一个预测模型。

3.根据权利要求1所述的方法，其特征在于，基于分配的所述计算资源，将相同的所述输入数据分别输入各个所述预测模型之前，所述方法还包括：

将所述输入数据的格式转换为与当前的预测模型相匹配的输入格式，并将转换后的输入数据输入所述当前的预测模型。

4.根据权利要求1所述的方法，其特征在于，将各个所述子请求对应的预测结果按照选用的所述预设融合算法的融合步骤进行融合包括：

将各个所述预测结果的格式转换为与所述预设融合算法相匹配的输入格式，并按照所述预设融合算法对转换后的预设结果进行融合。

5.根据权利要求1所述的方法，其特征在于，将各个所述子请求对应的预测结果按照选用的所述预设融合算法的融合步骤进行融合包括：

在各个所述子请求对应的预测结果中统计重复次数最多的目标预测结果，并将所述目标预测结果作为所述特征预测请求的最终预测结果；

或者

为各个所述预测结果分配各自的权重值，并按照分配的权重值对各个所述预测结果的数值加权求平均值，并将所述平均值对应的预测结果作为所述特征预测请求的最终预测结果；

或者

计算各个所述子请求对应的预测结果的并集，并将所述并集作为所述特征预测请求的最终预测结果。

6.根据权利要求1或4所述的方法，其特征在于，将各个所述子请求对应的预测结果按照选用的所述预设融合算法的融合步骤进行融合包括：

将各个所述子请求对应的预测结果作为二次数据，并根据针对所述二次数据的反馈数据，构建二次训练的训练样本；

利用所述训练样本训练得到二层预测模型，并通过所述二层预测模型预测得到所述特征预测请求的最终预测结果。

7.根据权利要求1所述的方法，其特征在于，为创建的各个所述任务分配计算资源包括：

统计所述任务所需的图形处理器的目标数量，为所述任务分配所述目标数量的图形处理器；

或者

获取图形处理器的位置信息，并根据所述位置信息确定所述任务所需的图形处理器的目标位置，并将位于所述目标位置处的图形处理器分配给所述任务；

或者

获取图形处理器的标签信息，并识别所述任务所需的图形处理器的目标标签，并将标签信息中具备所述目标标签的图形处理器分配给所述任务。

8.一种特征预测系统，其特征在于，所述系统应用于边缘智能系统中的各个边缘节点处，所述系统包括应用层、模型层、平台层以及资源层，所述模型层具有多个不同算法SDK构成的算法仓，其中：

所述应用层，用于接收携带输入数据的特征预测请求，并识别所述特征预测请求中包含的各个子请求，并将各个所述子请求发送至所述模型层；以及展示所述特征预测请求的最终预测结果；

所述模型层，用于从所述算法仓中分别选择与各个所述子请求相匹配的预测模型，基于所述平台层分配的计算资源，将相同的所述输入数据分别输入各个所述预测模型中，并基于选用的预设融合算法确定各个所述预测模型的执行顺序，以按照所述执行顺序分别对相应的子请求进行预测，得到各个所述子请求对应的预测结果；以及将各个所述子请求对应的预测结果按照选用的所述预设融合算法的融合步骤进行融合，以得到所述特征预测请求的最终预测结果，其中，所述预设融合算法至少包括投票融合算法、线性加权融合算法、交叉融合算法、瀑布融合算法以及预测融合算法；

所述平台层，用于在训练各个所述预测模型，以及通过选择的预测模型对所述输入数据分别进行预测时，为各个所述预测模型创建对应的任务，并为创建的各个所述任务分配计算资源,其中，所述计算资源至少包括中央处理器资源、图形处理器资源和内存资源；

所述资源层，用于统计当前的计算资源，并响应于所述平台层的调度请求，将所述计算资源提供给对应的任务。

9.根据权利要求8所述的系统，其特征在于，所述应用层还用于接收导入的训练数据，并标注所述训练数据中的特征类型，以构建用于训练各个所述预测模型的训练样本。

10.根据权利要求8所述的系统，其特征在于，所述模型层还用于将所述输入数据的格式转换为与当前的预测模型相匹配的输入格式，并将转换后的输入数据输入所述当前的预测模型。

11.一种特征预测引擎，其特征在于，所述特征预测引擎包括处理器和存储器，所述存储器用于存储计算机程序，所述计算机程序被所述处理器执行时，实现如权利要求1至7中任一所述的方法。

Images