CN111126641B - 一种资源分配方法和装置 - Google Patents

一种资源分配方法和装置 Download PDF

Info

Publication number
CN111126641B
CN111126641B CN201911164522.4A CN201911164522A CN111126641B CN 111126641 B CN111126641 B CN 111126641B CN 201911164522 A CN201911164522 A CN 201911164522A CN 111126641 B CN111126641 B CN 111126641B
Authority
CN
China
Prior art keywords
reservation
neural network
particle
historical
network model
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.)
Active
Application number
CN201911164522.4A
Other languages
English (en)
Other versions
CN111126641A (zh
Inventor
王超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Taikang Insurance Group Co Ltd
Original Assignee
Taikang Insurance Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Taikang Insurance Group Co Ltd filed Critical Taikang Insurance Group Co Ltd
Priority to CN201911164522.4A priority Critical patent/CN111126641B/zh
Publication of CN111126641A publication Critical patent/CN111126641A/zh
Application granted granted Critical
Publication of CN111126641B publication Critical patent/CN111126641B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/02—Reservations, e.g. for tickets, services or events
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种资源分配方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：获取资源的各预约入口的历史预约量；将所述历史预约量输入神经网络模型，通过所述神经网络模型基于最优网络权值，计算出所述资源的各预约入口的预测预约量；根据所述预测预约量，确定分配到所述各预约入口的资源量。该实施方式能够准确可靠地预测分配到各预约入口的资源，自适应调整资源分配情况，在具有突变性的服务预约号源预测上，预测的准确性和时变性高，充分发挥服务机构的服务能力，提高服务机构运营效率，并极大提高用户体验。

Description

一种资源分配方法和装置
技术领域
本发明涉及计算机技术领域，尤其涉及一种资源分配方法和装置。
背景技术
当前很多服务资源可以通过线上预约申请使用，例如医疗资源，线上预约服务已经解决了大部分的基本医疗需求，大大节省了老百姓挂号时间。针对医疗机构而言，在评估完自身医疗输出能力的基础上，需要对合作的不同渠道的多个预约入口做号源设置，把固定周期内的总接待能力分摊到多个预约入口。
现有方案中，一是通过人工根据经验来对现在的号源分配做调整，这种方法误差太大，如果号源设置过大，会造成医疗资源的浪费，其他预约入口有预约需求但不能预约；如果号源设置过小，会造成用户体验较差，医疗机构能提供医疗服务，但是由于号源池用完而不能预约。二是预测未来一段时间可能的就医数量，根据就医数量来分配号源，但该方法忽略了过去和未来之间的因果联系，长期预约的可靠性不高。三是通过BP(BackPropagation)神经网络，对任意复杂的非线性问题进行逼近，但在具有突变性的动态医疗服务预约号源预测上，预测的准确性和时变性不高。
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：
现有方案存在预测误差大，可靠性、准确性、时变性不高等缺陷，降低用户体验。
发明内容
有鉴于此，本发明实施例提供一种资源分配方法和装置，能够准确可靠地预测分配到各预约入口的资源，自适应调整资源分配情况，在具有突变性的服务的预约号源预测上，预测的准确性和时变性高，充分发挥服务机构的服务能力，提高服务机构运营效率，并极大提高用户体验。
为实现上述目的，根据本发明实施例的一个方面，提供了一种资源分配方法。
一种资源分配方法，包括：获取资源的各预约入口的历史预约量；将所述历史预约量输入神经网络模型，通过所述神经网络模型基于最优网络权值，计算出所述资源的各预约入口的预测预约量；根据所述预测预约量，确定分配到所述各预约入口的资源量，其中，通过如下方式确定所述最优网络权值：通过粒子群算法优化所述神经网络模型的网络权值；基于优化后的网络权值，以历史预约量样本作为训练数据，训练所述神经网络模型，并计算所述神经网络模型的网络误差；如果所述网络误差满足训练结束条件，则以所述优化后的网络权值作为所述最优网络权值；否则，重复所述通过粒子群算法优化所述神经网络模型的网络权值的步骤。
可选地，获取资源的各预约入口的历史预约量的步骤，包括：获取所述资源的各预约入口的历史预约数据，按照预设规则对所述历史预约数据进行归一化处理，得到所述资源的各预约入口的历史预约量。
可选地，通过粒子群算法优化所述神经网络模型的网络权值的步骤，包括：根据所述粒子群算法的适应度函数，计算各粒子的适应度值，所述适应度函数基于所述神经网络模型的网络误差函数构建；判断所述粒子群算法当前是否达到迭代终止条件；若是，则输出所述优化后的网络权值，所述优化后的网络权值为适应度值最大的粒子对应的所述粒子群算法入参；否则，根据所述各粒子的适应度值和中位粒子的适应度值，调整所述粒子群算法的惯性权值和加速系数，所述中位粒子为在所有粒子适应度值所构成的序列中，适应度值处于中间位置的粒子；根据调整后的所述惯性权值和加速系数，以及所述各粒子的个体最优位置和全局最优位置，更新所述各粒子的位置和速度，并返回所述计算各粒子的适应度值的步骤。
可选地，根据调整后的所述惯性权值和加速系数，以及所述各粒子的个体最优位置和全局最优位置，更新所述各粒子的位置和速度的步骤，包括：根据所述各粒子的适应度值对粒子种群进行高斯变异处理，并重新计算所述高斯变异处理之后的各粒子的适应度值，更新所述各粒子的个体最优位置和全局最优位置；根据调整后的所述惯性权值和加速系数，以及更新后的所述各粒子的个体最优位置和全局最优位置，更新所述各粒子的位置和速度。
可选地，在所述通过粒子群算法优化所述神经网络模型的网络权值的步骤之前，包括：基于所述神经网络模型的网络权值满足约束条件的前提下，产生所述粒子群算法的初始化种群。
可选地，基于Elman神经网络构建所述神经网络模型，且所述神经网络模型包括输入层、输出层、第一隐含层、第二隐含层以及第一承接层、第二承接层；在以所述历史预约量样本作为训练数据，训练所述神经网络模型时，所述第一承接层将所述输出层的历史处理信息外反馈到所述第一隐含层的输入，所述第二承接层将所述第二隐含层的历史处理信息内反馈到所述第二隐含层的输入，其中，所述输出层及所述第二隐含层的历史处理信息是在上一次训练时记录的。
可选地，根据所述预测预约量，确定分配到所述各预约入口的资源量的步骤，包括：判断所述各预约入口的预测预约量的总和是否超过预设的限制条件；若是，则对所述各预约入口按照重要性排序；对于所述重要性最高的预设数量的目标预约入口，按照对应的所述预测预约量分配所述资源量，对于除所述目标预约入口之外的其他预约入口，按照预设的调整规则分配所述资源量。
根据本发明实施例的另一方面，提供了一种资源分配装置。
一种资源分配装置，包括：历史预约量获取模块，用于获取资源的各预约入口的历史预约量；预测预约量计算模块，用于将所述历史预约量输入神经网络模型，通过所述神经网络模型基于最优网络权值，计算出所述资源的各预约入口的预测预约量；资源量分配模块，用于根据所述预测预约量，确定分配到所述各预约入口的资源量；神经网络模型训练模块，用于通过如下方式确定所述最优网络权值：通过粒子群算法优化所述神经网络模型的网络权值；基于优化后的网络权值，以历史预约量样本作为训练数据，训练所述神经网络模型，并计算所述神经网络模型的网络误差；如果所述网络误差满足训练结束条件，则以所述优化后的网络权值作为所述最优网络权值；否则，重复所述通过粒子群算法优化所述神经网络模型的网络权值的步骤。
可选地，所述历史预约量获取模块还用于：获取所述资源的各预约入口的历史预约数据，按照预设规则对所述历史预约数据进行归一化处理，得到所述资源的各预约入口的历史预约量。
可选地，所述神经网络模型训练模块包括网络权值优化子模块，用于：根据所述粒子群算法的适应度函数，计算各粒子的适应度值，所述适应度函数基于所述神经网络模型的网络误差函数构建；判断所述粒子群算法当前是否达到迭代终止条件；若是，则输出所述优化后的网络权值，所述优化后的网络权值为适应度值最大的粒子对应的所述粒子群算法入参；否则，根据所述各粒子的适应度值和中位粒子的适应度值，调整所述粒子群算法的惯性权值和加速系数，所述中位粒子为在所有粒子适应度值所构成的序列中，适应度值处于中间位置的粒子；根据调整后的所述惯性权值和加速系数，以及所述各粒子的个体最优位置和全局最优位置，更新所述各粒子的位置和速度，并返回所述计算各粒子的适应度值的步骤。
可选地，所述网络权值优化子模块根据调整后的所述惯性权值和加速系数，以及所述各粒子的个体最优位置和全局最优位置，通过如下方式更新所述各粒子的位置和速度：根据所述各粒子的适应度值对粒子种群进行高斯变异处理，并重新计算所述高斯变异处理之后的各粒子的适应度值，更新所述各粒子的个体最优位置和全局最优位置；根据调整后的所述惯性权值和加速系数，以及更新后的所述各粒子的个体最优位置和全局最优位置，更新所述各粒子的位置和速度。
可选地，神经网络模型训练模块还用于：基于所述神经网络模型的网络权值满足约束条件的前提下，产生所述粒子群算法的初始化种群。
可选地，还包括神经网络模型构建模块，用于基于Elman神经网络构建所述神经网络模型，且所述神经网络模型包括输入层、输出层、第一隐含层、第二隐含层以及第一承接层、第二承接层；所述神经网络模型训练模块在以所述历史预约量样本作为训练数据，训练所述神经网络模型时，所述第一承接层将所述输出层的历史处理信息外反馈到所述第一隐含层的输入，所述第二承接层将所述第二隐含层的历史处理信息内反馈到所述第二隐含层的输入，其中，所述输出层及所述第二隐含层的历史处理信息是在上一次训练时记录的。
可选地，所述资源量分配模块还用于：判断所述各预约入口的预测预约量的总和是否超过预设的限制条件；若是，则对所述各预约入口按照重要性排序；对于所述重要性最高的预设数量的目标预约入口，按照对应的所述预测预约量分配所述资源量，对于除所述目标预约入口之外的其他预约入口，按照预设的调整规则分配所述资源量。
根据本发明实施例的又一方面，提供了一种电子设备。
一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现本发明实施例所提供的资源分配方法。
根据本发明实施例的又一方面，提供了一种计算机可读介质。
一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明实施例所提供的资源分配方法。
上述发明中的一个实施例具有如下优点或有益效果：将各预约入口的历史预约量输入神经网络模型，通过神经网络模型基于最优网络权值，计算出资源的各预约入口的预测预约量，根据预测预约量确定分配到各预约入口的资源量。能够准确可靠地预测分配到各预约入口的资源，自适应调整资源分配情况，在具有突变性的服务的预约号源预测上，预测的准确性和时变性高，充分发挥服务机构的服务能力，提高服务机构运营效率，并极大提高用户体验。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是根据本发明一个实施例的资源分配方法的主要步骤示意图；
图2是根据本发明一个实施例的神经网络模型的网络结构示意图；
图3是根据本发明一个实施例的通过粒子群算法优化神经网络模型的网络权值的流程示意图；
图4是根据本发明一个实施例的号源分配流程示意图；
图5是根据本发明一个实施例的资源分配装置的主要模块示意图；
图6是本发明实施例可以应用于其中的示例性系统架构图；
图7是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明一个实施例的资源分配方法的主要步骤示意图。
如图1所示，本发明一个实施例的资源分配方法主要包括如下的步骤S101至步骤S103。
步骤S101：获取资源的各预约入口的历史预约量。
历史预约量的与预测周期相对应，预测周期可以自定义，可以一次预约一周，也可以一次预约一个月，以预测周期为一个月为例，则相应地，历史预约量也为过去某一个月的预约量。
在一个实施例中，步骤S101具体包括：获取资源的各预约入口的历史预约数据，按照预设规则对历史预约数据进行归一化处理，得到资源的各预约入口的历史预约量。
按照预设规则对历史预约数据进行归一化处理包括但不限于剔除节假日数据或一些异常值数据。例如某齿科医疗机构号源预测，通过各预约入口的10月历史预约量来预测相应各预约入口的11月预约预测量，由于十一长假，号源比平时突增，那么可以对10月的历史预约数据进行归一化处理，例如剔除十一长假的历史预约数据，或者将十一长假期间的历史预约数据替换为十一其他周的历史预约数据等，本发明实施例的归一化处理不限制处理方式，只要消除异常值的影响即可。将归一化后的历史预约数据作为该齿科号源的各预约入口的历史预约量。
步骤S102：将历史预约量输入神经网络模型，通过神经网络模型基于最优网络权值，计算出资源的各预约入口的预测预约量。
可以通过如下方式确定神经网络模型的最优网络权值：通过粒子群算法优化神经网络模型的网络权值；基于优化后的网络权值，以历史预约量样本作为训练数据，训练神经网络模型，并计算神经网络模型的网络误差；如果网络误差满足训练结束条件，则以优化后的网络权值作为最优网络权值；否则，重复通过粒子群算法优化神经网络模型的网络权值的步骤。
网络误差满足训练结束条件即网络误差小于预设的误差阈值。
通过粒子群算法优化神经网络模型的网络权值的步骤，具体可以包括：根据粒子群算法的适应度函数，计算各粒子的适应度值，适应度函数基于神经网络模型的网络误差函数构建；判断所述粒子群算法当前是否达到迭代终止条件；若是，则输出优化后的网络权值，优化后的网络权值为适应度值最大的粒子对应的粒子群算法入参；否则，根据各粒子的适应度值和中位粒子的适应度值，调整粒子群算法的惯性权值和加速系数，中位粒子为在所有粒子适应度值所构成的序列中，适应度值处于中间位置的粒子；根据调整后的惯性权值和加速系数，以及各粒子的个体最优位置和全局最优位置，更新各粒子的位置和速度，并返回计算各粒子的适应度值的步骤。
在本发明实施例的粒子群算法中，粒子表示神经网络模型的网络权值，粒子的位置表示神经网络模型的权值矩阵，粒子的速度指明下一次迭代的方向。
粒子群算法的迭代终止条件可以为：当前迭代次数t超过最大迭代步数Tmax。
根据调整后的惯性权值和加速系数，以及各粒子的个体最优位置和全局最优位置，更新各粒子的位置和速度的步骤，具体可以包括：根据各粒子的适应度值对粒子种群进行高斯变异处理，并重新计算高斯变异处理之后的各粒子的适应度值，更新各粒子的个体最优位置和全局最优位置；根据调整后的惯性权值和加速系数，以及更新后的各粒子的个体最优位置和全局最优位置，更新各粒子的位置和速度。
在通过粒子群算法优化神经网络模型的网络权值之前，基于神经网络模型的网络权值满足约束条件的前提下，产生粒子群算法的初始化种群。约束条件具体可以为种群初始化值即网络权值需要在0到1之间。
本发明实施例基于Elman神经网络构建神经网络模型，且构建的神经网络模型包括输入层、输出层、第一隐含层、第二隐含层以及第一承接层、第二承接层。
在以历史预约量样本作为训练数据，训练神经网络模型时，第一承接层将输出层的历史处理信息外反馈到第一隐含层的输入，第二承接层将第二隐含层的历史处理信息内反馈到第二隐含层的输入，其中，输出层及第二隐含层的历史处理信息是在上一次训练时记录的，以输出层的历史处理信息为例，其为上一次训练时输出层的输出。
步骤S103：根据各预约入口的预测预约量，确定分配到各预约入口的资源量。
在一个实施例中，步骤S103具体可以包括：判断各预约入口的预测预约量的总和是否超过预设的限制条件；若是，则对各预约入口按照重要性排序；对于重要性最高的预设数量的目标预约入口，按照对应的预测预约量分配资源量，对于除目标预约入口之外的其他预约入口，按照预设的调整规则分配资源量。
本发明实施例的资源分配方法可以适用于各种资源预约服务中对资源的分配，特别适用于具有突变性的动态医疗服务预约号源分配。对医疗资源的需求，往往跟季节、天气、休息日或工作日，以及医疗机构自身开展的医疗活动等相关，最终产生的预约数量，往往是一个非线性结果，不是由某几个因素直接决定的。本发明实施例利用改进的Elman神经网络进行训练和预测，做到号源分配的自适应调整。
Elman神经网络具有很强的动态记忆功能，适合解决时间序列的预测问题，但其收敛速度慢且不稳定，预测精度有待提高，针对以上劣势，本发明实施例对Elman网络的网络结构和网络参数(网络权值)进行改进，对传统Elman网络结构增加一个隐含层和中间承接层，而得到本发明实施例的Elman神经网络模型(即本发明实施例的神经网络模型)，即本发明实施例的神经网络模型的整体网络结构是一个输入层、两个隐含层、一个输出层和两个承接层，此外，针对网络权值，对粒子群算法进行改进，利用种群分布情况调整粒子群算法参数，利用改进的粒子群算法优化神经网络模型的网络权值。
图2是本发明一个实施例的神经网络模型的网络结构示意图。
如图2所示，本发明实施例的神经网络模型包括输入层(X1；……；Xa)、第一承接层(Yr,1；……；Yr,d)、第一隐含层(H1,1；……；H1,b)、第二隐含层(H2,1；……；H2,c)、第二承接层(Hr,1；……；Hr,c)、输出层(Y1；……；Yd)。输入层可以有若干个输入节点，负责将数值传输到神经网络模型中；第一隐含层由若干个神经元组成；第一承接层与第一隐含层神经元个数相同，第一承接层转移存储输出层的输出作为外反馈，再和输入层一起作为第一隐含层的输入；第二承接层与第二隐含层神经元个数相同，存储与之对应的第二隐含层神经元的输出值，并在一定时延的基础上再返回第二隐含层；输出层接收来自第二隐含层的输入，经过加权计算输出，得到整个神经网络模型进行训练预测后的预测值。
其中，设输入层的输入向量x为a维向量，第一隐含层有b个神经元，第二隐含层有c个神经元，输出向量为d维向量，第一隐含层的输出H1(k)为：
H1(k)＝f(w1*x(k-1)+w5*Yr(k)+φ1)；
第一承接层的输出Yr(k)为：
Yr(k)＝Y(k-1)；
第二隐含层的输出H2(k)为：
H2(k)＝f(w2*H1(k)+w4*Hr(k)+φ2)；
第二承接层的输出Hr(k)为：
Hr(k)＝H2(k-1)；
输出层的输出Y(k)为：
Y(K)＝g(w3*H2(k)+φ3)；
上述各式中，k表示迭代步数，w1,w2,w3,w4,w5分别表示输入层和第一隐含层的权值矩阵、第一隐含层和第二隐含层的权值矩阵、第二隐含层和输出层的权值矩阵、第二承接层和第二隐含层的权值矩阵、第一承接层和第一隐含层的权值矩阵，分别表示第一隐含层阈值、第二隐含层阈值、输出层阈值。f为隐含层神经元激活函数，g为输出层神经元激活函数。
定义Elman网络误差函数为：
其中为期望输出，y(k)为实际输出，网络误差越小表示神经网络模型训练得越好，预测精度越高。
本发明实施例的神经网络模型考虑了输出层的反馈对网络收敛速度和搜索精度的重要影响，采用双隐含层网络结构，可以有效提高网络搜索精度，并考虑了输出层的反馈，将输出层的值作为外反馈，借助第一承接层转移存储输出层的输出作为外反馈，再和输入层一起作为第一隐含层的输入，借助第二承接层转移第二隐含层历史信息和第一隐含层输出一起作为第二隐含层的输入，提高网络对历史信息的处理能力，提升网络的预测精度。
网络权值对神经网络模型的预测精度以及收敛速度也有重要影响。由于随机初始化网络权值会造成网络计算效果不稳定，本发明实施例采用改进的粒子群优化算法来优化网络权值，能够大大减少网络训练时间，提高收敛速率。
首先根据评判网络预测能力的网络误差函数，来构建网络权值优化的目标函数F(w)如下：
其中，E为本发明实施例的神经网络模型的网络误差函数，网络误差越小，目标函数的适应度值越大，神经网络模型的预测精度就越高，此时网络权值就是最优网络权值，本发明实施例根据优化目标离散性特点，采用粒子群算法进行改进，为避免算法过早陷入局部最优和加快算法收敛速度，利用种群分布情况来改进粒子群算法参数。
通过本发明实施例的粒子群算法优化神经网络模型的网络权值的流程如图3所示，具体步骤如下：
步骤S301：初始化粒子群算法各参数，在满足约束条件前提下产生初始种群。
粒子群算法参数包括粒子群中粒子的位置和速度，粒子表示神经网络模型的网络权值，粒子数目用N表示，粒子位置用Xi＝(xi1,xi2,...,xin)表示，粒子的位置表示神经网络模型的权值矩阵w，权值矩阵由神经网络模型的网络权值构成；粒子速度用Vi＝(vi1,vi2,...,vin)表示；最大迭代步数用Tmax表示。
约束条件为种群初始化值，即网络权值，需要在0到1之间。
步骤S302：依据粒子群算法的适应度函数，计算各粒子的适应度值。
步骤S303：判断粒子群算法是否满足迭代终止条件，若是，则输出优化结果，否则执行步骤S304。
具体地，判断粒子群算法是否超过最大迭代步数Tmax，即t＞Tmax，如果满足，则结束迭代，输出优化后的网络权值，如果不满足则继续下一步。
步骤S304：更新惯性权重和加速系数。
具体地，对各粒子的适应度值进行排序，选取所有粒子适应度值所构成的序列中，适应度值在中间位置的粒子作为中位数粒子(或称中位粒子)。
根据各粒子的适应度值和中位粒子的适应度值，对惯性权重ω和加速系统c1及c2进行调整，得到
其中，ωmax和ωmin分别表示惯性权重ω的最大值和最小值，c1max、c1min分别表示加速系数c1的最大和最小值，c2max、c2min分别表示加速系数c2的最大和最小值，表示第t次迭代的最大是适应度值，fi t表示第t次迭代第i个粒子的适应度值。
步骤S305：判断是否满足变异条件。
即根据种群分布情况确定种群是否需要进行高斯变异处理，当时判定为满足变异条件，否则不满足变异条件。
步骤S306：对种群进行高斯变异处理，第t步迭代高斯变异的值用下式表示：
其中，δ为高斯分布的标准差，μ为期望，δ越小分布会越集中在x＝μ的位置，反之会越分散。
变异处理不仅增加了种群多样性，而且利用高斯变异的局部搜索能力，变异也会生成其附近位置的粒子，加快算法探索能力。
在高斯变异处理之后，重新计算高斯变异处理之后的各粒子的适应度值。
步骤S307：更新各粒子的个体最优位置和全局最优位置。
步骤S308：使用更新策略更新粒子位置。
可以根据以下公式更新粒子的速度，：
Vi'＝ωVi+c1rand(Yi-Xi)+c2rand(Yg-Xi)
其中ω为惯性权重；rand为[0,1]内的随机数；Yi为个体极值，即个体最优位置；Yg为全局极值，即全局最优位置；c1,c2分别表示粒子受到个体和群体的影响程度的加速系数。
根据更新后的速度公式，将所述位置更新为：
X'i＝Xi+ηVi'；
其中，η为0到1之间的小数。然后，返回步骤S302进行各粒子适应度值的计算，找到当前全局最优解。
下面以某齿科医疗服务机构的号源分配为例，介绍本发明实施例的资源分配方法。假设该齿科医疗服务机构根据其服务机构内的医疗人员、排班情况给出特定时间周期内每天的服务提供能力为接诊量等于100，大概有20％是客户没有预约直接来就诊的，所以每天可接诊的线上预约量为80，该服务机构在线上与4个预约入口合作，负责为该服务机构在线上导流，所以服务机构的运营者需要将该80个号源分配到这4个预约入口。
根据本发明实施例，通过粒子群算法对神经网络模型的网络权值进行优化，粒子群算法的参数入参包括神经网络模型的网络权值，目标函数为神经网络的网络误差函数的倒数，即网络误差越小，粒子适应度值越大，最终通过粒子群算法输出的为适应度值最大的个体，该个体对应的输入(网络权值)，即神经网络模型的最优网络权值。
本发明实施例的神经网络模型的输入是4个预约入口的历史预约量，利用训练好的神经网络模型来预测，输出即为4个预约入口的预测预约量，预测预约量可以用来确定分配到各预约入口的号源量。
历史预约量的与预测周期相对应，预测周期可以自定义，可以一次预约一周，也可以一次预约一个月，以预测周期为一个月为例，则相应地，历史预约量也为过去某一个月的预约量。
下面结合上述具体实例，详细介绍本发明实施例的号源分配流程。本发明一个实施例的号源分配流程示意图如图4所示，具体实施步骤如下：
步骤S401：进行数据清洗。
针对获取的号源各预约入口的历史预约量样本之中，异常(数值极大或极小)数据进行归一化处理，包括但不限于剔除节假日数据样本，以保证训练和预测数据的高质量。
步骤S402：确定训练数据和预测数据。
在训练阶段，将清洗后的号源历史预约量样本，按照3：1的比例划分为训练数据和预测数据。
步骤S403：初始化改进粒子群算法的参数。
包括初始化惯性权值和加速系数、种群大小，最大迭代步数等信息。改进粒子群算法即本发明实施例的粒子群算法，以下简称粒子群算法。
步骤S404：初始化神经网络模型参数。
即对本发明实施例的Elman神经网络模型，确定输入层4个神经元，输出层4个神经元，第一隐含层和第二隐含层都是6个神经元。
步骤S405：使用粒子群算法进行网络权值优化。
更新粒子群算法参数，最初粒子的初始值是随机初始化确定的。判断粒子群算法是否达到迭代终止条件；若是，则输出优化后的网络权值，优化后的网络权值为适应度值最大的粒子对应的粒子群算法入参；否则，根据各粒子的适应度值和中位粒子的适应度值，调整粒子群算法的惯性权值和加速系数，中位粒子为在所有粒子适应度值所构成的序列中，适应度值处于中间位置的粒子；根据各粒子的适应度值对粒子种群进行高斯变异处理，并重新计算高斯变异处理之后的各粒子的适应度值，更新各粒子的个体最优位置和全局最优位置；根据调整后的惯性权值和加速系数，以及更新后的各粒子的个体最优位置和全局最优位置，更新各粒子的位置和速度，并重新计算各粒子的适应度值，直到达到迭代终止条件时，输出优化后的网络权值。
步骤S406：通过训练数据对神经网络模型进行训练。
步骤S407：计算神经网络模型的网络误差。
步骤S408：判断网络误差是否小于预设的误差阈值，若不小于，则执行步骤S409，若小于则执行步骤S410。
步骤S409：计算粒子适应度值，然后跳转到步骤S405，以继续通过粒子群算法优化网络权值。
后续迭代过程中，各粒子的适应度值是根据粒子群算法的适应度函数计算得到的，适应度函数基于神经网络模型的网络误差函数构建，具体为网络误差函数的倒数，因此也可以根据网络误差计算粒子适应度值。
步骤S410：输入预测数据进行仿真预测。
步骤S411：用训练好的神经网络模型在线预测号源的各预约入口的预测预约量。
步骤S412：根据各预约入口的预测预约量，确定分配到各预约入口的号源量。
通过在线数据进行预测，神经网络模型输出的是每个预约入口的号源建议值大小，所有预约入口的预测预约量总和可能超过每天可接诊的线上预约量80，每个预约入口的指导原则是大于实际预测值的20％，防止出现预约客户预约不了的情况，如果存在预测预约量之和大于80，可根据预约入口的重要性调配各预约入口实际分配的号源。
具体地，可以对各预约入口按照重要性排序，对于重要性最高的两个预约入口，按照对应的预测预约量分配号源，另外两个预约入口，按照预设的调整规则分配资源量，例如，将剩余号源按照比例分配或平均分配，或按照设定的其他调整规则来分配，具体可以适业务需求灵活设定调整规则，其中，根据上例，剩余号源的数量为每天可接诊的线上预约量减去重要性最高的两个预约入口的预测预约量之后，剩下的号源数量。
本发明实施例针对Elman神经网络进行改进，同时考虑隐含层的输出和输出层的输出，将历史信息来反向指导下一次迭代的训练，能大大提高神经网络模型的训练时长和收敛速度，利用训练好的神经网络模型对号源预约量进行预测，在总服务提供能力确定的情况下，合理配置不同预约入口的号源，避免出现对某个预约入口设置号源远远大于实际预约量，而导致其他预约入口有预约需求却出现号源不足的问题，同时也避免对某个预约入口设置号源小于实际预约量的情况。充分发挥出医疗机构的服务能力，提高医疗机构的运营效率，同时提升了客户的预约体验。
图5是根据本发明一个实施例的资源分配装置的主要模块示意图。
如图5所示，本发明一个实施例的资源分配装置500主要包括：历史预约量获取模块501、预测预约量计算模块502、资源量分配模块503、神经网络模型训练模块504。
历史预约量获取模块501，用于获取资源的各预约入口的历史预约量。
历史预约量获取模块501具体可以用于：获取资源的各预约入口的历史预约数据，按照预设规则对历史预约数据进行归一化处理，得到资源的各预约入口的历史预约量。
按照预设规则对历史预约数据进行归一化处理包括但不限于剔除节假日数据或一些异常值数据。例如某齿科医疗机构号源预测，通过各预约入口的10月历史预约量来预测相应各预约入口的11月预约预测量，由于十一长假，号源比平时突增，那么可以对10月的历史预约数据进行归一化处理，例如剔除十一长假的历史预约数据，或者将十一长假期间的历史预约数据替换为十一其他周的历史预约数据等，本发明实施例的归一化处理不限制处理方式，只要消除异常值的影响即可。将归一化后的历史预约数据作为该齿科号源的各预约入口的历史预约量。
预测预约量计算模块502，用于将获取的历史预约量输入神经网络模型，通过神经网络模型基于最优网络权值，计算出资源的各预约入口的预测预约量。
资源分配装置500还可以包括神经网络模型构建模块，用于基于Elman神经网络构建神经网络模型，神经网络模型具体包括：输入层、输出层、第一隐含层、第二隐含层以及第一承接层、第二承接层。
资源分配装置500还可以包括神经网络模型训练模块504，用于通过如下方式确定神经网络模型的最优网络权值：
通过粒子群算法优化神经网络模型的网络权值；基于优化后的网络权值，以历史预约量样本作为训练数据，训练神经网络模型，并计算神经网络模型的网络误差；如果网络误差满足训练结束条件，则以优化后的网络权值作为最优网络权值；否则，重复通过粒子群算法优化神经网络模型的网络权值的步骤。
神经网络模型训练模块504基于神经网络模型的网络权值满足约束条件的前提下，产生粒子群算法的初始化种群。
神经网络模型训练模块504可以包括网络权值优化子模块，用于：根据粒子群算法的适应度函数，计算各粒子的适应度值，所述适应度函数基于所述神经网络模型的网络误差函数构建；判断所述粒子群算法当前是否达到迭代终止条件；若是，则输出所述优化后的网络权值，所述优化后的网络权值为适应度值最大的粒子对应的所述粒子群算法入参；否则，根据所述各粒子的适应度值和中位粒子的适应度值，调整所述粒子群算法的惯性权值和加速系数，所述中位粒子为在所有粒子适应度值所构成的序列中，适应度值处于中间位置的粒子；根据调整后的所述惯性权值和加速系数，以及所述各粒子的个体最优位置和全局最优位置，更新所述各粒子的位置和速度，并返回所述计算各粒子的适应度值的步骤。
网络权值优化子模块根据调整后的惯性权值和加速系数，以及各粒子的个体最优位置和全局最优位置，可以通过如下方式更新各粒子的位置和速度：根据各粒子的适应度值对粒子种群进行高斯变异处理，并重新计算高斯变异处理之后的各粒子的适应度值，更新各粒子的个体最优位置和全局最优位置；根据调整后的惯性权值和加速系数，以及更新后的所述各粒子的个体最优位置和全局最优位置，更新各粒子的位置和速度。
根据本发明实施例神经网络模型的网络结构，神经网络模型训练模块504在以历史预约量样本作为训练数据，训练该神经网络模型时，第一承接层将输出层的历史处理信息外反馈到第一隐含层的输入，第二承接层将第二隐含层的历史处理信息内反馈到所述第二隐含层的输入，其中，输出层及第二隐含层的历史处理信息是在上一次训练时记录的。
资源量分配模块503，用于根据各预约入口的预测预约量，确定分配到各预约入口的资源量。
资源量分配模块503具体可以用于：判断各预约入口的预测预约量的总和是否超过预设的限制条件；若是，则对各预约入口按照重要性排序；对于所述重要性最高的预设数量的目标预约入口，按照对应的所述预测预约量分配所述资源量，对于除所述目标预约入口之外的其他预约入口，按照预设的调整规则分配所述资源量。
本发明实施例的资源分配装置对Elman神经网络结构进行改进，采用双隐含层和双承接层，并将输出层的外反馈作用到第一隐含的输入，将第二隐含层的内反馈作用到自身的输入，通过内外反馈的历史信息指导网络训练，并对粒子群算法进行改进，通过种群适应度，得到中位数粒子的适应度，结合种群最大适应度值，对粒子群算法的惯性权值和加速系数进行调整，加快算法的收敛速度，并根据每个粒子的适应度值判断进行变异操作，增加了种群多样性，避免算法陷入局部最优。将改进的粒子群算法用来优化本发明实施例的Elman神经网络模型的网络权值，提升了预测精度。
利用本发明实施例的Elman神经网络模型对医疗机构的历史预约量进行训练，优化网络模型，再进行号源预测，可以指导医疗机构进行号源分配，以充分发挥医疗机构的服务能力，提高医疗机构的运营效率。
另外，在本发明实施例中资源分配装置的具体实施内容，在上面所述资源分配方法中已经详细说明了，故在此重复内容不再说明。
图6示出了可以应用本发明实施例的资源分配方法或资源分配装置的示例性系统架构600。
如图6所示，系统架构600可以包括终端设备601、602、603，网络604和服务器605。网络604用以在终端设备601、602、603和服务器605之间提供通信链路的介质。网络604可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备601、602、603通过网络604与服务器605交互，以接收或发送消息等。终端设备601、602、603上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备601、602、603可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器605可以是提供各种服务的服务器，例如对用户利用终端设备601、602、603所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。
需要说明的是，本发明实施例所提供的资源分配方法一般由服务器605执行，相应地，资源分配装置一般设置于服务器605中。
应该理解，图6中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
下面参考图7，其示出了适于用来实现本申请实施例的终端设备或服务器的计算机系统700的结构示意图。图7示出的终端设备或服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示，计算机系统700包括中央处理单元(CPU)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时，执行本申请的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、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，上述模块、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，两个接连地表示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，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操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。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括历史预约量获取模块、预测预约量计算模块、资源量分配模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，历史预约量获取模块还可以被描述为“用于获取资源的各预约入口的历史预约量的模块”。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：获取资源的各预约入口的历史预约量；将所述历史预约量输入神经网络模型，通过所述神经网络模型基于最优网络权值，计算出所述资源的各预约入口的预测预约量；根据所述预测预约量，确定分配到所述各预约入口的资源量。
根据本发明实施例的技术方案，将各预约入口的历史预约量输入神经网络模型，通过神经网络模型基于最优网络权值，计算出资源的各预约入口的预测预约量，根据预测预约量确定分配到各预约入口的资源量。能够准确可靠地预测分配到各预约入口的资源，自适应调整资源分配情况，在具有突变性的服务预约号源预测上，预测的准确性和时变性高，充分发挥服务机构的服务能力，提高服务机构运营效率，并极大提高用户体验。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种资源分配方法，其特征在于，包括：
获取资源的各预约入口的历史预约量；
将所述历史预约量输入神经网络模型，通过所述神经网络模型基于最优网络权值，计算出所述资源的各预约入口的预测预约量；其中，通过如下方式确定所述最优网络权值：通过利用种群分布情况调整粒子群算法参数的改进粒子群算法优化所述神经网络模型的网络权值；基于优化后的网络权值，以历史预约量样本作为训练数据，训练所述神经网络模型，并计算所述神经网络模型的网络误差；如果所述网络误差满足训练结束条件，则以所述优化后的网络权值作为所述最优网络权值；否则，重复所述通过粒子群算法优化所述神经网络模型的网络权值的步骤；
根据所述预测预约量，确定分配到所述各预约入口的资源量；
其中，获取资源的各预约入口的历史预约量的步骤，包括：获取所述资源的各预约入口的历史预约数据，对所述历史预约数据进行归一化处理以消除异常值的影响，得到所述资源的各预约入口的历史预约量；
所述神经网络模型是具有一个输入层、两个隐含层、一个输出层和两个承接层的网络结构，其将输出层的值作为外反馈，借助第一承接层转移存储输出层的输出作为外反馈，再和输入层一起作为第一隐含层的输入，借助第二承接层转移第二隐含层历史处理信息和第一隐含层输出一起作为第二隐含层的输入。
2.根据权利要求1所述的方法，其特征在于，获取资源的各预约入口的历史预约量的步骤，包括：
获取所述资源的各预约入口的历史预约数据，按照预设规则对所述历史预约数据进行归一化处理，得到所述资源的各预约入口的历史预约量；
所述预设规则包括：剔除所述历史预约数据中节假日数据或异常值数据，或者，将所述历史预约数据替换为其他历史预约数据。
3.根据权利要求1所述的方法，其特征在于，通过利用种群分布情况调整粒子群算法参数的改进粒子群算法优化所述神经网络模型的网络权值的步骤，包括：
根据所述粒子群算法的适应度函数，计算各粒子的适应度值，所述适应度函数基于所述神经网络模型的网络误差函数构建；
判断所述粒子群算法当前是否达到迭代终止条件；
若是，则输出所述优化后的网络权值，所述优化后的网络权值为适应度值最大的粒子对应的所述粒子群算法入参；
否则，根据所述各粒子的适应度值和中位粒子的适应度值，调整所述粒子群算法的惯性权值和加速系数，所述中位粒子为在所有粒子适应度值所构成的序列中，适应度值处于中间位置的粒子；根据调整后的所述惯性权值和加速系数，以及所述各粒子的个体最优位置和全局最优位置，更新所述各粒子的位置和速度，并返回所述计算各粒子的适应度值的步骤。
4.根据权利要求3所述的方法，其特征在于，根据调整后的所述惯性权值和加速系数，以及所述各粒子的个体最优位置和全局最优位置，更新所述各粒子的位置和速度的步骤，包括：
根据所述各粒子的适应度值对粒子种群进行高斯变异处理，并重新计算所述高斯变异处理之后的各粒子的适应度值，更新所述各粒子的个体最优位置和全局最优位置；
根据调整后的所述惯性权值和加速系数，以及更新后的所述各粒子的个体最优位置和全局最优位置，更新所述各粒子的位置和速度。
5.根据权利要求1所述的方法，其特征在于，在所述通过利用种群分布情况调整粒子群算法参数的改进粒子群算法优化所述神经网络模型的网络权值的步骤之前，包括：
基于所述神经网络模型的网络权值满足约束条件的前提下，产生所述粒子群算法的初始化种群。
6.根据权利要求1所述的方法，其特征在于，基于Elman神经网络构建所述神经网络模型；
在以所述历史预约量样本作为训练数据，训练所述神经网络模型时，所述第一承接层将所述输出层的历史处理信息外反馈到所述第一隐含层的输入，所述第二承接层将所述第二隐含层的历史处理信息内反馈到所述第二隐含层的输入，其中，所述输出层及所述第二隐含层的历史处理信息是在上一次训练时记录的。
7.根据权利要求1所述的方法，其特征在于，根据所述预测预约量，确定分配到所述各预约入口的资源量的步骤，包括：
判断所述各预约入口的预测预约量的总和是否超过预设的限制条件；
若是，则对所述各预约入口按照重要性排序；
对于所述重要性最高的预设数量的目标预约入口，按照对应的所述预测预约量分配所述资源量，对于除所述目标预约入口之外的其他预约入口，按照预设的调整规则分配所述资源量。
8.一种资源分配装置，其特征在于，包括：
历史预约量获取模块，用于获取资源的各预约入口的历史预约量；
预测预约量计算模块，用于将所述历史预约量输入神经网络模型，通过所述神经网络模型基于最优网络权值，计算出所述资源的各预约入口的预测预约量；
神经网络模型训练模块，用于通过如下方式确定所述最优网络权值：通过利用种群分布情况调整粒子群算法参数的改进粒子群算法优化所述神经网络模型的网络权值；基于优化后的网络权值，以历史预约量样本作为训练数据，训练所述神经网络模型，并计算所述神经网络模型的网络误差；如果所述网络误差满足训练结束条件，则以所述优化后的网络权值作为所述最优网络权值；否则，重复所述通过粒子群算法优化所述神经网络模型的网络权值的步骤；
资源量分配模块，用于根据所述预测预约量，确定分配到所述各预约入口的资源量；
其中，获取资源的各预约入口的历史预约量的步骤，包括：获取所述资源的各预约入口的历史预约数据，对所述历史预约数据进行归一化处理以消除异常值的影响，得到所述资源的各预约入口的历史预约量；
所述神经网络模型是具有一个输入层、两个隐含层、一个输出层和两个承接层的网络结构，其将输出层的值作为外反馈，借助第一承接层转移存储输出层的输出作为外反馈，再和输入层一起作为第一隐含层的输入，借助第二承接层转移第二隐含层历史处理信息和第一隐含层输出一起作为第二隐含层的输入。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
CN201911164522.4A 2019-11-25 2019-11-25 一种资源分配方法和装置 Active CN111126641B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911164522.4A CN111126641B (zh) 2019-11-25 2019-11-25 一种资源分配方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911164522.4A CN111126641B (zh) 2019-11-25 2019-11-25 一种资源分配方法和装置

Publications (2)

Publication Number Publication Date
CN111126641A CN111126641A (zh) 2020-05-08
CN111126641B true CN111126641B (zh) 2023-08-22

Family

ID=70496567

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911164522.4A Active CN111126641B (zh) 2019-11-25 2019-11-25 一种资源分配方法和装置

Country Status (1)

Country Link
CN (1) CN111126641B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112037024B (zh) * 2020-09-01 2023-08-18 中国银行股份有限公司 一种银行网点管理方法和相关装置
CN113283171A (zh) * 2021-05-27 2021-08-20 上海交通大学 工业平台资源优化分配装置及方法
CN115879054B (zh) * 2023-03-03 2023-05-30 泰安市特种设备检验研究院 一种基于图像处理确定液氨制冷状态的方法和装置

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102855366A (zh) * 2011-06-29 2013-01-02 苏州盈迪信康网络信息技术有限公司 一种预约挂号的计算方法
JP2013045418A (ja) * 2011-08-26 2013-03-04 Chugoku Electric Power Co Inc:The サービス時間予測装置及びサービス時間予測方法
CN104573832A (zh) * 2014-12-31 2015-04-29 浙江融创信息产业有限公司 一种基于多医院号源共享池的分时段预约挂号系统
CN104778508A (zh) * 2015-04-02 2015-07-15 杭州电子科技大学 一种基于多源数据融合的公共自行车租借预测方法
CN106228482A (zh) * 2016-07-21 2016-12-14 昆明医科大学第附属医院 多功能门诊医疗自助方法、一体机、客户端、服务器及系统
CN106407690A (zh) * 2016-09-28 2017-02-15 厦门理工学院 一种基于自动深度置信网络的门诊量预测方法及系统
CN109003660A (zh) * 2018-06-27 2018-12-14 南京邮电大学 智能医疗服务预测管理方法及系统、可读存储介质和终端
CN109034413A (zh) * 2018-07-11 2018-12-18 广东人励智能工程有限公司 基于神经网络模型的智能制造设备故障预测方法及系统
CN109461243A (zh) * 2018-11-18 2019-03-12 大连高马文化产业发展有限公司 一种集约式预约挂号系统
CN109585009A (zh) * 2018-12-18 2019-04-05 温州医科大学 一种具有空间调度下的眼科门诊号源池系统的装置和方法
CN110135610A (zh) * 2019-05-28 2019-08-16 广东金赋科技股份有限公司 统一号池管理系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2470027A1 (en) * 2003-06-05 2004-12-05 Kingston General Hospital Management systems and methods
US20100205004A1 (en) * 2009-02-09 2010-08-12 Grant Aldrich Method of patient-staff analytics
WO2017155357A1 (ko) * 2016-03-10 2017-09-14 노형태 의료 서비스를 제공하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능 기록 매체

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102855366A (zh) * 2011-06-29 2013-01-02 苏州盈迪信康网络信息技术有限公司 一种预约挂号的计算方法
JP2013045418A (ja) * 2011-08-26 2013-03-04 Chugoku Electric Power Co Inc:The サービス時間予測装置及びサービス時間予測方法
CN104573832A (zh) * 2014-12-31 2015-04-29 浙江融创信息产业有限公司 一种基于多医院号源共享池的分时段预约挂号系统
CN104778508A (zh) * 2015-04-02 2015-07-15 杭州电子科技大学 一种基于多源数据融合的公共自行车租借预测方法
CN106228482A (zh) * 2016-07-21 2016-12-14 昆明医科大学第附属医院 多功能门诊医疗自助方法、一体机、客户端、服务器及系统
CN106407690A (zh) * 2016-09-28 2017-02-15 厦门理工学院 一种基于自动深度置信网络的门诊量预测方法及系统
CN109003660A (zh) * 2018-06-27 2018-12-14 南京邮电大学 智能医疗服务预测管理方法及系统、可读存储介质和终端
CN109034413A (zh) * 2018-07-11 2018-12-18 广东人励智能工程有限公司 基于神经网络模型的智能制造设备故障预测方法及系统
CN109461243A (zh) * 2018-11-18 2019-03-12 大连高马文化产业发展有限公司 一种集约式预约挂号系统
CN109585009A (zh) * 2018-12-18 2019-04-05 温州医科大学 一种具有空间调度下的眼科门诊号源池系统的装置和方法
CN110135610A (zh) * 2019-05-28 2019-08-16 广东金赋科技股份有限公司 统一号池管理系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于资源分配网络算法的交通流预测研究;李连强;高军伟;;工业控制计算机(第10期);全文 *

Also Published As

Publication number Publication date
CN111126641A (zh) 2020-05-08

Similar Documents

Publication Publication Date Title
CN111126641B (zh) 一种资源分配方法和装置
US10679169B2 (en) Cross-domain multi-attribute hashed and weighted dynamic process prioritization
US20200401913A1 (en) Resource configuration method and apparatus forheterogeneous cloud services
CN112291793B (zh) 网络接入设备的资源分配方法和装置
EP3905069A2 (en) Resource recommendation method and apparatus, parameter determination method and apparatus, device, and medium
US10223673B2 (en) Cognitive adaptation to user behavior for personalized automatic processing of events
US10645190B2 (en) System and method for predictive live interaction offering and hosting
US11222283B2 (en) Hierarchical conversational policy learning for sales strategy planning
US20220383324A1 (en) Dynamic autoscaling of server resources using intelligent demand analytic systems
CN113139639B (zh) 一种基于mombi面向智慧城市应用多目标计算迁移方法和装置
CN115794323A (zh) 任务调度方法、装置、服务器和存储介质
CN111062572B (zh) 任务分配的方法和装置
CN111813524A (zh) 一种任务执行方法、装置、电子设备和存储介质
CN116700931A (zh) 多目标边缘任务调度方法、装置、设备、介质及产品
CN115759672A (zh) 客服排班方法及装置
CN113570207B (zh) 用户策略分配方法、装置及电子设备
CN114020469A (zh) 基于边缘节点的多任务学习方法、装置、介质与设备
CN113626175B (zh) 数据处理的方法和装置
CN114257521A (zh) 流量预测方法、装置、电子设备和存储介质
CN115344359A (zh) 算力资源分配方法、装置、计算机可读存储介质及设备
CN113761343A (zh) 一种信息推送方法、装置、终端设备及存储介质
Naik et al. Pareto-based adaptive resources selection model in hybrid cloud environment
Xu et al. Fair resource allocation based on deep reinforcement learning in fog networks
CN113326959B (zh) 一种优化路径的方法和装置
CN113840007B (zh) 负载均衡方法及装置

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