CN114943456A - 资源的调度方法、装置、电子设备及存储介质 - Google Patents

资源的调度方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114943456A
CN114943456A CN202210612961.2A CN202210612961A CN114943456A CN 114943456 A CN114943456 A CN 114943456A CN 202210612961 A CN202210612961 A CN 202210612961A CN 114943456 A CN114943456 A CN 114943456A
Authority
CN
China
Prior art keywords
resource
area
scheduling
historical
demand
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.)
Granted
Application number
CN202210612961.2A
Other languages
English (en)
Other versions
CN114943456B (zh
Inventor
张聪
吴帆
范文浩
刘元安
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.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
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 Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN202210612961.2A priority Critical patent/CN114943456B/zh
Publication of CN114943456A publication Critical patent/CN114943456A/zh
Application granted granted Critical
Publication of CN114943456B publication Critical patent/CN114943456B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/06—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
    • G06F18/23—Clustering techniques
    • 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
    • G06Q10/06315—Needs-based resource requirements planning or analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Educational Administration (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

本公开提供一种资源的调度方法、装置、电子设备及存储介质，该方法包括：获取目标区域的历史资源使用数据，并根据所述历史资源使用数据，将所述目标区域划分为若干资源使用区域；预测所述资源使用区域的资源需求量；根据所述资源需求量生成所述目标区域的资源调度方案。本公开可以均衡资源在时空上的分布，提高资源的整体利用率。

Description

资源的调度方法、装置、电子设备及存储介质
技术领域
本公开涉及资源调度技术领域，尤其涉及一种资源的调度方法、装置、电子设备及存储介质。
背景技术
本部分旨在为权利要求书中陈述的本公开的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
在资源调度能力受限情况下的基于用户资源需求的资源调度业务中，面对时空动态变化的资源与用户需求实时适配问题，如何全面、快速、准确地根据用户需求对资源进行动态调度是资源动态适配的重要问题。
调度能力有限的情况下完成区域间的资源调度，是现实生活中很多应用领域面临的一个难题。如无桩共享单车的调度问题，在早高峰时段用户对共享单车的骑行需求往往是从居民区或公交地铁站附近到办公区和商业区附近，而晚高峰时段用户对共享单车的骑行需求往往是从办公区或商业区附近到居民区或地铁站附近。因此为了满足城市用户对单车资源的动态需求，需要动态的根据用户对单车的使用需求调配城市中各个区域的单车资源；物流供应量的调度问题，在物流配送中用户有收取物品的需求和基础物品需求，如商家发送快递或外卖，用户接受快递和外卖等。需要根据用户的不同需求调配相应的物品配送方案等。实际对各个区域之间资源进行调度和调配的过程中，其对资源的调度能力会受到人力、时间、承载能力等诸多因素的限制。
因此，如何在有限的资源和有限的资源调度能力的双重约束下，更好地满足用户对资源的需求，成为亟待解决的问题。即面对高时空动态性的有限资源分布和受限资源调度能力场景下，如何全面、快速、准确地根据用户需求对资源进行调度是资源动态调度领域面临的重要问题和重大挑战。
发明内容
有鉴于此，本公开的目的在于提出一种资源的调度方法、装置、电子设备及存储介质。
基于上述目的，本公开示例性实施例提供了一种资源的调度方法，包括：
获取目标区域的历史资源使用数据，并根据所述历史资源使用数据，将所述目标区域划分为若干资源使用区域；
预测所述资源使用区域的资源需求量；
根据所述资源需求量生成所述目标区域的资源调度方案。
在一些示例性实施例中，所述历史资源使用数据中包括历史资源使用位置；
则所述根据所述历史资源使用数据，将所述目标区域划分为若干资源使用区域，包括：
根据所述历史资源使用位置对所述目标区域进行空间网格编码，得到若干所述网格编码区域；
根据所述网格编码区域之间的位置关系，对所述网格编码区域进行关联，得到局域性联通区域；
确定所述局域性联通区域中的所述网格编码区域中的所述历史资源使用位置的出现频次；
结合所述出现频次，对所述局域性联通区域中的所述历史资源使用位置进行聚类，得到聚集簇，并确定包含所述聚集簇中的所述历史资源使用位置的外接多边形，将所述外接多边形作为所述资源使用区域。
在一些示例性实施例中，所述根据所述网格编码区域之间的位置关系，对所述网格编码区域进行关联，得到局域性联通区域，包括：
对于每个所述网格编码区域，根据该网格编码区域的边界，确定与该网格编码区域邻近的网格编码区域，得到所述局域性联通区域。
在一些示例性实施例中，所述结合所述出现频次，对所述局域性联通区域中的所述历史资源使用位置进行聚类，得到聚集簇，并确定包含所述聚集簇中的所述历史资源使用位置的外接多边形，将所述外接多边形作为所述资源使用区域，包括：
确定所述局域性联通区域的密度相关参数；其中，所述密度相关参数包括所述局域性联通区域中的所述网格编码区域的数量和每个所述网格编码区域中的所述历史资源使用位置的所述出现频次；
结合所述密度相关参数，通过预设的算法对所述局域性联通区域中的所述历史资源使用位置进行聚类，得到所述聚集簇，并确定包含所述聚集簇中的所述历史资源使用位置的所述外接多边形，将所述外接多边形作为所述资源使用区域。
在一些示例性实施例中，所述预测所述资源使用区域的资源需求量，包括：
通过预先构建的资源需求量预测模型，预测所述资源使用区域的所述资源需求量。
在一些示例性实施例中，所述根据所述资源需求量调度所述目标区域的资源，包括：
将所述资源使用区域的地理信息和所述资源需求量输入预先构建的资源调度策略生成模型，得到所述资源调度策略生成模型输出的资源调度策略，根据所述资源调度策略调度所述目标区域的资源。
在一些示例性实施例中，还包括：
构建针对所述资源调度策略生成模型的网络参数优化模型，所述网络参数优化模型中包括策略评估网络、策略选择网络和资源调度任务的奖赏函数，采用梯度优化方法对所述资源调度策略生成模型的网络参数进行优化。
基于同一发明构思，本公开示例性实施例还提供了一种资源的调度装置，包括：
资源使用区域确定模块，被配置为获取目标区域的历史资源使用数据，并根据所述历史资源使用数据，将所述目标区域划分为若干资源使用区域；
资源需求量确定模块，被配置为预测所述资源使用区域的资源需求量；
调度模块，被配置为根据所述资源需求量生成所述目标区域的资源调度方案。
基于同一发明构思，本公开示例性实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上任意一项所述的方法。
基于同一发明构思，本公开示例性实施例还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行如上任一所述方法。
从上面所述可以看出，本公开实施例提供的资源的调度方法、装置、电子设备及存储介质，该方法包括：获取目标区域的历史资源使用数据，并根据所述历史资源使用数据，将所述目标区域划分为若干资源使用区域；预测所述资源使用区域的资源需求量；根据所述资源需求量生成所述目标区域的资源调度方案。本公开可以均衡资源在时空上的分布，提高资源的整体利用率。
附图说明
为了更清楚地说明本公开或相关技术中的技术方案，下面将对实施例或相关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公开的实施例，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为根据本公开示例性实施例提供的资源的调度方法的应用场景示意图；
图2为本公开示例性实施例提供的资源的调度方法的一种流程示意图；
图3为根据本公开示例性实施例提供的资源使用区域的确定方法的一种流程示意图；
图4为根据本公开示例性实施例提供的用户资源使用区域自动识别算法的一种流程图；
图5为根据本公开示例性实施例提供的资源使用区域用户资源需求量预测模型图；
图6为根据本公开示例性实施例提供的资源调度管理平台系统框图；
图7为本公开示例性实施例提供的资源的调度装置的一种结构示意图；
图8为本公开示例性实施例提供的电子设备的一种结构示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白，下面将参考若干示例性实施方式来描述本公开的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本公开，而并非以任何方式限制本公开的范围。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
根据本公开的实施方式，提出了一种资源的调度方法、装置、电子设备及存储介质。
在本文中，需要理解的是，附图中的任何元素数量均用于示例而非限制，以及任何命名都仅用于区分，而不具有任何限制含义。
需要说明的是，除非另外定义，本公开实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
下面参考本公开的若干代表性实施方式，详细阐释本公开的原理和精神。
参考图1，其为本公开实施例提供的资源的调度方法的应用场景示意图。该应用场景包括终端设备101、服务器102和数据存储系统103。其中，终端设备101、服务器102以及数据存储系统103之间均可通过有线或无线的通信网络连接。终端设备101包括但不限于桌面计算机、移动电话、移动电脑、平板电脑、媒体播放器、智能可穿戴设备、个人数字助理(personal digital assistant，PDA)或其它能够实现上述功能的电子设备等。服务器102和数据存储系统103均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，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。
服务器102用于向终端设备101的用户提供资源的调度服务，终端设备101中安装有与服务器102通信的客户端，用户可通过该客户端输入一个目标区域，点击确定后，客户端将目标区域发送给服务器102，服务器102获取目标区域的历史资源使用数据，并根据所述历史资源使用数据，将所述目标区域划分为若干资源使用区域；预测所述资源使用区域的资源需求量；根据所述资源需求量生成所述目标区域的资源调度方案。服务器102将资源调度方案发送给客户端，客户端向用户展示资源调度方案，以帮助用户进行资源调度。
数据存储系统103中存储有大量数据，数据的来源包括但不限于已有的数据库、从互联网爬取的数据或者在用户使用客户端时上传的数据。
下面结合图1的应用场景，来描述根据本公开示例性实施方式的资源的调度方法。需要注意的是，上述应用场景仅是为了便于理解本公开的精神和原理而示出，本公开的实施方式在此方面不受任何限制。相反，本公开的实施方式可以应用于适用的任何场景。
参考图2，其为本公开示例性实施例提供的资源的调度方法的一种流程示意图。
资源的调度方法，包括以下步骤：
步骤S202、获取目标区域的历史资源使用数据，并根据所述历史资源使用数据，将所述目标区域划分为若干资源使用区域。
其中，目标区域指的是需要进行资源调度的区域。
其中，本公开所称资源调度，是面对实体资源的调度，包括例如共享充电宝、共享单车和共享雨伞等共享资源的调度，同城闪送、外卖配送和快递配送等运输资源的调度等，以及出租车、网约车和城铁等交通资源的调度，而非关于网络宽带资源和处理器硬件资源的调度。
参考图3，其为本公开示例性实施例提供的资源使用区域的确定方法的一种流程示意图。
在一些示例性实施例中，所述历史资源使用数据中包括历史资源使用位置；
则所述根据所述历史资源使用数据，将所述目标区域划分为若干资源使用区域，包括：
步骤S302、根据所述历史资源使用位置对所述目标区域进行空间网格编码，得到若干所述网格编码区域。
其中，空间网格是将空间区域剖分成不同尺度单元的空间参考系统。网格编码利用地理空间位置的结构化索引表达技术，将代码分配给空间网格系统的每个网格单元，实现网格位置的统一标识。空间网格剖分模型提供空间的统一离散网格，形成分层级、多尺度的网格单元。对网格单元空间位置的描述需要通过其标识符实现，即编码。
在一些示例性实施例中，所述根据所述历史用户资源使用位置对目标区域进行空间网格编码之前，还包括：
对所述历史用户资源使用位置进行预处理；其中，所述预处理包括过滤无效数据和噪声数据。
在一些示例性实施例中，所述根据所述历史用户资源使用位置对目标区域进行空间网格编码之后，还包括：
过滤若干所述网格编码区域中时间覆盖范围小于预设的阈值的所述网格编码区域。
在一些实施例中，根据所述网格编码区域对应的时间序列，确定所述网格编码区域的时间覆盖范围；在此基础上，过滤若干所述网格编码区域中时间覆盖范围小于预设的阈值的所述网格编码区域。
步骤S304、根据所述网格编码区域之间的位置关系，对所述网格编码区域进行关联，得到局域性联通区域。
在一些示例性实施例中，所述根据所述网格编码区域之间的位置关系，对所述网格编码区域进行关联，得到局域性联通区域，包括：
对于每个所述网格编码区域，根据该网格编码区域的边界，确定与该网格编码区域邻近的网格编码区域，得到所述局域性联通区域。
具体实施时，可以包括：
(1)计算出所有网格编码区域的中心点坐标和边界。
(2)设定两个中心点之间的距离为邻域搜索半径r。
(3)从已经编码好的网格区域中随机选择n个点进行邻域搜索(即寻找在邻域搜索半径范围内的网格中心点)，并把搜索到的相邻网格存储到R-tree中。
(4)对从不同方向得到的相关联部分进行合并，不进行重复搜索，同时对关联的区域进行统一标记。
(5)完成第一次搜索后，再进行相同的步骤，直到所有的网格区域都已经进行标记，则停止搜索，生成最终的位置地理联通区域。
步骤S306、确定所述局域性联通区域中的所述网格编码区域中的所述历史资源使用位置的出现频次。
具体实施时，可以包括：
对局域性联通地理区域中出现的资源使用位置点，采用网格均值采样的方式，对每个网格中出现的经纬度点进行均值采样(如网格大小采用1m*1m)，以降低位置数据规模并提高位置点数据质量。然后对每个网格的位置点出现的频次进行统计，并把每个网格中位置点的频次作为每个网格资源使用热度的判别指标。
步骤S308、结合所述出现频次，对所述局域性联通区域中的所述历史资源使用位置进行聚类，得到聚集簇，并确定包含所述聚集簇中的所述历史资源使用位置的外接多边形，将所述外接多边形作为所述资源使用区域。
在一些示例性实施例中，所述结合所述出现频次，对所述局域性联通区域中的所述历史资源使用位置进行聚类，得到聚集簇，并确定包含所述聚集簇中的所述历史资源使用位置的外接多边形，将所述外接多边形作为所述资源使用区域，包括：
确定所述局域性联通区域的密度相关参数；其中，所述密度相关参数包括所述局域性联通区域中的所述网格编码区域的数量和每个所述网格编码区域中的所述历史资源使用位置的所述出现频次；
结合所述密度相关参数，通过预设的算法对所述局域性联通区域中的所述历史资源使用位置进行聚类，得到所述聚集簇，并确定包含所述聚集簇中的所述历史资源使用位置的所述外接多边形，将所述外接多边形作为所述资源使用区域。
参考图4，其为根据本公开示例性实施例提供的用户资源使用区域自动识别算法流程图。
具体实施时，可以包括：
以局域性联通的地理区域为基础，对联通区域中的位置点数据进行聚类操作，在聚类的过程中根据该区域中每个网格资源使用热度对基础位置点采样阈值进行调节，同时采用基于位置点之间距离和密度的聚类方法对位置数据进行聚类操作形成不同聚集簇，同时根据簇内的位置点求解出包含簇内所有位置点的外接多边形。同时随机选取一段时间(一周或一月)的用户资源使用位置数据，计算当前求解的聚集簇多边形包含用户资源使用位置数据的比例(用户资源使用地点覆盖率)当该比例低于设定的阈值时，在生成原有定位簇的基础上，计算不包含在当前聚集簇外接多边形范围内的资源位置点数据，迭代执行下述(1)-(3)的步骤，并在第(4)步中调节基础位置点采样阈值，在原有聚集簇数据的基础上增加聚类簇的个数。以最终满足资源使用地点覆盖率需求。其中对局域性联通区域中的位置数据进行聚类的方法为如下：
(1)计算局域性联通的密度相关参数，包括：联通区的包含的总网格数目，联通区每个网格的平均资源使用热度。
(2)根据每个局域性联通区域的密度参数，设置不同的基于DBSCAN(Density-Based Spatial Clustering of Applications with Noise)的算法参数。参数设置依据局域性联通的总网格数目和联通区每个网格的平均资源使用热度。其中局域性联通的总网格数目控制DBSCAN算法中∈-邻域的距离阈值。当联通区的总网格数目比较大时，DBSCAN算法中∈-邻域的距离阈值将会相应设置为一个相对较小的数值。这样将会增大打联通区域中聚类簇的个数，使其可以更好满足，面积的限制条件。联通区每个网格的平均资源使用热度控制DBSCAN算法中样本点要成为核心对象所需要的∈-邻域的样本数阈值”min_samples”。当联通区每个网格的平均资源使用热度相对较大时，在∈-邻域的距离阈值”min_samples”设置相对较大，使其更加容易发现冗余数据中的噪声数据。
(3)根据算法形成的聚集簇内的位置点求解出包含簇内所有位置点的外接多边形。
(4)随机选取一段时间(一周或一月)的用户资源使用位置数据，计算当前求解的聚集簇多边形包含用户资源使用位置数据的比例(用户资源使用地点覆盖率)当该比例低于设定的阈值时，在生成原有定位簇的基础上，计算不包含在当前聚集簇外接多边形范围内的资源位置点数据，迭代执行上述(1)-(3)的步骤，并在聚类算法中调节基础位置点采样阈值，在原有聚集簇数据的基础上增加聚类簇的个数，以最终满足资源使用地点覆盖率需求。
在一些示例性实施例中，在S308之后，还包括：
根据地貌数据对聚集簇的多边形边界进行修正，对定位数据簇的多边形中包含的道路和建筑物进行去除，在根据地貌数据修正边界时，同时验证修正后定位数据簇的多边形包含的定位数据的比例(例如，用户骑行行为覆盖率)是否满足要求，如果比例过小，则对定位数据簇的多边形的边界按照一定的扩张在比例进行扩展，以使定位数据簇的多边形骑行行为覆盖率达到预设要求。
从上面所述可以看出，S202的目的和效果在于：基于历史用户资源使用数据中的历史用户资源使用位置，对用户资源使用行为易发生的区域进行地理区域挖掘和区域边界自动识别，设计的双层协同聚类方法可以在满足用户资源使用习惯的基础上为用户提供较佳的资源使用区域，使其可以更好的支持用户资源调度。
步骤S204、预测所述资源使用区域的资源需求量。
在一些示例性实施例中，所述预测所述资源使用区域的资源需求量，包括：
通过预先构建的资源需求量预测模型，预测所述资源使用区域的所述资源需求量。
参考图5，其为根据本公开示例性实施例提供的资源使用区域用户资源需求量预测模型图。
具体实施时，可以包括：
根据用户各时段的资源使用历史数据，设计资源使用区域各时段的资源需求量预测模型。目的是对用户各时段在不同资源使用区域的资源需求情况提供稳定的精准预测，使其可以更好支持用户资源需求的调度，提高资源的综合利用率。
由于用户资源使用的个性化和不确定的资源使用方式，资源的使用可以在城市的任何位置，例如隐藏在住宅区、商业中心区等地方。这些导致不同地区用户的资源需求通常是高度动态的，并且在时间和空间上都发生了变化。同时间段内，客户在各个资源使用区域有不同的资源使用需求。因此，设计了用户资源需求预测模型，为后来提出的资源调度算法提供数据驱动的洞察，帮助其更好地运行。
用户资源需求受多种复杂因素的影响，包括其地理位置、用户资源使用历史行为模式特征(各时间段内资源使用区域的资源需求情况)、气象特征(气温、相对湿度、降水、风速、风向、能见度、气压、天气条件类型和空气质量信息)、时间特征(一天中的高峰或正常时间、一天中的某个小时、一周中的哪一天、假日或工作日、月中的一周、季节中的月份)等。
用户资源需求预测问题，可以定义为用户资源使用区域中用户资源需求预测。在本研究中，使用
Figure BDA0003672518070000101
表示t时刻所有资源使用区域的用户资源需求值。χ＝(X1,X2,…,Xτ)T∈RN×τ表示以上所有资源使用区域的在τ个时间段的用户资源需求值。
使用协变量
Figure BDA0003672518070000102
来表示
Figure BDA0003672518070000103
的t期间的气象和时间特征，其中M是气象和时间特征的总特征数。给定它的过去时间序列
Figure BDA0003672518070000104
和协变量值
Figure BDA0003672518070000105
其中τ+1是预测的开始时间点。
Figure BDA0003672518070000106
表示从τ+1到T时刻资源使用区域i的用户资源需求数量。
Figure BDA0003672518070000107
Figure BDA0003672518070000108
代表过去τ时间片中区域i用户资源需求。在的模型中，假设用户的资源需求数量满足负二项分布。因此资源使用区域i的资源使用需求的分布
Figure BDA0003672518070000109
可以建模为：
Figure BDA0003672518070000111
Figure BDA0003672518070000112
Figure BDA0003672518070000113
Figure BDA0003672518070000114
在这里模型的优化目标是：
Figure BDA0003672518070000115
然后根据梯度下降法对该函数进行优化求解。
从上面所述可以看出，S204的目的和效果在于：基于历史用户资源使用数据中的资源需求量和外部影响因素，对各个资源使用区域中的用户资源使用情况进行精准识别，设计的多维信息资源需求预测方法可以精准的对资源使用区域的资源使用量进行预测，使其可以更好的支持用户资源调度过程。
步骤S206、根据所述资源需求量生成所述目标区域的资源调度方案。
在一些示例性实施例中，所述根据所述资源需求量调度所述目标区域的资源，包括：
将所述资源使用区域的地理信息和所述资源需求量输入预先构建的资源调度策略生成模型，得到所述资源调度策略生成模型输出的资源调度策略，根据所述资源调度策略调度所述目标区域的资源。
具体实施时，可以包括：
根据用户在各资源使用区域的资源需求数据、资源使用区域的位置数据和当前资源调度能力数据，设计资源动态调度任务资源分布环境状态信息的嵌入向量表达和资源动态调度任务决策生成模型。为了实现资源调度任务特征的嵌入向量表达，使资源任务调度过程可以转化为调度序列决策的问题，提出一种多智能体的资源调度决策生成模型，该模型主要分为资源调度任务特征输入信息嵌入编码阶段和多智能体的资源调度任务策略输出两个阶段。
第一阶段，即资源动态调度任务特征输入信息嵌入编码阶段，设计出全新的、高效的，基于深度网络的资源调度任务特征嵌入表达模型，实现动态地对资源调度任务特征的状态信息和资源调度决策序列上下文信息的嵌入向量表达。首先把资源调度任务的特征划分为静态特征S和动态特征构成。
其中，静态特征S由用户资源使用区域的地理位置数据组成，例如在用户资源使用区域i的静态特征Si＝(xi,yi)。动态特征D由用户资源使用区域的资源需求量和当前时刻的智能体的调度能力组成，例如在t时刻用户资源使用区域i和智能体m的动态特征可以表示为
Figure BDA0003672518070000121
其中
Figure BDA0003672518070000122
代表当前第m智能体的资源调度能力，
Figure BDA0003672518070000123
代表在用户资源使用区域i处的资源需求量，所以对应t时刻的第m个智能体的资源调度任务特征的输入信息可以表示为
Figure BDA0003672518070000124
为了使的模型能够更有效地从高维输入表示中提取有用的特征。设计资源调度任务的嵌入向量表达模型，在这一部分设计一维深度卷积模型对输入信息进行合适的向量编码，从而得到输入信息It的嵌入向量表达
Figure BDA0003672518070000125
多智能体资源调度任务上下文决策编码，采用LSTM网络对资源调度的决策序列进行编码，得到其隐藏层状态特征输出向量ht，其中ht是
Figure BDA0003672518070000126
在t时刻的LSTM网络中对以前第m个智能体资源调度策略的存储状态。
第二阶段，多智能体的资源调度任务策略输出阶段，构建基于注意力机制的深度学习模型，实现多智能体资源调度任务决策的生成。其具体步骤如下：
(1)假设由n个用户资源使用区域，m个智能体对资源进行调度。根据资源调度任务中不同时空约束条件，建立资源调度任务的优化目标函数和实际约束条件。
Figure BDA0003672518070000127
Figure BDA0003672518070000131
Figure BDA0003672518070000132
Figure BDA0003672518070000133
(2)建立资源调度任务的调度策略动作空间，其中调度任务的策略动作空间由需要进行资源调度的用户资源使用区域组成。其中策略调度的主要思想是找到一个资源调度策略作为对用户资源使用区域进行资源调度序列，其中在对每个用户资源使用区域进行调度的过程中，其智能体m对用户资源使用区域rt的实际调度调度的资源数量为
Figure BDA0003672518070000134
在对各个用户资源使用区域的资源进行调度的过程中，智能体可以在资源使用区域收取冗余资源或配置缺少的资源。因此，智能体的当前调度能力和调度的资源数量根据访问资源使用区域的不同而变化。如果用
Figure BDA0003672518070000135
来表示在第t步智能体m访问了用户资源使用区域rt，则智能体m的当前调度能力变化
Figure BDA0003672518070000136
和调度的资源数量
Figure BDA0003672518070000137
计算如下：
当
Figure BDA0003672518070000138
时，智能体的当前调度能力lt计算如下：
Figure BDA0003672518070000139
当前时刻访问策略调度的资源数量
Figure BDA00036725180700001310
计算如下：
Figure BDA00036725180700001311
当
Figure BDA00036725180700001312
智能体的当前调度能力lt计算如下：
Figure BDA00036725180700001313
当前时刻访问策略调度的资源数量
Figure BDA00036725180700001314
计算如下：
Figure BDA00036725180700001315
其中lt和l0表示智能体的当前调度能力和初始化车辆的容量，M为每个智能体最大的调度能力。
Figure BDA0003672518070000141
表示在第t步用户资源使用区域rt的用户资源需求。如果
Figure BDA0003672518070000142
则表示智能体应在对应的资源使用区域收取冗余资源。
(3)构建注意力机制的深度学习模型中注意力机制将多智能体资源调度任务过程中查询的信息用一组键值对映射到调度任务策略输出上。在产生t时刻各智能体需调度用户资源使用区域的决策序列时，模型的注意层拟采用可变长度对齐向量
Figure BDA0003672518070000143
(k代表第k个智能体)从输入向量中提取相关信息。即
Figure BDA0003672518070000144
表示每个输入向量在t时刻智能体k调度中有多少相关。对于智能体k来说，注意层的对齐向量可以通过以下公式计算：
Figure BDA0003672518070000145
其中
Figure BDA0003672518070000146
是嵌入式输入
Figure BDA0003672518070000147
而ht在t时刻的LSTM网络中对以前智能体感知任务调度策略的存储状态。V_a和Wa为可训练变量。
然后通过对齐向量
Figure BDA0003672518070000148
并使用全局注意力机制来计算上下文向量
Figure BDA0003672518070000149
Figure BDA00036725180700001410
最后通过加权组合
Figure BDA00036725180700001411
来计算t时刻智能体k调度过程中资源调度任务策略选择调度区域的条件概率。
Figure BDA00036725180700001412
其中，VC和WC是策略选择动作条件概率
Figure BDA00036725180700001413
中的可训练变量。
根据调度能力受限场景下的资源调度问题设计了一个特定的无效资源调度决策动作的Masking方案，其可以在生成资源调度动作决策中将不可行的调度动作屏蔽掉，具体实现方式为令无效策略选择调度区域的条件概率
Figure BDA00036725180700001414
以便更快地生成可行的解决方案。无效决策动作的Masking可以总结如下：(1)将当前时刻资源配置需求量为零的资源调度区域的动作屏蔽；(2)如果当前放置资源的调度能力为零(即可以回收冗余的资源而不能调度缺失的资源)，则设置资源配置需求量大于零的资源调度区域不允许访问；(3)如果当前放置资源的调度能力为lmax(即可以度缺失的资源而不能回收冗余的资源)，则设置资源配置需求量小于零的站点被屏蔽不允许访问。
在一些示例性实施例中，还包括：
构建针对所述资源调度策略生成模型的网络参数优化模型，所述网络参数优化模型中包括策略评估网络、策略选择网络和资源调度任务的奖赏函数，采用梯度优化方法对所述资源调度策略生成模型的网络参数进行优化。
具体实施时，可以包括：
其训练过程将在下述构建的基于深度强化学习的理论方法进行迭代更新。
建立基于深度强化学习的多智能体资源调度任务网络参数优化模型。使其可以在无标签数据场景下完成多智能体资源调度任务决策生成模型的参数优化，可以得到高效的资源调度任务策略方案。设计基于强化学习的任务调度网络参数优化模型，首先构建多智能体资源调度任务的网络参数优化模型的策略评估网络、策略选择网络(注意力机制网络)和资源调度任务的奖赏函数。采用梯度优化方法对构建多智能体资源调度策略的深度网络模型参数进行优化。以此解决相应的资源调度策略优化问题，使其生成不同时空约束条件下的用户资源调度策略π*。
Figure BDA0003672518070000151
Figure BDA0003672518070000152
其中π＝{π1,π2,…,πm,…,πs}是上述基于注意力机制的深度学习模型生成的多智能体资源调度任务策略序列，πm＝{r1,r2,…,rt,…}是智能体m的资源调度决策序列，
Figure BDA0003672518070000153
是t时隙的资源调度任务特征的输入信息经过深度网络模型的嵌入向量表达。针对于上述产生的调度策略，假设深度网络模型的参数为θ，则可以通过策略梯度优化的方法来优化目标函数
Figure BDA0003672518070000154
Figure BDA0003672518070000155
来得到多智能体调度最优的策略模型。
其中πm＝{r1,r2,…,rt,…}是基于注意力机制策略生成网络生成的调度策略。
Figure BDA0003672518070000156
奖励反映了通过在状态
Figure BDA0003672518070000157
中执行动作a＝rt观察到的回报值。奖励函数指导强化学习算法调整策略π使得调度过程中的总奖励最大化。定义在第t步的资源调度过程中奖励函数如公式1所示：
Figure BDA0003672518070000158
其中
Figure BDA0003672518070000159
是智能体m在第t步资源调度过程中，对rt处的资源进行调度的资源总数。J(θ)导数的计算如下式2所示：
Figure BDA0003672518070000161
为了模型的稳定性在平衡偏差和方差方面，强化学习算法中牺牲一定的偏差来换取模型方差的变小。这里采用TD-Error估计轨迹的回报，则调度策略期望的导数可以转换为带有优势函数求解形式，如公式3所示：
Figure BDA0003672518070000162
Figure BDA0003672518070000163
Figure BDA0003672518070000164
其中Qφ是动作价值函数，
Figure BDA0003672518070000165
是步骤t的优势函数。这里使用TD-Error的形式来估计优势函数，其计算如下所示：
Figure BDA0003672518070000166
其中，价值函数
Figure BDA0003672518070000167
用于估计从阶段t及以后状态
Figure BDA0003672518070000168
可以获得的预期总奖励，用Critic Network对调度策略的价值进行评估，其表达形式如公式4-20所示：
Figure BDA0003672518070000169
通过迭代训练对资源调度策略动作选择网络的参数进行优化。在完成训练后，可以利用训练好的策略动作选择网络计算每一步资源调度动作概率pθ分布函数，并根据Masking方案选取动作概率最大值作为当前调度状态下的调度策略动作，最终生成调度能力受限场景下资源调度优化策略π＝{π1,π2,…,πm,…,πs}，从而实现资源调度系统的整体资源利用率和优化用户资源需求的满意度。
从上面所述可以看出，S206的目的和效果在于：基于用户在各个资源使用区域的资源使用量分布，对用户资源使用行为易发生的区域的资源配置进行高效的自动配置，设计的基于注意力网络机制的多智能体协同资源调度方法可以根据用户对资源的需求为各个资源使用区域进行高效的资源调度，从而更好的满足用户的资源使用需求。
从上面所述可以看出，本公开实施例提供的资源的调度方法、装置、电子设备及存储介质，该方法包括：获取目标区域的历史资源使用数据，并根据所述历史资源使用数据，将所述目标区域划分为若干资源使用区域；预测所述资源使用区域的资源需求量；根据所述资源需求量生成所述目标区域的资源调度方案。本公开可以均衡资源在时空上的分布，提高资源的整体利用率。
参考图6，其为根据本公开示例性实施例提供的资源调度管理平台系统框图。
本公开通过用户历史资源使用数据自适应划资源使用区域，并通过资源需求预测模型对各个资源使用区域的资源需求情况做预测，结合当前资源调度能力的限制，将资源的高效管理问题转化为资源使用区域之间的资源动态调度优化问题。本公开包括用户资源使用区域的自动识别模块、资源使用区域内资源需求预测模块、与资源动态调度模块。具体包括：
用户资源使用区域的自动识别模块：首先，对用户资源使用的历史数据进行数据预处理，去除用户资源使用位置数据中的无效数据和噪声数据。然后基于预处理以后的资源使用位置数据，对资源使用位置数据中的经纬度数据按照区域网格化的方式对地理区域进行编码，并根据用户资源使用网格区域之间的关系对含有资源使用区域的网格边界进行扩展，构建有联通关系的多个网格连通区域。然后在连通区域中对用户资源使用位置数据进行聚类操作，即在联通区域中生成多个用户资源使用位置聚集簇，然后在根据相关的地貌数据对原始位置聚集簇进行修正，去除簇中包含的异常地理空间数据(例如道路，山河湖海等)等到地貌修正位置聚集簇。最后对地貌修正用户资源使用位置聚集簇的每个簇的大小进行相关限制，防止用户资源使用区域的空间范围过大。
预测资源使用区域的资源需求量模块：首先，统计资源使用区域内各时段的用户资源使用量。然后加入如影响用户资源使用的外部因素，如天气、资源数量、地理位置信息和是否是节假日等因素。构建基于深度神经网络的资源使用区域资源预测模型，使其对各时段资源使用区域的资源使用需求情况作出精准预测。
动态资源调度策略生成模块：首先，把需要进行资源调度区域的因素分为静态因素(调度区域位置)和动态因素(每个区域的资源需求量和当前的调度能力)，然后对静态因素和动态因素进行状态向量编码操作使其编码为一定格式的资源状态环境表达向量。然后构建基于注意力机制和强化学习理论的资源动态调度策略生成模型，使其可以对各时资源使用区域根据用户资源需求进行平衡调度，实现资源的高效使用和调度能力受限情况下最大化满足用户的资源需求。
本公开与现有技术相比的优点在于：
(1)本公开设计的用户资源使用区域的自动识别。相较于传统的以地理位置硬切割手段对用户资源使用地理区域进行编码，其识别出的用户资源使用区域更加精细化。传统的资源位置聚类方法形成位置簇之间大小差异很大，同时地理边界会包含大量不合理的资源使用区域如山河湖海等。本公开同时考虑用户资源使用位置的时空分布特性，设计基于用户资源使用位置数据的地理区域联通区域识别，即从用户资源使用位置数据的时空序列中提取高质量的用户资源使用区域。使生成的资源使用区域大小合适，用户使用行为覆盖率到达阈值的最优资源使用区域。
(2)本公开充分利用用户资源使用的历史数据对资源使用区域的资源需求量进行预测，设计基于深度神经网络的用户资源需求预测模型，相较于传统的时间序列预测方法，本方案中综合考虑了影响当前区域资源使用的地理位置因素、气象特征因素和假期等时间因素特性从而可以对资源使用区域的用户资源需求情况作出高鲁棒性的精准预测。
(3)本公开设计基于注意力机制和强化学习理论的资源动态调度策略生成模型，极大的突破了在调度能力受限情况下如何更好的更优的对每个区域的用户资源需求情况作出高效的资源调度计划。同时在面对复杂多变的资源调度场景可以高效稳定的生成资源使用区域的资源调度策，整体提高区域的资源有效利用率。
需要说明的是，本公开实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本公开实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
需要说明的是，上述对本公开的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
基于同一发明构思，与上述任意实施例方法相对应的，本公开还提供了一种资源的调度装置。
参考图7，所述资源的调度装置，包括：
资源使用区域确定模块710，被配置为获取目标区域的历史资源使用数据，并根据所述历史资源使用数据，将所述目标区域划分为若干资源使用区域；
资源需求量确定模块720，被配置为预测所述资源使用区域的资源需求量；
调度模块730，被配置为根据所述资源需求量生成所述目标区域的资源调度方案。
在一些示例性实施例中，所述历史资源使用数据中包括历史资源使用位置；则资源使用区域确定模块，被配置为：
根据所述历史资源使用位置对所述目标区域进行空间网格编码，得到若干所述网格编码区域；
根据所述网格编码区域之间的位置关系，对所述网格编码区域进行关联，得到局域性联通区域；
确定所述局域性联通区域中的所述网格编码区域中的所述历史资源使用位置的出现频次；
结合所述出现频次，对所述局域性联通区域中的所述历史资源使用位置进行聚类，得到聚集簇，并确定包含所述聚集簇中的所述历史资源使用位置的外接多边形，将所述外接多边形作为所述资源使用区域。
在一些示例性实施例中，资源使用区域确定模块，被配置为：
对于每个所述网格编码区域，根据该网格编码区域的边界，确定与该网格编码区域邻近的网格编码区域，得到所述局域性联通区域。
在一些示例性实施例中，资源使用区域确定模块，被配置为：
确定所述局域性联通区域的密度相关参数；其中，所述密度相关参数包括所述局域性联通区域中的所述网格编码区域的数量和每个所述网格编码区域中的所述历史资源使用位置的所述出现频次；
结合所述密度相关参数，通过预设的算法对所述局域性联通区域中的所述历史资源使用位置进行聚类，得到所述聚集簇，并确定包含所述聚集簇中的所述历史资源使用位置的所述外接多边形，将所述外接多边形作为所述资源使用区域。
在一些示例性实施例中，资源需求量确定模块，被配置为：
通过预先构建的资源需求量预测模型，预测所述资源使用区域的所述资源需求量。
在一些示例性实施例中，调度模块，被配置为：
将所述资源使用区域的地理信息和所述资源需求量输入预先构建的资源调度策略生成模型，得到所述资源调度策略生成模型输出的资源调度策略，根据所述资源调度策略调度所述目标区域的资源。
在一些示例性实施例中，资源的调度装置，还被配置为：
构建针对所述资源调度策略生成模型的网络参数优化模型，所述网络参数优化模型中包括策略评估网络、策略选择网络和资源调度任务的奖赏函数，采用梯度优化方法对所述资源调度策略生成模型的网络参数进行优化。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本公开时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述任一实施例中相应的资源的调度方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
基于同一发明构思，与上述任意实施例方法相对应的，本公开还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上任意一实施例所述的资源的调度方法。
图8示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入/输出模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述任一实施例中相应的资源的调度方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
基于同一发明构思，与上述任意实施例方法相对应的，本公开还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一实施例所述的资源的调度方法。
上述非暂态计算机可读存储介质可以是计算机能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NAND FLASH)、固态硬盘(SSD))等。
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上示例性方法部分中任一实施例所述的资源的调度方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
本领域技术技术人员知道，本公开的实施方式可以实现为一种系统、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式，本文一般称为“电路”、“模块”或“系统”。此外，在一些实施例中，本公开还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式，该计算机可读介质中包含计算机可读的程序代码。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机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。计算机可读存储介质的更具体的例子(非穷举示例)例如可以包括：具有一个或多个导线的电连接、便携式计算机磁盘、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、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络(包括局域网(LAN)或广域网(WAN))连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合都可以由计算机程序指令实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，这些计算机程序指令通过计算机或其它可编程数据处理装置执行，产生了实现流程图和/或框图中的方框中规定的功能/操作的装置。
也可以把这些计算机程序指令存储在能使得计算机或其它可编程数据处理装置以特定方式工作的计算机可读介质中，这样，存储在计算机可读介质中的指令就产生出一个包括实现流程图和/或框图中的方框中规定的功能/操作的指令装置的产品。
也可以把计算机程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机或其它可编程装置上执行的指令能够提供实现流程图和/或框图中的方框中规定的功能/操作的过程。
此外，尽管在附图中以特定顺序描述了本公开方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，流程图中描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
申请文件中提及的动词“包括”、“包含”及其词形变化的使用不排除除了申请文件中记载的那些元素或步骤之外的元素或步骤的存在。元素前的冠词“一”或“一个”不排除多个这种元素的存在。
虽然已经参考若干具体实施方式描述了本公开的精神和原理，但是应该理解，本公开并不限于所公开的具体实施方式，对各方面的划分也不意味着这些方面中的特征不能组合以进行受益，这种划分仅是为了表述的方便。本公开旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。所附权利要求的范围符合最宽泛的解释，从而包含所有这样的修改及等同结构和功能。

Claims (10)

1.一种资源的调度方法，其特征在于，包括：
获取目标区域的历史资源使用数据，并根据所述历史资源使用数据，将所述目标区域划分为若干资源使用区域；
预测所述资源使用区域的资源需求量；
根据所述资源需求量生成所述目标区域的资源调度方案。
2.根据权利要求1所述的方法，其特征在于，所述历史资源使用数据中包括历史资源使用位置；
则所述根据所述历史资源使用数据，将所述目标区域划分为若干资源使用区域，包括：
根据所述历史资源使用位置对所述目标区域进行空间网格编码，得到若干所述网格编码区域；
根据所述网格编码区域之间的位置关系，对所述网格编码区域进行关联，得到局域性联通区域；
确定所述局域性联通区域中的所述网格编码区域中的所述历史资源使用位置的出现频次；
结合所述出现频次，对所述局域性联通区域中的所述历史资源使用位置进行聚类，得到聚集簇，并确定包含所述聚集簇中的所述历史资源使用位置的外接多边形，将所述外接多边形作为所述资源使用区域。
3.根据权利要求2所述的方法，其特征在于，所述根据所述网格编码区域之间的位置关系，对所述网格编码区域进行关联，得到局域性联通区域，包括：
对于每个所述网格编码区域，根据该网格编码区域的边界，确定与该网格编码区域邻近的网格编码区域，得到所述局域性联通区域。
4.根据权利要求2所述的方法，其特征在于，所述结合所述出现频次，对所述局域性联通区域中的所述历史资源使用位置进行聚类，得到聚集簇，并确定包含所述聚集簇中的所述历史资源使用位置的外接多边形，将所述外接多边形作为所述资源使用区域，包括：
确定所述局域性联通区域的密度相关参数；其中，所述密度相关参数包括所述局域性联通区域中的所述网格编码区域的数量和每个所述网格编码区域中的所述历史资源使用位置的所述出现频次；
结合所述密度相关参数，通过预设的算法对所述局域性联通区域中的所述历史资源使用位置进行聚类，得到所述聚集簇，并确定包含所述聚集簇中的所述历史资源使用位置的所述外接多边形，将所述外接多边形作为所述资源使用区域。
5.根据权利要求1所述的方法，其特征在于，所述预测所述资源使用区域的资源需求量，包括：
通过预先构建的资源需求量预测模型，预测所述资源使用区域的所述资源需求量。
6.根据权利要求1所述的方法，其特征在于，所述根据所述资源需求量调度所述目标区域的资源，包括：
将所述资源使用区域的地理信息和所述资源需求量输入预先构建的资源调度策略生成模型，得到所述资源调度策略生成模型输出的资源调度策略，根据所述资源调度策略调度所述目标区域的资源。
7.根据权利要求6所述的方法，其特征在于，所述方法，还包括：
构建针对所述资源调度策略生成模型的网络参数优化模型，所述网络参数优化模型中包括策略评估网络、策略选择网络和资源调度任务的奖赏函数，采用梯度优化方法对所述资源调度策略生成模型的网络参数进行优化。
8.一种资源的调度装置，其特征在于，包括：
资源使用区域确定模块，被配置为获取目标区域的历史资源使用数据，并根据所述历史资源使用数据，将所述目标区域划分为若干资源使用区域；
资源需求量确定模块，被配置为预测所述资源使用区域的资源需求量；
调度模块，被配置为根据所述资源需求量生成所述目标区域的资源调度方案。
9.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1至7任意一项所述的方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行权利要求1至7任一所述方法。
CN202210612961.2A 2022-05-31 2022-05-31 资源的调度方法、装置、电子设备及存储介质 Active CN114943456B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210612961.2A CN114943456B (zh) 2022-05-31 2022-05-31 资源的调度方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210612961.2A CN114943456B (zh) 2022-05-31 2022-05-31 资源的调度方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN114943456A true CN114943456A (zh) 2022-08-26
CN114943456B CN114943456B (zh) 2024-05-07

Family

ID=82909077

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210612961.2A Active CN114943456B (zh) 2022-05-31 2022-05-31 资源的调度方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114943456B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115860645A (zh) * 2023-02-23 2023-03-28 深圳市鸿鹭工业设备有限公司 一种基于大数据的物流仓储管理方法及系统
CN116502879A (zh) * 2023-06-29 2023-07-28 山东第一医科大学(山东省医学科学院) 基于大数据分析的城市运输设备部署设计系统
CN117236788A (zh) * 2023-10-30 2023-12-15 水利部珠江水利委员会技术咨询(广州)有限公司 基于人工智能的水资源调度优化方法及系统
CN118555216A (zh) * 2024-07-26 2024-08-27 北京邮电大学 基于多粒度采样的算力网络多维资源联合预测方法及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109670721A (zh) * 2018-12-26 2019-04-23 拉扎斯网络科技（上海）有限公司 任务调度方法、装置、电子设备及计算机可读存储介质
CN109711782A (zh) * 2018-12-27 2019-05-03 拉扎斯网络科技（上海）有限公司 配送资源调度方法、装置、电子设备及计算机存储介质
CN110444008A (zh) * 2019-08-22 2019-11-12 欧拉信息服务有限公司 一种车辆调度方法及装置
CN110555622A (zh) * 2019-08-26 2019-12-10 上海蔚来汽车有限公司 加电服务能力或资源的评估或管理方法、系统和存储介质
CN110659133A (zh) * 2019-09-02 2020-01-07 中国平安人寿保险股份有限公司 一种资源分配方法及分配装置、存储介质、电子设备
CN110796323A (zh) * 2018-08-03 2020-02-14 北京嘀嘀无限科技发展有限公司 车辆的调度方法、装置、终端及计算机可读存储介质
CN111260164A (zh) * 2018-11-30 2020-06-09 北京嘀嘀无限科技发展有限公司 一种运力调度方法以及装置
CN111985726A (zh) * 2020-08-31 2020-11-24 重庆紫光华山智安科技有限公司 资源数量预测方法、装置、电子设备及存储介质
CN112700017A (zh) * 2020-12-28 2021-04-23 招商局金融科技有限公司 物业维修资源分配方法、装置、计算机设备及存储介质
US11010697B1 (en) * 2018-02-14 2021-05-18 Amazon Technologies, Inc. On-demand resource scheduling
CN113724847A (zh) * 2021-08-31 2021-11-30 平安国际智慧城市科技股份有限公司 基于人工智能的医疗资源分配方法、装置、终端设备及介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11010697B1 (en) * 2018-02-14 2021-05-18 Amazon Technologies, Inc. On-demand resource scheduling
CN110796323A (zh) * 2018-08-03 2020-02-14 北京嘀嘀无限科技发展有限公司 车辆的调度方法、装置、终端及计算机可读存储介质
CN111260164A (zh) * 2018-11-30 2020-06-09 北京嘀嘀无限科技发展有限公司 一种运力调度方法以及装置
CN109670721A (zh) * 2018-12-26 2019-04-23 拉扎斯网络科技（上海）有限公司 任务调度方法、装置、电子设备及计算机可读存储介质
CN109711782A (zh) * 2018-12-27 2019-05-03 拉扎斯网络科技（上海）有限公司 配送资源调度方法、装置、电子设备及计算机存储介质
CN110444008A (zh) * 2019-08-22 2019-11-12 欧拉信息服务有限公司 一种车辆调度方法及装置
CN110555622A (zh) * 2019-08-26 2019-12-10 上海蔚来汽车有限公司 加电服务能力或资源的评估或管理方法、系统和存储介质
CN110659133A (zh) * 2019-09-02 2020-01-07 中国平安人寿保险股份有限公司 一种资源分配方法及分配装置、存储介质、电子设备
CN111985726A (zh) * 2020-08-31 2020-11-24 重庆紫光华山智安科技有限公司 资源数量预测方法、装置、电子设备及存储介质
CN112700017A (zh) * 2020-12-28 2021-04-23 招商局金融科技有限公司 物业维修资源分配方法、装置、计算机设备及存储介质
CN113724847A (zh) * 2021-08-31 2021-11-30 平安国际智慧城市科技股份有限公司 基于人工智能的医疗资源分配方法、装置、终端设备及介质

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115860645A (zh) * 2023-02-23 2023-03-28 深圳市鸿鹭工业设备有限公司 一种基于大数据的物流仓储管理方法及系统
CN115860645B (zh) * 2023-02-23 2023-06-02 深圳市鸿鹭工业设备有限公司 一种基于大数据的物流仓储管理方法及系统
CN116502879A (zh) * 2023-06-29 2023-07-28 山东第一医科大学(山东省医学科学院) 基于大数据分析的城市运输设备部署设计系统
CN117236788A (zh) * 2023-10-30 2023-12-15 水利部珠江水利委员会技术咨询(广州)有限公司 基于人工智能的水资源调度优化方法及系统
CN117236788B (zh) * 2023-10-30 2024-03-26 水利部珠江水利委员会技术咨询(广州)有限公司 基于人工智能的水资源调度优化方法及系统
CN118555216A (zh) * 2024-07-26 2024-08-27 北京邮电大学 基于多粒度采样的算力网络多维资源联合预测方法及系统
CN118555216B (zh) * 2024-07-26 2024-09-20 北京邮电大学 基于多粒度采样的算力网络多维资源联合预测方法及系统

Also Published As

Publication number Publication date
CN114943456B (zh) 2024-05-07

Similar Documents

Publication Publication Date Title
CN114943456B (zh) 资源的调度方法、装置、电子设备及存储介质
Karimi et al. Leveraging big data in smart cities: A systematic review
KR20140043184A (ko) 에너지 소비량 예측 장치 및 방법
Zou et al. Air quality prediction based on a spatiotemporal attention mechanism
Zhang et al. Delineating urban functional zones using mobile phone data: A case study of cross-boundary integration in Shenzhen-Dongguan-Huizhou area
CN112069635B (zh) 一种换电柜的部署方法、装置、介质及电子设备
CN111309489A (zh) 一种面向地理大数据的云计算资源调度方法及系统
CN117079148A (zh) 城市功能区的识别方法、装置、设备和介质
Yang et al. Dual temporal gated multi-graph convolution network for taxi demand prediction
Panda et al. Applications of machine learning in the planning of electric vehicle charging stations and charging infrastructure: A review
Lin et al. Insights into Travel Pattern Analysis and Demand Prediction: A Data-Driven Approach in Bike-Sharing Systems
CN117314198B (zh) 历史文化街区功能更新综合分析方法及系统
Wang et al. Deepfm-based taxi pick-up area recommendation
Liu et al. Participants recruitment for coverage maximization by mobility predicting in mobile crowd sensing
CN116151600B (zh) 共享车辆的维护方法、装置、计算机设备和存储介质
Quan et al. An optimized task assignment framework based on crowdsourcing knowledge graph and prediction
CN110826867A (zh) 车辆管理方法、装置、计算机设备和存储介质
Han et al. IoT‐Assisted Metaverse Services
Zhou et al. A data-driven discrete simulation-based optimization algorithm for large-scale two-way car-sharing network design
CN115330069A (zh) 信息处理方法及装置
Gorricha et al. A framework for exploratory analysis of extreme weather events using geostatistical procedures and 3D self-organizing maps
CN114943407A (zh) 区域规划方法、装置、设备、可读存储介质及程序产品
Wang et al. Improved Giza pyramids construction algorithm for Modify the deep neural network-based method for energy demand forecasting
Kandan et al. Air quality forecasting‐driven cloud resource allocation for sustainable energy consumption: An ensemble classifier approach
Mao Urban Planning Management Information Integration Platform System Based on Big Data Analysis

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
GR01 Patent grant
GR01 Patent grant