CN114051057A

CN114051057A - 云设备排队时长的确定方法、装置、电子设备和介质

Info

Publication number: CN114051057A
Application number: CN202111282762.1A
Authority: CN
Inventors: 姚光远
Original assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Current assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Priority date: 2021-11-01
Filing date: 2021-11-01
Publication date: 2022-02-15
Anticipated expiration: 2041-11-01
Also published as: CN114051057B

Abstract

本公开提供了一种云设备排队时长的确定方法、装置、电子设备和介质，涉及计算机技术领域，尤其涉及云手机、云计算及云服务技术领域。具体实现方案为：获取用户对云设备的本次排队次序和用户的本次起始排队时间；根据所述本次排队次序、所述起始排队时间和云设备的历史排队时间信息，预测用户的本次排队时长。本公开实现了为用户预测使用云设备所需排队时长的效果，使得用户提前了解排队时长，减少排队过程中产生的烦躁感。

Description

云设备排队时长的确定方法、装置、电子设备和介质

技术领域

本公开涉及计算机技术领域，尤其涉及云手机、云计算及云服务技术领域，特别涉及一种云设备排队时长的确定方法、装置、电子设备和介质。

背景技术

云设备作为一种新兴的云服务技术，由于其不受本地端硬件条件的约束，受到越来越多消费者的青睐。

然而云设备的数量通常是有限的，当想要使用云设备的用户数量过多时，就会出现排队的情况。

发明内容

本公开提供了一种用于预测用户使用云手机所需排队时长的方法、装置、电子设备和介质。

根据本公开的一方面，提供了一种云设备排队时长的确定方法，包括：

获取用户对云设备的本次排队次序和用户的本次起始排队时间；

根据所述本次排队次序、所述本次起始排队时间和云设备的历史排队时间信息，预测用户的本次排队时长。

根据本公开的另一方面，提供了一种云设备排队时长的确定装置，包括：

信息获取模块，用于获取用户对云设备的本次排队次序和用户的本次起始排队时间；

排队时长预测模块，用于根据所述本次排队次序、所述本次起始排队时间和云设备的历史排队时间信息，预测用户的本次排队时长。

根据本公开的另一方面，提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开中任一项所述的方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行本公开中任一项所述的方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行本公开中任一项所述的方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开实施例公开的一种云设备排队时长的确定方法的流程图；

图2是根据本公开实施例公开的一种云设备排队时长的确定方法的流程图；

图3是根据本公开实施例公开的一种云设备排队时长的确定方法的流程图；

图4是根据本公开实施例公开的一种云设备排队时长的确定装置的结构示意图；

图5是用来实现本公开实施例公开的云设备排队时长的确定方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围和精神。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。

申请人在研发过程中发现，随着云设备技术的愈发成熟，越来越多主流的厂商都相继将自家各种应用软件与云设备进行适配，使得用户可以通过本地客户端操作云设备中的应用软件，从而极大程度的摆脱了本地客户端硬件条件的制约，满足了用户多样化的软件使用需求。

由于构建云设备需要消耗一定的成本以及资源，因此通常情况下一个服务端关联的云设备数量是有限的。但是当请求使用云设备的用户数量超过云设备数量上限时，不可避免的会产生排队现象，进而针对用户排队时长的预测也是必不可少的。对于排队时长的计算套用现有的很多公式都不符合云设备这个特定的场景。

目前业界会针对具体排队场景以及各影响因素通过人工智能的方式训练出一套深度神经网络模型，并基于训练完成的深度神经网络模型对云设备排队时长进行预测。然而这种方式的技术门槛较高，需要大量的真实数据作为基础训练数据，并且还需要人工智能团队基于这些基础训练数据进行深度神经网络的模型训练，才能生成可用于排队时长预测的模型。可见，这种方法的成本较高且由于模型训练周期较长，难以快速投入生产当中。

图1是根据本公开实施例公开的一种云设备排队时长的确定方法的流程图，本实施例可以适用于对用户使用云设备所需的排队时长进行预测的情况。本实施例方法可以由本公开实施例公开的云设备排队时长的确定装置来执行，所述装置可采用软件和/或硬件实现，并可集成在任意的具有计算能力的电子设备上。

如图1所示，本实施例公开的云设备排队时长的确定方法可以包括：

S101、获取用户对云设备的本次排队次序和用户的本次起始排队时间。

其中，云设备表示将云计算技术运用于服务端，通过服务端实现云服务的设备，服务端表示云端服务器，表示具有数据处理能力的集群总称。云设备凭借自带的系统以及厂商架设的服务端可以通过网络实现众多的功能，云设备的类型包括但不限于云手机和云电脑等等。本次排队次序指的是用户本次申请使用云设备时排队的次序，例如若用户本次申请使用云设备时排队的次序为20，则本次排队次序为20。本次起始排队时间表示用户本次申请使用云设备时的时间，例如若用户本次申请使用云设备时的时间为8:00，则本次起始排队时间为8:00。

在一种实施方式中，用户在客户端中对云设备对应的应用软件实施访问操作，其中，客户端表示智能终端设备，例如可以是智能手机、智能手表、平板电脑、笔记本电脑或任意搭载有智能操作系统的电子设备；实施访问操作的形式包括但不限于点击控制、语音控制或者手势控制等等，本实施例并不对实施访问操作的具体形式进行限定。客户端根据用户的访问操作生成对于服务端中云设备的访问请求，并基于服务端的地址、端口以及预设通信协议，将包含有客户端身份信息的访问请求发送给服务端。

服务端接收到访问请求后，确定关联的各云设备的工作状态，若确定有至少一个云设备处于空闲状态，则生成任一云设备的视频流数据并发送给与所述客户端身份信息关联的客户端，以建立该客户端与该云设备之间的连接关系；若确定所有云设备均处于繁忙状态，则将接收到访问请求的时间作为客户端的本次起始排队时间，并且根据本次起始排队时间以及其他客户端的起始排队时间，确定客户端的本次排队次序。

具体的实施方式包括：确定当前是否有其他客户端处于排队状态，若没有其他客户端处于排队状态，则直接确定当前客户端的本次排队次序为第1位；若有其他客户端处于排队状态，则将其他客户端的起始排队时间与本次起始排队时间进行比对，根据时间的先后顺序确定当前客户端的本次排队次序。例如，若当前存在其他客户端A、其他客户端B和其他客户端C处于排队状态，其他客户端A的起始排队时间为7:35，其他客户端B的起始排队时间为7:42，其他客户端C的起始排队时间为7:55，若当前客户端的本次起始排队时间为7:50，则确定排队顺序为其他客户端A、其他客户端B、当前客户端和其他客户端C，即当前客户端的本次排队次序为第3位。

通过获取用户对云设备的本次排队次序和用户的本次起始排队时间，为后续基于本次排队次序和本次起始排队时间，对排队时间进行预测，奠定了数据基础。

S102、根据所述本次排队次序、所述本次起始排队时间和云设备的历史排队时间信息，预测用户的本次排队时长。

其中，历史排队时间信息指的是历史数据中使用云设备的各历史客户端的排队时间信息，包括但不限于各历史客户端的历史排队次序、各历史排队次序关联的历史排队时长、以及各历史排队时长关联的历史起始排队时间等等。用户的本次排队时长指的是用户操作的客户端，从本次排队次序开始到建立与云设备之间的连接所花费的时间。

在一种实施方式中，由于不同时间段中排队使用云设备的用户数差距较大，因此预先进行时间段的划分，划分方式可以是将一天24小时划分为若干的候选时间段，还可以是将一周7天划分为若干时间段，本实施例并不对候选时间段的具体形式进行限定。可选的，将一天中每一个小时区间作为一个候选时间段。

将本次起始排队时间与预设的候选时间段进行匹配，确定本次起始排队时间所属的目标时间段，并获取目标时间段内的历史排队时间信息。示例性的，假设本次起始排队时间为8:00，其属于候选时间段7:30-8:30内，因此将候选时间段7:30-8:30作为目标时间段，并获取7:30-8:30内的历史排队时间信息。

将本次排队次序与历史排队时间信息中的历史排队次序进行匹配，并将与本次排队次序匹配的历史排队次序作为目标历史排队次序，且根据历史排队次序与历史排队时长之间的关联关系，将与目标排队次序关联的历史排队时长作为目标历史排队时长。

根据目标历史排队时，预测用户的本次排队时长。

可选的，计算各目标历史排队时间的均值，并将均值作为预测用户的本次排队时长。示例性的，假设目标历史排队时长包括10分钟、12分钟、15分钟和20分钟，则用户的本次排队时长的预测值为(10+12+15+20)/＝14.25(分钟)。

可选的，确定各目标历史排队时间的中位数，并将中位数作为预测用户的本次排队时长。示例性的，假设目标历史排队时长包括10分钟、12分钟、15分钟、17分钟和20分钟，则用户的本次排队时长的预测值为15分钟。

本公开通过获取用户对云设备的本次排队次序和用户的本次起始排队时间，并根据本次排队次序、本次起始排队时间和云设备的历史排队时间信息，预测用户的本次排队时长，实现了为用户预测使用云设备所需排队时长的效果，使得用户提前了解排队时长，减少排队过程中产生的烦躁感，并且无需大量的历史数据量以及繁琐的模型训练过程，成本较低且可以快速投入生产当中使用。

图2是根据本公开实施例公开的一种云设备排队时长的确定方法的流程图，基于上述技术方案进一步优化与扩展，并可以与上述各个可选实施方式进行结合。

如图2所示，本实施例公开的云设备排队时长的确定方法可以包括：

S201、获取用户对云设备的本次排队次序和用户的本次起始排队时间。

S202、确定所述本次起始排队时间所属的目标时间段。

在一种实施方式中，预先将一天24小时分为若干时间段，可选的以1小时为跨度区间，将一天24小时分为24个时间段。将本次起始排队时间与各时间段进行匹配，将本次起始排队时间所属的时间段作为目标时间段。

示例性的，假设本次起始排队时间为8:30，将一天24小时分为0:00～24:00共24个时间段，由于8:30属于8:00～9:00的时间段，因此将8:00～9:00作为目标时间段。

S203、根据所述目标时间段，获取云设备在至少两个历史相同时间段使用云设备过程中的历史排队时间信息。

在一种实施方式中，获取当前日期前的至少两个历史日期的目标时间段中的历史排队时间信息。

示例性的，假设目标时间段为8:00～9:00，则获取当前日期的前1天、前2天和前3天8:00～9:00使用云设备过程中的历史排队时间信息。本实施例并不对历史相同时间段的数量进行限定。

S204、根据所述本次排队次序和所述历史排队时间信息，预测用户的本次排队时长。

在一种实施方式中，确定S203中获取的历史排队时间信息中包括的历史排队次序和历史排队时长，并根据本次排队次序、历史排队次序和历史排队时长，预测用户的本次排队时长。

可选的，S204包括以下步骤A和B：

A、将所述本次排队次序，与所述历史排队时间信息中历史排队次序和历史排队时长之间的关联关系进行匹配，得到与所述本次排队次序匹配的目标历史排队时长。

其中，历史排队次序指的是云设备使用过程中出现过的排队次序，而历史排队次序关联的历史排队时长，指的是从历史排队次序开始到建立与云设备之间的连接所花费的时间。

在一种实施方式中，将本次排队次序与历史排队次序进行匹配，并将与本次排队次序匹配的历史排队次序作为目标历史排队次序，且根据历史排队次序与历史排队时长之间的关联关系，将与目标排队次序关联的历史排队时长作为目标历史排队时长。示例性的，假设用户本次排队次序为第20位，则将同为第20位的历史排队次序作为目标历史排队次序，假设第20位目标历史排队次序关联的历史排队时长包括10分钟、12分钟、15分钟和20分钟，则将10分钟、12分钟、15分钟和20分钟作为目标历史排队时长。

B、根据所述目标历史排队时长，预测用户的本次排队时长。

在一种实施方式中，根据目标历史排队时长进行均值计算，并根据计算结果确定用户本次排队时长。

通过将本次排队次序，与历史排队时间信息中历史排队次序和历史排队时长之间的关联关系进行匹配，得到与本次排队次序匹配的目标历史排队时长，并根据目标历史排队时长，预测用户的本次排队时长，实现了基于历史排队次序和历史排队时长，对本次排队次序对应的本次排队时长进行预测的效果，由于在云设备场景中排队人数的波动幅度不大，因此基于历史排队次序和历史排队时长对本次排队时长进行预测，能够保证预测的准确度。

可选的，步骤B包括：

将至少两个所述目标历史排队时长的均值，作为所述用户的本次排队时长。

示例性的，假设目标历史排队时长包括10分钟、12分钟、15分钟和20分钟，则用户的本次排队时长的预测值为(10+12+15+20)/＝14.25(分钟)。

通过将至少两个目标历史排队时长的均值，作为用户的本次排队时长，避免了个别极端目标历史排队时长对预测结果的影响，保证了预测结果的准确性。

本公开通过确定本次起始排队时间所属的目标时间段，并根据目标时间段，获取云设备在至少两个历史相同时间段使用云设备过程中的历史排队时间信息，进而根据本次排队次序和历史排队时间信息，预测用户的本次排队时长，实现了为用户预测使用云设备所需排队时长的效果，使得用户提前了解排队时长，减少排队过程中产生的烦躁感，并且基于本次起始排队时间所属的目标时间段确定历史排队时间信息，剔除了其他时间段的历史排队时间信息，保证了预测结果的准确性。

图3是根据本公开实施例公开的一种云设备排队时长的确定方法的流程图，基于上述技术方案进一步优化与扩展，并可以与上述各个可选实施方式进行结合。

如图3所示，本实施例公开的云设备排队时长的确定方法可以包括：

S301、获取用户对云设备的本次排队次序和用户的本次起始排队时间。

S302、确定所述本次起始排队时间所属的目标时间段。

S303、根据所述目标时间段，获取云设备在至少两个历史相同时间段使用云设备过程中的历史排队时间信息。

S304、将所述本次排队次序，与所述历史排队时间信息中历史排队次序和历史排队时长之间的关联关系进行匹配，得到与所述本次排队次序匹配的目标历史排队时长，且从所述历史排队时间信息中获取所述目标历史排队时长所关联的历史起始排队时间。

其中，历史起始排队时间指的是：与其关联的历史排队时长对应历史排队次序的起始排队时间，例如假设第20位历史排队次序关联的历史排队时长为10分钟，而第20位历史排队次序的起始排队时间为7:00，则7:00为与历史排队时长10分钟关联的历史起始排队时间。

在一种实施方式中，将本次排队次序与历史排队次序进行匹配，并将与本次排队次序匹配的历史排队次序作为目标历史排队次序，且根据历史排队次序与历史排队时长之间的关联关系，将与目标排队次序关联的历史排队时长作为目标历史排队时长。并且，根据历史排队时长与历史起始排队时间的关联关系，确定目标历史排队时长关联的历史起始排队时间。

S305、确定所述历史起始排队时间和所述本次起始排队时间的时间差，并根据所述时间差确定所述目标历史排队时长的权重。

在一种实施方式中，将各目标历史排队时长关联的历史起始排队时间，分别与本次起始排队时间进行差值运算，确定各历史起始排队时间与本次起始排队时间的时间差，且根据预设的时间差与权重的关联关系，确定各目标历史排队时长的权重。

示例性的，假设目标历史排队时长A的关联的历史起始排队时间为7:15，目标历史排队时长B的关联的历史起始排队时间为7:30；目标历史排队时长C的关联的历史起始排队时间为7:45，假设本次起始排队时间为7:00，则时间差分别为15分钟、30分钟和45分钟，假设时间差15分钟、30分钟和45分钟分别关联的权重为0.8、0.7和0.6，则目标历史排队时长A的权重为0.8，目标历史排队时长B的权重为0.7，目标历史排队时长C的权重为0.6。

S306、根据所述目标历史排队时长和所述权重，预测用户的本次排队时长。

在一种实施方式中，根据各目标历史排队时长和权重进行加权计算，并根据计算结果确定用户的本次排队时长。

可选的，S304包括：

根据至少两个所述目标历史排队时长和各自的所述权重，确定加权均值，将所述加权均值作为所述用户的本次排队时长。

示例性的，假设目标历史排队时长包括10分钟、15分钟和20分钟，分别对应的权重为1.2、0.7和0.9，则将(1.2*10+0.7*15+0.9*20)/3作为预测用户的本次排队时长。

通过根据至少两个目标历史排队时长和各自的权重，确定加权均值，并将加权均值作为用户的本次排队时长，实现了基于各目标历史排队时长分别对应的权重，预测用户的本次排队时长，提高了预测结果的准确性。

本公开通过将本次排队次序，与历史排队时间信息中历史排队次序和历史排队时长之间的关联关系进行匹配，得到与本次排队次序匹配的目标历史排队时长，且从历史排队时间信息中获取目标历史排队时长所关联的历史起始排队时间，并确定历史起始排队时间和本次起始排队时间的时间差，并根据时间差确定目标历史排队时长的权重，进而根据目标历史排队时长和权重，预测用户的本次排队时长，实现了为用户预测使用云设备所需排队时长的效果，使得用户提前了解排队时长，减少排队过程中产生的烦躁感，并且通过基于各目标历史排队时长分别对应的权重，预测用户的本次排队时长，提高了预测结果的准确性。

图4是根据本公开实施例公开的一种云设备排队时长的确定装置的结构示意图，可以适用于对用户使用云设备所需的排队时长进行预测的情况。本实施例装置可采用软件和/或硬件实现，并可集成在任意的具有计算能力的电子设备上。

如图4所示，本实施例公开的云设备排队时长的确定装置40可以包括信息获取模块41和排队时长预测模块42，其中：

信息获取模块41，用于获取用户对云设备的本次排队次序和用户的本次起始排队时间；

排队时长预测模块42，用于根据所述本次排队次序、所述本次起始排队时间和云设备的历史排队时间信息，预测用户的本次排队时长。

可选的，所述排队时长预测模块42，具体用于：

确定所述本次起始排队时间所属的目标时间段；

根据所述目标时间段，获取云设备在至少两个历史相同时间段使用云设备过程中的历史排队时间信息；

根据所述本次排队次序和所述历史排队时间信息，预测用户的本次排队时长。

可选的，所述排队时长预测模块42，具体还用于：

将所述本次排队次序，与所述历史排队时间信息中历史排队次序和历史排队时长之间的关联关系进行匹配，得到与所述本次排队次序匹配的目标历史排队时长；

根据所述目标历史排队时长，预测用户的本次排队时长。

可选的，所述排队时长预测模块42，具体还用于：

将所述本次排队次序，与所述历史排队时间信息中历史排队次序和历史排队时长之间的关联关系进行匹配，得到与所述本次排队次序匹配的目标历史排队时长，且从所述历史排队时间信息中获取所述目标历史排队时长所关联的历史起始排队时间；

确定所述历史起始排队时间和所述本次起始排队时间的时间差，并根据所述时间差确定所述目标历史排队时长的权重；

根据所述目标历史排队时长和所述权重，预测用户的本次排队时长。

可选的，所述排队时长预测模块42，具体还用于：

根据至少两个所述目标历史排队时长和各自的所述权重，确定加权均值；

将所述加权均值作为所述用户的本次排队时长。

本公开实施例所公开的云设备的云设备排队时长的确定装置40可执行本公开实施例所公开的云设备排队时长的确定方法，具备执行方法相应的功能模块和有益效果。本实施例中未详尽描述的内容可以参考本公开方法实施例中的描述。

本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图5所示，设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如云设备排队时长的确定方法。例如，在一些实施例中，云设备排队时长的确定方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行上文描述的云设备排队时长的确定方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行云设备排队时长的确定方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims

1.一种云设备排队时长的确定方法，包括：

2.根据权利要求1所述的方法，其中，所述根据所述本次排队次序、所述本次起始排队时间和云设备的历史排队时间信息，预测用户的本次排队时长，包括：

确定所述本次起始排队时间所属的目标时间段；

3.根据权利要求2所述的方法，其中，所述根据所述本次排队次序和所述历史排队时间信息，预测用户的本次排队时长，包括：

根据所述目标历史排队时长，预测用户的本次排队时长。

4.根据权利要求3所述的方法，其中，所述根据所述目标历史排队时长，预测用户的本次排队时长，包括：

5.根据权利要求2所述的方法，其中，所述述根据所述本次排队次序和所述历史排队时间信息，预测用户的本次排队时长，包括：

6.根据权利要求5所述的方法，其中，所述根据所述目标历史排队时长和所述权重，预测用户的本次排队时长，包括：

将所述加权均值作为所述用户的本次排队时长。

7.一种云设备排队时长的确定装置，包括：

8.根据权利要求7所述的装置，其中，所述排队时长预测模块，具体用于：

确定所述本次起始排队时间所属的目标时间段；

9.根据权利要求8所述的装置，其中，所述排队时长预测模块，具体还用于：

根据所述目标历史排队时长，预测用户的本次排队时长。

10.根据权利要求9所述的装置，其中，所述排队时长预测模块，具体还用于：

11.根据权利要求8所述的装置，其中，所述排队时长预测模块，具体还用于：

12.根据权利要求11所述的装置，其中，所述排队时长预测模块，具体还用于：

将所述加权均值作为所述用户的本次排队时长。

13.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。

14.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法。

15.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。