CN113487091A - 一种网络资源动态优化方法及装置 - Google Patents
一种网络资源动态优化方法及装置 Download PDFInfo
- Publication number
- CN113487091A CN113487091A CN202110768962.1A CN202110768962A CN113487091A CN 113487091 A CN113487091 A CN 113487091A CN 202110768962 A CN202110768962 A CN 202110768962A CN 113487091 A CN113487091 A CN 113487091A
- Authority
- CN
- China
- Prior art keywords
- resource value
- prediction model
- traffic
- historical
- network resource
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000005457 optimization Methods 0.000 title claims description 40
- 238000004422 calculation algorithm Methods 0.000 claims description 75
- 238000012549 training Methods 0.000 claims description 41
- 230000010354 integration Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 19
- 238000009499 grossing Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- 238000013075 data extraction Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 6
- 239000000872 buffer Substances 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000008602 contraction Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000013341 scale-up Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Telephonic Communication Services (AREA)
Abstract
本申请提供一种网络资源动态优化方法及装置,涉及人工智能领域,也可用于金融领域,包括:利用预先构建的业务量预测模型,根据历史业务数据预测预设时间段的业务量;利用预先构建的网络资源预测模型,根据所述历史业务数据预测所述预设时间段的第一网络资源值;根据所述第一网络资源值与业务量之间的关系,根据所述预设时间段的业务量确定所述预设时间段的第二资源值;根据所述第一网络资源值及所述第二资源值确定所述预设时间段的最终网络资源值。本申请能够根据预先确立的资源值与业务量之间的关系,确定预设时间段所需的网络资源值。
Description
技术领域
本申请涉及人工智能领域,可以用于金融领域,具体是一种网络资源动态优化方法及装置。
背景技术
在互联网金融时代,各大银行业务量呈爆发性增长,业务模式更新迭代频繁。云计算以其能够满足弹性计算需求、随用随取需求及快速迭代需求等新特性完美地契合了新形势下金融业IT系统的要求,与分布式等新技术体系一同助推了互联网金融业务的快速发展。但是云计算体系下IT环境和故障处理变得更加错综复杂,传统基于已发生的网络资源故障来进行网络资源优化的方法越来越难以满足复杂场景的需求。
当前网络资源扩缩容主要是在网络资源故障发生之后,或者人为评估故障即将发生之时,触发网络资源的扩缩容。例如,对于云平台而言,随着业务量的增加,可能部分容器的CPU、内存使用会相应增大,导致原来分配的网络资源无法满足业务增加的需求,容易引起业务故障,因此目前很多公司采用预先配置的方式进行网络资源的扩缩容,即在配置文件中预先配置好“当网络资源满足某些可量化的条件时,即自动执行网络资源的扩缩容”。
现有技术至少存在两个缺点:
第一是需要网络资源达到某个阈值(或者网络资源已经报警)后才能触发自动化扩缩容,而此时可能已经影响了正常业务。或者某些网络资源设置的数值很大,在网络资源尚未达到临界值时就设置一个阈值(如80%),然后就触发了报警,此时虽然能够有效的避免对业务的影响,但网络资源浪费相对严重。
第二是当网络资源达到某个报警点时,现有技术依赖配置的扩缩容比例(或数量)去实现网络资源的优化,而配置上的优化值是人为评估的。根据生产实际值实现合理精确的网络资源评估是难以做到的。因此,这种方法容易造成网络资源浪费或网络资源评估不足,难以满足未来一段时间的业务发展。
发明内容
针对现有技术中的问题,本申请提供一种网络资源动态优化方法及装置,能够根据预先确立的资源值与业务量之间的关系,确定预设时间段所需的网络资源值。
为解决上述技术问题,本申请提供以下技术方案:
第一方面,本申请提供一种网络资源动态优化方法,包括:
利用预先构建的业务量预测模型,根据历史业务数据预测预设时间段的业务量;
利用预先构建的网络资源预测模型,根据所述历史业务数据预测所述预设时间段的第一网络资源值;
根据所述第一网络资源值与业务量之间的关系,根据所述预设时间段的业务量确定所述预设时间段的第二资源值;
根据所述第一网络资源值及所述第二资源值确定所述预设时间段的最终网络资源值。
进一步地,所述的网络资源动态优化方法,还包括:
剔除所述历史业务数据中的异常数据,得到正常数据;
提取所述正常数据的资源值字段及业务量字段;
对所述资源值字段及业务量字段进行归一化处理。
进一步地,预先构建所述业务量预测模型的步骤,包括:
利用三次指数平滑算法,根据所述历史业务量训练业务量第一预测模型;
利用差分整合移动平均自回归算法,根据所述历史业务量训练业务量第二预测模型;
利用时间序列预测算法,根据所述历史业务量训练业务量第三预测模型;
根据预先设置的业务量预测模型权重、所述业务量第一预测模型、所述业务量第二预测模型及所述业务量第三预测模型确定所述业务量预测模型。
进一步地,预先构建所述网络资源预测模型的步骤,包括:
利用三次指数平滑算法,根据所述历史资源值训练资源值第一预测模型;
利用差分整合移动平均自回归算法,根据所述历史资源值训练资源值第二预测模型;
利用时间序列预测算法,根据所述历史资源值训练资源值第三预测模型;
根据预先设置的资源值预测模型权重、所述资源值第一预测模型、所述资源值第二预测模型及所述资源值第三预测模型确定所述网络资源值预测模型。
进一步地,所述的网络资源动态优化方法,还包括:
获取预设历史时间段内的历史业务量及历史资源值;
根据所述预设历史时间段内的历史业务量及历史资源值描绘所述资源值与业务量之间的关系曲线;
拟合所述关系曲线,得到所述关系。
进一步地,所述的网络资源动态优化方法,还包括:
根据当前网络资源值及所述最终网络资源值发出网络资源调整指令。
第二方面,本申请提供一种网络资源动态优化装置,包括:
业务量预测单元,用于利用预先构建的业务量预测模型,根据历史业务数据预测预设时间段的业务量;
第一资源值预测单元,用于利用预先构建的网络资源预测模型,根据所述历史业务数据预测所述预设时间段的第一网络资源值;
第二资源值预测单元,用于根据所述第一网络资源值与业务量之间的关系,根据所述预设时间段的业务量确定所述预设时间段的第二资源值;
最终资源值预测单元,用于根据所述第一网络资源值及所述第二资源值确定所述预设时间段的最终网络资源值。
进一步地,所述的网络资源动态优化装置,还包括:
异常数据提出单元,用于剔除所述历史业务数据中的异常数据,得到正常数据;
字段提取单元,用于提取所述正常数据的资源值字段及业务量字段;
归一化处理单元,用于对所述资源值字段及业务量字段进行归一化处理。
进一步地,所述的网络资源动态优化装置,还包括:
业务量第一预测模型建立单元,用于利用三次指数平滑算法,根据所述历史业务量训练业务量第一预测模型;
业务量第二预测模型建立单元,用于利用差分整合移动平均自回归算法,根据所述历史业务量训练业务量第二预测模型;
业务量第三预测模型建立单元,用于利用时间序列预测算法,根据所述历史业务量训练业务量第三预测模型;
业务量预测模型建立单元,用于根据预先设置的业务量预测模型权重、所述业务量第一预测模型、所述业务量第二预测模型及所述业务量第三预测模型确定所述业务量预测模型。
进一步地,所述的网络资源动态优化装置,包括:
资源值第一预测模型建立单元,用于利用三次指数平滑算法,根据所述历史资源值训练资源值第一预测模型;
资源值第二预测模型建立单元,用于利用差分整合移动平均自回归算法,根据所述历史资源值训练资源值第二预测模型;
资源值第三预测模型建立单元,用于利用时间序列预测算法,根据所述历史资源值训练资源值第三预测模型;
网络资源值预测模型建立单元,用于根据预先设置的资源值预测模型权重、所述资源值第一预测模型、所述资源值第二预测模型及所述资源值第三预测模型确定所述网络资源值预测模型。
进一步地,所述的网络资源动态优化装置,还包括:
历史数据获取单元,用于获取预设历史时间段内的历史业务量及历史资源值;
关系曲线生成单元,用于根据所述预设历史时间段内的历史业务量及历史资源值描绘所述资源值与业务量之间的关系曲线;
关系拟合单元,用于拟合所述关系曲线,得到所述关系。
进一步地,所述的网络资源动态优化装置,还包括:
调整指令发出单元,用于根据当前网络资源值及所述最终网络资源值发出网络资源调整指令。
第三方面,本申请提供一种电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述网络资源动态优化方法的步骤。
第四方面,本申请提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现所述网络资源动态优化方法的步骤。
针对现有技术中的问题,本申请提供的网络资源动态优化方法及装置,能够利用预先构建的业务量预测模型及网络资源预测模型,确定预设时间段所需的网络资源值,实现网络资源预测算法集成,从而提高预测精度,在对网络资源进行预测的同时实现对业务量的预测,利用业务量与网络资源值之间的关系修正资源值预测结果,指导网络资源动态调整。
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附图。
图1为本申请实施例中网络资源动态优化方法的流程图之一;
图2为本申请实施例中网络资源动态优化方法的流程图之二;
图3为本申请实施例中预先构建所述业务量预测模型的步骤流程图;
图4为本申请实施例中预先构建所述网络资源预测模型的步骤流程图;
图5为本申请实施例中网络资源动态优化方法的流程图之三;
图6为本申请实施例中网络资源动态优化装置的结构图之一;
图7为本申请实施例中网络资源动态优化装置的结构图之二;
图8为本申请实施例中网络资源动态优化装置的结构图之三;
图9为本申请实施例中网络资源动态优化装置的结构图之四;
图10为本申请实施例中网络资源动态优化装置的结构图之五;
图11为本申请实施例中的电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,本申请提供的网络资源动态优化方法及装置,可用于金融领域,也可用于除金融领域之外的任意领域,本申请提供的网络资源动态优化方法及装置的应用领域不做限定。
参见图1,为了能够根据预先确立的资源值与业务量之间的关系,确定预设时间段所需的网络资源值,本申请提供一种网络资源动态优化方法,包括:
S101:利用预先构建的业务量预测模型,根据历史业务数据预测预设时间段的业务量;
S102:利用预先构建的网络资源预测模型,根据历史业务数据预测所述预设时间段的第一网络资源值;
S103:根据第一网络资源值与业务量之间的关系及预设时间段的业务量确定预设时间段的第二资源值;
S104:根据第一网络资源值及第二资源值确定预设时间段的最终网络资源值。
可以理解的是,在互联网金融时代,各大金融机构的业务量呈爆发式增长,业务模式更新迭代频繁。在这样的大数据业务背景下,各大金融机构纷纷搭建了基于云计算技术(Cloud Computing)的平台(或系统)。
云计算技术以其能够满足弹性计算需求、随用随取需求及快速迭代需求等新特性完美地契合了新形势下金融业IT系统的要求,与分布式等新技术体系一同助推了互联网金融业务的快速发展。
在云计算技术框架下,网络环境及网络故障处理变得更加错综复杂,传统的基于已发生的网络资源故障来进行网络资源优化的方法越来越难以满足复杂场景的需求。为此,本申请提出一种网络资源动态优化方法,该方法针对云计算平台中的某一网络资源需用主体(也就是需要使用网络资源者,通常可为一金融机构业务系统),预先构建业务量预测模型及网络资源预测模型,并利用上述两个模型完成预设(未来)时间段的网络资源值预测。基于预测结果生成网络资源调整指令,以便调整该网络资源需用主体目前所拥有的网络资源值。将该网络资源需用主体的冗余网络资源分配给云计算平台中其他有需要者或补充网络资源给该网络资源需用主体,以免出现因网络资源不足而发生的网络故障,保障该网络资源需用主体的可用性。
需要说明的是,为了提升预测的准确性,本申请所述的方法在预测网络资源值时,需要先利用预先构建的网络资源预测模型,根据历史业务数据预测预设时间段的第一网络资源值;然后再根据第一网络资源值与业务量之间的关系及预设时间段的业务量确定预设时间段的第二资源值。最后将第一网络资源值与第二资源值整合后,得到预设时间段的最终网络资源值。
从上述描述可知,本申请提供的网络资源动态优化方法,能够利用预先构建的业务量预测模型及网络资源预测模型,确定预设时间段所需的网络资源值,实现网络资源预测算法集成,从而提高预测精度,在对网络资源进行预测的同时实现对业务量的预测,利用业务量与网络资源值之间的关系修正资源值预测结果,指导网络资源动态调整。
一实施例中,参见图2,所述的网络资源动态优化方法,还包括:
S201:剔除历史业务数据中的异常数据,得到正常数据;
S202:提取正常数据的资源值字段及业务量字段;
S203:对资源值字段及业务量字段进行归一化处理。
可以理解的是,构建业务量预测模型及网络资源预测模型所需使用的训练数据可以为该网络资源需用主体在过去一段时间内的实际业务数据。本申请实施例将这些业务数据称为历史业务数据。历史业务数据可以包括但不限于该网络资源需用主体在过去一段时间内的实际业务量及该实际业务量所使用到的网络资源值。
通过获知该网络资源需用主体在过去一段时间内的实际业务量及该实际业务量所使用到的网络资源值,可以了解到该网络资源需用主体的业务量大致如何,也可以知道该网络资源需用主体在处理这些业务量时所需使用的网络资源值大致在多少。从而,根据这些历史业务数据可以训练得到业务量预测模型及网络资源预测模型。
为了能更贴近业务实际,本申请所述的方法在获取到历史业务数据后,可以首先对这些历史业务数据进行预处理。预处理步骤包括但不限于:①剔除历史业务数据中的异常数据,得到正常数据;②提取正常数据的资源值字段及业务量字段;③对资源值字段及业务量字段进行归一化处理。
具体地,在进行异常数据剔除时,本申请实施例可以采用拉依达准则进行。所谓拉依达准则是指先假设一组待处理数据只含有随机误差,对其进行计算处理得到标准偏差,按一定概率确定一个区间,认为凡超过这个区间的误差,就不属于随机误差而是粗大误差,含有粗大误差的数据应予以剔除。由此,可以得到正常数据,显然,正常数据更能够体现该网络资源需用主体的实际业务情况。
考虑到在后续模型训练时需要使用到三次指数平滑算法及差分整合移动平均自回归算法,因此需要提取出历史业务数据中的资源值字段及业务量字段,此外,考虑到在后续模型训练时还需要使用到时间序列预测算法,因此需要提取出历史业务数据中的时间戳字段。在字段提取后,可以对资源值字段及业务量字段进行归一化处理。归一化处理方法可以参加现有技术。
需要说明的是,数据的预处理步骤也可称为数据清洗。在进行数据清洗时,可以对比同一时刻数据之间的差异,例如,对比今天某个时刻的业务量与昨天该时刻的业务量,再对比其与前几天该时刻的业务量,如果三者之间相差超过3σ,则可以用三者的平均值来替换三者的实际值,对于缺失值也可以用平均值来替换。其中,3σ为拉依达准则中的数据统计概念。
从上述描述可知,本申请提供的网络资源动态优化方法,能够完成历史业务数据的预处理。
一实施例中,参见图3,预先构建业务量预测模型的步骤,包括:
S301:利用三次指数平滑算法,根据历史业务量训练业务量第一预测模型;
S302:利用差分整合移动平均自回归算法,根据历史业务量训练业务量第二预测模型;
S303:利用时间序列预测算法,根据历史业务量训练业务量第三预测模型;
S304:根据预先设置的业务量预测模型权重、业务量第一预测模型、业务量第二预测模型及业务量第三预测模型确定业务量预测模型。
可以理解的是,在完成历史业务数据预处理后,可以分别采用三种算法训练业务量预测模型。这三种算法分别是三次指数平滑算法、差分整合移动平均自回归算法及时间序列预测算法。具体地,本申请实施例中所采用的三次指数平滑算法为Holt-Winters算法;所采用的差分整合移动平均自回归算法为ARIMA算法;所采用的时间序列预测算法为Prophet算法。
训练过程可以采用现有的机器学习方法,训练完成后,对于在真实值5%误差范围内的预测值,可以标记为正确预测。统计正确预测的次数可以得到上述三种算法的预测精度,将上述三种算法的预测精度除以三种算法的预测精度之和可以得到各算法对应的业务量预测模型权重。最后根据各算法对应的业务量预测模型权重及利用三种算法分别训练得到的业务量第一预测模型、业务量第二预测模型、业务量第三预测模型可以确定最终的业务量预测模型。
其中,利用Holt-Winters算法进行训练的公式可以如下:
si=a(xi-pi-k)+(1-a)(si-1+ti-1)
ti=b(si-si-1)+(1-b)ti-1
pi=c(xi-si)+(1-c)pi-k
pi是周期性的部分,预测公式如下:
xi+h=si+hti+pi-k+h
其中,k表示历史业务数据所选取的历史时间段,si是时间步长i上经过平滑后的值,ti表示平滑后的趋势,xi是这个时间步长上的实际数据,a、b、c是0和1之间的任意值,h表示预测的下一个值。该算法的训练可借助python第三方模块statsmodels,指定周期性参数即可。
利用ARIMA算法进行训练的公式可以如下:
差分表示如下:
Δxt=xt-xt-1
ARIMA算法训练可借助statsmodels第三方模块,指定周期性参数即可。
Prophet算法的训练步骤可以如下:
y(t)=g(t)+s(t)+h(t)+ε(t)
g(t)表示趋势项,表示时间序列在非周期上的变化趋势;
s(t)表示周期项,或者称为季节项,比如一天,一周的周期;
h(t)表示节假日项,表示时间序列重哪些潜在的具有非固定周期的节假日对预测值造成的影响;ε(t)表示误差项或者称为剩余项,表示模型未预测到的波动,服从高斯分布。
该算法的训练步骤可通过python-fbprophet第三方工具实现,上述参数均可在python-fbprophet第三方工具中设定。
从上述描述可知,本申请提供的网络资源动态优化方法,能够构建业务量预测模型。
一实施例中,参见图4,预先构建网络资源预测模型的步骤,包括:
S401:利用三次指数平滑算法,根据历史资源值训练资源值第一预测模型;
S402:利用差分整合移动平均自回归算法,根据历史资源值训练资源值第二预测模型;
S403:利用时间序列预测算法,根据历史资源值训练资源值第三预测模型;
S404:根据预先设置的资源值预测模型权重、资源值第一预测模型、资源值第二预测模型及资源值第三预测模型确定网络资源值预测模型。
可以理解的是,网络资源值预测模型的构建可以参考业务量预测模型的构建过程实现。二者均是分别利用三次指数平滑算法、差分整合移动平均自回归算法及时间序列预测算法,构建得到初始模型,最终根据预先设置的权重确定最终模型。预先构建网络资源预测模型的步骤在此不再赘述。
需要说明的是,对于网络资源预测模型,预先设置的权重为资源值预测模型权重,确定方法也是统计正确预测的次数,然后根据该正确预测的次数确定上述三种算法的预测精度,将上述三种算法的预测精度除以三种算法的预测精度之和,得到各算法对应的网络资源预测模型权重。
从上述描述可知,本申请提供的网络资源动态优化方法,能够构建网络资源预测模型。
一实施例中,参见图5,所述的网络资源动态优化方法,还包括:
S501:获取预设历史时间段内的历史业务量及历史资源值;
S502:根据预设历史时间段内的历史业务量及历史资源值描绘资源值与业务量之间的关系曲线;
S503:拟合关系曲线,得到关系。
可以理解的是,通常而言,网络资源需用主体在某历史时间段内的历史业务量与对应历史时间段内的历史资源值呈现一定的相关关系,根据该相关关系可以描绘出该网络资源需用主体的资源值与业务量之间的关系曲线,利用线性回归算法拟合业务量和资源值之间的关系,可以得到资源值与业务量之间的关系表达式。
一实施例中,资源值与业务量之间的关系表达式可以为:,其中,x为业务量,为资源值,a与b均为利用线性回归算法所拟合得到的常数。
结合S103至S104步骤,可以理解,当利用预先构建的网络资源预测模型,根据历史业务数据预测得到预设时间段的第一网络资源值后,可以根据第一网络资源值与业务量之间的关系,根据预设时间段的业务量确定预设时间段的第二资源值。将两次计算得到的网络资源值结合起来可以确定预设时间段的最终网络资源值。
具体的结合方法可以是,将第一网络资源值与第二网络资源值取平均,得到最终网络资源值,也可以是,将第一网络资源值与第二网络资源值取加权平均,得到最终网络资源值,本申请不以此为限。
从上述描述可知,本申请提供的网络资源动态优化方法,能够根据预设历史时间段内的历史业务量及历史资源值拟合出资源值与业务量之间的关系表达式。
一实施例中,所述的网络资源动态优化方法,还包括:
根据当前网络资源值及最终网络资源值发出网络资源调整指令。
可以理解的是,在本申请实施例中,网络资源需用主体当前所拥有的网络资源可以称为当前网络资源值。该当前网络资源值如果不能满足当前或预设未来时间段的业务量需求,则此时的网络资源调整指令应为增加网络资源至预测出的预设(未来)时间段的最终网络资源值。该当前网络资源值如果远远超出了当前或预设(未来)时间段的业务量需求,则此时的网络资源调整指令应为减少网络资源至预测出的预设(未来)时间段的最终网络资源值。
具体实施时,可以在得到最终网络资源值后,将最终网络资源值发到资源调整后台系统,由资源调整后台系统来动态调整网络资源分配。从实践上来看,预设(未来)时间段越短,预测精度越高,实际业务中可以将该预设(未来)时间段设定为一天,但本申请不以此为限。
从上述描述可知,本申请提供的网络资源动态优化方法,能够根据当前网络资源值及最终网络资源值发出网络资源调整指令。
基于同一发明构思,本申请实施例还提供了一种网络资源动态优化装置,可以用于实现上述实施例所描述的方法,如下面的实施例所述。由于网络资源动态优化装置解决问题的原理与网络资源动态优化方法相似,因此网络资源动态优化装置的实施可以参见基于软件性能基准确定方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
一实施例中,参见图6,为了能够根据预先确立的资源值与业务量之间的关系,确定预设时间段所需的网络资源值,本申请提供一种网络资源动态优化装置,包括:业务量预测单元601、第一资源值预测单元602、第二资源值预测单元603及最终资源值预测单元604。
业务量预测单元601,用于利用预先构建的业务量预测模型,根据历史业务数据预测预设时间段的业务量;
第一资源值预测单元602,用于利用预先构建的网络资源预测模型,根据所述历史业务数据预测所述预设时间段的第一网络资源值;
第二资源值预测单元603,用于根据所述第一网络资源值与业务量之间的关系,根据所述预设时间段的业务量确定所述预设时间段的第二资源值;
最终资源值预测单元604,用于根据所述第一网络资源值及所述第二资源值确定所述预设时间段的最终网络资源值。
一实施例中,参见图7,所述的网络资源动态优化装置,还包括:异常数据提出单元701、字段提取单元702及归一化处理单元703。
异常数据提出单元701,用于剔除所述历史业务数据中的异常数据,得到正常数据;
字段提取单元702,用于提取所述正常数据的资源值字段及业务量字段;
归一化处理单元703,用于对所述资源值字段及业务量字段进行归一化处理。
一实施例中,参见图8,所述的网络资源动态优化装置,还包括:业务量第一预测模型建立单元801、业务量第二预测模型建立单元802、业务量第三预测模型建立单元803及业务量预测模型建立单元804。
业务量第一预测模型建立单元801,用于利用三次指数平滑算法,根据所述历史业务量训练业务量第一预测模型;
业务量第二预测模型建立单元802,用于利用差分整合移动平均自回归算法,根据所述历史业务量训练业务量第二预测模型;
业务量第三预测模型建立单元803,用于利用时间序列预测算法,根据所述历史业务量训练业务量第三预测模型;
业务量预测模型建立单元804,用于根据预先设置的业务量预测模型权重、所述业务量第一预测模型、所述业务量第二预测模型及所述业务量第三预测模型确定所述业务量预测模型。
一实施例中,参见图9,所述的网络资源动态优化装置,包括:资源值第一预测模型建立单元901、资源值第二预测模型建立单元902、资源值第三预测模型建立单元903及网络资源值预测模型建立单元904。
资源值第一预测模型建立单元901,用于利用三次指数平滑算法,根据所述历史资源值训练资源值第一预测模型;
资源值第二预测模型建立单元902,用于利用差分整合移动平均自回归算法,根据所述历史资源值训练资源值第二预测模型;
资源值第三预测模型建立单元903,用于利用时间序列预测算法,根据所述历史资源值训练资源值第三预测模型;
网络资源值预测模型建立单元904,用于根据预先设置的资源值预测模型权重、所述资源值第一预测模型、所述资源值第二预测模型及所述资源值第三预测模型确定所述网络资源值预测模型。
一实施例中,参见图10,所述的网络资源动态优化装置,还包括:历史数据获取单元1001、关系曲线生成单元1002及关系拟合单元1003。
历史数据获取单元1001,用于获取预设历史时间段内的历史业务量及历史资源值;
关系曲线生成单元1002,用于根据所述预设历史时间段内的历史业务量及历史资源值描绘所述资源值与业务量之间的关系曲线;
关系拟合单元1003,用于拟合所述关系曲线,得到所述关系。
一实施例中,所述的网络资源动态优化装置,还包括:
调整指令发出单元,用于根据当前网络资源值及所述最终网络资源值发出网络资源调整指令。
从硬件层面来说,为了能够根据预先确立的资源值与业务量之间的关系,确定预设时间段所需的网络资源值,本申请提供一种用于实现所述网络资源动态优化方法中的全部或部分内容的电子设备的实施例,所述电子设备具体包含有如下内容:
处理器(Processor)、存储器(Memory)、通讯接口(Communications Interface)和总线;其中,所述处理器、存储器、通讯接口通过所述总线完成相互间的通讯;所述通讯接口用于实现所述网络资源动态优化装置与核心业务系统、用户终端以及相关数据库等相关设备之间的信息传输;该逻辑控制器可以是台式计算机、平板电脑及移动终端等,本实施例不限于此。在本实施例中,该逻辑控制器可以参照实施例中的网络资源动态优化方法的实施例,以及网络资源动态优化装置的实施例进行实施,其内容被合并于此,重复之处不再赘述。
可以理解的是,所述用户终端可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备、智能穿戴设备等。其中,所述智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。
在实际应用中,网络资源动态优化方法的部分可以在如上述内容所述的电子设备侧执行,也可以所有的操作都在所述客户端设备中完成。具体可以根据所述客户端设备的处理能力,以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备中完成,所述客户端设备还可以包括处理器。
上述的客户端设备可以具有通讯模块(即通讯单元),可以与远程的服务器进行通讯连接,实现与所述服务器的数据传输。所述服务器可以包括任务调度中心一侧的服务器,其他的实施场景中也可以包括中间平台的服务器,例如与任务调度中心服务器有通讯链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备,也可以包括多个服务器组成的服务器集群,或者分布式装置的服务器结构。
图11为本申请实施例的电子设备9600的系统构成的示意框图。如图11所示,该电子设备9600可以包括中央处理器9100和存储器9140;存储器9140耦合到中央处理器9100。值得注意的是,该图11是示例性的;还可以使用其他类型的结构,来补充或代替该结构,以实现电信功能或其他功能。
一实施例中,网络资源动态优化方法功能可以被集成到中央处理器9100中。其中,中央处理器9100可以被配置为进行如下控制:
S101:利用预先构建的业务量预测模型,根据历史业务数据预测预设时间段的业务量;
S102:利用预先构建的网络资源预测模型,根据所述历史业务数据预测所述预设时间段的第一网络资源值;
S103:根据所述第一网络资源值与业务量之间的关系,根据所述预设时间段的业务量确定所述预设时间段的第二资源值;
S104:根据所述第一网络资源值及所述第二资源值确定所述预设时间段的最终网络资源值。
从上述描述可知,本申请提供的网络资源动态优化方法,能够利用预先构建的业务量预测模型及网络资源预测模型,确定预设时间段所需的网络资源值,实现网络资源预测算法集成,从而提高预测精度,在对网络资源进行预测的同时实现对业务量的预测,利用业务量与网络资源值之间的关系修正资源值预测结果,指导网络资源动态调整。
在另一个实施方式中,网络资源动态优化装置可以与中央处理器9100分开配置,例如可以将数据复合传输装置网络资源动态优化装置配置为与中央处理器9100连接的芯片,通过中央处理器的控制来实现网络资源动态优化方法的功能。
如图11所示,该电子设备9600还可以包括:通讯模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是,电子设备9600也并不是必须要包括图11中所示的所有部件;此外,电子设备9600还可以包括图11中没有示出的部件,可以参考现有技术。
如图11所示,中央处理器9100有时也称为控制器或操作控件,可以包括微处理器或其他处理器装置和/或逻辑装置,该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。
其中,存储器9140,例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息,此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序,以实现信息存储或处理等。
输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器,但并不限于此。
该存储器9140可以是固态存储器,例如,只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器,其即使在断电时也保存信息,可被选择性地擦除且设有更多数据,该存储器的示例有时被称为EPROM等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142,该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。
存储器9140还可以包括数据存储部9143,该数据存储部9143用于存储数据,例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通讯功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通讯模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通讯模块(发送机/接收机)9110耦合到中央处理器9100,以提供输入信号和接收输出信号,这可以和常规移动通讯终端的情况相同。
基于不同的通讯技术,在同一电子设备中,可以设置有多个通讯模块9110,如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通讯模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132,以经由扬声器9131提供音频输出,并接收来自麦克风9132的音频输入,从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外,音频处理器9130还耦合到中央处理器9100,从而使得可以通过麦克风9132能够在本机上录音,且使得可以通过扬声器9131来播放本机上存储的声音。
本申请的实施例还提供能够实现上述实施例中的执行主体为服务器或客户端的网络资源动态优化方法中全部步骤的一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中的执行主体为服务器或客户端的网络资源动态优化方法的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
S101:利用预先构建的业务量预测模型,根据历史业务数据预测预设时间段的业务量;
S102:利用预先构建的网络资源预测模型,根据所述历史业务数据预测所述预设时间段的第一网络资源值;
S103:根据所述第一网络资源值与业务量之间的关系,根据所述预设时间段的业务量确定所述预设时间段的第二资源值;
S104:根据所述第一网络资源值及所述第二资源值确定所述预设时间段的最终网络资源值。
从上述描述可知,本申请提供的网络资源动态优化方法,能够利用预先构建的业务量预测模型及网络资源预测模型,确定预设时间段所需的网络资源值,实现网络资源预测算法集成,从而提高预测精度,在对网络资源进行预测的同时实现对业务量的预测,利用业务量与网络资源值之间的关系修正资源值预测结果,指导网络资源动态调整。
本领域内的技术人员应明白,本发明的实施例可提供为方法、装置、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(装置)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (14)
1.一种网络资源动态优化方法,其特征在于,包括:
利用预先构建的业务量预测模型,根据历史业务数据预测预设时间段的业务量;
利用预先构建的网络资源预测模型,根据所述历史业务数据预测所述预设时间段的第一网络资源值;
根据所述第一网络资源值与业务量之间的关系及所述预设时间段的业务量确定所述预设时间段的第二资源值;
根据所述第一网络资源值及所述第二资源值确定所述预设时间段的最终网络资源值。
2.根据权利要求1所述的网络资源动态优化方法,其特征在于,还包括:
剔除所述历史业务数据中的异常数据,得到正常数据;
提取所述正常数据的资源值字段及业务量字段;
对所述资源值字段及业务量字段进行归一化处理。
3.根据权利要求1所述的网络资源动态优化方法,其特征在于,预先构建所述业务量预测模型的步骤,包括:
利用三次指数平滑算法,根据所述历史业务量训练业务量第一预测模型;
利用差分整合移动平均自回归算法,根据所述历史业务量训练业务量第二预测模型;
利用时间序列预测算法,根据所述历史业务量训练业务量第三预测模型;
根据预先设置的业务量预测模型权重、所述业务量第一预测模型、所述业务量第二预测模型及所述业务量第三预测模型确定所述业务量预测模型。
4.根据权利要求1所述的网络资源动态优化方法,其特征在于,预先构建所述网络资源预测模型的步骤,包括:
利用三次指数平滑算法,根据所述历史资源值训练资源值第一预测模型;
利用差分整合移动平均自回归算法,根据所述历史资源值训练资源值第二预测模型;
利用时间序列预测算法,根据所述历史资源值训练资源值第三预测模型;
根据预先设置的资源值预测模型权重、所述资源值第一预测模型、所述资源值第二预测模型及所述资源值第三预测模型确定所述网络资源值预测模型。
5.根据权利要求1所述的网络资源动态优化方法,其特征在于,还包括:
获取预设历史时间段内的历史业务量及历史资源值;
根据所述预设历史时间段内的历史业务量及历史资源值描绘所述资源值与业务量之间的关系曲线;
拟合所述关系曲线,得到所述关系。
6.根据权利要求1所述的网络资源动态优化方法,其特征在于,还包括:
根据当前网络资源值及所述最终网络资源值发出网络资源调整指令。
7.一种网络资源动态优化装置,其特征在于,包括:
业务量预测单元,用于利用预先构建的业务量预测模型,根据历史业务数据预测预设时间段的业务量;
第一资源值预测单元,用于利用预先构建的网络资源预测模型,根据所述历史业务数据预测所述预设时间段的第一网络资源值;
第二资源值预测单元,用于根据所述第一网络资源值与业务量之间的关系及所述预设时间段的业务量确定所述预设时间段的第二资源值;
最终资源值预测单元,用于根据所述第一网络资源值及所述第二资源值确定所述预设时间段的最终网络资源值。
8.根据权利要求7所述的网络资源动态优化装置,其特征在于,还包括:
异常数据提出单元,用于剔除所述历史业务数据中的异常数据,得到正常数据;
字段提取单元,用于提取所述正常数据的资源值字段及业务量字段;
归一化处理单元,用于对所述资源值字段及业务量字段进行归一化处理。
9.根据权利要求7所述的网络资源动态优化装置,其特征在于,还包括:
业务量第一预测模型建立单元,用于利用三次指数平滑算法,根据所述历史业务量训练业务量第一预测模型;
业务量第二预测模型建立单元,用于利用差分整合移动平均自回归算法,根据所述历史业务量训练业务量第二预测模型;
业务量第三预测模型建立单元,用于利用时间序列预测算法,根据所述历史业务量训练业务量第三预测模型;
业务量预测模型建立单元,用于根据预先设置的业务量预测模型权重、所述业务量第一预测模型、所述业务量第二预测模型及所述业务量第三预测模型确定所述业务量预测模型。
10.根据权利要求7所述的网络资源动态优化装置,其特征在于,包括:
资源值第一预测模型建立单元,用于利用三次指数平滑算法,根据所述历史资源值训练资源值第一预测模型;
资源值第二预测模型建立单元,用于利用差分整合移动平均自回归算法,根据所述历史资源值训练资源值第二预测模型;
资源值第三预测模型建立单元,用于利用时间序列预测算法,根据所述历史资源值训练资源值第三预测模型;
网络资源值预测模型建立单元,用于根据预先设置的资源值预测模型权重、所述资源值第一预测模型、所述资源值第二预测模型及所述资源值第三预测模型确定所述网络资源值预测模型。
11.根据权利要求7所述的网络资源动态优化装置,其特征在于,还包括:
历史数据获取单元,用于获取预设历史时间段内的历史业务量及历史资源值;
关系曲线生成单元,用于根据所述预设历史时间段内的历史业务量及历史资源值描绘所述资源值与业务量之间的关系曲线;
关系拟合单元,用于拟合所述关系曲线,得到所述关系。
12.根据权利要求7所述的网络资源动态优化装置,其特征在于,还包括:
调整指令发出单元,用于根据当前网络资源值及所述最终网络资源值发出网络资源调整指令。
13.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至6任一项所述的网络资源动态优化方法的步骤。
14.一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,该计算机程序被处理器执行时实现权利要求1至6任一项所述的网络资源动态优化方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110768962.1A CN113487091A (zh) | 2021-07-07 | 2021-07-07 | 一种网络资源动态优化方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110768962.1A CN113487091A (zh) | 2021-07-07 | 2021-07-07 | 一种网络资源动态优化方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113487091A true CN113487091A (zh) | 2021-10-08 |
Family
ID=77941767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110768962.1A Pending CN113487091A (zh) | 2021-07-07 | 2021-07-07 | 一种网络资源动态优化方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113487091A (zh) |
-
2021
- 2021-07-07 CN CN202110768962.1A patent/CN113487091A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11941527B2 (en) | Population based training of neural networks | |
WO2022126961A1 (zh) | 针对数据偏移的目标对象行为预测方法及其相关设备 | |
CN114282003A (zh) | 基于知识图谱的金融风险预警方法及装置 | |
CN111932267A (zh) | 企业金融服务风险预测方法及装置 | |
CN114548426A (zh) | 异步联邦学习的方法、业务服务的预测方法、装置及系统 | |
CN113870334A (zh) | 深度检测方法、装置、设备以及存储介质 | |
EP4123595A2 (en) | Method and apparatus of rectifying text image, training method and apparatus, electronic device, and medium | |
CN112766825A (zh) | 企业金融服务风险预测方法及装置 | |
CN110969261B (zh) | 基于加密算法的模型构建方法及相关设备 | |
CN113487091A (zh) | 一种网络资源动态优化方法及装置 | |
CN113408641B (zh) | 资源生成模型的训练与服务资源的生成方法、装置 | |
CN114723976A (zh) | 计算图的子图模式匹配方法及装置 | |
CN114707638A (zh) | 模型训练、对象识别方法及装置、设备、介质和产品 | |
CN112116402A (zh) | 信用风险客户级违约率确定方法及装置 | |
CN113361677A (zh) | 神经网络模型的量化方法和装置 | |
CN115018009B (zh) | 对象描述方法、网络模型的训练方法及装置 | |
CN112766698B (zh) | 应用业务压力确定方法及装置 | |
CN115409602A (zh) | 一种网点现金投放量预测方法及装置 | |
CN117519996B (zh) | 一种数据处理方法、装置、设备以及存储介质 | |
CN113902554A (zh) | 基于机器学习的用户分类方法、装置及系统 | |
CN113689191A (zh) | 一种软件开发工时确定方法及装置 | |
CN115278701A (zh) | 基站资源部署方法及装置 | |
CN118037437A (zh) | 行为评分方法、装置、存储介质及电子设备 | |
CN114781480A (zh) | 目标对象的评价方法、评价模型训练方法及装置 | |
CN117093933A (zh) | 模型构建方法、装置、存储介质及电子设备 |
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 |