CN112965888B - 一种基于深度学习预测任务量的方法、系统、设备及介质 - Google Patents

一种基于深度学习预测任务量的方法、系统、设备及介质 Download PDF

Info

Publication number
CN112965888B
CN112965888B CN202110233894.9A CN202110233894A CN112965888B CN 112965888 B CN112965888 B CN 112965888B CN 202110233894 A CN202110233894 A CN 202110233894A CN 112965888 B CN112965888 B CN 112965888B
Authority
CN
China
Prior art keywords
feature
task quantity
adjacency matrix
short
time
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
CN202110233894.9A
Other languages
English (en)
Other versions
CN112965888A (zh
Inventor
陈利华
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.)
Shandong Yingxin Computer Technology Co Ltd
Original Assignee
Shandong Yingxin Computer Technology 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 Shandong Yingxin Computer Technology Co Ltd filed Critical Shandong Yingxin Computer Technology Co Ltd
Priority to CN202110233894.9A priority Critical patent/CN112965888B/zh
Publication of CN112965888A publication Critical patent/CN112965888A/zh
Application granted granted Critical
Publication of CN112965888B publication Critical patent/CN112965888B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3452—Performance evaluation by statistical analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3409—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment
    • G06F11/3419—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment by assessing time
    • 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
    • G06N3/045—Combinations of networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于深度学习预测任务量的方法、系统、设备和存储介质，方法包括：根据平台历史任务量的时间相关性和空间相关性构建有向邻接矩阵，并根据有向邻接矩阵构建短时任务量邻接矩阵；根据时间维度和空间维度从短时任务量邻接矩阵中提取多个第一特征，并根据第一特征构建多个短期特征矩阵序列；根据周期性维度从短期特征矩阵序列中提取第二特征；以及将第一特征和第二特征进行融合，并基于融合后的所述第一特征和第二特征获取未来预设时间段内的预测任务量。本发明通过构建平台节点网络任务量有向图邻接矩阵，能够根据时间和空间特征预测平台的任务量。

Description

一种基于深度学习预测任务量的方法、系统、设备及介质
技术领域
本发明涉及深度学习领域，更具体地，特别是指一种基于深度学习预测任务量的方法、系统、计算机设备及可读介质。
背景技术
人工智能平台将复杂的训练环境和计算框架进行封装，并实现与大数据、云计算的高效集成，从而更加友好的实现了大型企业人工智能应用的需求，提升人工智能应用的开发效率，实现资源的集约化管理。因此，人工智能平台需要对计算、存储、资源管理和使用采用更加先进、更加有效率的管理运作方式，并对各类资源需求的变化有较强的反应能力。平台反应能力的重要指标是指平台对未来任务量的反应速度和预测准确度。如果不能及时察觉环境变化及其变化规律，将会产生较大的资源配置偏差，从而导致资源浪费或资源不足，甚至影响服务的安全运营。准确、有效的平台任务量预测技术，可以有效地解决平台系统资源配置滞后于用户请求的问题，为平台的资源配置提供依据，以满足日益增长且多样化的用户需求。
然而，由于时间和空间相关性比较复杂，平台任务量的预测一直是一项具有挑战性的技术，其难点主要体现在：1)空间相关性。平台任务量受平台节点之间网络拓扑结构的影响(节点数量及节点之间的通信方式)，并且节点之间的关联具有方向性(管理节点向计算节点下发任务)。2)时间相关性。平台任务量随时间动态变化，时间相关性表现为亲近性和周期性：亲近性是指最近时段的任务量分布状况比旧时段的任务量分布状况更相关；周期性是指平台任务量状况在一定时间间隔内呈现出周期性的变化。
发明内容
有鉴于此，本发明实施例的目的在于提出一种基于深度学习预测任务量的方法、系统、计算机设备及计算机可读存储介质，将平台历史上的节点网络在每个时间间隔的任务量及节点之间的沟通模式转换为结构化的时空序列数据，既保留了平台任务量的时间相关性和空间相关性，还能方便的作为卷积神经网络的输入数据进行特征学习和特征提取。
基于上述目的，本发明实施例的一方面提供了一种基于深度学习预测任务量的方法，包括如下步骤：根据平台历史任务量的时间相关性和空间相关性构建有向邻接矩阵，并根据所述有向邻接矩阵构建短时任务量邻接矩阵；根据时间维度和空间维度从所述短时任务量邻接矩阵中提取多个第一特征，并根据所述第一特征构建多个短期特征矩阵序列；根据周期性维度从所述短期特征矩阵序列中提取第二特征；以及将所述第一特征和所述第二特征进行融合，并基于融合后的第一特征和第二特征获取未来预设时间段内的预测任务量。
在一些实施方式中，所述根据所述有向邻接矩阵构建短时任务量邻接矩阵包括：使用多个连续单位时间的所述有向邻接矩阵组成单位时间段序列，并使用多个相邻的单位时间段序列构成短时任务量邻接矩阵。
在一些实施方式中，所述根据平台历史任务量的时间相关性和空间相关性构建有向邻接矩阵包括：将当前节点当前时刻向其他节点发送的任务量作为有向邻接矩阵的行，并将当前节点当前时刻从其他节点接收的任务量作为有向邻接矩阵的列。
在一些实施方式中，方法还包括：将历史数据分为训练集和测试集，使用所述训练集进行训练以调整所述短时任务量邻接矩阵中的连续单位时间参数和相邻时间段序列参数，并使用测试集对训练后获取的预测任务量进行误差检测。
本发明实施例的另一方面，提供了一种基于深度学习预测任务量的系统，包括：构建模块，配置用于根据平台历史任务量的时间相关性和空间相关性构建有向邻接矩阵，并根据所述有向邻接矩阵构建短时任务量邻接矩阵；第一提取模块，配置用于根据时间维度和空间维度从所述短时任务量邻接矩阵中提取多个第一特征，并根据所述第一特征构建多个短期特征矩阵序列；第二提取模块，配置用于根据周期性维度从所述短期特征矩阵序列中提取第二特征；以及融合模块，配置用于将所述第一特征和所述第二特征进行融合，并基于融合后的第一特征和第二特征获取未来预设时间段内的预测任务量。
在一些实施方式中，所述构建模块配置用于：使用多个连续单位时间的所述有向邻接矩阵组成单位时间段序列，并使用多个相邻的单位时间段序列构成短时任务量邻接矩阵。
在一些实施方式中，所述构建模块配置用于：将当前节点当前时刻向其他节点发送的任务量作为有向邻接矩阵的行，并将当前节点当前时刻从其他节点接收的任务量作为有向邻接矩阵的列。
在一些实施方式中，还包括调整模块，配置用于：将历史数据分为训练集和测试集，使用所述训练集进行训练以调整所述短时任务量邻接矩阵中的连续单位时间参数和相邻时间段序列参数，并使用测试集对训练后获取的预测任务量进行误差检测。
本发明实施例的又一方面，还提供了一种计算机设备，包括：至少一个处理器；以及存储器，所述存储器存储有可在所述处理器上运行的计算机指令，所述指令由所述处理器执行时实现如上方法的步骤。
本发明实施例的再一方面，还提供了一种计算机可读存储介质，计算机可读存储介质存储有被处理器执行时实现如上方法步骤的计算机程序。
本发明具有以下有益技术效果：将平台历史上的节点网络在每个时间间隔的任务量及节点之间的沟通模式转换为结构化的时空序列数据，既保留了平台任务量的时间相关性和空间相关性，还能方便的作为卷积神经网络的输入数据进行特征学习和特征提取。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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实施例。
图1为本发明提供的基于深度学习预测任务量的方法的实施例的示意图；
图2为本发明实施例中的有向邻接矩阵的示意图；
图3为本发明提供的基于深度学习预测任务量的计算机设备的实施例的硬件结构示意图；
图4为本发明提供的基于深度学习预测任务量的计算机存储介质的实施例的示意图。
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明白，以下结合具体实施例，并参照附图，对本发明实施例进一步详细说明。
需要说明的是，本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，可见“第一”“第二”仅为了表述的方便，不应理解为对本发明实施例的限定，后续实施例对此不再一一说明。
基于上述目的，本发明实施例的第一个方面，提出了一种基于深度学习预测任务量的方法的实施例。图1示出的是本发明提供的基于深度学习预测任务量的方法的实施例的示意图。如图1所示，本发明实施例包括如下步骤：
S1、根据平台历史任务量的时间相关性和空间相关性构建有向邻接矩阵，并根据有向邻接矩阵构建短时任务量邻接矩阵；
S2、根据时间维度和空间维度从短时任务量邻接矩阵中提取多个第一特征，并根据第一特征构建多个短期特征矩阵序列；
S3、根据周期性维度从短期特征矩阵序列中提取第二特征；以及
S4、将第一特征和第二特征进行融合，并基于融合后的第一特征和第二特征获取未来预设时间段内的预测任务量。
根据平台历史任务量的时间相关性和空间相关性构建有向邻接矩阵，并根据有向邻接矩阵构建短时任务量邻接矩阵。
在一些实施方式中，所述根据平台历史任务量的时间相关性和空间相关性构建有向邻接矩阵包括：将当前节点当前时刻向其他节点发送的任务量作为有向邻接矩阵的行，并将当前节点当前时刻从其他节点接收的任务量作为有向邻接矩阵的列。
将平台任务量的时间相关性和空间相关性考虑在内，构建一个N*N(N表示节点的个数)的有向邻接矩阵，用于保存每个节点当前任务量、节点从其他节点接收的任务量以及节点向其他节点发送的任务量。图2示出的是本发明实施例中的有向邻接矩阵的示意图。如图2所示，N1、N2……Nn表示不同的节点，以当前节点为N2、当前时刻为t进行说明，横框表示节点N2在t时刻发送给各个节点的任务量，例如，发送给节点N1的任务量为0；竖框表示节点N2在t时刻从各个节点接收的任务量，例如，从节点N1接收的任务量为0；横框和竖框相交的小框表示节点N2在t时刻的任务量，也即是节点N2在当前时刻的任务量为1。
在一些实施方式中，所述根据所述有向邻接矩阵构建短时任务量邻接矩阵包括：使用多个连续单位时间的所述有向邻接矩阵组成单位时间段序列，并使用多个相邻的单位时间段序列构成短时任务量邻接矩阵。
在构建了图结构节点网络任务量数据后，使用k个连续单位时间的任务量邻接矩阵组成一个单位时间段序列N*N*k，保存平台节点网络的空间相关性和时间相关性。使用m个相邻的时间段序列上的单位时间段序列组成一个短时任务量邻接矩阵N*N*k*m。
根据时间维度和空间维度从短时任务量邻接矩阵中提取多个第一特征，并根据第一特征构建多个短期特征矩阵序列。可以使用m个3DCNN(3D Convolutional NeuralNetworks，立体卷积神经网络)在空间和时间维度提取节点内的空间关联性和任务量的短期特征，也即是第一特征，根据第一特征构建m个短期特征矩阵序列。
根据周期性维度从短期特征矩阵序列中提取第二特征。可以将多个特征矩阵序列输入到RNN(Recurrent Neural Network，循环神经网络)中，使用RNN学习平台任务量的动态模式，获取特征矩阵序列的时间相关性，例如周期性，从而提取高级特征，也即是第二特征。
将第一特征和第二特征进行融合，以获取未来预设时间段内的预测任务量。利用2DCNN(Convolutional Neural Networks，卷积神经网络)对第一特征和第二特征进行特征融合，获取未来一段时间的预测任务量。
在一些实施方式中，方法还包括：将历史数据分为训练集和测试集，使用所述训练集进行训练以调整所述短时任务量邻接矩阵中的连续单位时间参数和相邻时间段序列参数，并使用测试集对训练后获取的预测任务量进行误差检测。可以构建一个深度学习模型来执行上述步骤，例如，向深度学习模型输入有向邻接矩阵，然后得到预测任务量。利用收集的历史任务量数据构建训练集和测试集，训练集用于模型训练，修改模型参数，减少模型预测值与真实值之间的误差。测试集用于测试深度学习模型的预测精度，判断是否投入使用。
本发明实施例在构建深度学习模型的过程有如下步骤：
(1)构建输入数据模式：用图表示平台节点网络任务量的时间序列；
(2)构建深度学习模型卷积层：利用立体图卷积神经网络来捕捉低阶的时空依赖关系，相邻时间段内的局部交互作用由卷积层进行捕捉，提取短期时空相关性；
(3)构建深度学习模型循环层：利用循环神经网络来捕获卷积计算得到的特征矩阵系列的高层语义特征，有规律的一些时间性信息如长期的周期性和高级表达；
(4)构建深度学习模型全连接层：利用全连接输出层进行特征融合，获取未来一段时间的预测任务量。
本发明实施例设计了一种平台任务量数据的时空表达方式，将平台历史上的节点网络在每个时间间隔的任务量及节点之间的沟通模式转换为结构化的时空序列数据，既保留了平台任务量的时间相关性和空间相关性，还能方便的作为卷积神经网络的输入数据进行特征学习和特征提取；并且设计了一种端到端的深度学习模型对平台任务量的变化趋势进行建模，可接受平台的任务量时空序列数据，自动捕获平台任务量变化的有效特征，输出预测。
需要特别指出的是，上述基于深度学习预测任务量的方法的各个实施例中的各个步骤均可以相互交叉、替换、增加、删减，因此，这些合理的排列组合变换之于基于深度学习预测任务量的方法也应当属于本发明的保护范围，并且不应将本发明的保护范围局限在实施例之上。
基于上述目的，本发明实施例的第二个方面，提出了一种基于深度学习预测任务量的系统，包括：构建模块，配置用于根据平台历史任务量的时间相关性和空间相关性构建有向邻接矩阵，并根据所述有向邻接矩阵构建短时任务量邻接矩阵；第一提取模块，配置用于根据时间维度和空间维度从所述短时任务量邻接矩阵中提取多个第一特征，并根据所述第一特征构建多个短期特征矩阵序列；第二提取模块，配置用于根据周期性维度从所述短期特征矩阵序列中提取第二特征；以及融合模块，配置用于将所述第一特征和所述第二特征进行融合，并基于融合后的第一特征和第二特征获取未来预设时间段内的预测任务量。
在一些实施方式中，所述构建模块配置用于：使用多个连续单位时间的所述有向邻接矩阵组成单位时间段序列，并使用多个相邻的单位时间段序列构成短时任务量邻接矩阵。
在一些实施方式中，所述构建模块配置用于：将当前节点当前时刻向其他节点发送的任务量作为有向邻接矩阵的行，并将当前节点当前时刻从其他节点接收的任务量作为有向邻接矩阵的列。
在一些实施方式中，系统还包括调整模块，配置用于：将历史数据分为训练集和测试集，使用所述训练集进行训练以调整所述短时任务量邻接矩阵中的连续单位时间参数和相邻时间段序列参数，并使用测试集对训练后获取的预测任务量进行误差检测。
基于上述目的，本发明实施例的第三个方面，提出了一种计算机设备，包括：至少一个处理器；以及存储器，存储器存储有可在处理器上运行的计算机指令，指令由处理器执行以实现如下步骤：S1、根据平台历史任务量的时间相关性和空间相关性构建有向邻接矩阵，并根据有向邻接矩阵构建短时任务量邻接矩阵；S2、根据时间维度和空间维度从短时任务量邻接矩阵中提取多个第一特征，并根据第一特征构建多个短期特征矩阵序列；S3、根据周期性维度从短期特征矩阵序列中提取第二特征；以及S4、将第一特征和第二特征进行融合，并基于融合后的第一特征和第二特征获取未来预设时间段内的预测任务量。
在一些实施方式中，所述根据所述有向邻接矩阵构建短时任务量邻接矩阵包括：使用多个连续单位时间的所述有向邻接矩阵组成单位时间段序列，并使用多个相邻的单位时间段序列构成短时任务量邻接矩阵。
在一些实施方式中，所述根据平台历史任务量的时间相关性和空间相关性构建有向邻接矩阵包括：将当前节点当前时刻向其他节点发送的任务量作为有向邻接矩阵的行，并将当前节点当前时刻从其他节点接收的任务量作为有向邻接矩阵的列。
在一些实施方式中，步骤还包括：将历史数据分为训练集和测试集，使用所述训练集进行训练以调整所述短时任务量邻接矩阵中的连续单位时间参数和相邻时间段序列参数，并使用测试集对训练后获取的预测任务量进行误差检测。
如图3所示，为本发明提供的上述基于深度学习预测任务量的计算机设备的一个实施例的硬件结构示意图。
以如图3所示的装置为例，在该装置中包括一个处理器201以及一个存储器202，并还可以包括：输入装置203和输出装置204。
处理器201、存储器202、输入装置203和输出装置204可以通过总线或者其他方式连接，图3中以通过总线连接为例。
存储器202作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本申请实施例中的基于深度学习预测任务量的方法对应的程序指令/模块。处理器201通过运行存储在存储器202中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例的基于深度学习预测任务量的方法。
存储器202可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据基于深度学习预测任务量的方法的使用所创建的数据等。此外，存储器202可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器202可选包括相对于处理器201远程设置的存储器，这些远程存储器可以通过网络连接至本地模块。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置203可接收输入的用户名和密码等信息。输出装置204可包括显示屏等显示设备。
一个或者多个基于深度学习预测任务量的方法对应的程序指令/模块存储在存储器202中，当被处理器201执行时，执行上述任意方法实施例中的基于深度学习预测任务量的方法。
执行上述基于深度学习预测任务量的方法的计算机设备的任何一个实施例，可以达到与之对应的前述任意方法实施例相同或者相类似的效果。
本发明还提供了一种计算机可读存储介质，计算机可读存储介质存储有被处理器执行时执行如上方法的计算机程序。
如图4所示，为本发明提供的上述基于深度学习预测任务量的计算机存储介质的一个实施例的示意图。以如图4所示的计算机存储介质为例，计算机可读存储介质4存储有被处理器执行时执行如上方法的计算机程序31。
最后需要说明的是，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关硬件来完成，基于深度学习预测任务量的方法的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，程序的存储介质可为磁碟、光盘、只读存储记忆体(ROM)或随机存储记忆体(RAM)等。上述计算机程序的实施例，可以达到与之对应的前述任意方法实施例相同或者相类似的效果。
以上是本发明公开的示例性实施例，但是应当注意，在不背离权利要求限定的本发明实施例公开的范围的前提下，可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外，尽管本发明实施例公开的元素可以以个体形式描述或要求，但除非明确限制为单数，也可以理解为多个。
应当理解的是，在本文中使用的，除非上下文清楚地支持例外情况，单数形式“一个”旨在也包括复数形式。还应当理解的是，在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。
上述本发明实施例公开实施例序号仅仅为了描述，不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明实施例公开的范围(包括权利要求)被限于这些例子；在本发明实施例的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，并存在如上的本发明实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。因此，凡在本发明实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。

Claims (8)

1.一种基于深度学习预测任务量的方法，其特征在于，包括以下步骤：
根据平台历史任务量的时间相关性和空间相关性构建有向邻接矩阵，并根据所述有向邻接矩阵构建短时任务量邻接矩阵；
根据时间维度和空间维度从所述短时任务量邻接矩阵中提取多个第一特征，并根据所述第一特征构建多个短期特征矩阵序列；
根据周期性维度从所述短期特征矩阵序列中提取第二特征；以及
将所述第一特征和所述第二特征进行融合，并基于融合后的所述第一特征和第二特征获取未来预设时间段内的预测任务量，
其中所述根据所述有向邻接矩阵构建短时任务量邻接矩阵包括：
使用多个连续单位时间的所述有向邻接矩阵组成单位时间段序列，并使用多个相邻的单位时间段序列构成短时任务量邻接矩阵。
2.根据权利要求1所述的方法，其特征在于，所述根据平台历史任务量的时间相关性和空间相关性构建有向邻接矩阵包括：
将当前节点当前时刻向其他节点发送的任务量作为有向邻接矩阵的行，并将当前节点当前时刻从其他节点接收的任务量作为有向邻接矩阵的列。
3.根据权利要求1所述的方法，其特征在于，还包括：
将历史数据分为训练集和测试集，使用所述训练集进行训练以调整所述短时任务量邻接矩阵中的连续单位时间参数和相邻时间段序列参数，并使用测试集对训练后获取的预测任务量进行误差检测。
4.一种基于深度学习预测任务量的系统，其特征在于，包括：
构建模块，配置用于根据平台历史任务量的时间相关性和空间相关性构建有向邻接矩阵，并根据所述有向邻接矩阵构建短时任务量邻接矩阵，其中所述根据所述有向邻接矩阵构建短时任务量邻接矩阵包括：使用多个连续单位时间的所述有向邻接矩阵组成单位时间段序列，并使用多个相邻的单位时间段序列构成短时任务量邻接矩阵；
第一提取模块，配置用于根据时间维度和空间维度从所述短时任务量邻接矩阵中提取多个第一特征，并根据所述第一特征构建多个短期特征矩阵序列；
第二提取模块，配置用于根据周期性维度从所述短期特征矩阵序列中提取第二特征；以及
融合模块，配置用于将所述第一特征和所述第二特征进行融合，并基于融合后的所述第一特征和第二特征获取未来预设时间段内的预测任务量。
5.根据权利要求4所述的系统，其特征在于，所述构建模块配置用于：
将当前节点当前时刻向其他节点发送的任务量作为有向邻接矩阵的行，并将当前节点当前时刻从其他节点接收的任务量作为有向邻接矩阵的列。
6.根据权利要求4所述的系统，其特征在于，还包括调整模块，配置用于：
将历史数据分为训练集和测试集，使用所述训练集进行训练以调整所述短时任务量邻接矩阵中的连续单位时间参数和相邻时间段序列参数，并使用测试集对训练后获取的预测任务量进行误差检测。
7.一种计算机设备，其特征在于，包括：
至少一个处理器；以及
存储器，所述存储器存储有可在所述处理器上运行的计算机指令，所述指令由所述处理器执行时实现权利要求1-3任意一项所述方法的步骤。
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-3任意一项所述方法的步骤。
CN202110233894.9A 2021-03-03 2021-03-03 一种基于深度学习预测任务量的方法、系统、设备及介质 Active CN112965888B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110233894.9A CN112965888B (zh) 2021-03-03 2021-03-03 一种基于深度学习预测任务量的方法、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110233894.9A CN112965888B (zh) 2021-03-03 2021-03-03 一种基于深度学习预测任务量的方法、系统、设备及介质

Publications (2)

Publication Number Publication Date
CN112965888A CN112965888A (zh) 2021-06-15
CN112965888B true CN112965888B (zh) 2023-01-24

Family

ID=76277537

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110233894.9A Active CN112965888B (zh) 2021-03-03 2021-03-03 一种基于深度学习预测任务量的方法、系统、设备及介质

Country Status (1)

Country Link
CN (1) CN112965888B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111968375A (zh) * 2020-08-27 2020-11-20 北京嘀嘀无限科技发展有限公司 交通流量的预测方法、装置、可读存储介质及电子设备
CN112418567A (zh) * 2021-01-22 2021-02-26 中航信移动科技有限公司 人流量预测方法、装置、计算机设备及存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108520275A (zh) * 2017-06-28 2018-09-11 浙江大学 一种基于邻接矩阵的连接信息规整系统、图特征提取系统、图分类系统和方法
CN112073126B (zh) * 2020-08-14 2021-07-13 合肥本源量子计算科技有限责任公司 一种网络节点重要性的排序方法及装置
CN112001501B (zh) * 2020-08-14 2022-12-23 苏州浪潮智能科技有限公司 一种ai分布式训练系统的参数更新方法、装置、设备
CN111738535A (zh) * 2020-08-25 2020-10-02 北京交通大学 轨道交通时空短时客流预测方法、装置、设备及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111968375A (zh) * 2020-08-27 2020-11-20 北京嘀嘀无限科技发展有限公司 交通流量的预测方法、装置、可读存储介质及电子设备
CN112418567A (zh) * 2021-01-22 2021-02-26 中航信移动科技有限公司 人流量预测方法、装置、计算机设备及存储介质

Also Published As

Publication number Publication date
CN112965888A (zh) 2021-06-15

Similar Documents

Publication Publication Date Title
Peña et al. Sat-iot: An architectural model for a high-performance fog/edge/cloud iot platform
Sittón-Candanedo et al. Edge computing architectures in industry 4.0: A general survey and comparison
CN110910659B (zh) 一种交通流量预测方法、装置、设备以及存储介质
Petrovic et al. SMADA-Fog: Semantic model driven approach to deployment and adaptivity in fog computing
CN114915630B (zh) 基于物联网设备的任务分配方法、网络训练方法及装置
CN112291367B (zh) 一种数据处理的方法和装置
CN111125519B (zh) 用户行为预测方法、装置、电子设备以及存储介质
Wang et al. A multitask learning-based network traffic prediction approach for SDN-enabled industrial internet of things
EP3877861A1 (en) Managing computation load in a fog network
CN112330519A (zh) 一种数据处理的方法和装置
Pigné et al. Graphstream: A tool for bridging the gap between complex systems and dynamic graphs
Khebbeb et al. A maude-based rewriting approach to model and verify cloud/fog self-adaptation and orchestration
CN112965888B (zh) 一种基于深度学习预测任务量的方法、系统、设备及介质
CN114338416B (zh) 一种时空多指标预测方法、装置和存储介质
CN112383436B (zh) 一种网络监控的方法和装置
Zhou et al. Semantic-based discovery method for high-performance computing resources in cyber-physical systems
Bellavista et al. GAMESH: a grid architecture for scalable monitoring and enhanced dependable job scheduling
Smidt et al. Smart application development for IoT asset management using graph database modeling and high-availability web services
CN117240727A (zh) 通信网络切换方法及相关设备
Ouyang et al. Semantic enrichment of object associations across federated BIM semantic graphs in a common data environment
CN111935005A (zh) 数据传输方法、装置、处理设备及介质
CN112486666A (zh) 一种模型驱动的参考架构方法及平台
CN113541986A (zh) 5g切片的故障预测方法、装置及计算设备
CN109218049B (zh) 一种控制方法、相关设备以及系统
CN114153714A (zh) 基于日志信息的容量调整方法、装置、设备及存储介质

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