CN114548472A - 一种资源分配方法、装置、可读介质及电子设备 - Google Patents

一种资源分配方法、装置、可读介质及电子设备 Download PDF

Info

Publication number
CN114548472A
CN114548472A CN202011357176.4A CN202011357176A CN114548472A CN 114548472 A CN114548472 A CN 114548472A CN 202011357176 A CN202011357176 A CN 202011357176A CN 114548472 A CN114548472 A CN 114548472A
Authority
CN
China
Prior art keywords
fault prediction
prediction model
determining
integrated
individual
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
Application number
CN202011357176.4A
Other languages
English (en)
Inventor
刘嘉
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.)
Ennew Digital Technology Co Ltd
Original Assignee
Ennew Digital 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 Ennew Digital Technology Co Ltd filed Critical Ennew Digital Technology Co Ltd
Priority to CN202011357176.4A priority Critical patent/CN114548472A/zh
Publication of CN114548472A publication Critical patent/CN114548472A/zh
Pending legal-status Critical Current

Links

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
    • G06N20/20—Ensemble 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • 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
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/82—Energy audits or management systems therefor

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Educational Administration (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本发明公开了一种资源分配方法、装置、可读介质及电子设备，该方法包括基于目标用户提供的故障数据，确定各个所述目标用户分别对应的个性故障预测模型；基于各个所述个性故障预测模型，确定集成故障预测模型；确定各个所述个性故障预测模型对所述集成故障预测模型的贡献占比；基于所述集成故障预测模型被调用次数和所述贡献占比，确定所述目标用户对应的资源分配方案。本发明提供的技术方案中，充分考虑集成故障预测模型被调用的次数和贡献占比，从而为不同的目标用户提供不同的资源分配方案，具有合理性。

Description

一种资源分配方法、装置、可读介质及电子设备
技术领域
本发明涉及能源领域，尤其涉及一种资源分配方法、装置、可读介质及电子设备。
背景技术
随着互联网技术的快速发展，用户数据成为了越来越重要的资源，基于用户数据可以训练出各种预测模型，准确的预测结果是能源系统高效运行的基础。然而并不是每一个能源用户均可以收集海量的用户数据，训练出准确的预测模型，这使得联邦学习成为了一种趋势，为了鼓励各个能源用户参与联邦学习，确定一种合理的资源分配方法是至关重要的。
发明内容
本发明提供了一种资源分配方法、装置、可读介质及电子设备，通过充分考虑集成故障预测模型被调用的次数和贡献占比，从而为不同的目标用户提供不同的资源分配方案，具有合理性。
第一方面，本发明提供了一种资源分配方法，包括：
基于目标用户提供的故障数据，确定各个所述目标用户分别对应的个性故障预测模型；
基于各个所述个性故障预测模型，确定集成故障预测模型；
确定各个所述个性故障预测模型对所述集成故障预测模型的贡献占比；
基于所述集成故障预测模型被调用次数和所述贡献占比，确定所述目标用户对应的资源分配方案。
优选地，
所述方法还包括：
确定目标用户提供故障数据的提供时间和提供数据量；
基于所述提供时间和所述提供数据量，确定所述目标用户的用户标识；
则，所述基于所述集成故障预测模型被调用次数和所述贡献占比，确定所述目标用户对应的资源分配方案，包括：
基于所述用户标识、所述集成故障预测模型被调用的次数和所述贡献占比，确定所述目标用户对应的资源分配方案。
优选地，
所述基于目标用户提供的故障数据，确定各个所述目标用户分别对应的个性故障预测模型，包括：
判断所述目标用户提供的故障数据的提供数据量是否符合预设条件；
若是，则基于所述目标用户提供的故障数据，确定各个所述目标用户分别对应的个性故障预测模型；
若否，则调用集成故障预测模型。
优选地，
所述基于各个所述个性故障预测模型，确定集成故障预测模型，包括：
根据各个所述个性故障预测模型对应的提供时间，确定各个所述个性故障预测模型的集成顺序；
按照所述集成顺序，依次对所述各个个性故障预测模型进行集成以确定集成故障预测模型。
优选地，
所述确定各个所述个性故障预测模型对所述集成故障预测模型的贡献占比，包括：
确定各个所述个性故障预测模型按照所述集成顺序依次进行集成时所述集成故障预测模型对应的损失函数的下降程度；
基于所述下降程度，确定所述个性故障预测模型对所述集成故障预测模型的贡献占比。
优选地，
确定所述目标用户更新故障数据的更新次数和更新数据量；
基于所述更新次数和所述更新数据量，更新所述目标用户的用户标识；
基于所述更新故障数据，更新所述目标用户的个性故障预测模型。
优选地，所述方法还包括：
利用确定的所述集成故障预测模型更新各个所述个性故障预测模型。
第二方面，本发明提供了一种资源分配装置，包括：
个性模型确定模块，用于基于目标用户提供的故障数据，确定各个所述目标用户分别对应的个性故障预测模型；
集成模型确定模块，用于基于各个所述个性故障预测模型，确定集成故障预测模型；
贡献占比确定模块，用于确定各个所述个性故障预测模型对所述集成故障预测模型的贡献占比；
分配方案确定模块，用于基于所述集成故障预测模型被调用次数和所述贡献占比，确定所述目标用户对应的资源分配方案。
第三方面，本发明提供了一种可读介质，包括执行指令，当电子设备的处理器执行所述执行指令时，所述电子设备执行如第一方面中任一所述的方法。
第四方面，本发明提供了一种电子设备，包括处理器以及存储有执行指令的存储器，当所述处理器执行所述存储器存储的所述执行指令时，所述处理器执行如第一方面中任一所述的方法。
本发明提供了一种资源分配方法、装置、可读介质及电子设备，该方法通过目标用户提供的故障数据，确定各个目标用户分别对应的个性故障预测模型，然后对各个个性故障预测模型进行集成，确定集成故障预测模型，进一步确定各个个性故障预测模型分别对集成故障预测模型的贡献占比，再根据集成故障预测模型被调用次数和贡献占比，确定目标用户对应的资源分配方案，该资源分配方案充分考虑个性故障预测模型对集成故障预测模型的贡献占比和集成故障预测模型的被调用次数，具有合理性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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为本发明实施例中提供的第一种资源分配方法的流程示意图；
图2为本发明实施例中提供的第二种资源分配方法的流程示意图；
图3为本发明实施例中提供的第三种资源分配方法的流程示意图；
图4为本发明实施例中提供的第四种资源分配方法的流程示意图；
图5为本发明实施例中提供的第五种资源分配方法的流程示意图；
图6为本发明实施例中提供的第六种资源分配方法的流程示意图；
图7为本发明实施例中提供的第七种资源分配方法的流程示意图；
图8为本发明实施例中提供的一种资源分配装置的结构示意图；
图9为本发明实施例中提供的一种电子设备的结构示意图。
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，下面将结合具体实施例及相应的附图对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
如图1所示，本发明实施例提供一种资源分配方法，该方法包括：
步骤11，基于目标用户提供的故障数据，确定各个所述目标用户分别对应的个性故障预测模型；
步骤12，基于各个所述个性故障预测模型，确定集成故障预测模型；
步骤13，确定各个所述个性故障预测模型对所述集成故障预测模型的贡献占比；
步骤14，基于所述集成故障预测模型被调用次数和所述贡献占比，确定所述目标用户对应的资源分配方案。
在上述实施例中，通过目标用户提供的故障数据，确定各个目标用户分别对应的个性故障预测模型，然后对各个个性故障预测模型进行集成，确定集成故障预测模型，进一步确定各个个性故障预测模型分别对集成故障预测模型的贡献占比，再根据集成故障预测模型被调用次数和贡献占比，确定目标用户对应的资源分配方案，该资源分配方案充分考虑个性故障预测模型对集成故障预测模型的贡献占比和集成故障预测模型的被调用次数，具有合理性。
需要说明的是，资源分配方案包括联邦中心向目标用户分配资源的内容和数量，也包括目标用户向联邦中心转移资源的内容和数量，其中资源的内容可以为积分。
如图2所示，在本发明一个实施例中，所述方法还包括：
步骤15，确定目标用户提供故障数据的提供时间和提供数据量；
步骤16，基于所述提供时间和所述提供数据量，确定所述目标用户的用户标识；
则，步骤14包括：基于所述用户标识、所述集成故障预测模型被调用的次数和所述贡献占比，确定所述目标用户对应的资源分配方案。
在上述实施例中，根据目标用户提供故障数据的提供时间和提供数据量确定目标用户的用户标识，不同的目标用户，用户标识不同。目标用户加入联邦学习中心的时间越早，从联邦中心获取的资源应该越多，目标用户提供的数据量越大，从联邦中心获取的资源应该越多，因此为了公平合理的对待目标用户，对目标用户提供故障数据的时间和数据量进行记录，然后利用提供时间和提供数据量对目标用户进行标记，确定用户标识，进而可以根据用户标识确定目标用户与联邦中心的资源分配方案。具体的，可以将提供时间进行划分，如包括前期、中期和后期，不同的提供时间对应不同的资源分配数量；在确定提供数据量时，先对数据进行预处理，确定有效使用数据量，根据该有效使用数据量对应的数据等级划分确定资源分配数量。综合对用户标识、集成故障预测模型被调用次数和个性故障预测模型对集成故障预测模型的贡献占比，确定目标用户对应的资源分配方案。
在一种可能的实现方式中，可以根据用户标识确定资源分配的内容和数量，根据集成故障预测模型被调用次数确定资源分配的内容和数量，然后再根据个性故障预测模型对集成故障预测模型的贡献占比，确定资源分配的内容和数量，将分别确定的资源分配的内容和数量进行加和抵消，确定目标用户与联邦用户间的资源分配方案。
在另一种可能的实现方式中，分别确定用户标识、集成故障预测模型被调用次数和贡献占比分别对应的比例系数，例如个性故障预测模型对集成故障预测模型的贡献占比是决定联邦中心和目标用户资源分配的主影响因素，然后是集成故障预测模型被调用次数和用户标识为副主影响因素，因此在确定资源分配方案时，增加贡献占比的比例，可以使得提供了高质量故障数据的目标用户获取到更多的资源，使得该资源分配方案具有合理性。
如图3所示，在本发明一个实施例中，所述步骤11包括：
步骤111，判断所述目标用户提供的故障数据的提供数据量是否符合预设条件；若是，则执行步骤112，否则执行步骤113；
步骤112，基于所述目标用户提供的故障数据，确定各个所述目标用户分别对应的个性故障预测模型；
步骤113，调用集成故障预测模型。
在上述实施例中，考虑到存在各种目标用户，如部分目标用户可以提供大量的故障数据，需要的是更为准确的模型，此时目标用户可以提供符合预设条件的故障数据，其中预设条件为大于设定阈值，因此可以基于目标用户提供的故障数据，确定目标用户对应的个性故障预测模型，该个性故障预测模型可以为目标用户自己免费使用，也可以为联邦中心使用，联邦中心可以将各个个性故障预测模型进行集成，确定集成故障预测模型。部分目标用户无法提供足量的故障数据，当目标用户提供不了足以训练一个个性故障预测模型时，即目标用户提供的故障数据的提供数据量小于设定阈值，此时目标用户可以调用集成故障预测模型。具体的，在目标用户提供数据量大于设定阈值时，以及目标用户提供数据量小于设定阈值时，均在用户标识中进行标记，从而使得根据目标用户标识确定资源分配方案时可以考虑到目标用户提供数据量，当目标用户提供数据量不足以训练个性故障预测模型时，也就不存在后续确定个性故障预测模型对集成故障预测模型的贡献占比以及集成故障预测模型被调用次数，此时只需确定目标用户向联邦中心转移的资源即可。
如图4所示，在本发明一个实施例中，步骤12包括：
步骤121，根据各个所述个性故障预测模型对应的提供时间，确定各个所述个性故障预测模型的集成顺序；
步骤122，按照所述集成顺序，依次对所述各个个性故障预测模型进行集成以确定集成故障预测模型。
在上述实施例中，在对个性故障预测模型进行集成时，根据个性故障预测模型对应的提供时间，确定各个个性故障预测模型的集成顺序，根据集成顺序对各个个性故障预测模型进行集成，以方便后续确定个性故障预测模型对集成故障预测模型的贡献占比。
如图5所示，在本发明一个实施例中，步骤13包括：
步骤131，确定各个所述个性故障预测模型按照所述集成顺序依次进行集成时所述集成故障预测模型对应的损失函数的下降程度；
步骤132，基于所述下降程度，确定所述个性故障预测模型对所述集成故障预测模型的贡献占比。
在上述实施例中，为了确定个性故障预测模型对集成故障预测模型的贡献占比，按照集成顺序依次对各个个性故障预测模型进行集成，确定加入某个性故障预测模型前后集成故障预测模型损失函数的下降程度，根据该下降程度确定个性故障预测模型对集成故障预测模型的贡献占比，损失函数的下降程度越大，该个性故障预测模型对集成故障预测模型的贡献占比越大，在集成故障预测模型的训练早期，加入个性故障预测模型损失函数的下降程度通常较大，因此越早加入联邦学习，可能获取到的贡献占比越多，从而鼓励更多的目标用户尽早加入联邦学习中。
如图6所示，在本发明一个实施例中，所述方法还包括：
步骤17，确定所述目标用户更新故障数据的更新次数和更新数据量；
步骤18，基于所述更新次数和所述更新数据量，更新所述目标用户的用户标识；
步骤19，基于所述更新故障数据，更新所述目标用户的个性故障预测模型。
在上述实施例中，随着时间的推移，为了获取更准确的个性故障预测模型，需要目标用户不断的更新故障数据，根据目标用户更新次数和更新数据量，更新目标用户的用户标识，从而使得更新次数多且更新数据量大的目标用户可以在联邦中心获取到更多的资源。在存在更新故障数据，根据更新故障数据，更新目标用户的个性故障预测模型，以使得个性故障预测模型的准确性越来越高。
如图7所示，在本发明一个实施例中，所述方法还包括：
步骤20，利用确定的所述集成故障预测模型更新各个所述个性故障预测模型。
在上述实施例中，集成故障预测模型是根据各个个性故障预测模型获取到的，其准确度较各个个性故障预测模型的准确度要高，因此利用集成故障预测模型对各个个性故障预测模型进行更新，使得个性故障预测模型的准确度不断提高。
基于与上述方法相同的发明构思，如图8所示，本发明实施例提供了一种资源分配装置，包括：
个性模型确定模块81，用于基于目标用户提供的故障数据，确定各个所述目标用户分别对应的个性故障预测模型；
集成模型确定模块82，用于基于各个所述个性故障预测模型，确定集成故障预测模型；
贡献占比确定模块83，用于确定各个所述个性故障预测模型对所述集成故障预测模型的贡献占比；
分配方案确定模块84，用于基于所述集成故障预测模型被调用次数和所述贡献占比，确定所述目标用户对应的资源分配方案。
为了描述的方便，描述以上装置实施例时以功能分为各种单元或模块分别描述，在实施本发明时可以把各单元或模块的功能在同一个或多个软件和/或硬件中实现。
图9是本发明实施例提供的一种电子设备的结构示意图。在硬件层面，该电子设备包括处理器901以及存储有执行指令的存储器902，可选地还包括内部总线903及网络接口904。其中，存储器902可能包含内存9021，例如高速随机存取存储器(Random-AccessMemory，RAM)，也可能还包括非易失性存储器9022(non-volatile memory)，例如至少1个磁盘存储器等；处理器901、网络接口904和存储器902可以通过内部总线903相互连接，该内部总线903可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture，扩展工业标准结构)总线等；内部总线903可以分为地址总线、数据总线、控制总线等，为便于表示，图9中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。当然，该电子设备还可能包括其他业务所需要的硬件。当处理器901执行存储器902存储的执行指令时，处理器901执行本发明任意一个实施例中的方法，并至少用于执行如图1至图7所示的方法。
在一种可能实现的方式中，处理器从非易失性存储器中读取对应的执行指令到内存中然后运行，也可从其它设备上获取相应的执行指令，以在逻辑层面上形成一种资源分配装置。处理器执行存储器所存放的执行指令，以通过执行的执行指令实现本发明任一实施例中提供的一种资源分配方法。
处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本发明实施例还提供了一种计算机可读存储介质，包括执行指令，当电子设备的处理器执行执行指令时，所述处理器执行本发明任意一个实施例中提供的方法。该电子设备具体可以是如图9所示的电子设备；执行指令是一种资源分配装置所对应计算机程序。
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，或软件和硬件相结合的形式。
本发明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。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者锅炉不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者锅炉所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者锅炉中还存在另外的相同要素。
以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (10)

1.一种资源分配方法，其特征在于，包括：
基于目标用户提供的故障数据，确定各个所述目标用户分别对应的个性故障预测模型；
基于各个所述个性故障预测模型，确定集成故障预测模型；
确定各个所述个性故障预测模型对所述集成故障预测模型的贡献占比；
基于所述集成故障预测模型被调用次数和所述贡献占比，确定所述目标用户对应的资源分配方案。
2.根据权利要求1所述的资源分配方法，其特征在于，所述方法还包括：
确定目标用户提供故障数据的提供时间和提供数据量；
基于所述提供时间和所述提供数据量，确定所述目标用户的用户标识；
则，所述基于所述集成故障预测模型被调用次数和所述贡献占比，确定所述目标用户对应的资源分配方案，包括：
基于所述用户标识、所述集成故障预测模型被调用的次数和所述贡献占比，确定所述目标用户对应的资源分配方案。
3.根据权利要求2所述的资源分配方法，其特征在于，所述基于目标用户提供的故障数据，确定各个所述目标用户分别对应的个性故障预测模型，包括：
判断所述目标用户提供的故障数据的提供数据量是否符合预设条件；
若是，则基于所述目标用户提供的故障数据，确定各个所述目标用户分别对应的个性故障预测模型；
若否，则调用集成故障预测模型。
4.根据权利要求2所述的资源分配方法，其特征在于，所述基于各个所述个性故障预测模型，确定集成故障预测模型，包括：
根据各个所述个性故障预测模型对应的提供时间，确定各个所述个性故障预测模型的集成顺序；
按照所述集成顺序，依次对所述各个个性故障预测模型进行集成以确定集成故障预测模型。
5.根据权利要求4所述的资源分配方法，其特征在于，所述确定各个所述个性故障预测模型对所述集成故障预测模型的贡献占比，包括：
确定各个所述个性故障预测模型按照所述集成顺序依次进行集成时所述集成故障预测模型对应的损失函数的下降程度；
基于所述下降程度，确定所述个性故障预测模型对所述集成故障预测模型的贡献占比。
6.根据权利要求2所述的资源分配方法，其特征在于，
确定所述目标用户更新故障数据的更新次数和更新数据量；
基于所述更新次数和所述更新数据量，更新所述目标用户的用户标识；
基于所述更新故障数据，更新所述目标用户的个性故障预测模型。
7.根据权利要求1-6任一项所述的资源分配方法，其特征在于，所述方法还包括：
利用确定的所述集成故障预测模型更新各个所述个性故障预测模型。
8.一种资源分配装置，其特征在于，包括：
个性模型确定模块，用于基于目标用户提供的故障数据，确定各个所述目标用户分别对应的个性故障预测模型；
集成模型确定模块，用于基于各个所述个性故障预测模型，确定集成故障预测模型；
贡献占比确定模块，用于确定各个所述个性故障预测模型对所述集成故障预测模型的贡献占比；
分配方案确定模块，用于基于所述集成故障预测模型被调用次数和所述贡献占比，确定所述目标用户对应的资源分配方案。
9.一种可读介质，包括执行指令，当电子设备的处理器执行所述执行指令时，所述电子设备执行如权利要求1至7中任一所述的方法。
10.一种电子设备，包括处理器以及存储有执行指令的存储器，当所述处理器执行所述存储器存储的所述执行指令时，所述处理器执行如权利要求1至7中任一所述的方法。
CN202011357176.4A 2020-11-26 2020-11-26 一种资源分配方法、装置、可读介质及电子设备 Pending CN114548472A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011357176.4A CN114548472A (zh) 2020-11-26 2020-11-26 一种资源分配方法、装置、可读介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011357176.4A CN114548472A (zh) 2020-11-26 2020-11-26 一种资源分配方法、装置、可读介质及电子设备

Publications (1)

Publication Number Publication Date
CN114548472A true CN114548472A (zh) 2022-05-27

Family

ID=81668324

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011357176.4A Pending CN114548472A (zh) 2020-11-26 2020-11-26 一种资源分配方法、装置、可读介质及电子设备

Country Status (1)

Country Link
CN (1) CN114548472A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110443375A (zh) * 2019-08-16 2019-11-12 深圳前海微众银行股份有限公司 一种联邦学习方法及装置
CN110490335A (zh) * 2019-08-07 2019-11-22 深圳前海微众银行股份有限公司 一种计算参与者贡献率的方法及装置
CN110908893A (zh) * 2019-10-08 2020-03-24 深圳逻辑汇科技有限公司 联邦学习的沙盒机制
CN111125779A (zh) * 2019-12-17 2020-05-08 山东浪潮人工智能研究院有限公司 一种基于区块链的联邦学习方法及装置
CN111538598A (zh) * 2020-04-29 2020-08-14 深圳前海微众银行股份有限公司 联邦学习建模方法、装置、设备及可读存储介质
CN111737749A (zh) * 2020-06-28 2020-10-02 南方电网科学研究院有限责任公司 基于联邦学习的计量装置告警预测方法及设备
CN111950739A (zh) * 2020-08-13 2020-11-17 深圳前海微众银行股份有限公司 基于区块链的数据处理方法、装置、设备及介质
CN111967610A (zh) * 2020-08-18 2020-11-20 中国银行股份有限公司 基于区块链的联邦学习激励方法、装置、设备及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110490335A (zh) * 2019-08-07 2019-11-22 深圳前海微众银行股份有限公司 一种计算参与者贡献率的方法及装置
CN110443375A (zh) * 2019-08-16 2019-11-12 深圳前海微众银行股份有限公司 一种联邦学习方法及装置
CN110908893A (zh) * 2019-10-08 2020-03-24 深圳逻辑汇科技有限公司 联邦学习的沙盒机制
CN111125779A (zh) * 2019-12-17 2020-05-08 山东浪潮人工智能研究院有限公司 一种基于区块链的联邦学习方法及装置
CN111538598A (zh) * 2020-04-29 2020-08-14 深圳前海微众银行股份有限公司 联邦学习建模方法、装置、设备及可读存储介质
CN111737749A (zh) * 2020-06-28 2020-10-02 南方电网科学研究院有限责任公司 基于联邦学习的计量装置告警预测方法及设备
CN111950739A (zh) * 2020-08-13 2020-11-17 深圳前海微众银行股份有限公司 基于区块链的数据处理方法、装置、设备及介质
CN111967610A (zh) * 2020-08-18 2020-11-20 中国银行股份有限公司 基于区块链的联邦学习激励方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
WO2020257991A1 (zh) 用户识别方法及相关产品
CN111028006B (zh) 一种业务投放辅助方法、业务投放方法及相关装置
CN112650583B (zh) 一种资源分配方法、装置、可读介质及电子设备
CN111091813A (zh) 语音唤醒模型更新方法、装置、设备及介质
CN110188990A (zh) 一种资源请求和资金请求分流方法、装置及设备
CN110851987A (zh) 基于加速比预测计算时长的方法、装置和存储介质
CN107515811B (zh) 一种获取应用程序耗电量的方法和装置
CN110634018A (zh) 一种流失用户的特征刻画方法、识别方法及相关装置
CN114548472A (zh) 一种资源分配方法、装置、可读介质及电子设备
CN112163734B (zh) 基于云平台整定计算资源动态调度方法及装置
CN109102141A (zh) 一种服务水平评分方法和装置
CN107464571B (zh) 一种数据质量评估的方法、设备及系统
CN114548471A (zh) 一种资源分配方法、装置、可读介质及电子设备
CN111563829A (zh) 电力价格预测方法、电力价格预测模型训练方法及装置
CN114580816A (zh) 一种资源分配方法、装置、可读介质及电子设备
CN114580805A (zh) 一种资源分配方法、装置、可读介质及电子设备
CN114580814A (zh) 一种资源分配方法、装置、可读介质及电子设备
CN114580806A (zh) 一种资源分配方法、装置、可读介质及电子设备
CN111367820B (zh) 一种测试案例的排序方法及装置
CN112348284A (zh) 一种电力负荷预测方法、装置、可读介质及电子设备
CN110300000B (zh) 计费方式变更方法、装置、电子设备及可读存储介质
CN113468442A (zh) 资源位流量的分发方法、计算设备及计算机存储介质
CN109309717B (zh) 一种数据传输方法、装置、电子设备及存储介质
CN110866848B (zh) 基于知识图谱的学习方法、装置、电子设备和存储介质
CN113468398A (zh) 书籍级别的确定方法、计算设备及计算机存储介质

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