CN114595970A - 资源调度智能决策方法、装置、电子设备及存储介质 - Google Patents
资源调度智能决策方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114595970A CN114595970A CN202210231357.5A CN202210231357A CN114595970A CN 114595970 A CN114595970 A CN 114595970A CN 202210231357 A CN202210231357 A CN 202210231357A CN 114595970 A CN114595970 A CN 114595970A
- Authority
- CN
- China
- Prior art keywords
- sample
- decision model
- target
- preset
- training
- 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 57
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims description 83
- 230000015654 memory Effects 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 12
- 238000012546 transfer Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 9
- 238000007476 Maximum Likelihood Methods 0.000 claims description 5
- 238000012512 characterization method Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 15
- 238000012545 processing Methods 0.000 description 15
- 238000007726 management method Methods 0.000 description 14
- 238000007781 pre-processing Methods 0.000 description 14
- 230000002159 abnormal effect Effects 0.000 description 6
- 239000000463 material Substances 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06Q10/06—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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供一种资源调度智能决策方法、装置、电子设备及存储介质,涉及资源运营管理技术领域,通过将获得的历史特征数据输入训练好的目标决策模型,使得目标决策模型基于自身训练的神经网络,预测出针对目标节点的目标调度状态,以及其相应的状态预测概率,进一步的,在状态预测概率不小于预设的状态概率阈值时,将上述目标调度状态,作为目标节点的资源调度结果;基于上述方式,管理对象能够通过目标决策模型预测出的目标调度状态,快速、准确地确定出目标节点的资源调度结果,减少了管理对象的业务权重调整步骤,提升了资源调度的决策效率。
Description
技术领域
本发明涉及资源运营管理技术领域,尤其涉及一种资源调度智能决策方法、装置、电子设备及存储介质。
背景技术
在一些大型组织/部门中,往往分属有多个不同的分支节点,其中,每个分支节点能够承载相应的业务数量。例如,实际状况下,相关组织可以对自身的覆盖区域进行合理划分,并在每个划分区域中,部署指定数目的分支节点,从而依托于各个分支节点对相应划分区域内的业务承载,保证覆盖区域内整体业务的有效进行。
进一步的,为保障每个划分区域的业务承载质量,往往还需依据其对应的作业资源总量,对其中包含的每个分支节点分别进行合理、有效的资源调度。例如,在一些实际场景中,通常需要对同一划分区域内的所有作业资源进行整体统筹,决策出相应各个分支节点各自的资源调度结果,从而避免相应各个分支节点之间因同时开业、休业,而出现业务断档的迹象。
针对上述问题,相关技术中,通常采用节点业务评测的方式,基于指定划分区域内,相应各个分支节点各自的历史业务数据,分别对其中的每个分支节点的实际业务状况进行评测;具体的,以一个分支节点为例,相关技术中,通过预设的评测模型,分别在指定各个业务维度上,对该分支节点触发的相应历史业务数据进行分析,以获得该分支节点在每个业务维度上相应的评测分值,在此基础上,基于各个业务维度各自对应的维度权重,确定该分支节点的节点评测值,从而依据获得的该节点评测值,决策出该分支节点的资源调度结果。
然而,基于上述方式,需要相关管理对象依据自身经验,分别调整每个业务维度分别对应的维度权重,当业务维度较多时,上述方式往往需要耗费较多的等待时间,导致实际状况下,资源调度的决策效率通常较低。
发明内容
本申请实施例提供一种资源调度智能决策方法、装置、电子设备及存储介质,用于提升资源调度的决策效率。
第一方面,本申请实施例提供一种资源调度智能决策方法,包括:
获取目标节点的历史特征数据,历史特征数据至少包括:目标节点的历史业务数据及历史调度状态,其中,目标节点具有至少一个指定的业务功能。
基于预设的目标决策模型,对历史业务数据进行特征提取,获得目标节点的业务特征,并基于历史调度状态,对目标节点的目标调度状态进行预测,获得相应的状态预测概率。
在状态预测概率不小于预设的状态概率阈值时,将状态预测概率表征的目标调度状态,作为目标节点的资源调度结果。
第二方面,本申请实施例提供一种资源调度智能决策装置,包括:
获取模块,用于获取目标节点的历史特征数据,历史特征数据至少包括:目标节点的历史业务数据及历史调度状态,其中,目标节点具有至少一个指定的业务功能。
预测模块,用于基于预设的目标决策模型,对历史业务数据进行特征提取,获得目标节点的业务特征,并基于历史调度状态,对目标节点的目标调度状态进行预测,获得相应的状态预测概率。
确定模块,用于在状态预测概率不小于预设的状态概率阈值时,将状态预测概率表征的目标调度状态,作为目标节点的资源调度结果。
在一种可选的实施例中,获取目标节点的历史特征数据之前,获取模块还用于:
获取训练样本集合,其中,一个训练样本中包括:对应一个样本节点确定的输入信息及实体标签;样本节点具有至少一个指定的业务功能。
采用训练样本集合中的训练样本,对预设的决策模型进行多轮迭代训练,在满足预设的收敛条件时,输出收敛决策模型;其中,在一轮迭代训练过程中,执行以下操作:
采用决策模型,基于训练样本中输入信息,获得预测结果,并基于预测结果与相应的实体标签之间的损失值,调整所述决策模型的参数。
在一种可选的实施例中,一个训练样本的输入信息,是采用以下方式获得的:
获取一个样本节点的样本特征数据,其中,样本特征数据至少包括:一个样本节点的样本业务数据及样本调度状态。
基于预设的划分规则,对样本业务数据进行划分,并基于划分结果,生成相应的样本观测信息。
对样本观测信息及样本调度状态进行组合,生成相应的样本转移信息,并将样本转移信息,作为一个训练样本的输入信息。
在一种可选的实施例中,基于预设的分位规则,对样本业务数据进行划分,并基于划分结果,生成相应的样本观测信息时,获取模块具体用于:
基于预设的划分规则,对样本业务数据进行划分,获得相应的各个划分业务数据,并基于预设的分位规则,确定各个划分业务数据各自映射的分位区间。
基于确定的各个分位区间,分别确定各个划分业务数据各自的分位特征值。
对各个分位特征值进行组合,生成相应的样本观测信息。
在一种可选的实施例中,基于预测结果与相应的实体标签之间的损失值,调整决策模型的参数时,获取模块具体用于:
采用极大似然估计法MLE,确定预测结果与相应的实体标签之间的损失值,并基于损失值,调整决策模型的参数。
或者,
采用极大期望算法EM,确定预测结果与相应的实体标签之间的损失值,并基于损失值,调整决策模型的参数。
在一种可选的实施例中,输出收敛决策模型后,获取模块还用于:
基于训练样本集合中的训练样本,继续对收敛决策模型进行多轮迭代训练,并在满足预设的关联约束条件时,输出目标决策模型;其中,在一轮迭代训练过程中,执行以下操作:
采用收敛决策模型,基于训练样本中输入信息,获得测试结果,并基于测试结果与相应的实体标签之间的损失值,调整收敛决策模型的参数。
第三方面,本申请实施例还提供了一种电子设备,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机程序,当所述计算机程序被所述处理器执行时,使得所述处理器实现上述第一方面中的任一种资源调度智能决策方法。
第四方面,本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时,实现第一方面的资源调度智能决策方法。
第五方面,本申请实施例还提供了一种计算机程序产品,所述计算机程序产品在被计算机调用时,使得所述计算机执行如第一方面所述的方法。
本申请实施例提供一种资源调度智能决策方法,通过将获得的历史特征数据输入训练好的目标决策模型,使得目标决策模型基于自身训练的神经网络,预测出针对目标节点的目标调度状态,以及其相应的状态预测概率,进一步的,在状态预测概率不小于预设的状态概率阈值时,将上述目标调度状态,作为目标节点的资源调度结果;基于上述方式,管理对象能够通过目标决策模型预测出的目标调度状态,快速、准确地确定出目标节点的资源调度结果,从而避免了因维度权重调整而带来的大量等待时间,使得资源调度决策效率得以进一步提高。
附图说明
图1为本申请实施例提供的一种可能的应用场景示意图;
图2为本申请实施例提供的资源调度决策系统架构图;
图3为本申请实施例提供的一种目标决策模型训练方法流程图;
图4为本申请实施例提供的一种输入信息获取方法流程图;
图5为本申请实施例提供的一种资源调度决策方法流程图;
图6为本申请实施例提供的一种资源调度决策方法的逻辑示意图;
图7为本申请实施例提供的一种资源调度决策场景示意图;
图8为本申请实施例提供的一种资源调度决策装置示意图;
图9为本申请实施例提供的一种电子设备示意图。
具体实施方式
下面将结合本发明实施例中的附图,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作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。
本申请的发明思路如下:
相关技术中,通过预设的评测模型,分别在指定各个业务维度上,对该分支节点触发的相应历史业务数据进行分析,这种方式需要管理对象依据自身经验,分别调整每个业务维度分别对应的维度权重,当业务维度较多时,上述方式往往需要耗费较多的等待时间,导致实际状况下,资源调度的决策效率通常较低。
为提升资源调度的决策效率,本申请实施例提供一种资源调度智能决策方法,通过将获得的历史特征数据输入训练好的目标决策模型,使得目标决策模型基于自身训练的神经网络,预测出针对目标节点的目标调度状态,以及其相应的状态预测概率,进一步的,在状态预测概率不小于预设的状态概率阈值时,将上述目标调度状态,作为目标节点的资源调度结果;基于上述方式,管理对象能够通过目标决策模型预测出的目标调度状态,快速、准确地确定出目标节点的资源调度结果,从而避免了因维度权重调整而带来的大量等待时间,使得资源调度决策效率得以进一步提高。
为便于理解,首先对本申请实施例进行描述的过程中出现的部分名词或术语作如下解释:
资源(Resource):指地区内所有物力、财力、人力的总称,具体的,可分为自然资源和社会资源两大类。其中,自然资源可包括阳光、空气、水、森林等物质资源;社会可包括人力资源、信息资源以及经过劳动创造的各种物质财富。
例如,本申请实施例中,每个划分区域内的作业资源均可表示为相关组织在该区域内部署的人力资源、信息资源或是其他一些可选的物质资源;在一些更具体的场景中,还可指相关组织等在该区域内开展的有关活动、规划等,上述场景仅为举例说明,在此不再赘述。
分支节点(Node):构成大型组织的可独立业务单元,具体的,本申请实施例中,节点可以理解为能够独立执行一个或多个业务功能的实际载体,如,部门等。在一些更具体的场景中,还可指代相关组织在地理层面上对应的实际的业务承载单元,如,营业厅等。
资源调度(Resource Schedule):指在一定时间范围内,对相关场景下可调度的作业资源进行有效的调配、分析或使用的过程。
例如,本申请实施例中,可以将对同一划分区域内的所有作业资源进行整体统筹的过程,视作针对该划分区域内的每个分支节点所进行的一次资源调度。在一些更具体的场景中,也可以视为针对分支节点的实际运营状况进行的作业资源调配,例如,若上述分支节点表征为业务承载单元,则该场景下的资源调度可视为对其关联的人力资源、信息资源或其他物质资源等进行的协调分配,包括但不限于人员排班、权限分配等。
基于上述名词或术语解释,下面将结合附图对本申请实施例提供的资源调度智能决策方法作出进一步详细说明。
参阅图1所示,为一种可能的应用场景示意图,图中包含归属于同一划分区域的多个分支节点(分支节点A~分支节点D),其中,每个分支节点具有至少一个指定的业务功能;在一种可选的实施例中,上述分支节点可以表示为某一具体的营业机构或营业部门,如,银行营业厅;则在上述应用场景中,每个分支节点所具有的一个或多个业务功能可表征为银行营业厅所应具备的各项营业功能。
进一步的,参阅图2所示,管理平台可以基于创建的数据传输通道,与各个分支节点各自关联的节点设备连接,并收集并整理出上述各个分支节点各自的历史特征数据,从而基于采集到的各个历史特征数据,构建相应的目标决策模型,并实现本申请实施例提出的资源调度决策方法;其中,上述数据传输通道包括且不限于:交换电话网(PSTN)、局域网(LAN)、广域网(WAN)等;进一步的,管理平台可以表示为针对上述各个分支节点进行历史特征信息记录、存储及管理的计算机终端或类似的运算设备,如,服务器集群等。
值得注意的是,上述方式仅为举例说明,在一种可选的实施例中,还可基于区块链、云技术等,实现各个分支节点间的数据互通,从而在每个分支节点中,均可构建相应的目标决策模型,并实现上述提到的资源调度决策方法;同理,上述目标决策模型还可部署于指定的其他关联设备,在此不再赘述。本申请实施例中,为便于描述,以上述管理平台为例进行主要说明。
基于上述基础架构,参阅图3所示,管理平台可以基于获得的各个历史特征数据,采用隐马尔科夫模型架构,获得上述目标决策模型,具体的,包括以下步骤:
S301:获取训练样本集合。
具体的,对应目标节点所应具有的一个或多个指定的业务功能,在模型训练初期,应对多个具有相同业务功能的样本节点进行数据采集,从而获得各个样本节点各自的样本特征数据,其中,每个样本特征数据中均包括相应样本节点的样本业务数据及样本调度状态。
例如,若上述分支节点A~分支节点D均表示为营业厅,则可以选取上述各个分支节点,或是其他具有相同业务功能的“营业厅”,作为上述提到的样本节点,为便于描述,本申请实施例中,将上述各个分支节点,作为模型训练过程中使用的样本节点,进一步的,对各个样本节点进行数据采集,确定每个样本节点相应的样本业务数据及样本调度状态,以作为各个样本节点各自的样本特征数据,例如,假设在指定的时间窗口T中,上述各个分支节点在某一时刻采集到的样本特征数据如下表1所示:
表1
样本节点 | 样本业务数据 | 样本调度状态 |
分支节点A | 业务数据A | 已调度 |
分支节点B | 业务数据B | 未调度 |
分支节点C | 业务数据C | 已调度 |
分支节点D | 业务数据D | 未调度 |
进一步的,对各个样本特征数据进行数据处理,从而获得针对预设决策模型确定的训练样本集合,在一种可选的实施例中,每个训练样本可分别对应一个样本节点采集的样本特征数据,则在上述数据处理过程中,可以针对确定的多个样本节点,分别进行相应的数据处理,从而提升样本的处理效率,具体的,参阅图4所示,在一个样本节点中,数据的处理过程可包括:
S3011:获取一个样本节点的样本特征数据。
具体的,在指定的时间窗口T中,对一个样本节点的样本业务数据进行采集,并确定相应的样本调度状态;可选的,基于预设的预处理规则,对上述样本特征数据进行预处理,具体包括:
1、连续型数据预处理。
由于实际状况中,样本业务数据常常包含有连续型业务数据,例如,在上述营业厅场景中,常常需要基于业务总量,排队时长,重点业务量等连续型业务数据,对该样本节点的实际业务状况进行考量,则对该类型业务数据进行预处理时,可包括:
1)异常数据预处理。
具体的,针对上述样本业务数据中存在的连续型业务数据,基于预设的连续异常处理规则,对其进行相应的预处理,例如,在一种可选的实施例中,可基于上述连续型业务数据对应的样本数值,设置一个相应的异常截断阈值,从而对其样本业务数据中差异较大的异常数据进行截断,从而避免样本业务数据中存在的异常数据对后续模型训练造成的不利影响。
2)缺失数据预处理。
具体的,针对上述样本业务数据中存在的连续型业务数据,基于预设的连续缺失处理规则,对其进行相应的预处理,例如,在一种可选的实施例中,可基于上述连续型业务数据对应的样本均值,对其样本业务数据中包含的缺失数据进行填充,从而避免样本业务数据中存在的缺失数据对后续模型训练造成的不利影响。
3)标准化预处理。
具体的,由于实际状况下,各个业务维度各自对应的数据量级往往不同,则为了确保样本业务数据的规范性,将其映射在预设的标准化区间[0,1],以提升模型的运算效率。
2、离散型数据预处理。
同理,在实际状况中,样本业务数据常常还包含有离散型业务数据,例如,在上述营业厅场景中,针对样本节点的考量标准往往还包括:是否重点节点,是否城区节点等,则对该类型业务数据进行预处理时,可包括:
1)异常数据预处理。
具体的,针对上述样本业务数据中存在的离散型业务数据,基于预设的离散异常处理规则,对其进行相应的预处理,例如,在一种可选的实施例中,可能会出现无法确定某一异常数据的归属类别的情况,则可基于上述离散异常处理规则,统计该异常数据在样本业务数据中的出现频率,其中:若该出现频率大于或等于预设的异常数据阈值,则将该异常数据单独作为一类;否则,确定该异常数据的归属类别为样本业务数据中,出现频率最大的业务数据所归属的业务类别。
2)缺失数据预处理。
具体的,针对上述样本业务数据中存在的离散型业务数据,基于预设的离散缺失处理规则,对其进行相应的预处理,例如,在一种可选的实施例中,针对样本业务数据中存在的数据缺失状况,可以统计该缺失数据在样本业务数据中的出现频率,其中:若该属性频率大于或等于预设的缺失数据阈值,则将该缺失值单独作为一类;否则,确定该异常数据的归属类别为样本业务数据中,出现频率最大的业务数据所归属的业务类别。
上述预处理规则仅为举例说明,本申请实施例中,以上述分支节点A对应的业务数据A为例,将业务数据A表示为[LA,RA],其中,LA表征业务数据A中包含的连续型业务数据,RA表征业务数据A中包含的离散型业务数据,则可基于上述预处理规则,对业务数据A进行相应处理,从而确保后续模型训练的准确性。
S3012:基于预设的划分规则,对样本业务数据进行划分,并基于划分结果,生成相应的样本观测信息。
进一步的,在隐马尔科夫模型中,各个样本节点的实际业务状况往往表征为相应的观测序列以及状态序列,因此,在目标决策模型的训练过程中,还需实现相应样本业务数据至模型中一个观测元素的映射,在一种可选的实施例中,可采用分箱处理的方式,实现上述观测元素的映射,则在确定上述样本节点的样本业务数据后,采用预设的划分规则,对所述样本业务数据进行划分,从而基于划分结果,生成相应的样本观测信息。
具体的,在一种可选的实施例中,可对连续型业务数据所对应的数值区间进行进一步划分,设置多个不同的分位区间,以实现样本业务数据至相应观测元素的映射。可选的,可以采用固定分位数的方式,对上述样本业务数据进行划分,并确定相应各个划分业务数据各自映射的分位区间,从而根据确定的各个分位区间各自对应的分位特征值,组合并映射出相应的观测元素,作为相应的样本观测信息。
为更好的说明,仍以上述分支节点A对应的业务数据A=[LA,RA]为例,其中,LA表征为业务数据A中包含的连续型业务数据,RA表征为业务数据A中包含的离散型业务数据;假设分支节点A考量到的连续型业务类型有:{业务总量,排队时长,员工数量,重点业务量,客流量};且相应A考量到的离散型业务类型有:{是否重点节点,是否城区节点};则可基于上述提到的5种连续型业务类型以及2种离散型业务类型,对上述业务数据A进行划分。
进一步的,针对上述提到的每种业务类型,进行固定分位数分箱,例如,针对每种连续型业务类型,均按照固定5分位数的方式进行分箱,从而分别根据每个划分业务数据相应的实际数据量,确定其命中的分位区间,如下表2所示:
表2
划分业务数据 | 业务类型 | 实际数据量 | 分位区间 |
划分业务数据1 | 业务总量 | 0.12 | [0,0.2] |
划分业务数据2 | 排队时长 | 0.27 | [0.2,0.4] |
划分业务数据3 | 员工数量 | 0.18 | [0,0.2] |
划分业务数据4 | 重点业务量 | 0.47 | [0.4,0.6] |
划分业务数据5 | 客流量 | 0.15 | [0,0.2] |
基于上述方式,能够基于每个划分业务数据映射的分位区间,相应的分位特征值,对上述连续型业务数据进行one-hot编码表示,例如,在上述固定5分位数的分箱处理过程中,每个划分业务数据均可映射一个唯一的分位特征值,则可基于获得的各个分位特征值,将上述样本业务数据映射为一个相应的观测元素,将其表示为OA,其中,OA为与上述固定分位数相应的特征矩阵。
值得注意的是,上述固定分位数仅为举例说明,实际状况下,可基于业务类型数量、模型训练精度等因素,对其使用的固定分位数进行灵活调整,在此不再赘述。
S3013:对样本观测信息及样本调度状态进行组合,生成相应的样本转移信息,并将样本转移信息,作为一个训练样本的输入信息。
进一步的,将样本观测信息及样本调度状态进行组合,作为针对预设的决策模型的一个输入信息,其中,样本调度状态包括:已调度、未调度这两种状态情况,则可对上述2种调度状态分别进行编码表示,作为隐马尔科夫模型中的一个状态元素。
S302:采用训练样本集合中的训练样本,对预设的决策模型进行多轮迭代训练,在满足预设的收敛条件时,输出收敛决策模型。
具体的,在一轮迭代训练过程中,执行以下操作:采用决策模型,基于训练样本中输入信息,获得预测结果,并基于预测结果与相应的实体标签之间的损失值,调整决策模型的参数。
其中,由于每个输入信息,均可理解为针对隐马尔科夫模型中的一个观测元素及一个状态元素,则上述各个输入信息的组合,可理解为隐马尔科夫模型中,针对上述各个业务类型确定的观测序列以及状态序列,分别表示为:
O'=(O1,O2,...,OT)
Q'=(Q1,Q2,...,QT)
其中,O'表示为相应的观测序列,Q'表示为相应的状态序列。
基于上述方式,确定相应的观测序列以及状态序列,则该决策模型的初始排班概率分布可表示为:π=P(Q1);状态转移概率分布可表示为:A=P(QT|QT-1);观测概率分布可表示为:B=P(OT|QT),则上述决策模型可相应表示为基于上述参数确定的隐马尔科夫模型λ,为:λ=(A,B,π)。
可选的,采用以下方式中的任意一种,进行上述决策模型的参数学习,包括:
方式1:采用极大似然估计法,确定预测结果与相应的实体标签之间的损失值,并基于损失值,调整决策模型的参数。
方式2:采用极大期望算法,确定预测结果与相应的实体标签之间的损失值,并基于损失值,调整决策模型的参数。
基于上述方式,能够对预设的决策模型进行多轮迭代训练,在满足预设的收敛条件时,输出收敛决策模型。
进一步的,可选的,为提升上述决策模型输出资源调度结果的准确性,在获得相应的收敛决策模型后,还可基于上述训练样本集合中的训练样本,继续对收敛决策模型进行多轮迭代训练,应当理解的是,针对收敛决策模型的训练样本,既可以是上述训练过程中使用的训练样本,还可是其他样本特征数据经由上述方法处理后,输出的相应训练样本。
例如,在一种可选的实施例中,可以对时间窗口为T的样本特征数据进行时间切分,以在基于前半切分时间对应的训练样本数据,对决策模型进行训练后,将后半切分时间对应的训练样本数据用于收敛决策模型的测试,从而进一步确保模型输出资源调度结果的准确性。
参阅图5所示,基于上述方式,获得目标决策模型后,本申请实施例提供一种资源调度的决策方法,具体包括:
S501:获取目标节点的历史特征数据。
具体的,假设上述分支节点A为指定的目标节点,则该目标节点的历史特征数据应包括:该分支节点的历史业务数据及历史调度状态,实际状况下,为确保资源调度结果的准确性,还需确定该历史业务数据对应的历史时间,与资源调度结果对应的目标时间之间,对应的时间跨度应满足预设的关联条件。
例如,实际状况下,若需获取上述目标节点针对时间t对应的资源调度结果,则可将该目标节点在t-1时的历史业务数据及历史调度状态输入目标决策模型,以保证输入的资源调度结果的准确性。
S502:基于预设的目标决策模型,对历史业务数据进行特征提取,获得目标节点的业务特征,并基于历史调度状态,对目标节点的目标调度状态进行预测,获得相应的状态预测概率。
具体的,目标决策模型基于输入的历史特征数据,确定目标节点在历史时刻的业务特征,并根据业务特征以及历史调度状态,对确定的目标调度状态进行预测,获得目标决策模型对目标调度状态确定出的状态预测概率。
例如,基于上述输入的历史特征数据,目标决策模型确定在t-1时,目标节点的业务特征为Ot-1,并确定历史调度状态为Qt-1,则针对t时,目标调度状态的状态预测概率可等价为:P(Qt|Qt-1,Ot-1)。
S503:在状态预测概率不小于预设的状态概率阈值时,将状态预测概率表征的目标调度状态,作为目标节点的资源调度结果。
进一步的,在目标决策模型基于自身训练好的模型参数,输出针对目标调度状态确定的状态预测概率后,判断该状态预测概率是否满足预设的状态概率阈值,以基于状态预测概率的大小判断t时最可能发生的资源调度状态。基于此种方式,既确定了资源调度决策的公平性、准确性,同时,上述方式还避免了因维度权重调整而带来的大量等待时间,使得资源调度决策效率得以进一步提高。
参阅图6所示,为上述资源调度决策方法的逻辑示意图,则在该逻辑示意图中,通过将目标节点在t-1时获得的历史特征数据,输入预先训练好的目标决策模型,使得目标决策模型能够基于提取出的业务特征以及相应的历史调度状态,确定目标节点针对目标调度状态预测出的状态预测概率,从而在状态预测概率不小于预设的状态概率阈值时,将状态预测概率表征的目标调度状态,作为目标节点的资源调度结果,基于上述方式,管理对象无需进行过多操作,即可快速、准确地获得相应的资源调度结果,从而使得资源调度的决策效率得以大幅度地提升,并有效提升了相关组织的精细化管理水平。
参阅图7所示,为上述资源调度决策方法的一种具体的场景示例图,则在该场景示例中,假设目标节点为上述分支节点A,则在2022/3/1时,将该分支节点A当前相应的业务数据,已经该分支节点A的当前调度状态:未调度,输入预设的目标决策模型中,则目标决策模型基于当前业务数据中提取到的业务特征X,及其相应的当前调度状态(未调度),确定针对2022/3/2的状态预测概率P,假设该状态预测概率针对的目标调度状态为:已调度;即上述过程即相当于等价求解条件概率P(已调度|未调度,X);假设目标决策模型输出的上述状态预测概率P(已调度|未调度,X)=0.7,且预设的状态概率阈值为0.5,则管理对象可基于上述方式,确定2022/3/2时,分支节点的资源调度结果为:已调度,从而快速、准确地获得相应的资源调度结果,确保了资源调度的决策效率以及相关组织的精细化管理水平。
参阅图8所示,本申请实施例提供一种资源调度智能决策装置,包括获取模块801,预测模块802,确定模块803,其中:
获取模块801,用于获取目标节点的历史特征数据,历史特征数据至少包括:目标节点的历史业务数据及历史调度状态,其中,目标节点具有至少一个指定的业务功能。
预测模块802,用于基于预设的目标决策模型,对历史业务数据进行特征提取,获得目标节点的业务特征,并基于历史调度状态,对目标节点的目标调度状态进行预测,获得相应的状态预测概率。
确定模块803,用于在状态预测概率不小于预设的状态概率阈值时,将状态预测概率表征的目标调度状态,作为目标节点的资源调度结果。
在一种可选的实施例中,获取目标节点的历史特征数据之前,获取模块801还用于:
获取训练样本集合,其中,一个训练样本中包括:对应一个样本节点确定的输入信息及实体标签;样本节点具有至少一个指定的业务功能。
采用训练样本集合中的训练样本,对预设的决策模型进行多轮迭代训练,在满足预设的收敛条件时,输出收敛决策模型;其中,在一轮迭代训练过程中,执行以下操作:
采用决策模型,基于训练样本中输入信息,获得预测结果,并基于预测结果与相应的实体标签之间的损失值,调整所述决策模型的参数。
在一种可选的实施例中,一个训练样本的输入信息,是采用以下方式获得的:
获取一个样本节点的样本特征数据,其中,样本特征数据至少包括:一个样本节点的样本业务数据及样本调度状态。
基于预设的划分规则,对样本业务数据进行划分,并基于划分结果,生成相应的样本观测信息。
对样本观测信息及样本调度状态进行组合,生成相应的样本转移信息,并将样本转移信息,作为一个训练样本的输入信息。
在一种可选的实施例中,基于预设的分位规则,对样本业务数据进行划分,并基于划分结果,生成相应的样本观测信息时,获取模块801具体用于:
基于预设的划分规则,对样本业务数据进行划分,获得相应的各个划分业务数据,并基于预设的分位规则,确定各个划分业务数据各自映射的分位区间。
基于确定的各个分位区间,分别确定各个划分业务数据各自的分位特征值。
对各个分位特征值进行组合,生成相应的样本观测信息。
在一种可选的实施例中,基于预测结果与相应的实体标签之间的损失值,调整决策模型的参数时,获取模块801具体用于:
采用极大似然估计法MLE,确定预测结果与相应的实体标签之间的损失值,并基于损失值,调整决策模型的参数。
或者,
采用极大期望算法EM,确定预测结果与相应的实体标签之间的损失值,并基于损失值,调整决策模型的参数。
在一种可选的实施例中,输出收敛决策模型后,获取模块801还用于:
基于训练样本集合中的训练样本,继续对收敛决策模型进行多轮迭代训练,并在满足预设的关联约束条件时,输出目标决策模型;其中,在一轮迭代训练过程中,执行以下操作:
采用收敛决策模型,基于训练样本中输入信息,获得测试结果,并基于测试结果与相应的实体标签之间的损失值,调整收敛决策模型的参数。
与上述申请实施例基于同一发明构思,本申请实施例中还提供了一种电子设备,该电子设备可以用于资源调度智能决策。在一种实施例中,该电子设备可以是服务器,也可以是终端设备或其他电子设备。在该实施例中,电子设备的结构可以如图9所示,包括存储器901,通讯接口903以及一个或多个处理器902。
存储器901,用于存储处理器902执行的计算机程序。存储器901可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统,以及运行即时通讯功能所需的程序等;存储数据区可存储各种即时通讯信息和操作指令集等。
存储器901可以是易失性存储器(volatile memory),例如随机存取存储器(random-access memory,RAM);存储器901也可以是非易失性存储器(non-volatilememory),例如只读存储器,快闪存储器(flash memory),硬盘(hard disk drive,HDD)或固态硬盘(solid-state drive,SSD)、或者存储器901是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器901可以是上述存储器的组合。
处理器902,可以包括一个或多个中央处理单元(Central Processing Unit,CPU)或者为数字处理单元等。处理器902,用于调用存储器901中存储的计算机程序时实现上述资源调度智能决策方法。
通讯接口903用于与终端设备和其他服务器进行通信。
本申请实施例中不限定上述存储器901、通讯接口903和处理器902之间的具体连接介质。本申请实施例在图9中以存储器901和处理器902之间通过总线904连接,总线904在图9中以粗线表示,其它部件之间的连接方式,仅是进行示意性说明,并不引以为限。总线904可以分为地址总线、数据总线、控制总线等。为便于表示,图9中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
根据本申请的一个方面,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,处理器执行该计算机指令,使得该计算机设备执行上述实施例中的任一种资源调度智能决策方法。所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
根据本申请的一个方面,本申请还提供了一种计算机程序产品,所述计算机程序产品在被计算机调用时,使得所述计算机执行如第一方面所述的方法。
本申请实施例提供一种资源调度智能决策方法,通过将获得的历史特征数据输入训练好的目标决策模型,使得目标决策模型基于自身训练的神经网络,预测出针对目标节点的目标调度状态,以及其相应的状态预测概率,进一步的,在状态预测概率不小于预设的状态概率阈值时,将上述目标调度状态,作为目标节点的资源调度结果;基于上述方式,管理对象能够通过目标决策模型预测出的目标调度状态,快速、准确地确定出目标节点的资源调度结果,从而避免了因维度权重调整而带来的大量等待时间,使得资源调度决策效率得以进一步提高。
本申请是参照根据本申请的方法、设备(系统)、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。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (15)
1.一种资源调度智能决策方法,其特征在于,包括:
获取目标节点的历史特征数据,所述历史特征数据至少包括:所述目标节点的历史业务数据及历史调度状态,其中,所述目标节点具有至少一个指定的业务功能;
基于预设的目标决策模型,对所述历史业务数据进行特征提取,获得所述目标节点的业务特征,并基于所述历史调度状态,对所述目标节点的目标调度状态进行预测,获得相应的状态预测概率;
在所述状态预测概率不小于预设的状态概率阈值时,将所述状态预测概率表征的目标调度状态,作为所述目标节点的资源调度结果。
2.如权利要求1所述的方法,其特征在于,所述获取目标节点的历史特征数据之前,还包括:
获取训练样本集合,其中,一个训练样本中包括:对应一个样本节点确定的输入信息及实体标签;所述样本节点具有至少一个指定的业务功能;
采用所述训练样本集合中的训练样本,对预设的决策模型进行多轮迭代训练,在满足预设的收敛条件时,输出收敛决策模型;其中,在一轮迭代训练过程中,执行以下操作:
采用所述决策模型,基于训练样本中输入信息,获得预测结果,并基于所述预测结果与相应的实体标签之间的损失值,调整所述决策模型的参数。
3.如权利要求2所述的方法,其特征在于,所述一个训练样本的输入信息,是采用以下方式获得的:
获取一个样本节点的样本特征数据,其中,所述样本特征数据至少包括:所述一个样本节点的样本业务数据及样本调度状态;
基于预设的划分规则,对所述样本业务数据进行划分,并基于划分结果,生成相应的样本观测信息;
对所述样本观测信息及所述样本调度状态进行组合,生成相应的样本转移信息,并将所述样本转移信息,作为所述一个训练样本的输入信息。
4.如权利要求3所述的方法,其特征在于,所述基于预设的分位规则,对所述样本业务数据进行划分,并基于划分结果,生成相应的样本观测信息,包括:
基于预设的划分规则,对所述样本业务数据进行划分,获得相应的各个划分业务数据,并基于预设的分位规则,确定所述各个划分业务数据各自映射的分位区间;
基于确定的各个分位区间,分别确定所述各个划分业务数据各自的分位特征值;
对所述各个分位特征值进行组合,生成相应的样本观测信息。
5.如权利要求2-4任一项所述的方法,其特征在于,所述基于所述预测结果与相应的实体标签之间的损失值,调整所述决策模型的参数,包括:
采用极大似然估计法MLE,确定所述预测结果与相应的实体标签之间的损失值,并基于所述损失值,调整所述决策模型的参数;
或者,
采用极大期望算法EM,确定所述预测结果与相应的实体标签之间的损失值,并基于所述损失值,调整所述决策模型的参数。
6.如权利要求2-4任一项所述的方法,其特征在于,所述输出收敛决策模型后,还包括:
基于所述训练样本集合中的训练样本,继续对所述收敛决策模型进行多轮迭代训练,并在满足预设的关联约束条件时,输出目标决策模型;其中,在一轮迭代训练过程中,执行以下操作:
采用所述收敛决策模型,基于所述训练样本中输入信息,获得测试结果,并基于所述测试结果与相应的实体标签之间的损失值,调整所述收敛决策模型的参数。
7.一种资源调度智能决策装置,其特征在于,包括:
获取模块,用于获取目标节点的历史特征数据,所述历史特征数据至少包括:所述目标节点的历史业务数据及历史调度状态,其中,所述目标节点具有至少一个指定的业务功能;
预测模块,用于基于预设的目标决策模型,对所述历史业务数据进行特征提取,获得所述目标节点的业务特征,并基于所述历史调度状态,对所述目标节点的目标调度状态进行预测,获得相应的状态预测概率;
确定模块,用于在所述状态预测概率不小于预设的状态概率阈值时,将所述状态预测概率表征的目标调度状态,作为所述目标节点的资源调度结果。
8.如权利要求7所述的装置,其特征在于,所述获取目标节点的历史特征数据之前,还包括:
获取训练样本集合,其中,一个训练样本中包括:对应一个样本节点确定的输入信息及实体标签;所述样本节点具有至少一个指定的业务功能;
采用所述训练样本集合中的训练样本,对预设的决策模型进行多轮迭代训练,在满足预设的收敛条件时,输出收敛决策模型;其中,在一轮迭代训练过程中,执行以下操作:
采用所述决策模型,基于训练样本中输入信息,获得预测结果,并基于所述预测结果与相应的实体标签之间的损失值,调整所述决策模型的参数。
9.如权利要求8所述的装置,其特征在于,所述一个训练样本的输入信息,是采用以下方式获得的:
获取一个样本节点的样本特征数据,其中,所述样本特征数据至少包括:所述一个样本节点的样本业务数据及样本调度状态;
基于预设的划分规则,对所述样本业务数据进行划分,并基于划分结果,生成相应的样本观测信息;
对所述样本观测信息及所述样本调度状态进行组合,生成相应的样本转移信息,并将所述样本转移信息,作为所述一个训练样本的输入信息。
10.如权利要求9所述的装置,其特征在于,所述基于预设的分位规则,对所述样本业务数据进行划分,并基于划分结果,生成相应的样本观测信息,包括:
基于预设的划分规则,对所述样本业务数据进行划分,获得相应的各个划分业务数据,并基于预设的分位规则,确定所述各个划分业务数据各自映射的分位区间;
基于确定的各个分位区间,分别确定所述各个划分业务数据各自的分位特征值;
对所述各个分位特征值进行组合,生成相应的样本观测信息。
11.如权利要求8-10任一项所述的装置,其特征在于,所述基于所述预测结果与相应的实体标签之间的损失值,调整所述决策模型的参数,包括:
采用极大似然估计法MLE,确定所述预测结果与相应的实体标签之间的损失值,并基于所述损失值,调整所述决策模型的参数;
或者,
采用极大期望算法EM,确定所述预测结果与相应的实体标签之间的损失值,并基于所述损失值,调整所述决策模型的参数。
12.如权利要求8-10任一项所述的装置,其特征在于,所述输出收敛决策模型后,还包括:
基于所述训练样本集合中的训练样本,继续对所述收敛决策模型进行多轮迭代训练,并在满足预设的关联约束条件时,输出目标决策模型;其中,在一轮迭代训练过程中,执行以下操作:
采用所述收敛决策模型,基于所述训练样本中输入信息,获得测试结果,并基于所述测试结果与相应的实体标签之间的损失值,调整所述收敛决策模型的参数。
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运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-6中任一项所述的资源调度智能决策方法。
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,所述计算机程序被处理器执行时实现如权利要求1-6中任一所述方法的步骤。
15.一种计算机程序产品,其特征在于,所述计算机程序产品在被计算机调用时,使得所述计算机执行如权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210231357.5A CN114595970A (zh) | 2022-03-10 | 2022-03-10 | 资源调度智能决策方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210231357.5A CN114595970A (zh) | 2022-03-10 | 2022-03-10 | 资源调度智能决策方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114595970A true CN114595970A (zh) | 2022-06-07 |
Family
ID=81817764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210231357.5A Pending CN114595970A (zh) | 2022-03-10 | 2022-03-10 | 资源调度智能决策方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114595970A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115086244A (zh) * | 2022-06-16 | 2022-09-20 | 平安付科技服务有限公司 | 带宽分配方法、装置、计算机设备及存储介质 |
CN116703075A (zh) * | 2023-05-29 | 2023-09-05 | 中国南方电网有限责任公司 | 电力调度决策方法、装置、电子设备及存储介质 |
-
2022
- 2022-03-10 CN CN202210231357.5A patent/CN114595970A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115086244A (zh) * | 2022-06-16 | 2022-09-20 | 平安付科技服务有限公司 | 带宽分配方法、装置、计算机设备及存储介质 |
CN116703075A (zh) * | 2023-05-29 | 2023-09-05 | 中国南方电网有限责任公司 | 电力调度决策方法、装置、电子设备及存储介质 |
CN116703075B (zh) * | 2023-05-29 | 2024-04-16 | 中国南方电网有限责任公司 | 电力调度决策方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109872535B (zh) | 一种智慧交通通行预测方法、装置及服务器 | |
US7752628B2 (en) | Method and apparatus for reassigning objects to processing units | |
CN114595970A (zh) | 资源调度智能决策方法、装置、电子设备及存储介质 | |
CN111709566A (zh) | 一种银行网点业务预测及调度方法 | |
CN110389820B (zh) | 一种基于v-TGRU模型进行资源预测的私有云任务调度方法 | |
JP7401677B2 (ja) | モデル更新システム、モデル更新方法及び関連装置 | |
CN111985851B (zh) | 银行网点资源调度方法及装置 | |
CN114118691A (zh) | 基于业务量的排班方案处理方法、装置、设备和介质 | |
CN112508723B (zh) | 基于自动择优建模的金融风险预测方法、装置和电子设备 | |
US11310125B2 (en) | AI-enabled adaptive TCA thresholding for SLA assurance | |
CN109976901A (zh) | 一种资源调度方法、装置、服务器及可读存储介质 | |
CN112508695A (zh) | 基于市场风险的金融风险预测方法、装置和电子设备 | |
CN104866922A (zh) | 一种用户离网的预测方法及装置 | |
Rani et al. | Amazon Employee Access System using Machine Learning Algorithms | |
CN111105050B (zh) | 风机维护计划的生成方法、装置、设备及存储介质 | |
CN113570114B (zh) | 一种资源服务智能匹配方法、系统和计算机设备 | |
CN107580329A (zh) | 一种网络分析优化方法及装置 | |
EP0883067A1 (en) | A method and apparatus for determining how many input values of a time series of data are required for forecasting a future value of the time series | |
Hanczewski et al. | Concept of an analytical model for cloud computing infrastructure | |
Meng et al. | Vehicle routing plan based on ant colony and insert heuristic algorithm | |
CN115002042B (zh) | 基于机器学习的专线流量管控方法、装置及计算机设备 | |
CN115037625B (zh) | 网络切片处理方法、装置、电子设备及可读存储介质 | |
JP7306487B2 (ja) | テレワーク効果予測装置、方法及びプログラム | |
CN117391644B (zh) | 一种合同管理过程中参数调整方法、装置、设备及介质 | |
CN111798148B (zh) | 项目分配方法、装置、计算机设备及存储介质 |
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 |