CN114358350A - 会议预定模型的使用方法、装置、设备及存储介质 - Google Patents
会议预定模型的使用方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114358350A CN114358350A CN202210002227.4A CN202210002227A CN114358350A CN 114358350 A CN114358350 A CN 114358350A CN 202210002227 A CN202210002227 A CN 202210002227A CN 114358350 A CN114358350 A CN 114358350A
- Authority
- CN
- China
- Prior art keywords
- hidden layer
- time period
- conference room
- historical
- information
- 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 170
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 76
- 238000012545 processing Methods 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 30
- 230000004913 activation Effects 0.000 claims description 19
- 230000006399 behavior Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 7
- 230000003993 interaction Effects 0.000 abstract description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013461 design Methods 0.000 description 29
- 238000004364 calculation method Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 239000013598 vector Substances 0.000 description 9
- 230000002123 temporal effect Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 238000000513 principal component analysis Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 230000008602 contraction Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 241000135164 Timea Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种会议预定模型的使用方法、装置、设备及存储介质,属于人工智能技术领域。该方法包括:获取目标会议室的历史数据,历史数据包括预约信息以及状态信息;调用会议预定模型对目标会议室的历史数据进行处理,输出当前时间段之后的未来时间段的状态预测概率;根据目标会议室在未来时间段的状态预测概率,对目标会议室进行推荐。本申请通过设计会议预定模型,将会议室的预约信息和状态信息作为历史数据,对目标会议室在未来时间段的状态概率进行预测,根据状态预测概率向用户帐号准确推荐符合用户的使用需求且时间上空置概率较大的可用会议室,有效降低了会议室预定工作的复杂程度,提高了进行会议预定工作时的人机互动效率。
Description
技术领域
本申请涉及人工智能领域,特别涉及一种会议预定模型的使用方法、装置、设备及存储 介质。
背景技术
会议室预定包括确认与会人员、会议场地、会议时间、会议室所需材料设备等多项工 作,是企业行政工作中的重要部分。
在相关技术中,用户通过会议室预定系统对会议时间、会议地点等条件进行筛选,在满 足筛选条件的会议室中进行选择,以完成会议室预定工作。
然而,在上述会议室预定过程中,需要在会议室预定系统中进行多次交互,对会议室进 行人工筛选,工作过程繁琐。
发明内容
本申请提供了一种会议预定模型的使用方法、装置、设备及存储介质,所述技术方案如 下:
根据本申请的一方面,提供了一种会议预定模型的使用方法,所述方法包括:
获取目标会议室的历史数据,所述历史数据包括所述目标会议室在n个历史时间段和当 前时间段的预约信息,以及所述目标会议室在第一个历史时间段和当前时间段的状态信息, 所述第一个历史时间段是所述n个历史时间段中距离所述当前时间段最远的历史时间段;所 述预约信息是用户帐号对所述目标会议室进行预约的记录信息,所述状态信息是所述目标会 议室的使用情况的记录信息,n为正整数;
调用所述会议预定模型对所述目标会议室的所述历史数据进行处理,输出所述当前时间 段之后的未来时间段的状态预测概率,所述状态预测概率用于描述所述目标会议室的预测状 态信息,所述会议预定模型是具有时间序列处理能力的机器学习模型;
根据所述目标会议室在所述未来时间段的状态预测概率,对所述目标会议室进行推荐。
根据本申请的另一方面,提供了一种会议预定模型的使用装置,所述装置包括:
获取模块,用于获取目标会议室的历史数据,所述历史数据包括所述目标会议室的预约 信息,以及所述目标会议室的状态信息;所述预约信息是用户帐号对所述目标会议室进行预 约的记录信息,所述状态信息是所述目标会议室的使用情况的记录信息;
预测模块,用于调用所述会议预定模型对所述目标会议室的所述历史数据进行处理,输 出所述当前时间段之后的未来时间段的状态预测概率,所述状态预测概率用于描述所述目标 会议室的预测状态信息,所述会议预定模型是具有时间序列处理能力的机器学习模型;
推荐模块,用于根据所述目标会议室在所述未来时间段的状态预测概率,对所述目标会 议室进行推荐。
在申请的一个可选设计中,所述会议预定模型包括:编码网络和预测网络;
所述预测模块,包括:
编码单元,用于调用所述编码网络对所述目标会议室的所述历史数据进行处理,输出所 述历史数据对应的历史数据特征;
预测单元,用于调用所述预测网络对所述历史数据特征进行处理,得到所述目标会议室 的所述状态预测概率。
在申请的一个可选设计中,所述会议预定模型还包括:分析网络;
所述装置还包括:
预处理单元,用于在调用所述预测网络对所述历史数据特征进行处理之前,调用所述分 析网络对所述历史数据特征进行分析处理,所述分析处理的方式包括如下至少之一:
主成分分析;
归一化处理;
标准化处理。
在申请的一个可选设计中,所述预测网络包括:第一隐藏层、第二隐藏层和输出层;所 述历史数据特征包括:所述目标会议室在n个历史时间段和当前时间段的预约信息特征,以 及所述第一个历史时间段和当前时间段的状态信息特征;
所述预测单元,还用于:
调用所述第一隐藏层对所述第一个历史时间段的所述状态信息特征进行处理,得到第一 隐层特征,所述第一隐层特征包括所述第一个历史时间段的历史数据对应的隐层特征表示;
调用所述第二隐藏层对所述第一隐层特征和所述预约信息特征进行处理,得到第二隐层 特征,所述第二隐层特征包括n个历史时间段中除第一个历史时间段以外和所述当前时间段 的历史数据对应的历史隐层特征和所述未来时间段对应的预测隐层特征;
调用所述输出层对所述第二隐层特征中所述当前时间段的隐层特征和所述当前时间段的 所述状态信息特征进行处理,得到所述目标会议室的所述状态预测概率。
在申请的一个可选设计中,所述第二隐藏层包括:历史隐藏层和预测隐藏层;
所述预测单元,还用于:
调用所述历史隐藏层对所述第一隐层特征和所述n个历史时间段的所述预约信息特征进 行处理,得到所述历史隐层特征,所述历史隐层特征包括n个历史时间段中除所述第一个历 史时间段以外的历史时间段和所述当前时间段的历史数据对应的隐层特征表示;
调用所述预测隐藏层对所述历史隐层特征中所述当前时间段的隐层特征和所述当前时间 段的所述预约信息特征进行处理,得到所述预测隐层特征,所述预测隐层特征包括所述未来 时间段对应的隐层特征表示。
在申请的一个可选设计中,所述预测单元,还用于:
调用所述历史隐藏层对所述第一隐层特征和所述n个历史时间段的所述预约信息特征进 行处理,得到所述历史隐藏层基于历史隐藏层参数进行计算得到的所述历史隐层特征;
调用所述预测隐藏层对所述历史隐层特征中所述当前时间段的隐层特征和所述当前时间 段的所述预约信息特征进行处理,得到所述预测隐藏层基于预测隐藏层参数进行计算得到的 预测隐层特征;
其中,所述预测隐藏层参数是基于所述历史隐藏层参数得到的。
在申请的一个可选设计中,所述预测单元,还用于:
调用所述输出层对所述第二隐层特征中所述当前时间段的隐层特征和所述当前时间段的 所述状态信息特征进行处理,得到所述输出层基于输出层网络参数进行计算得到的所述目标 会议室的所述状态预测概率;
其中,所述输出层的网络参数是基于历史输出参数得到的,所述历史输出参数用于对第 a个历史时间段的隐层特征和第a-1个历史时间段的状态信息特征进行计算,对第a个历史 时间段的状态信息特征进行预测;所述第a个历史时间段是所述n个历史时间段中除所述第 一个历史时间段以外的任一历史时间段,或者对所述当前时间段的所述状态信息特征进行预 测。
在申请的一个可选设计中,所述输出层的激活函数是S型生长曲线。
在申请的一个可选设计中,所述推荐单元,还用于:
根据所述目标会议室在所述未来时间段的状态预测概率,对所述目标会议室进行排序, 得到推荐顺序列表;
根据所述推荐顺序列表,对所述目标会议室进行推荐。
在申请的一个可选设计中,所述推荐单元,还用于:
根据所述推荐顺序列表和所述目标会议室的更新预约信息,对所述目标会议室进行推 荐,所述更新预约信息是所述目标会议室在所述未来时间段的预约信息。
在申请的一个可选设计中,所述预约信息包括:目标对象行为信息和会议室信息;
所述目标对象行为信息用于描述对所述目标会议室的预约行为,所述目标对象行为信息 包括:确认预定和/或取消预定;
所述会议室信息用于描述使用所述目标会议室的信息,所述会议室信息包括如下至少之 一:会议室预定时长、会议室使用时长、会议室预定时间、高峰时段、低谷时段、会议室点 击率、会议室取消率、会议室使用超时率、会议室空置楼层、会议室空置率、会议室人数、 会议室是否配置视频设备。
在申请的一个可选设计中,在所述目标会议室存在摄像头获取所述会议室信息的情况 下,所述会议室信息还包括如下至少之一:会议室使用人数、会议室到访人数、会议室是否 使用视频设备、会议室起始时间、会议室空置时长。
在申请的一个可选设计中,所述会议预定模型是通过如下方式训练得到的:
获取样本会议室的第一历史样本数据,所述第一历史样本数据包括所述样本会议室在m 个历史时间段的预约信息和状态信息,所述预约信息是用户帐号对所述样本会议室进行预约 的记录信息,所述状态信息是所述样本会议室的使用情况的记录信息,m为正整数;
调用初始的会议预定模型对所述样本会议室在m个历史时间段的第一历史样本数据进 行处理,输出所述样本会议室的预测状态信息,所述预测状态信息是所述样本会议室在第 m+1个历史时间段的预测状态信息;
将所述预测状态信息与所述第一历史样本数据中的状态信息和第二历史样本数据中的状 态信息进行比较,得到状态预测误差,所述第二历史样本数据包括样本会议室在第m+1个 历史时间段的预约信息和状态信息;
使用所述状态预测误差对所述初始的会议预定模型进行后向误差传播训练,以得到所述 会议预定模型。
根据本申请的另一方面,提供了一种计算机设备,所述计算机设备包括处理器和存储 器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指 令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上方面所述 的会议预定模型的使用方法。
根据本申请的另一方面,提供了一种计算机可读存储介质,所述可读存储介质中存储有 至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、 所述代码集或指令集由处理器加载并执行以实现如上方面所述的会议预定模型的使用方法。
根据本申请的另一方面,提供了一种计算机程序产品或计算机程序,所述计算机程序产 品或计算机程序包括计算机指令,所述计算机指令存储在计算机可读存储介质中,处理器从 所述计算机可读存储介质读取并执行所述计算机指令,以实现上述如上方面所述的会议预定 模型的使用方法。
本申请提供的技术方案带来的有益效果至少包括:
通过设计会议预定模型,将会议室的预约信息和状态信息作为历史数据,对目标会议室 在未来时间段的状态概率进行预测,根据状态预测概率向用户帐号准确推荐符合用户的使用 需求且时间上空置概率较大的可用会议室,不需要用户在预定会议室时自行翻找会议室,有 效降低了会议室预定工作的复杂程度,提高了进行会议预定工作时的人机互动效率。
附图说明
为了更清楚地说明本申请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申请的一些实施例,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是本申请一个实施例提供的计算机系统的示意图;
图2是本申请一个示例性实施例提供的会议预定模型的结构示意图;
图3是本申请一个示例性实施例提供的会议预定模型的使用方法的流程图;
图4是本申请一个示例性实施例提供的会议预定模型的使用方法的流程图;
图5是本申请一个示例性实施例提供的会议预定模型的使用方法的流程图;
图6是本申请一个示例性实施例提供的会议预定模型的使用方法的流程图;
图7是本申请一个示例性实施例提供的会议预定模型的使用方法的流程图;
图8是本申请一个示例性实施例提供的会议预定模型的使用方法的流程图;
图9是本申请一个示例性实施例提供的进行会议室预定的界面图;
图10是本申请一个示例性实施例提供的会议预定模型的训练方法的流程图;
图11是本申请一个示例性实施例提供的会议预定模型的使用方法的流程图;
图12是本申请一个示例性实施例提供的会议预定模型的使用装置的结构框图;
图13是本申请一个示例性实施例提供的服务器的结构框图。
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并 与说明书一起用于解释本申请的原理。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进 一步地详细描述。
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图 时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所 描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要 求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本公开使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本公开。在本公 开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形 式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包 含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本公开可能采用术语第一、第二等来描述各种信息,但这些信息不应 限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本公开范围 的情况下,第一参数也可以被称为第二参数,类似地,第二参数也可以被称为第一参数。取 决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或 “响应于确定”。
图1示出了本申请一个实施例提供的计算机系统的示意图。该计算机系统可以实现成为 会议预定模型的训练方法的系统架构。该计算机系统可以包括:终端100和服务器200。终 端100可以是诸如手机、平板电脑、车载终端(车机)、可穿戴设备、PC(PersonalComputer,个人计算机)、无人预定终端等电子设备。终端100中可以安装运行目标应用程序的客户端,该目标应用程序可以是会议预定应用程序,也可以是提供有会议预定模型的训 练功能的其他应用程序,本申请对此不作限定。另外,本申请对该目标应用程序的形式不作 限定,包括但不限于安装在终端100中的App(Application,应用程序)、小程序等,还可以 是网页形式。服务器200可以是独立的物理服务器,也可以是多个物理服务器构成的服务器 集群或者分布式系统,还可以是提供云计算服务的云服务器。服务器200可以是上述目标应 用程序的后台服务器,用于为目标应用程序的客户端提供后台服务。
本申请实施例提供的会议预定模型的训练方法,各步骤的执行主体可以是计算机设备, 所述计算机设备是指具备数据计算、处理和存储能力的电子设备。以图1所示的方案实施环 境为例,可以由终端100执行会议预定模型的训练方法(如终端100中安装运行的目标应用 程序的客户端执行该会议预定模型的训练方法),也可以由服务器200执行该会议预定模型 的训练方法,或者由终端100和服务器200交互配合执行,本申请对此不作限定。
此外,本申请技术方案可以和区块链技术相结合。例如,本申请所公开的会议预定模型 的训练方法,其中涉及的一些数据(会议室的预约信息、状态信息等数据)可以保存于区块 链上。终端100和服务器200之间可以通过网络进行通信,如有线或无线网络。
接下来,对本申请中的会议预定模型进行介绍:
图2示出了本申请一个示例性实施例提供的会议预定模型320的结构示意图。
会议预定模型320中包括:编码网络322、分析网络324和预测网络326;预测网络326 中包括:第一隐藏层326a、历史隐藏层326b、预测隐藏层326c和输出层326d。
获取目标会议室在n个历史时间段和当前时间段的历史数据310,历史数据310包括目 标会议室的预约信息312和状态信息314;
调用编码网络322对目标会议室在n个历史时间段和当前时间段的历史数据310进行处 理,输出历史数据对应的历史数据特征310a,历史数据特征310a包括:预约信息特征312a 和状态信息特征314a;预约信息特征312a中包括n个历史时间段和当前时间段的预约信息 特征表示:{Xt,Xt-1,…,Xt-n};状态信息特征314a中包括在第一个历史时间段和当前时 间段的状态信息特征表示:{Yt,Yt-n}。
调用分析网络324对历史数据特征310a进行分析处理;分析网络324对历史数据特征 310a进行如下处理中的至少之一:主成分分析、归一化处理、标准化处理。
调用第一隐藏层326a对状态信息特征314a中的Yt-n进行处理,得到第一隐层特征Ht-n332;
调用历史隐藏层326b对Ht-n332和预约信息特征312a中的{Xt-1,…,Xt-n}进行处理,得 到历史隐层特征334,历史隐层特征334中包括n个历史时间段中除第一个历史时间段和当 前时间段的历史数据310对应的隐层特征表示,即{Ht,Ht-1,…,Ht-n+1}。
调用预测隐藏层326c对历史隐层特征334中的Ht和预约信息特征312a中的Xt进行处 理,得到预测隐层特征Ht+1336。
调用输出层326d对Ht+1336和状态信息特征314a中的Yt进行处理,得到状态预测概率 Yt+1342。
根据Yt+1342对目标会议室进行排序,得到推荐顺序列表352,并根据推荐顺序列表352,对目标会议室进行推荐。
接下来,将通过以下实施例对使用会议预定模型进行会议室推荐,即会议预定模型的使 用方法进行介绍:
图3示出了本申请一个会议预定模型的使用方法的流程图。该方法可以由计算机设备执 行。该方法包括:
步骤510:获取目标会议室的历史数据;
历史数据包括目标会议室在n个历史时间段和当前时间段的预约信息,与目标会议室在 第一个历史时间段和当前时间段的状态信息,第一个历史时间段是n个历史时间段中距离当 前时间段最远的历史时间段;n为正整数;
状态信息是目标会议室的使用情况的记录信息;示例性的,目标会议室的状态包括如下 至少之一:会议室被占用、会议室空置、会议室维修、会议室关闭。比如,目标会议室在会 议室被占用状态时,状态信息设置为第一特征值;目标会议室在会议室空置状态时,状态信 息设置为第二特征值。
预约信息是用户帐号对目标会议室进行预约的记录信息;
可选的,预约信息包括:目标对象行为信息和会议室信息;
其中,目标对象行为信息用于描述对目标会议室的预约行为,目标对象行为信息包括但 不限于:确认预定和/或取消预定;
会议室信息用于描述使用目标会议室的信息,会议室信息包括但不限于如下至少之一: 会议室预定时长、会议室使用时长、会议室预定时间、高峰时段、低谷时段、会议室点击 率、会议室取消率、会议室使用超时率、会议室空置楼层、会议室空置率、会议室人数、会议室是否配置视频设备。
进一步可选的,在目标会议室存在摄像头获取会议室信息的情况下,会议室信息还包括 如下至少之一:会议室使用人数、会议室到访人数、会议室是否使用视频设备、会议室起始 时间、会议室空置时长。
步骤520:调用会议预定模型对目标会议室的历史数据进行处理,输出当前时间段之后 的未来时间段的状态预测概率;
状态预测概率用于描述目标会议室的预测状态信息;示例性的,在n个历史时间段、当 前时间段和未来时间段中,每个时间段中包括的时间长度通常是相同的,但也不排除存在时 间长度不同的情况。进一步的,在n个历史时间段、当前时间段和未来时间段可以组成一个 不存在时间空隙的时间段,也可以存在至少一个时间点或时间段不属于上述任一时间段。
会议预定模型用于对目标会议室在未来时间段的状态信息进行预测。
会议预定模型是具有时间序列处理能力的机器学习模型;示例性的,会议预定模型包括 但不限于如下至少之一:卷积神经网络(Convolutional Neural Network,CNN)、循环神经网 络(Recurrent Neural Network,RNN)、时间卷积网络(Temporal ConvolutionalNetworks, TCN)、长短期记忆网络(Long Short-Term Memory,LSTM)。
步骤530:根据目标会议室在未来时间段的状态预测概率,对目标会议室进行推荐;
示例性的,通过发送推荐信息向用户帐号推荐目标会议室,用户帐号需要对会议室进行 预约。可选的,根据目标会议室的状态预测概率设置目标门限,向用户帐号推荐状态预测概 率符合目标门限的目标会议室。目标门限用于描述目标会议室在未来时间段可以进行预约的 条件;示例性的,目标门限可以是根据经验设置的,也可以是根据历史时间段和当前时间段 中至少一个时间段对应的历史数据中的状态信息确定的;比如:在第一未来时间段,第一目 标门限根据经验设置为0.6;在第二未来时间段,由于在当前时间段对应的状态信息中,处 于空置状态的会议室数量为全部会议室数量的30%,第二目标门限根据上述信息设置为 0.7。
综上所述,本实施例提供的方法,通过设计会议预定模型,将会议室的预约信息和状态 信息作为历史数据,对目标会议室在未来时间段的状态概率进行预测,根据状态预测概率向 用户帐号准确推荐符合用户的使用需求且时间上空置概率较大的可用会议室,不需要用户在 预定会议室时自行翻找会议室,有效降低了会议室预定工作的复杂程度,提高了进行会议预 定工作时的人机互动效率。
接下来,对会议预定模型进行介绍,图4示出了本申请一个会议预定模型的使用方法的 流程图。该方法可以由计算机设备执行。即在一种可选设计中,图3示出的实施例中的步骤 520可以实现为如下两个步骤:
步骤522:调用编码网络对目标会议室的历史数据进行处理,输出历史数据对应的历史 数据特征;
在本实施例中,会议预定模型包括编码网络和预测网络;
编码网络用于对目标会议室的历史数据进行编码;示例性的,编码网络可以对预约信息 和状态信息分别进行编码,得到历史数据特征,历史数据特征中包括与预约信息和状态信息 对应的预约信息特征和状态信息特征;编码网络也可以对预约信息和状态信息同时进行编 码,即历史数据特征是预约信息和状态信息的特征表示。
可选的,编码网络可以对每个时间段的信息分别进行编码,得到历史数据的历史数据特 征,比如:编码网络对第一个历史时间段的状态信息进行编码,得到第一个历史时间段的状 态信息特征。编码网络可以对不同时间段的信息共同进行编码,得到历史数据的历史数据特 征,比如:编码网络对第一个历史时间段和第二个历史时间段的预约信息进行编码,得到第 二个历史时间段的预约信息特征。
示例性的,历史数据特征包括:目标会议室在n个历史时间段和当前时间段的预约信息 特征,与第一个历史时间段和当前时间段的状态信息特征。比如:将n个历史时间段和当前 时间段的预约信息特征表示为{Xt,Xt-1,…,Xt-n};其中,X表示预约信息特征,t表示当前时间段,t-n表示第一个历史时间段,t-n至t-1依次表示第一个历史时间段至第n个历史时 间段。将第一个历史时间段的状态信息特征表示为Yt-n,将当前时间段的状态信息特征表示 为Yt。
步骤524:调用预测网络对历史数据特征进行处理,得到目标会议室的状态预测概率;
示例性的,历史数据特征的表现方式包括但不限于:特征向量、特征矩阵、特征值或比 特信息中的至少一种。
预测网络用于预测目标会议室的状态预测概率;可选的,预测网络包括:隐藏层和输出 层。隐藏层用于计算历史数据特征的隐层特征表示,输出层用于输出目标会议室的状态预测 概率。
综上所述,本实施例提供的方法,通过设计会议预定模型,将会议室的预约信息和状态 信息作为历史数据,对目标会议室在未来时间段的状态概率进行预测。通过将历史信息编码 为预约信息特征和状态信息特征,将信息编码为数学特征,为得到对目标会议室的状态预测 概率奠定了基础;根据状态预测概率向用户帐号准确推荐符合用户的使用需求且时间上空置 概率较大的可用会议室,不需要用户在预定会议室时自行翻找会议室,有效降低了会议室预 定工作的复杂程度,提高了进行会议预定工作时的人机互动效率。
接下来,对会议预定模型进行进一步介绍,图5示出了本申请一个会议预定模型的使用 方法的流程图。该方法可以由计算机设备执行。即在一种可选设计中,在图4示出的实施例 的基础上还包括如下步骤:
步骤523:调用分析网络对历史数据特征进行分析处理;
示例性的,在调用预测网络对历史数据特征进行处理之前,调用分析网络对历史数据特 征进行分析处理;即对历史数据特征进行预处理。
示例性的,分析处理的方式包括如下至少之一:
主成分分析(Principal Component Analysis,PCA);PCA用于对历史数据特征进行降 维,降维后的历史数据特征是在历史数据特征的基础上重新构造出的历史数据特征。
归一化处理;归一化处理用于对历史数据特征进行映射,将历史数据特征映射到固定区 间内;示例性的,归一化处理将历史数据特征的映射到大于等于0且小于等于1的区间内。
标准化处理;标准化处理用于对历史数据特征进行映射,映射后的历史数据特征中,每 个历史数据特征的数值平均数为0,标准差为1。
综上所述,本实施例提供的方法,通过设计会议预定模型,将会议室的预约信息和状态 信息作为历史数据,对目标会议室在未来时间段的状态概率进行预测,通过对历史数据特征 进行预处理,提高了对状态预测概率的预测效果;根据状态预测概率向用户帐号准确推荐符 合用户的使用需求且时间上空置概率较大的可用会议室,不需要用户在预定会议室时自行翻 找会议室,有效降低了会议室预定工作的复杂程度,提高了进行会议预定工作时的人机互动 效率。
接下来,对会议预定模型中的预测网络进行介绍,图6示出了本申请一个会议预定模型 的使用方法的流程图。该方法可以由计算机设备执行。即在一种可选设计中,图4示出的实 施例中的步骤524可以实现为如下三个步骤:
步骤526:调用第一隐藏层对第一个历史时间段的状态信息特征进行处理,得到第一隐 层特征;
在本实施例中,预测网络包括第一隐藏层、第二隐藏层和输出层;
第一隐层特征包括第一个历史时间段的历史数据对应的隐层特征表示;
示例性的,第一隐藏层可以直接将第一个历史时间段的状态信息特征作为第一隐层特 征,第一隐藏层也可以包括第一隐藏层激活函数,基于第一隐藏层激活函数对第一个历史时 间段的状态信息特征进行计算,得到第一隐层特征。示例性的,第一隐藏层激活函数包括但 不限于如下至少之一:双曲正切函数(Tanh函数)、S型生长曲线(Sigmoid函数)、修正线 性单元(Rectified Linear Unit,ReLU)。
示例性的,计算第一隐层特征的方式为:
Ht-n=P{Yt-n};
其中,Ht-n表示第一隐层特征,t-n表示第一个历史时间段,Yt-n表示第一个历史时间段 的状态信息特征,P表示第一隐藏层激活函数。
步骤527:调用第二隐藏层对第一隐层特征和预约信息特征进行处理,得到第二隐层特 征;
第二隐层特征包括n个历史时间段中除第一个历史时间段以外和当前时间段的历史数据 对应的历史隐层特征和未来时间段对应的预测隐层特征;比如:将第二隐层特征表示为 {Ht+1,Ht,Ht-1,…,Ht-n+1};其中,H表示隐层特征,t+1表示未来时间段,t表示当前时间段,t-n+1至t-1依次表示第二个历史时间段至第n个历史时间段。
示例性的,第二隐藏层中包括多个网络层,对第二隐层特征中每个时间段对应的隐层特 征依次进行计算。比如:计算第二隐层特征中第二个历史时间段的隐层特征的方式为:
Ht-n+1=tanhH(WHXt-n+UHHt-n+BH);
其中,Ht-n+1表示第二个历史时间段的隐层特征,Xt-n表示第一个历史时间段的预约信息 特征,Ht-n表示第一个历史时间段的隐层特征;WH、UH和BH表示隐藏层参数,tanhH表示激活函数为双曲正切函数。
计算第二隐层特征中当前时间段的隐层特征的方式为:
Ht=tanhH(WHXt-1+UHHt-1+BH);
其中,Ht表示当前时间段的隐层特征,Xt-1表示第n个历史时间段的预约信息特征,Ht-1表示第n个历史时间段的隐层特征;WH、UH和BH表示隐藏层参数,tanhH表示激活函数为双曲正切函数。
本领域技术人员可以理解,其他时间段的隐层特征计算方式与上述计算过程是相似的, 可以毫无疑义的推理得到;即通过第a个时间段的隐层特征和第a个时间段的预约信息特 征,计算得到第a+1个时间段的隐层特征。上述计算过程中,计算不同时间段的隐层特征时 使用的隐藏层参数通常是不同的,但也不排除是相同的情况。可选的,计算第a+1个时间段 的隐层特征时使用的隐藏层参数是基于之前的隐藏层参数得到的,如:计算当前时间段的隐 层特征时使用的隐藏层参数是基于计算第n个历史时间段的隐层特征时使用的隐藏层参数得 到的。
步骤528:调用输出层对第二隐层特征中当前时间段的隐层特征和当前时间段的状态信 息特征进行处理,得到目标会议室的状态预测概率;
输出层用于输出目标会议室的状态预测概率;
示例性的,目标会议室的状态预测概率是输出层基于输出层网络参数进行计算得到的, 即调用输出层对第二隐层特征中当前时间段的隐层特征和当前时间段的状态信息特征进行处 理,得到输出层基于输出层网络参数进行计算得到的目标会议室的状态预测概率。
比如,计算状态预测概率的方式为:
可选的,输出层的网络参数是基于历史输出参数得到的,历史输出参数用于对第a个历 史时间段的隐层特征和第a-1个历史时间段的状态信息特征进行计算,对第a个历史时间段 的状态信息特征进行预测;第a个历史时间段是n个历史时间段中除第一个历史时间段以外 的任一历史时间段,或者对当前时间段的状态信息特征进行预测。
示例性的,输出层的网络参数是历史输出参数的算数平均值;比如:
示例性的,对当前时间段的状态信息特征进行预测的方式为:
P{Yt}=sigmodY(WYHt+Yt-1+BY);
其中,Yt表示对当前时间段的状态信息特征的预测值,Ht表示当前时间段的隐层特征, Yt-1表示第n个历史时间段的状态信息特征,WY和BY表示历史输出参数,sigmodY表示激活函数为S型生长曲线。
进一步可选的,输出层激活函数为S型生长曲线,具体的,对当前时间段的状态信息特 征进行预测的方式为:
其中,Yt表示对当前时间段的状态信息特征的预测值,Ht表示当前时间段的隐层特征, WY表示历史输出参数,pt-1表示第n个历史时间段的状态概率;
进一步可选的,第n个历史时间段的状态概率的计算方式为:
其中,Nt-1表示目标会议室的数量,nt-1表示第n个历史时间段中目标会议室的状态信息 设置为第一特征值的数量,即第n个历史时间段的状态概率是基于第n个历史时间段的状态 信息特征得到的。
综上所述,本实施例提供的方法,预测网络包括第一隐藏层、第二隐藏层和输出层,为 预测目标会议室在未来时间段的状态概率进行预测提供了方法,通过设计会议预定模型,将 会议室的预约信息和状态信息作为历史数据,对目标会议室在未来时间段的状态概率进行预 测,根据状态预测概率向用户帐号准确推荐符合用户的使用需求且时间上空置概率较大的可 用会议室,不需要用户在预定会议室时自行翻找会议室,有效降低了会议室预定工作的复杂 程度,提高了进行会议预定工作时的人机互动效率。
接下来,对第二隐藏层进行进一步介绍,图7示出了本申请一个会议预定模型的使用方 法的流程图。该方法可以由计算机设备执行。即在一种可选设计中,图6示出的实施例中的 步骤527可以实现为如下两个步骤:
步骤527a:调用历史隐藏层对第一隐层特征和n个历史时间段的预约信息特征进行处 理,得到历史隐层特征;
在本实施例中,第二隐藏层包括历史隐藏层和预测隐藏层;
历史隐层特征包括n个历史时间段中除第一个历史时间段以外的历史时间段和当前时间 段的历史数据对应的隐层特征表示;比如:将历史隐层特征表示为{Ht,Ht-1,…,Ht-n+1}; 其中,H表示隐层特征,t表示当前时间段,t-n+1至t-1依次表示第二个历史时间段至第n 个历史时间段。
示例性的,历史隐藏层中包括多个网络层,对历史隐层特征中每个时间段对应的隐层特 征依次进行计算。可选的,历史隐层特征是历史隐藏层基于历史隐藏层参数进行计算得到 的,即调用历史隐藏层对第一隐层特征和n个历史时间段的预约信息特征进行处理,得到历 史隐藏层基于历史隐藏层参数进行计算得到的历史隐层特征。
比如,计算历史隐层特征中第二个历史时间段的隐层特征的方式为:
Ht-n+1=tanhH(WHXt-n+UHHt-n+BH);
其中,Ht-n+1表示第二个历史时间段的隐层特征,Xt-n表示第一个历史时间段的预约信息 特征,Ht-n表示第一个历史时间段的隐层特征;WH、UH和BH表示历史隐藏层参数,tanhH表示激活函数为双曲正切函数。
计算历史隐层特征中当前时间段的隐层特征的方式为:
Ht=tanhH(WHXt-1+UHHt-1+BH);
其中,Ht表示当前时间段的隐层特征,Xt-1表示第n个历史时间段的预约信息特征,Ht-1表示第n个历史时间段的隐层特征;WH、UH和BH表示历史隐藏层参数,tanhH表示激活函数为双曲正切函数。
本领域技术人员可以理解,其他时间段的隐层特征计算方式与上述计算过程是相似的, 可以毫无疑义的推理得到。
步骤527b:调用预测隐藏层对历史隐层特征中当前时间段的隐层特征和当前时间段的 预约信息特征进行处理,得到预测隐层特征;
预测隐层特征包括未来时间段对应的隐层特征表示;比如:将预测隐层特征表示为 Ht+1;其中,H表示隐层特征,t+1表示未来时间段。
可选的,预测隐层特征是预测隐藏层基于预测隐藏层参数进行计算得到的,即调用预测 隐藏层对历史隐层特征中当前时间段的隐层特征和当前时间段的预约信息特征进行处理,得 到预测隐藏层基于预测隐藏层参数进行计算得到的预测隐层特征。
比如,计算预测隐层特征的方式为:
可选的,预测隐藏层参数是基于历史隐藏层参数得到的;示例性的,预测隐藏层参数是 历史隐藏层参数的算数平均值;比如:
综上所述,本实施例提供的方法,第二隐藏层包括历史隐藏层和预测隐藏层,拓展了预 测目标会议室在未来时间段的状态概率进行预测的维度,通过设计会议预定模型,将会议室 的预约信息和状态信息作为历史数据,对目标会议室在未来时间段的状态概率进行预测,根 据状态预测概率向用户帐号准确推荐符合用户的使用需求且时间上空置概率较大的可用会议 室,不需要用户在预定会议室时自行翻找会议室,有效降低了会议室预定工作的复杂程度, 提高了进行会议预定工作时的人机互动效率。
接下来,对推荐目标会议室进行介绍,图8示出了本申请一个会议预定模型的使用方法 的流程图。该方法可以由计算机设备执行。即在一种可选设计中,图3示出的实施例中的步 骤530可以实现为如下两个步骤:
步骤532:根据目标会议室在未来时间段的状态预测概率,对目标会议室进行排序,得 到推荐顺序列表;
根据目标会议室在未来时间段的状态预测概率的大小关系,对目标会议室进行排序;示 例性的,将目标会议室按照状态预测概率从大至小的顺序进行排序,得到关于目标会议室的 推荐顺序表;比如,状态预测概率越高用于表示目标会议室在未来时间段处于空置状态的概 率越高;用户帐号可以预约目标会议室。
步骤534:根据推荐顺序列表,对目标会议室进行推荐;
推荐的目标会议室便于用户帐号进行预定;
可选的,根据推荐顺序列表和目标会议室的更新预约信息,对目标会议室进行推荐;其 中,更新预约信息是目标会议室在未来时间段的预约信息。示例性的,向用户帐号推荐状态 预测概率最高的第一目标会议室,且用户帐号对第一目标会议室取消预定,根据上述信息, 向用户帐号推荐状态预测概率第二高的第二目标会议室。
图9示出了本申请一个示例性实施例提供的进行会议室预定的界面图;会议室预定界面 1100中包括总览预定标签页1100和我的预定标签页1120;在总览预定标签页1100中包 括:会议地点展缩控件1132、会议时间展缩控件1134、筛选条件展缩控件1136、楼层选择 控件1138、信息显示区域1140和自动推荐控件1142。在将会议地点展缩控件1132设置为XX大厦、会议时间展缩控件1134设置为4月22日10:30至11:00、筛选条件展缩控件1136 设置为无条件且楼层选择控件1138设置为4楼的情况下,触发自动推荐控件1142,在信息 显示区域1140中显示有符合上述设置的会议室信息,会议室信息是按照会议室在4月22日10:30至11:00时间段内的状态预测概率从大至小排列的,信息显示区域1140中还显示有上述会议室在设置时间附近的预约情况与可预订不可预订的图例。
综上所述,本实施例提供的方法,通过设计会议预定模型,将会议室的预约信息和状态 信息作为历史数据,对目标会议室在未来时间段的状态概率进行预测,根据状态预测概率, 通过对目标会议室进行排序,建立推荐顺序列表;向用户帐号准确推荐符合用户的使用需求 且时间上空置概率较大的可用会议室,不需要用户在预定会议室时自行翻找会议室,有效降 低了会议室预定工作的复杂程度,提高了进行会议预定工作时的人机互动效率。
接下来,对得到会议预定模型的过程进行介绍,即对初始的会议模型进行训练的过程进 行介绍,图10示出了本申请一个会议预定模型的训练方法的流程图。该方法可以由计算机 设备执行。该方法包括:
步骤610:获取样本会议室的第一历史样本数据;
第一历史样本数据包括样本会议室在m个历史时间段的预约信息和状态信息,预约信 息是用户帐号对样本会议室进行预约的记录信息,状态信息是样本会议室的使用情况的记录 信息,m为正整数;
示例性的,m个历史时间段与上述实施例中的n个历史时间段和当前时间段可以是相同 的时间段,可以是不同的时间段。
步骤620:调用初始的会议预定模型对样本会议室在m个历史时间段的第一历史样本数 据进行处理,输出样本会议室的预测状态信息;
预测状态信息是样本会议室在第m+1个历史时间段的预测状态信息;初始的会议预定 模型是未经训练的会议预定模型。
步骤630:将预测状态信息与第一历史样本数据中的状态信息和第二历史样本数据中的 状态信息进行比较,得到状态预测误差;
第二历史样本数据包括样本会议室在第m+1个历史时间段的预约信息和状态信息;示 例性的,上述样本会议室在m+1个历史时间段可以是上述实施例中的当前时间段。
示例性的,预测状态信息可以包括对第一历史样本数据和第二历史样本数据中的所有时 间段的状态信息的预测概率,也可以包括上述时间段中的部分时间段。
步骤640:使用状态预测误差对初始的会议预定模型进行后向误差传播训练,以得到会 议预定模型;
对初始的会议预定模型进行后向误差传播训练的目的是最小化状态预测误差和历史数据 中的状态信息之间的误差,通过对初始的会议预定模型进行训练得到会议预定模型。
综上所述,本实施例提供的方法,通过使用历史样本数据,对初始的会议预定模型进行 训练,为使用会议预定模型对目标会议室在未来时间段的状态概率进行预测奠定了基础,根 据状态预测概率向用户帐号准确推荐符合用户的使用需求且时间上空置概率较大的可用会议 室,不需要用户在预定会议室时自行翻找会议室,有效降低了会议室预定工作的复杂程度, 提高了进行会议预定工作时的人机互动效率。
图11示出了本申请一个会议预定模型的训练方法的流程图。该方法可以由计算机设备 执行。该方法包括:
步骤710:收集历史数据;
通过网络设备,如:应用程序、小程序、会议预定系统软件等对当前时间段和n个历史 时间段中的预约信息,如:用户预定和使用会议室的行为信息进行收集。当前时间段和n个 历史时间段表示为:{t,t-1,…,t-n}。在软件系统上将会议室的固有功能信息等信息数据 存储至后台数据库系统。根据收集到的历史数据,加工成目标对象行为信息(User信息)和 会议室信息(Item信息)。在历史数据收集阶段,通过网络设备对收集到的用户预定和使用 会议室行为信息进行编码,输出预约信息特征,即User信息特征序列和Item特征序列,标 记为:{Xt,Xt-1,…,Xt-n}。状态信息特征,即会议室状态标签数据序列,标记为:{Yt,Yt-1,…,Yt-n}。示例性的,会议室在被占用状态下会议室状态标签数据标记为1,会议室 在空置状态下会议室状态标签数据标记为0。
步骤720:构建历史数据特征;
将预约信息特征{Xt,Xt-1,…,Xt-n}和状态信息特征{Yt,Yt-1,…,Yt-n},按照用户帐号进行匹配,得到当前时间段和n个历史时间段的历史数据特征:{St,St-1,…,St-n};
对每个时间段的历史数据通过PCA、归一化、标准化中的至少之一钟方法进行预处理,经过预处理后将历史数据按一定比例随机切分为训练样本(比例为a)和测试样本(比例为1-a),将用于训练的历史数据标记为:将用于测试的历史数据标记为:其中,预约信息特征分为:和状态信息特征分为:和示例性的,切分训练样本和测试样本之间的比例是根据经验设置的;比如:按照通用经验将训练样本和测试样本之间的比例设置为8:2。
步骤730:构建会议预定模型;
示例性的,会议预定模型包括RNN网络;会议预定模型用于对状态信息特征进行预测,状态信息特征的计算方式为:
其中,Xt表示输入向量,Ht表示隐藏层向量,Yt表示输出向量;WY,WH,UH分别表 示参数矩阵;BH,BY分别表示参数向量;tanhH表示隐含层的激活函数,sigmodY分别表 示输出层激活函数。初始状态,隐藏层Ht-n采用第一个历史时间段的状态信息特征Yt-n。 pt-1表示第n个历史时间段是状态转移概率。
步骤740:训练会议预定模型;
即对状态转移概率进行计算,第n个历史时间段的状态概率的计算方式为:
其中,Nt-1表示目标会议室的数量,nt-1表示第n个历史时间段中目标会议室的状态信息 设置为第一特征值的数量,即第n个历史时间段的状态概率是基于第n个历史时间段的状态 信息特征得到的。
步骤750:预测会议预定模型;
将上述用于训练的历史数据:输入会议预定模型,对状态信息特 征进行预测,通过比较预测的状态信息特征和状态信息特征之间的区别 对会议预定模型进行训练,得到每个时间段对应的参数矩阵{WY,t,WY,t-1,...,WY,t-n}, {WH,t,WH,t-1,...,WH,t-n}和{UH,t,UH,t-1,...,UH,t-n}以及参数向量{BH,t,BH,t-1,...,BH,t-n}和 {BY,t,BY,t-1,...,BY,t-n},对采用算术平均方法得到上述最终参数矩阵:
得到参数向量:
其中,关于参数向量和参数矩阵的介绍请参考上文中的步骤528和步骤527b,上述步 骤中作出了详细介绍。
步骤760:预测状态预测概率;
利用步骤750中得到的参数矩阵和参数向量,构建对未来时间段的状态信息特征进行预 测的会议预定模型。基于当前时间段的状态信息特征对未来时间段的状态信息特征进行预 测,得到未来时间段的会议室状态特征的概率向量:
其中,Ht+1表示未来时间段的隐层特征,Xt表示当前时间段的预约信息特征,Ht表示当 前时间段的隐层特征;和表示预测隐藏层参数,tanhH表示激活函数为双曲正 切函数。Yt+1表示状态预测概率,P表示输出层,Ht+1表示未来时间段的隐层特征,Yt表示当前时间段的状态信息特征,和表示输出层网络参数,sigmodY表示激活函数为S型生长曲线。
步骤770:推荐目标会议室;
将未来时间段的会议室的状态预测概率按概率从大到小对会议室进行降序排序,按预定 时间先后顺序及概率大小依次给预定会议室的用户进行推送,并确定第一用户,如果该用户 取消会议室,则按上述步骤依次推荐给概率向量第二的预定用户。
综上所述,本实施例提供的方法,通过设计会议预定模型,将会议室的预约信息和状态 信息作为历史数据,对目标会议室在未来时间段的状态概率进行预测,根据状态预测概率向 用户帐号准确推荐符合用户的使用需求且时间上空置概率较大的可用会议室,不需要用户在 预定会议室时自行翻找会议室,有效降低了会议室预定工作的复杂程度,提高了进行会议预 定工作时的人机互动效率。
本领域普通技术人员可以理解,上述实施例可以独立实施,也可以将上述实施例进行自 由组合,组合出新的实施例实现本申请的会议预定模型的训练方法。
图12示出了本申请一个示例性实施例提供的会议预定模型的训练装置的框图。该装置 包括:
获取模块810,用于获取目标会议室的历史数据,所述历史数据包括所述目标会议室的 预约信息,以及所述目标会议室的状态信息;所述预约信息是用户帐号对所述目标会议室进 行预约的记录信息,所述状态信息是所述目标会议室的使用情况的记录信息;
预测模块820,用于调用所述会议预定模型对所述目标会议室的所述历史数据进行处 理,输出所述当前时间段之后的未来时间段的状态预测概率,所述状态预测概率用于描述所 述目标会议室的预测状态信息,所述会议预定模型是具有时间序列处理能力的机器学习模 型;
推荐模块830。用于根据所述目标会议室在所述未来时间段的状态预测概率,对所述目 标会议室进行推荐。
在本实施例的一个可选设计中,所述会议预定模型包括:编码网络和预测网络;
所述预测模块820,包括:
编码单元822,用于调用所述编码网络对所述目标会议室的所述历史数据进行处理,输 出所述历史数据对应的历史数据特征;
预测单元824,用于调用所述预测网络对所述历史数据特征进行处理,得到所述目标会 议室的所述状态预测概率。
在本实施例的一个可选设计中,所述会议预定模型还包括:分析网络;
所述装置还包括:
预处理单元826,用于在调用所述预测网络对所述历史数据特征进行处理之前,调用所 述分析网络对所述历史数据特征进行分析处理,所述分析处理的方式包括如下至少之一:
主成分分析;
归一化处理;
标准化处理。
在本实施例的一个可选设计中,所述预测网络包括:第一隐藏层、第二隐藏层和输出 层;所述历史数据特征包括:所述目标会议室在n个历史时间段和当前时间段的预约信息特 征,以及所述第一个历史时间段和当前时间段的状态信息特征;
所述预测单元824,还用于:
调用所述第一隐藏层对所述第一个历史时间段的所述状态信息特征进行处理,得到第一 隐层特征,所述第一隐层特征包括所述第一个历史时间段的历史数据对应的隐层特征表示;
调用所述第二隐藏层对所述第一隐层特征和所述预约信息特征进行处理,得到第二隐层 特征,所述第二隐层特征包括n个历史时间段中除第一个历史时间段以外和所述当前时间段 的历史数据对应的历史隐层特征和所述未来时间段对应的预测隐层特征;
调用所述输出层对所述第二隐层特征中所述当前时间段的隐层特征和所述当前时间段的 所述状态信息特征进行处理,得到所述目标会议室的所述状态预测概率。
在本实施例的一个可选设计中,所述第二隐藏层包括:历史隐藏层和预测隐藏层;
所述预测单元824,还用于:
调用所述历史隐藏层对所述第一隐层特征和所述n个历史时间段的所述预约信息特征进 行处理,得到所述历史隐层特征,所述历史隐层特征包括n个历史时间段中除所述第一个历 史时间段以外的历史时间段和所述当前时间段的历史数据对应的隐层特征表示;
调用所述预测隐藏层对所述历史隐层特征中所述当前时间段的隐层特征和所述当前时间 段的所述预约信息特征进行处理,得到所述预测隐层特征,所述预测隐层特征包括所述未来 时间段对应的隐层特征表示。
在本实施例的一个可选设计中,所述预测单元824,还用于:
调用所述历史隐藏层对所述第一隐层特征和所述n个历史时间段的所述预约信息特征进 行处理,得到所述历史隐藏层基于历史隐藏层参数进行计算得到的所述历史隐层特征;
调用所述预测隐藏层对所述历史隐层特征中所述当前时间段的隐层特征和所述当前时间 段的所述预约信息特征进行处理,得到所述预测隐藏层基于预测隐藏层参数进行计算得到的 预测隐层特征;
其中,所述预测隐藏层参数是基于所述历史隐藏层参数得到的。
在本实施例的一个可选设计中,所述预测单元824,还用于:
调用所述输出层对所述第二隐层特征中所述当前时间段的隐层特征和所述当前时间段的 所述状态信息特征进行处理,得到所述输出层基于输出层网络参数进行计算得到的所述目标 会议室的所述状态预测概率;
其中,所述输出层的网络参数是基于历史输出参数得到的,所述历史输出参数用于对第 a个历史时间段的隐层特征和第a-1个历史时间段的状态信息特征进行计算,对第a个历史 时间段的状态信息特征进行预测;所述第a个历史时间段是所述n个历史时间段中除所述第 一个历史时间段以外的任一历史时间段,或者对所述当前时间段的所述状态信息特征进行预 测。
在本实施例的一个可选设计中,所述输出层的激活函数是S型生长曲线。
在本实施例的一个可选设计中,所述推荐模块830,还用于:
根据所述目标会议室在所述未来时间段的状态预测概率,对所述目标会议室进行排序, 得到推荐顺序列表;
根据所述推荐顺序列表,对所述目标会议室进行推荐。
在本实施例的一个可选设计中,所述推荐模块830,还用于:
根据所述推荐顺序列表和所述目标会议室的更新预约信息,对所述目标会议室进行推 荐,所述更新预约信息是所述目标会议室在所述未来时间段的预约信息。
在本实施例的一个可选设计中,所述预约信息包括:目标对象行为信息和会议室信息;
所述目标对象行为信息用于描述对所述目标会议室的预约行为,所述目标对象行为信息 包括:确认预定和/或取消预定;
所述会议室信息用于描述使用所述目标会议室的信息,所述会议室信息包括如下至少之 一:会议室预定时长、会议室使用时长、会议室预定时间、高峰时段、低谷时段、会议室点 击率、会议室取消率、会议室使用超时率、会议室空置楼层、会议室空置率、会议室人数、 会议室是否配置视频设备。
在本实施例的一个可选设计中,在所述目标会议室存在摄像头获取所述会议室信息的情 况下,所述会议室信息还包括如下至少之一:会议室使用人数、会议室到访人数、会议室是 否使用视频设备、会议室起始时间、会议室空置时长。
在本实施例的一个可选设计中,所述会议预定模型是通过如下方式训练得到的:
获取样本会议室的第一历史样本数据,所述第一历史样本数据包括所述样本会议室在m 个历史时间段的预约信息和状态信息,所述预约信息是用户帐号对所述样本会议室进行预约 的记录信息,所述状态信息是所述样本会议室的使用情况的记录信息,m为正整数;
调用初始的会议预定模型对所述样本会议室在m个历史时间段的第一历史样本数据进 行处理,输出所述样本会议室的预测状态信息,所述预测状态信息是所述样本会议室在第 m+1个历史时间段的预测状态信息;
将所述预测状态信息与所述第一历史样本数据中的状态信息和第二历史样本数据中的状 态信息进行比较,得到状态预测误差,所述第二历史样本数据包括样本会议室在第m+1个 历史时间段的预约信息和状态信息;
使用所述状态预测误差对所述初始的会议预定模型进行后向误差传播训练,以得到所述 会议预定模型。
需要说明的一点是,上述实施例提供的装置在实现其功能时,仅以上述各个功能模块的 划分进行举例说明,实际应用中,可以根据实际需要而将上述功能分配由不同的功能模块完 成,即将设备的内容结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施 例中进行了详细描述;各个模块执行操作取得的技术效果与有关该方法的实施例中的技术效 果相同,此处将不做详细阐述说明。
本申请实施例还提供了一种计算机设备,该计算机设备包括:处理器和存储器,存储器 中存储有计算机程序;所述处理器,用于执行所述存储器中的所述计算机程序以实现上述各 方法实施例提供的会议预定模型的训练方法。
可选地,该计算机设备为服务器。示例地,图13是本申请一个示例性实施例提供的服 务器的结构框图。
通常,服务器2300包括有:处理器2301和存储器2302。
处理器2301可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理 器2301可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable Logic Array,PLA)中的至少一种硬件形式来实现。处理器2301也可以包括主处理器和协处理器,主处 理器是用于对在唤醒状态下的数据进行处理的处理器,也称中央处理器(CentralProcessing Unit,CPU);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实 施例中,处理器2301可以在集成有图像处理器(Graphics Processing Unit,GPU),GPU用 于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器2301还可以包括人 工智能(Artificial Intelligence,AI)处理器,该AI处理器用于处理有关机器学习的计算操 作。
存储器2302可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是 非暂态的。存储器2302还可包括高速随机存取存储器,以及非易失性存储器,比如一个或 多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器2302中的非暂态的计算机可 读存储介质用于存储至少一个指令,该至少一个指令用于被处理器2301所执行以实现本申 请中方法实施例提供的会议预定模型的使用方法。
在一些实施例中,服务器2300还可选包括有:输入接口2303和输出接口2304。处理器 2301、存储器2302和输入接口2303、输出接口2304之间可以通过总线或信号线相连。各个 外围设备可以通过总线、信号线或电路板与输入接口2303、输出接口2304相连。输入接口 2303、输出接口2304可被用于将输入/输出(Input/Output,I/O)相关的至少一个外围设备 连接到处理器2301和存储器2302。在一些实施例中,处理器2301、存储器2302和输入接口2303、输出接口2304被集成在同一芯片或电路板上;在一些其他实施例中,处理器 2301、存储器2302和输入接口2303、输出接口2304中的任意一个或两个可以在单独的芯片 或电路板上实现,本申请实施例对此不加以限定。
本领域技术人员可以理解,上述示出的结构并不构成对服务器2300的限定,可以包括 比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
在示例性实施例中,还提供了一种芯片,所述芯片包括可编程逻辑电路和/或程序指 令,当所述芯片在计算机设备上运行时,用于实现上述方面所述的会议预定模型的训练方 法。
在示例性实施例中,还提供了一种计算机程序产品或计算机程序,该计算机程序产品或 计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处 理器从计算机可读存储介质读取该计算机指令,处理器从计算机可读存储介质读取并执行该 计算机指令,以实现上述各方法实施例提供的会议预定模型的训练方法。
在示例性实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质中存储 有计算机程序,所述计算机程序由处理器加载并执行以实现上述各方法实施例提供的会议预 定模型的训练方法。
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,所述的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。
本领域技术人员应该可以意识到,在上述一个或多个示例中,本申请实施例所描述的功 能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时,可以将这些功能 存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计 算机可读介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另一个 地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介 质。
以上所述仅为本申请的可选实施例,并不用以限制本申请,凡在本申请的精神和原则之 内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (17)
1.一种会议预定模型的使用方法,其特征在于,所述方法包括:
获取目标会议室的历史数据,所述历史数据包括所述目标会议室的预约信息,以及所述目标会议室的状态信息;所述预约信息是用户帐号对所述目标会议室进行预约的记录信息,所述状态信息是所述目标会议室的使用情况的记录信息;
调用所述会议预定模型对所述目标会议室的所述历史数据进行处理,输出所述当前时间段之后的未来时间段的状态预测概率,所述状态预测概率用于描述所述目标会议室的预测状态信息,所述会议预定模型是具有时间序列处理能力的机器学习模型;
根据所述目标会议室在所述未来时间段的状态预测概率,对所述目标会议室进行推荐。
2.根据权利要求1所述的方法,其特征在于,所述会议预定模型包括:编码网络和预测网络;
所述调用所述会议预定模型对所述目标会议室的所述历史数据进行处理,输出所述当前时间段之后的未来时间段的状态预测概率,包括:
调用所述编码网络对所述目标会议室的所述历史数据进行处理,输出所述历史数据对应的历史数据特征;
调用所述预测网络对所述历史数据特征进行处理,得到所述目标会议室的所述状态预测概率。
3.根据权利要求2所述的方法,其特征在于,所述会议预定模型还包括:分析网络;
所述方法还包括:
在调用所述预测网络对所述历史数据特征进行处理之前,调用所述分析网络对所述历史数据特征进行分析处理,所述分析处理的方式包括如下至少之一:
主成分分析;
归一化处理;
标准化处理。
4.根据权利要求2所述的方法,其特征在于,所述预测网络包括:第一隐藏层、第二隐藏层和输出层;所述历史数据特征包括:所述目标会议室在n个历史时间段和当前时间段的预约信息特征,以及所述第一个历史时间段和当前时间段的状态信息特征;
所述调用所述预测网络对所述历史数据特征进行处理,得到所述目标会议室的所述状态预测概率,包括:
调用所述第一隐藏层对所述第一个历史时间段的所述状态信息特征进行处理,得到第一隐层特征,所述第一隐层特征包括所述第一个历史时间段的历史数据对应的隐层特征表示;
调用所述第二隐藏层对所述第一隐层特征和所述预约信息特征进行处理,得到第二隐层特征,所述第二隐层特征包括n个历史时间段中除第一个历史时间段以外和所述当前时间段的历史数据对应的历史隐层特征和所述未来时间段对应的预测隐层特征;
调用所述输出层对所述第二隐层特征中所述当前时间段的隐层特征和所述当前时间段的所述状态信息特征进行处理,得到所述目标会议室的所述状态预测概率。
5.根据权利要求4所述的方法,其特征在于,所述第二隐藏层包括:历史隐藏层和预测隐藏层;
所述调用所述第二隐藏层对所述第一隐层特征和所述预约信息特征进行处理,得到第二隐层特征,包括:
调用所述历史隐藏层对所述第一隐层特征和所述n个历史时间段的所述预约信息特征进行处理,得到所述历史隐层特征,所述历史隐层特征包括n个历史时间段中除所述第一个历史时间段以外的历史时间段和所述当前时间段的历史数据对应的隐层特征表示;
调用所述预测隐藏层对所述历史隐层特征中所述当前时间段的隐层特征和所述当前时间段的所述预约信息特征进行处理,得到所述预测隐层特征,所述预测隐层特征包括所述未来时间段对应的隐层特征表示。
6.根据权利要求5所述的方法,其特征在于,所述调用所述历史隐藏层对所述第一隐层特征和所述n个历史时间段的所述预约信息特征进行处理,得到所述历史隐层特征,包括:
调用所述历史隐藏层对所述第一隐层特征和所述n个历史时间段的所述预约信息特征进行处理,得到所述历史隐藏层基于历史隐藏层参数进行计算得到的所述历史隐层特征;
所述调用所述预测隐藏层对所述历史隐层特征中所述当前时间段的隐层特征和所述当前时间段的所述预约信息特征进行处理,得到所述预测隐层特征,包括:
调用所述预测隐藏层对所述历史隐层特征中所述当前时间段的隐层特征和所述当前时间段的所述预约信息特征进行处理,得到所述预测隐藏层基于预测隐藏层参数进行计算得到的预测隐层特征;
其中,所述预测隐藏层参数是基于所述历史隐藏层参数得到的。
7.根据权利要求4所述的方法,其特征在于,所述调用所述输出层对所述第二隐层特征中所述当前时间段的隐层特征和所述当前时间段的所述状态信息特征进行处理,得到所述目标会议室的所述状态预测概率,包括:
调用所述输出层对所述第二隐层特征中所述当前时间段的隐层特征和所述当前时间段的所述状态信息特征进行处理,得到所述输出层基于输出层网络参数进行计算得到的所述目标会议室的所述状态预测概率;
其中,所述输出层的网络参数是基于历史输出参数得到的,所述历史输出参数用于对第a个历史时间段的隐层特征和第a-1个历史时间段的状态信息特征进行计算,对第a个历史时间段的状态信息特征进行预测;所述第a个历史时间段是所述n个历史时间段中除所述第一个历史时间段以外的任一历史时间段,或者对所述当前时间段的所述状态信息特征进行预测。
8.根据权利要求4所述的方法,其特征在于,所述输出层的激活函数是S型生长曲线。
9.根据权利要求1所述的方法,其特征在于,所述根据所述目标会议室在所述未来时间段的状态预测概率,对所述目标会议室进行推荐,包括:
根据所述目标会议室在所述未来时间段的状态预测概率,对所述目标会议室进行排序,得到推荐顺序列表;
根据所述推荐顺序列表,对所述目标会议室进行推荐。
10.根据权利要求9所述的方法,其特征在于,所述根据所述推荐顺序列表,对所述目标会议室进行推荐,包括:
根据所述推荐顺序列表和所述目标会议室的更新预约信息,对所述目标会议室进行推荐,所述更新预约信息是所述目标会议室在所述未来时间段的预约信息。
11.根据权利要求1至10任一所述的方法,其特征在于,所述预约信息包括:目标对象行为信息和会议室信息;
所述目标对象行为信息用于描述对所述目标会议室的预约行为,所述目标对象行为信息包括:确认预定和/或取消预定;
所述会议室信息用于描述使用所述目标会议室的信息,所述会议室信息包括如下至少之一:会议室预定时长、会议室使用时长、会议室预定时间、高峰时段、低谷时段、会议室点击率、会议室取消率、会议室使用超时率、会议室空置楼层、会议室空置率、会议室人数、会议室是否配置视频设备。
12.根据权利要求11所述的方法,其特征在于,在所述目标会议室存在摄像头获取所述会议室信息的情况下,所述会议室信息还包括如下至少之一:会议室使用人数、会议室到访人数、会议室是否使用视频设备、会议室起始时间、会议室空置时长。
13.根据权利要求1至10任一所述的方法,其特征在于,所述会议预定模型是通过如下方式训练得到的:
获取样本会议室的第一历史样本数据,所述第一历史样本数据包括所述样本会议室在m个历史时间段的预约信息和状态信息,所述预约信息是用户帐号对所述样本会议室进行预约的记录信息,所述状态信息是所述样本会议室的使用情况的记录信息,m为正整数;
调用初始的会议预定模型对所述样本会议室在m个历史时间段的第一历史样本数据进行处理,输出所述样本会议室的预测状态信息,所述预测状态信息是所述样本会议室在第m+1个历史时间段的预测状态信息;
将所述预测状态信息与所述第一历史样本数据中的状态信息和第二历史样本数据中的状态信息进行比较,得到状态预测误差,所述第二历史样本数据包括样本会议室在第m+1个历史时间段的预约信息和状态信息;
使用所述状态预测误差对所述初始的会议预定模型进行后向误差传播训练,以得到所述会议预定模型。
14.一种会议预定模型的使用装置,其特征在于,所述装置包括:
获取模块,用于获取目标会议室的历史数据,所述历史数据包括所述目标会议室的预约信息,以及所述目标会议室的状态信息;所述预约信息是用户帐号对所述目标会议室进行预约的记录信息,所述状态信息是所述目标会议室的使用情况的记录信息;
预测模块,用于调用所述会议预定模型对所述目标会议室的所述历史数据进行处理,输出所述当前时间段之后的未来时间段的状态预测概率,所述状态预测概率用于描述所述目标会议室的预测状态信息,所述会议预定模型是具有时间序列处理能力的机器学习模型;
推荐模块,用于根据所述目标会议室在所述未来时间段的状态预测概率,对所述目标会议室进行推荐。
15.一种计算机设备,其特征在于,所述计算机设备包括:处理器和存储器,所述存储器中存储有至少一段程序;所述处理器,用于执行所述存储器中的所述至少一段程序以实现上述如权利要求1至13任一所述的会议预定模型的使用方法。
16.一种计算机可读存储介质,其特征在于,所述可读存储介质中存储有可执行指令,所述可执行指令由处理器加载并执行以实现上述如权利要求1至13任一所述的会议预定模型的使用方法。
17.一种计算机程序产品或计算机程序,其特征在于,所述计算机程序产品或计算机程序包括计算机指令,所述计算机指令存储在计算机可读存储介质中,处理器从所述计算机可读存储介质读取并执行所述计算机指令,以实现上述如权利要求1至13任一所述的会议预定模型的使用方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210002227.4A CN114358350A (zh) | 2022-01-04 | 2022-01-04 | 会议预定模型的使用方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210002227.4A CN114358350A (zh) | 2022-01-04 | 2022-01-04 | 会议预定模型的使用方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114358350A true CN114358350A (zh) | 2022-04-15 |
Family
ID=81105401
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210002227.4A Pending CN114358350A (zh) | 2022-01-04 | 2022-01-04 | 会议预定模型的使用方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114358350A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114943486A (zh) * | 2022-07-21 | 2022-08-26 | 浙江大学 | 基于磁控溅射设备使用效率最优的管理系统及其管理方法 |
-
2022
- 2022-01-04 CN CN202210002227.4A patent/CN114358350A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114943486A (zh) * | 2022-07-21 | 2022-08-26 | 浙江大学 | 基于磁控溅射设备使用效率最优的管理系统及其管理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190272553A1 (en) | Predictive Modeling with Entity Representations Computed from Neural Network Models Simultaneously Trained on Multiple Tasks | |
US20070156479A1 (en) | Multivariate statistical forecasting system, method and software | |
CN109478144A (zh) | 一种数据处理装置和方法 | |
CN110097193B (zh) | 训练模型的方法及系统和预测序列数据的方法及系统 | |
EP4290824A1 (en) | Task allocation method and apparatus based on internet-of-things device, and network training method and apparatus | |
CN112256886B (zh) | 图谱中的概率计算方法、装置、计算机设备及存储介质 | |
CN116541176A (zh) | 算力资源分配的优化方法、优化装置、电子设备和介质 | |
CN113435998B (zh) | 贷款逾期预测方法、装置、电子设备及存储介质 | |
CN112163601A (zh) | 图像分类方法、系统、计算机设备及存储介质 | |
CN113609337A (zh) | 图神经网络的预训练方法、训练方法、装置、设备及介质 | |
CN112734068A (zh) | 会议室的预定方法、装置、计算机设备和存储介质 | |
Wang et al. | An order-based estimation of distribution algorithm for stochastic hybrid flow-shop scheduling problem | |
CN112887371A (zh) | 边缘计算方法、装置、计算机设备及存储介质 | |
CN114358350A (zh) | 会议预定模型的使用方法、装置、设备及存储介质 | |
CN114862010A (zh) | 一种基于时空数据的流量确定方法、装置、设备和介质 | |
CN118260053A (zh) | 异构计算系统的内存调度方法、异构计算系统和装置 | |
CN109272165B (zh) | 注册概率预估方法、装置、存储介质及电子设备 | |
CN114118570A (zh) | 业务数据预测方法及装置、电子设备和存储介质 | |
CN113886454A (zh) | 一种基于lstm-rbf的云资源预测方法 | |
CN117252362A (zh) | 基于人工智能的调度方法、装置、计算机设备及存储介质 | |
CN110120082B (zh) | 金融数据的图像处理方法、装置、设备及可读存储介质 | |
CN116187675A (zh) | 任务分配方法、装置、设备及存储介质 | |
CN115016911A (zh) | 面向大规模联邦学习的任务编排方法、装置、设备和介质 | |
US11676050B2 (en) | Systems and methods for neighbor frequency aggregation of parametric probability distributions with decision trees using leaf nodes | |
CN111354449B (zh) | 长期护理策略分配方法、装置、计算机设备和存储介质 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40071015 Country of ref document: HK |