CN114547921A

CN114547921A - 离线求解方法和装置、在线决策方法和装置

Info

Publication number: CN114547921A
Application number: CN202210456276.5A
Authority: CN
Inventors: 鲍阳; 简道红; 刘凯; 宁温馨
Original assignee: Alipay Hangzhou Information Technology Co Ltd
Current assignee: Alipay Hangzhou Information Technology Co Ltd
Priority date: 2022-04-28
Filing date: 2022-04-28
Publication date: 2022-05-27
Anticipated expiration: 2042-04-28
Also published as: CN114547921B

Abstract

本说明书实施例提供了一种离线求解方法及装置、在线决策方法及装置。该离线求解方法包括：更新数据表；所述数据表中包括建模需要用到的对象数据；解析动态更新后的约束表；其中，所述约束表是预先生成的，且该约束表中的每一行对应一条约束条件，每一列对应一种语法元素；每一种语法元素是：据各种类型约束条件的描述语言所抽象出的、在各种约束条件中通用的元素；根据所述数据表中的数据、所述约束表中的每一条约束条件进行建模，得到模型算法，并得到对应每一条约束条件的指标参数；输出所述模型算法及所述指标参数。本说明书实施例能够简化离线求解及在线决策的实现过程。

Description

离线求解方法和装置、在线决策方法和装置

技术领域

本说明书一个或多个实施例涉及网络通信技术，尤其涉及离线求解方法和装置、以及在线决策方法和装置。

背景技术

随着互联网的日益普及和用户数量的不断提升，需要处理的网络中的流量（流量可以是数据或者请求）日益增多，而对流量的处理通常具有实时性的要求，因此就出现了针对流量的在线决策问题。在线决策中，需要在满足一定约束条件的情况下实时地对每一个流量进行在线决策，从而使得决策结果更为合理。

但是目前，在线决策的方法过于复杂，增加了实现难度。

发明内容

本说明书一个或多个实施例描述了离线求解方法和装置、以及在线决策方法和装置，能够简化离线求解及在线决策的实现过程。

根据第一方面，提供了一种离线求解方法，应用于对网络中的流量数据的处理中，其中包括：

更新数据表；所述数据表中包括建模需要用到的对象数据；

解析动态更新后的约束表；其中，所述约束表是预先生成的，且该约束表中的每一行对应一条约束条件，每一列对应一种语法元素；每一种语法元素是：根据各种类型约束条件的描述语言所抽象出的、在各种约束条件中通用的元素；

根据所述数据表中的数据、所述约束表中的每一条约束条件进行建模，得到模型算法，并得到对应每一条约束条件的指标参数；

输出所述模型算法及所述指标参数。

其中，所述约束表的生成方法包括：

建立约束表的表格，配置约束表中的一行表征一条约束条件，配置每一列对应一种语法元素；

针对每一条约束条件，根据对该约束条件的描述语言，把该约束条件写成一个表达式，根据该表达式以及约束表中每一列对应的语法元素，填写约束表中的一行，以通过该行表征该约束条件。

其中，所述语法元素包括如下中的至少一项：

约束条件的ID；

约束的类型；

约束函数的符号方向；

约束函数的约束值；

约束条件的第一部分生效的范围限制；

约束条件的第一部分的决策变量系数；

约束条件的第一部分的当前累计数值；

约束条件的第二部分生效的范围限制；

约束条件的第二部分的决策变量系数；

约束条件的第二部分的当前累计数值。

其中，所述约束的类型包括：求和型以及比例性；

当一个约束条件为求和型时，所述约束表的生成方法包括：

在填写约束表中对应该约束条件的一行时，将该行中的第二部分生效的范围限制对应的列位置、该行中的第二部分的决策变量系数对应的列位置、该行中的第二部分的当前累计数值对应的列位置，均置为空。

其中，所述语法元素包括：所述当前累计数值；其中，该当前累计数值为：约束条件的第一部分的当前累计数值或者约束条件的第二部分的当前累计数值；

针对一条约束条件，所述进行建模包括：

从约束表中得到在当前处理周期内截止到当前的所述当前累计数值；

利用当前处理周期对应的总约束值减去所述当前累计数值，得到剩余约束值；

得到对应当前处理时刻的调整比例值；

利用所述剩余约束值乘以对应当前处理时刻的调整比例值，得到对应当前处理时刻的约束值；

利用该对应当前处理时刻的约束值进行建模，得到对应当前处理时刻的算法模型。

其中，一个处理周期为一天，一个处理时刻为一个小时。

根据第二方面，提供了在线决策方法，其中包括：

获取最新输出的模型算法及指标参数；

接收当前的流量数据；

根据当前的流量数据以及获取到的所述模型算法及所述指标参数，得到对该当前的流量数据的决策结果。

其中，所述指标参数包括：对各条约束条件k的各对偶系数

；

所述得到对该当前的流量数据的决策结果包括：

最终决策的分配机构为

，

为最终决策的分配机构，其中

为第k条约束函数转化为线性形式后在拉格朗日函数中关于

的函数式。

根据第三方面，提供了离线求解装置，其中包括：

数据表处理模块，配置为更新数据表；所述数据表中包括建模需要用到的对象数据；

约束表处理模块，配置为解析动态更新后的约束表；其中，所述约束表是预先生成的，且该约束表中的每一行对应一条约束条件，每一列对应一种语法元素；每一种语法元素是：根据各种类型约束条件的描述语言所抽象出的、在各种约束条件中通用的元素；

模型建立模板，配置为根据所述数据表中的数据、所述约束表中的每一条约束条件进行建模，得到模型算法；

指标参数获取模块，配置为根据所述约束表中的每一条约束条件，得到对应每一条约束条件的指标参数；

输出模块，配置为输出所述模型算法及所述指标参数。

根据第四方面，提供了在线决策装置，其中包括：

输入模块，配置为获取最新输出的模型算法及所述指标参数；

流量接收模块，配置为接收当前的流量数据；

决策获取模块，配置为根据当前的流量数据以及获取到的所述模型算法及所述指标参数，得到对该当前的流量数据的决策结果。

根据第五方面，提供了一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现本说明书任一实施例所述的方法。

本说明书实施例提供的离线求解方法及装置、在线决策方法及装置，预先根据各种类型约束条件的描述语言的结构来抽象出各种语法元素，这样，语法元素就是在各种不同类型的约束条件中通用的元素，相当于对各种类型的约束条件拆分出骨架结构，无论约束条件的描述语言是何种结构，都可以将约束条件按照此种拆分出的骨架结构即各个语法元素来重新组装，即组装成约束表中的一行，这样，各种不同类型的约束条件均具有相同的约束表语法，在建模过程中，则只需调用同一个解析函数来分别对各种约束表中的各行即各个约束条件进行解析，从而无需设计并使用各种不同类型的解析函数，简化了离线求解过程，相应地，也简化了在线决策业务，大大提高了离线求解及在线决策的效率。

附图说明

为了更清楚地说明本说明书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，下面描述中的附图是本说明书的一些实施例，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是本说明书一个实施例中离线求解方法的流程图。

图2是本说明书一个实施例中生成约束表的方法的流程图。

图3是本说明书一个实施例中在线决策方法的流程图。

图4是本说明书一个实施例中离线求解装置的结构示意图。

图5是本说明书一个实施例中在线决策装置的结构示意图。

具体实施方式

如前所述，需要在满足一定约束条件的情况下实时地针对每一个流量进行在线决策，从而使得决策结果更为合理，满足最优化要求。

举例说明上述业务需求。比如，对于网络上的广告投放业务，当一个用户在网络页面上输入一个关键词进行搜索时，往往会触发一个广告投放请求，广告库中的各条广告都有各自对应的约束条件，比如，广告1对应的约束条件是：只投放给女性；广告2对应的约束条件是：年龄要求是大于50岁，投放时间是只在早上投放。那么，网络端则会在满足各个广告的约束条件的情况下，实时地针对当前用户的搜索行为进行在线决策，比如决策结果为仅向用户投放广告1，从而不会无谓地向当前用户投放广告2，使得决策结果更为合理，达到最优化。

再如，在金融业务场景中，在一个交易平台中存在大量的交易资金，需要将这些交易资金分配到不同的银行机构进行存储或者进行投资业务，每家银行都有各自对应的约束条件，比如资金分配上限、分配的人数或者投资时限等，因此，则需要针对当前交易资金，进行在线决策，给出决策建议，如：在保证总成本最低的情况下，每家银行应该被分配到的资金的额度。

网络中的流量呈爆炸式增长，为了缓解在线决策的压力，提高在线决策的效率，现有技术中出现了将整个在线决策过程本质上分离为两部分：第一部分：离线求解，即，将在线决策过程中需要使用到的模型算法及指标参数提前进行离线求解；第二部分：在线实时决策，即，当流量到来时，直接利用已经离线求解好的模型算法及指标参数进行决策。

如前所述，在线决策过程受到约束条件的影响。在离线求解过程中，会使用约束条件来建模。但是，目前，各种类型的约束条件的语法结构通常都不相同，在建模过程中，需要调用不同的解析函数来分别对各种不同类型的约束条件进行解析，从而造成不便。进一步地，在实际的业务过程中，业务的需求是不断变化的，导致约束条件也会经常发生变化，一旦约束条件发生变化，就需要再更新开发约束条件的语法、进行重新部署上线等全套流程，从而为业务的使用带来极大的不便。

因此，本说明书的实施例考虑统一约束条件的表达语法，从而简化离线求解以及在线决策的实现过程。

下面结合附图，对本说明书提供的方案进行描述。

如前所述，本说明书实施例提供的方法包括两部分：离线求解方法、利用离线求解方法得到的结果进行在线决策的方法。

下面首先对本说明书提供的离线求解方法进行说明。

图1是本说明书一个实施例中离线求解方法的流程图。可以理解，该方法应用于对网络中的流量数据的处理中。

该方法的执行主体为离线求解装置。可以理解，该方法也可以通过任何具有计算、处理能力的装置、设备、平台、设备集群来执行。参见图1，该方法包括：

步骤101：更新数据表；数据表中包括建模需要用到的对象数据。

其中，对象数据可以是在线决策过程中涉及的具有物理含义的对象的数据。比如用户数据（如一个用户的年龄、性别、喜好等数据）或者处理机构数据（比如银行所属的地域、名称、员工人数等信息）。

步骤103：解析动态更新后的约束表，该约束表是预先生成的。

其中，约束表中的每一行对应一条约束条件，每一列对应一种语法元素；每一种语法元素是：根据各种类型约束条件的描述语言所抽象出的、在各种约束条件中通用的元素。

步骤105：根据数据表中的对象数据、约束表中的每一条约束条件进行建模，得到模型算法，并得到对应每一条约束条件的指标参数；

步骤107：输出模型算法及指标参数。

根据上述图1所示的过程可以看出，预先根据各种类型约束条件的描述语言的结构来抽象出各种语法元素，这样，语法元素就是在各种不同类型的约束条件中通用的元素，相当于对各种类型的约束条件拆分出骨架结构，无论约束条件的描述语言是何种结构，都可以将约束条件按照此种拆分出的骨架结构即各个语法元素来重新组装，即组装成约束表中的一行，这样，各种不同类型的约束条件均具有相同的约束表语法，在建模过程中，则只需调用同一个解析函数来分别对各种约束表中的各行即各个约束条件进行解析，从而无需设计并使用各种不同类型的解析函数，简化了离线求解过程，进而也简化了整个在线决策过程，大大提高了离线求解及在线实时决策的效率。

进一步地，在实际的业务过程中，即使约束条件发生了变化，根据上述图1所示的过程也无需再更新开发约束条件的语法、无需进行重新部署上线等全套流程，而是只需要修改约束表中的一个表项的值，从而为业务的使用带来极大的方便。

如前所述，约束表需要在进行离线求解过程之前预先生成。下面首先结合具体的实施例说明生成约束表的方法。

在本说明书的一个实施例中，参见图2，生成约束表的过程包括：

步骤201：建立约束表的表格，配置约束表中的一行表征一条约束条件，配置每一列对应一种语法元素。

步骤203：针对每一条约束条件，根据对该约束条件的描述语言，把该约束条件写成一个表达式。

步骤205：根据该表达式以及约束表中每一列对应的语法元素，填写约束表中的一行，以通过该行表征该约束条件。

下面对步骤201至步骤205分别进行说明。

首先，对于步骤201：建立约束表的表格，配置约束表中的一行表征一条约束条件，配置每一列对应一种语法元素。

如前所述，每一种语法元素是：根据各种类型约束条件的描述语言所抽象出的、在各种约束条件中通用的元素。

通过设计语法元素，可以将各种不同类型的约束条件使用通用的语法元素来表达。也就是说，无论是何种类型的约束条件，其都会包括约束表中的一种或者几种的语法元素。比如，约束条件中一般都会有约束条件的ID、约束的类型、约束函数的符号方向、约束函数的约束值。再如，部分类型的约束条件中会有约束条件的第二部分生效的范围限制、该约束条件的第二部分的决策变量系数等。

在本说明书的一个实施例中，语法元素可以包括如下10种语法元素中的至少一种：

约束条件的ID；

约束的类型；

约束函数的符号方向；

约束函数的约束值（bound）；

约束条件的第一部分生效的范围限制；

约束条件的第一部分的决策变量系数；

约束条件的第一部分的当前累计数值；

约束条件的第二部分生效的范围限制；

约束条件的第二部分的决策变量系数；

约束条件的第二部分的当前累计数值。

其中，约束条件的ID：比如可以记为cstr_id，指的是一条约束条件的标识。

约束的类型：比如可以记为cstr_type，指的是约束条件的计算类型，通常可以分为求和型（记为SUM型）和比例型（DIV型）。SUM型即为线性求和的形式，如

；而DIV型是分数的形式，且分子和分母均为SUM型，如

。其中，

表征决策变量，

以及

均为决策变量系数。

约束函数的符号方向：比如可以记为cstr_direction，指的是约束函数满足的比较符号，比如“=”，“>”，“<”，“≤”等。

约束函数的约束值：比如可以记为cstr_value，指的是对应约束条件的函数值需要满足的要求，具体可以是一个具体的数值，也可以是某个数据表的一列数。

约束条件的第一部分生效的范围限制：比如可以记为target_scope_1，指的是该约束条件的第一部分生效的范围限制（这里“第一部分”的意思是：如果是SUM类型的约束条件，那么第一部分就是求和的函数部分，没有第二部分，如果是DIV类型的约束条件，那么第一部分就是分子部分）。

约束条件的第一部分的决策变量系数：比如可以记为target_attr_1。

约束条件的第一部分的当前累计数值：比如可以记为accumulate_value_1，指的是约束条件的第一部分截止到目前的当前累计数值，比如在针对一个处理周期为一天且一个处理时刻为1小时的约束中，accumulate_value_1表示在上一个小时分区结束为止时之前各个小时的第一部分的累计数值。

约束条件的第二部分生效的范围限制：比如可以记为target_scope_2，指的是该约束条件的第二部分生效的范围限制（这里“第二部分”的意思是：如果是SUM类型的约束条件，没有该第二部分，即为空，如果是DIV类型的约束条件，那么第二部分就是分母部分）。

约束条件的第二部分的决策变量系数：比如可以记为target_attr_2。

约束条件的第二部分的当前累计数值：比如可以记为accumulate_value_2，指的是约束条件的第二部分截止到目前的当前累计数值，比如在针对一个处理周期为一天且一个处理时刻为1小时的情况下，accumulate_value_2表示在上一个小时分区结束为止时之前各个小时的第二部分的累计数值。

以得到的语法元素同时包括上述10种语法元素为例，在本说明书的一个实施例中，建立的约束表可以如表1所示。

表1

至此则完成了步骤201中的建立约束表的表格的处理。

接下来对于步骤203：针对每一条约束条件，根据对该约束条件的描述语言，把该约束条件写成一个表达式。

在线决策这类问题中，可以统一将问题表达为：

其中J为候选集，即流量数据需要被分配到的各个处理机构的集合，约束分为三种大类型，其中，表达式（11）表示：对全部决策变量的约束，比如，b₁的值为100万，表达式（11）表示分配到所有银行机构的用户对应的总风险金额不能超过100万元；表达式（12）表示：对每一种候选集元素的约束，比如分给每一个银行的用户数量不能多于100人；表达式（13）表示：对某个候选集元素的约束，比如分给银行1的用户数量不能多于100人。

通常，约束条件的类型主要包括上述表达式（11）、表达式（12）以及表达式（13）的三种大类，而每一种大类包括求和型以及比例型，因此，总共6种约束类型的表达式。比如表达式可以包括:

（21）

（22）

（23）

（24）

在上述4个表达式中，i表征用户变量，

表征决策变量，L、M、N均分别表征约束函数的约束值；

在上述表达式（21）和表达式（22）中，j表征处理机构变量，

表征一个约束条件中第一部分的决策变量系数；

表征一个约束条件中第二部分的决策变量系数；

在上述表达式（23）和表达式（24）中，j表征一个设定的处理机构，J为处理机构的集合；

表征对应该设定的处理机构的决策变量系数，

表征该设定的处理机构的约束函数的约束值，

表征指标函数，当设定的处理机构j符合

表达的条件，则指标函数的值为1，否则为0，

表征对应该设定的处理机构的决策变量系数。

假如，有4条约束条件，在本步骤203中，根据该4条约束条件的描述语言，把该4条约束条件分别写成4个表达式，该4个表达式正好符合上述的表达式（21）至表达式（24）的形式，比如具体为：

接下来，在步骤205中，根据该表达式以及约束表中每一列对应的语法元素，填写约束表中的一行，以通过该行表征该约束条件。

比如，对于上述举例的4条约束条件，在步骤203中已经写成了4个表达式，那么，每一个表达式对应约束表中填写的一行，则约束表可以填写为如下表2所示：

表2

需要说明的是，在步骤205中，当一个约束条件为求和型时，在填写约束表中对应该约束条件的一行时，将该行中的第二部分生效的范围限制（即target_scope_2）对应的列位置、该行中的第二部分的决策变量系数（即target_attr_2）对应的列位置、该行中的第二部分的当前累计数值（即accumulate_value_2）对应的列位置，均置为空。比如参见上述表2所示。

以上描述了生成约束表的过程。

在本说明书实施例中，离线求解过程可以是在每一个处理周期内每隔设定间隔，即每到一个处理时刻执行一次，以便每隔设定间隔就更新一次模型算法及指标参数，保证在实时流量数据到来时，能够尽可能地利用更为准确的模型算法及指标参数，使得在线决策的结果更为合理。

处理周期的长度以及设定间隔的长度可以根据业务量的大小以及业务对实时性的要求程度来设置。比如，在本说明书一个实施例中，一个处理周期可以是一天，设定的间隔即一个处理时刻可以是一小时，也就是说，在一天内，每小时执行一次离线求解过程，更新一次模型算法及指标参数。再如，在本说明书的另一个实施例中，一个处理周期也可以是一个月，设定的间隔可以是一天，在一个月内，每天执行一次离线求解过程，更新一次模型算法及指标参数。

下面结合附图及具体的实施例对图1中的每一个步骤分别进行说明。在该实施例中，以一个处理周期为一天，一个处理时刻为一小时为例，也就是说，是H+1形式的离线求解方法。

首先，对于步骤101：更新数据表；数据表中包括建模需要用到的对象数据。

在建模时，通常涉及的对象包括用户及处理机构，因此，数据表可以包括用户信息表及处理机构信息表。用户信息表中记录每一个用户的信息，比如一个用户的年龄、姓名、身份证号、投资金额等；处理机构信息表中记录每一个处理机构的信息，比如一个银行的名称、标识、所属的上级机构等。

在实际的业务实现中，数据表需要更新，比如新增一个用户或银行，此时就需要更新数据表。比如在本步骤101中，H0时刻开始，则可以对建模需要使用的数据表进行更新。

接下来，对于步骤103：解析动态更新后的约束表。

如前所述，业务的需求是不断变化的，导致约束条件也会经常发生变化。采用结合上述图2所示的方法，生成了约束表之后，一旦约束条件发生变化，无需再重新开发约束条件的语法、无需进行重新部署上线等全套流程，而只需要修改约束表中的某一行的取值。比如，表2中所示的第4个约束条件，原来是求和型，因此，target_scope_2所对应的列位置、target_attr_2所对应的列位置、accumulate_value_2所对应的列位置均置为空。但是由于业务需求发生变化，比如该第4个约束条件变为了一种比例型，因此，只需要在第4个约束条件对应的那一行中在target_scope_2所对应的列位置、target_attr_2所对应的列位置、accumulate_value_2所对应的列位置上均填写上对应的数值即可，从而使用非常简单的方法，即通过动态更新约束表，就能够完成对约束条件的修改。

接下来对于步骤105：根据数据表中的数据、约束表中的每一条约束条件进行建模，得到模型算法，并得到对应每一条约束条件的指标参数。

离线求解方法是在一个处理周期内每隔设定间隔执行一次。因此为了能够从一个处理周期的全局角度更为合理地对每一次离线求解过程进行控制，在本说明书一个实施例中，如果约束表中的语法元素包括：当前累计数值，即约束条件的第一部分的当前累计数值或者约束条件的第二部分的当前累计数值，那么在步骤105中，针对每一条约束条件进行建模时，可以包括：

步骤1051：针对该约束条件，从约束表中得到在当前处理周期内截止到当前的当前累计数值；

步骤1053：利用当前处理周期对应的总约束值减去所述当前累计数值，得到剩余约束值；

步骤1055：得到对应当前处理时刻的调整比例值；

步骤1057：利用剩余约束值乘以对应当前处理时刻的调整比例值，得到对应当前处理时刻的约束值；

步骤1059：利用该对应当前处理时刻的约束值进行建模，得到对应当前处理时刻的算法模型。

对于上述步骤1051直至步骤1059，比如，一个处理周期是一天，每小时执行一次离线求解方法，也就是说，一个处理时刻是一个小时，比如，当前处理时刻是H5时刻，即一天中的第5个小时，那么步骤1051中从约束表中得到在该天中前4个小时累加出的约束条件的第一部分的当前累计数值；在步骤1053中，用预先设定的一天的总约束值减去步骤1051中从约束表中得到的前4个小时的当前累计数值，则得到了剩余20个小时中该约束条件的第一部分的剩余约束值；在步骤1055中，可以用预先得到的一天中各个时段的约束值的比例值，得到对应H5时刻的调整比例值，比如为0.8，那么，在步骤1057中，利用剩余约束值乘以0.8，则得到了对应H5时刻的约束值，那么步骤1059中，在第5个小时进行离线求解时，对于该约束条件的第一部分，则利用得到的对应H5时刻的约束值进行建模，从而保证在H5时刻所利用的约束值是根据全天约束值的全局要求来确定的。

在本说明书一个实施例中，在步骤105中，具体可以根据数据表中的数据、调用预先设置好的同一个解析函数（而无需多种解析函数）对约束表中的各条约束条件进行解析，以进行建模。

接下来对于步骤107：输出模型算法及指标参数。

比如本步骤中，是输出H5时刻得到的模型算法及指标参数。

在一个处理周期中，每到一个处理时刻，则会执行一次上述结合图1所示的各个步骤的离线求解方法，从而保证在每一个处理时刻得到一次最新的模型算法及指标参数，以便在实时的流量数据到来时，可以利用当前最新的模型算法及指标参数进行在线决策。

下面说明在线实时决策的方法。可以理解，该方法应用于对网络中的流量数据的处理中，参见图3，该方法包括：

步骤301：获取最新输出的模型算法及指标参数；

步骤303：接收当前的流量数据；

步骤305：根据当前的流量数据以及获取到的模型算法及指标参数，得到对该当前的流量数据的决策结果。

在本说明书的一个实施例中，指标参数包括：对各条约束条件k的各对偶系数

；

则步骤305的一种实现过程包括：

最终决策的分配机构为

，

为最终决策的分配机构，其中，

表征时刻t的数据；

为第k条约束函数转化为线性形式后在拉格朗日函数中关于

的函数式。

在本说明书的一个实施例中，提供了一种离线求解装置，应用于对网络中的流量数据的处理中，参见图4，该装置包括：

数据表处理模块401，配置为更新数据表；所述数据表中包括建模需要用到的对象数据；

约束表处理模块402，配置为解析动态更新后的约束表；其中，所述约束表是预先生成的，且该约束表中的每一行对应一条约束条件，每一列对应一种语法元素；每一种语法元素是：根据各种类型约束条件的描述语言所抽象出的、在各种约束条件中通用的元素；

模型建立模板403，配置为根据所述数据表中的数据、所述约束表中的每一条约束条件进行建模，得到模型算法及对应每一条约束条件的指标参数；

输出模块404，配置为输出所述模型算法及所述指标参数。

在本说明书一个实施例中，约束表处理模块402进一步被配置为生成约束表，具体执行如下操作：

在本说明书一个实施例中，约束表处理模块402进一步被配置为将约束表中的语法元素设置为如下中的至少一项：

约束条件的ID；

约束的类型；

约束函数的符号方向；

约束函数的约束值；

约束条件的第一部分生效的范围限制；

约束条件的第一部分的决策变量系数；

约束条件的第一部分的当前累计数值；

约束条件的第二部分生效的范围限制；

约束条件的第二部分的决策变量系数；

约束条件的第二部分的当前累计数值。

所述约束的类型包括：求和型以及比例性；

在本说明书一个实施例中，当一个约束条件为求和型时，约束表处理模块402被配置为执行：

在本说明书一个实施例中，如果语法元素包括：当前累计数值；其中，该当前累计数值为：约束条件的第一部分的当前累计数值或者约束条件的第二部分的当前累计数值；

那么，模型建立模板403被配置为执行：

针对每一条约束条件，从约束表中得到在当前处理周期内截止到当前的所述当前累计数值；

得到对应当前处理时刻的调整比例值；

在本说明书的一个实施例中，模型建立模板403被配置为执行：

被配置为执行：根据数据表中的数据、调用同一个解析函数对约束表中的各条约束条件进行解析，以进行建模。

在本说明书的一个实施例中，提供了一种在线决策装置，应用于对网络中的流量数据的处理中，参见图5，该装置包括：

输入模块501，配置为从本说明书任一实施例中的离线求解装置处获取最新输出的模型算法及所述指标参数；

流量接收模块502，配置为接收当前的流量数据；

决策获取模块503，配置为根据当前的流量数据以及获取到的所述模型算法及所述指标参数，得到对该当前的流量数据的决策结果。

；

决策获取模块503被配置为执行：

得到最终决策的分配机构为

，

为最终决策的分配机构，其中，

表征时刻t的数据；

为第k条约束函数转化为线性形式后在拉格朗日函数中关于

的函数式。

本说明书一个实施例提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行说明书中任一个实施例中的方法。

本说明书一个实施例提供了一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现执行说明书中任一个实施例中的方法。

可以理解的是，本说明书实施例示意的结构并不构成对本说明书实施例的装置的具体限定。在说明书的另一些实施例中，上述装置可以包括比图示更多或者更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。

上述装置、系统内的各模块之间的信息交互、执行过程等内容，由于与本说明书方法实施例基于同一构思，具体内容可参见本说明书方法实施例中的叙述，此处不再赘述。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

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，本发明所描述的功能可以用硬件、软件、挂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。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims

1.离线求解方法，应用于对网络中的流量数据的处理中，其中包括：

更新数据表；所述数据表中包括建模需要用到的对象数据；

输出所述模型算法及所述指标参数。

2.根据权利要求1所述的方法，其中，所述约束表的生成方法包括：

3.根据权利要求1或2所述的方法，其中，所述语法元素包括如下中的至少一项：

约束条件的ID；

约束的类型；

约束函数的符号方向；

约束函数的约束值；

约束条件的第一部分生效的范围限制；

约束条件的第一部分的决策变量系数；

约束条件的第一部分的当前累计数值；

约束条件的第二部分生效的范围限制；

约束条件的第二部分的决策变量系数；

约束条件的第二部分的当前累计数值。

4.根据权利要求3所述的方法，其中，所述约束的类型包括：求和型以及比例性；

当一个约束条件为求和型时，所述约束表的生成方法包括：

5.根据权利要求3所述的方法，其中，所述语法元素包括：所述当前累计数值；其中，该当前累计数值为：约束条件的第一部分的当前累计数值或者约束条件的第二部分的当前累计数值；

所述进行建模包括：

得到对应当前处理时刻的调整比例值；

6.根据权利要求1所述的方法，其中，所述根据所述数据表中的数据、所述约束表中的每一条约束条件进行建模，包括：

根据所述数据表中的数据、调用同一个解析函数对所述约束表中的各条约束条件进行解析，以进行建模。

7.在线决策方法，应用于对网络中的流量数据的处理中，其中包括：

获取最新输出的模型算法及指标参数；该模型算法及指标参数是利用权利要求1至6中任一项所述的方法得到的；

接收当前的流量数据；

根据当前的流量数据以及获取到的所述模型算法及所述指标参数，得到对当前的流量数据的决策结果。

8.根据权利要求7所述的方法，其中，所述指标参数包括：对各条约束条件k的各对偶系数

；

所述得到对当前的流量数据的决策结果包括：

最终决策的分配机构为

，

为最终决策的分配机构，其中，

表征时刻t的数据；

为第k条约束函数转化为线性形式后在拉格朗日函数中关于

的函数式。

9.离线求解装置，应用于对网络中的流量数据的处理中，其中包括：

模型建立模板，配置为根据所述数据表中的数据、所述约束表中的每一条约束条件进行建模，得到模型算法，并得到对应每一条约束条件的指标参数；

输出模块，配置为输出所述模型算法及所述指标参数。

10.在线决策装置，应用于对网络中的流量数据的处理中，其中包括：

输入模块，配置为获取最新输出的模型算法及指标参数；

流量接收模块，配置为接收当前的流量数据；

11.一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1-8中任一项所述的方法。