CN115130929B - 基于机器学习分类的资源池智能生成方法 - Google Patents
基于机器学习分类的资源池智能生成方法 Download PDFInfo
- Publication number
- CN115130929B CN115130929B CN202211036929.0A CN202211036929A CN115130929B CN 115130929 B CN115130929 B CN 115130929B CN 202211036929 A CN202211036929 A CN 202211036929A CN 115130929 B CN115130929 B CN 115130929B
- Authority
- CN
- China
- Prior art keywords
- resource pool
- visible
- user
- forecast
- historical
- 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.)
- Active
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种基于机器学习分类的资源池智能生成方法。所述方法包括:利用基于深度神经网络的机器学习算法在训练数据集上对二分类网络模型进行离线训练,得到训练好的二分类网络模型;利用训练好的二分类网络模型对测试数据集中的可见预报数据进行在线分类,得到用户资源池和公共资源池;将公共资源池通过扩展过程移至相应用户的用户资源池,再对用户的用户资源池通过解冲突过程移回公共资源池,得到扩展生成的用户资源池和公共资源池。采用本方法能够有效提升不同用户航天器对同一地面保障设备进行分时使用的智能化水平。
Description
技术领域
本申请涉及航天器测控数传资源调度技术领域,特别是涉及一种基于机器学习分类的资源池智能生成方法。
背景技术
随着隶属不同用户的航天器越来越多地在轨运行,对地面保障设备的可见时间窗口资源的争用问题也越来越严重。为有效解决这个问题,不同用户航天器可对同一地面保障设备进行分时使用,这就需要一种智能化方法来对同一保障设备上属于不同用户的航天器,且在时间线上有交集的多条可见预报进行解冲突,以生成针对不同用户的同一设备的分时使用窗口,从而形成这些用户的设备使用资源池。因此,有必要充分利用历史跟踪计划数据中蕴藏的可见预报解冲突规律,训练一个机器学习分类模型,将同一设备的可见预报数据划分给不同用户以完成分时使用的目的,显著提升实际工程中多用户资源池生成的智能化水平。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提升不同用户对同一地面保障设备进行分时使用的智能化水平的基于机器学习分类的资源池智能生成方法。
一种基于机器学习分类的资源池智能生成方法,所述方法包括:
获取预设的历史跟踪计划和不同地面保障设备对多个不同用户航天器的历史可见预报数据;
根据预设的历史跟踪计划对不同用户航天器的历史可见预报数据进行标记,得到保留集合和舍弃集合;
对保留集合和舍弃集合进行编码预处理,得到训练数据集;训练数据集中包括测试数据集;
利用基于深度神经网络的机器学习算法在训练数据集上对二分类网络模型进行离线训练,得到训练好的二分类网络模型;
利用训练好的二分类网络模型对测试数据集中的可见预报数据进行在线分类,得到用户资源池和公共资源池;
将公共资源池通过扩展过程移至相应用户的用户资源池,再对用户的用户资源池通过解冲突过程移回公共资源池,得到扩展生成的用户资源池和公共资源池。
在其中一个实施例中,根据预设的历史跟踪计划对不同用户航天器的历史可见预报数据进行标记,得到保留集合和舍弃集合,包括:
根据预设的历史跟踪计划,对于与预设的历史跟踪计划同属一个地面保障设备且跟踪起止时间有交集的冲突历史可见预报,如果预设的历史跟踪计划和冲突历史可见预报所属的航天器属于同一用户,则将冲突历史可见预报标记为保留;同时将预设的历史跟踪计划的起始时间提前至保留下来的与之冲突的可见预报的最早开始时间,结束时间延后至保留下来的与之冲突的可见预报的最晚结束时间,形成新跟踪计划;如果预设的历史跟踪计划和冲突历史可见预报所属的航天器不属于同一用户,则将冲突历史可见预报标记为舍弃;
对于与预设的历史跟踪计划在时间线上均不冲突的历史可见预报,再通过判断与新跟踪计划是否冲突,且是否同属一个用户,进而将历史可见预报标记为保留或舍弃,直至得到保留集合和舍弃集合;保留集合表示标记为保留的历史可见预报的集合;舍弃集合表示标记为舍弃的历史可见预报的集合。
在其中一个实施例中,对保留集合和舍弃集合进行编码预处理,得到训练数据集,包括:
通过编码预处理过程将保留集合和舍弃集合中的历史可见预报数据转化为数值类型数据,得到训练数据集。
在其中一个实施例中,利用基于深度神经网络的机器学习算法在训练数据集上对二分类网络模型进行离线训练,得到训练好的二分类网络模型,包括:
采用Dropout技术在训练数据集上对二分类网络模型进行离线训练,在每一次训练中,都以一定概率丢弃深度神经网络中的一些任意节点,由于每一次丢弃的节点不完全相同,使得每次训练都会得到一个独一无二的网络模型,直至得到训练好的二分类网络模型。
在其中一个实施例中,利用训练好的二分类网络模型对测试数据集中的可见预报数据进行在线分类,得到用户资源池和公共资源池,包括:
利用训练好的二分类网络模型对测试数据集中的可见预报数据进行在线分类,先从测试数据集中的可见预报数据中筛选出每个地面保障设备上的各个用户在时间线上互不冲突的可见预报,并依据可见预报中的航天器名称划分给所属用户的用户资源池;再利用训练好的二分类网络模型对测试数据集中剩余的可见预报数据进行在线分类,将分类为保留的可见预报依据航天器名称划分给所属用户的用户资源池,将分类为舍弃的可见预报划分给公共资源池。
在其中一个实施例中,将公共资源池通过扩展过程移至相应用户的用户资源池,再对用户的用户资源池通过解冲突过程移回公共资源池,得到扩展生成的用户资源池和公共资源池,包括:
将公共资源池通过扩展过程移至相应用户的用户资源池为将公共资源池中与各用户资源池中同一地面设备的可见预报在时间线上均不冲突的可见预报依据航天器名称移至相应用户的用户资源池中,得到扩展生成的用户资源池。
对用户资源池通过解冲突过程移回公共资源池为在扩展生成各用户的用户资源池后,以可见预报数量最少的用户资源池为参考基准,将与可见预报数量居中的用户资源池中同一地面设备在时间线上有交集的可见预报移回公共资源池;再以解冲突后的可见预报数量最少和居中的用户资源池为参考基准,将与可见预报数量最多的用户资源池中同一地面设备在时间线上有交集的可见预报移回公共资源池,得到扩展生成的公共资源池。
上述基于机器学习分类的资源池智能生成方法,首先根据预设的历史跟踪计划对不同用户航天器的历史可见预报数据进行标记,得到保留集合和舍弃集合;对保留集合和舍弃集合进行编码预处理,得到训练数据集;训练数据集中包括测试数据集;利用基于深度神经网络的机器学习算法在训练数据集上对二分类网络模型进行离线训练,得到训练好的二分类网络模型;利用训练好的二分类网络模型对测试数据集中的可见预报数据进行在线分类,得到用户资源池和公共资源池;将公共资源池通过扩展过程移至相应用户的用户资源池,对用户资源池通过解冲突过程移回公共资源池,得到扩展生成的用户资源池和公共资源池,从而实现不同用户对同一设备进行分时使用的目的。本申请在对不同用户资源池生成的过程中能够充分挖掘历史数据中蕴藏的同一设备针对不同用户进行分时使用的规律,并有效提高多用户资源池生成的智能化水平,能满足地面保障资源高度紧张情况下的资源池有效生成的要求。
附图说明
图1为一个实施例中一种基于机器学习分类的资源池智能生成方法的流程示意图;
图2为一个实施例中根据历史跟踪计划对历史可见预报数据进行标记的流程图;
图3为一个实施例中使用Dropout技术前后的深度神经网络示意图;图3(a)为一个实施例中原始的深度神经网络;图3(b)为一个实施例中采用了Dropout技术后的深度神经网络;
图4为一个实施例中同一地面保障设备上用户资源池的扩展生成示意图;
图5为一个实施例中同一地面保障设备上公共资源池的扩展生成示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种基于机器学习分类的资源池智能生成方法,包括以下步骤:
步骤102,获取预先设置的历史跟踪计划和不同地面保障设备对多个不同用户航天器的历史可见预报数据。
可见预报是指一个航天器处于一个地面保障设备几何可见视角内的时间段;可见预报数据是指在多个地面设备保障多个航天器情况下形成的许多条可见预报;跟踪计划就是从可见预报数据中挑选出的一条具体的可见预报,即由航天器名称、地面保障设备名称、跟踪开始时间和结束时间这四个关键要素确定的一条航天器和地面设备同时工作计划;历史可见预报数据和历史跟踪计划是指执行获取动作的当前时间节点之前就已存在的多条可见预报数据和多条跟踪计划。
步骤104,根据预设的历史跟踪计划对不同用户航天器的历史可见预报数据进行标记,得到保留集合和舍弃集合。
根据预设的历史跟踪计划对不同用户航天器的历史可见预报数据进行标记,将历史可见预报数据总共划分为“保留”和“舍弃”两大类,其示例如表1所示:
表1对历史可见预报数据进行标记的示例
保留集合表示标记为保留的历史可见预报的集合;舍弃集合表示标记为舍弃的历史可见预报的集合,如图2所示,对于与历史跟踪计划同属一个地面保障设备,且跟踪起止时间有交集的冲突历史可见预报,如果两者所属的航天器隶属于同一用户,则将该可见预报标记为“保留”,同时将这条跟踪计划的起始时间提前至保留下来的与之冲突的可见预报的最早开始时间,结束时间延后至保留下来的与之冲突的可见预报的最晚结束时间,从而形成新跟踪计划;否则,将其标记为“舍弃”。
对于与历史跟踪计划在时间线上均不冲突的历史可见预报,接着通过判断与新跟踪计划是否冲突,且是否同属一个用户,进而将其标记为“保留”或“舍弃”。
对于与新跟踪计划在时间线上完全不冲突的剩余历史可见预报,依照是否在同一个地面保障设备上执行且起止时间有交集的判据,将剩余这些历史可见预报划分成多个冲突块;对于其中任一冲突块,如果含有两条以上被保留下来的可见预报数量最少的用户所属的可见预报,则将这个冲突块中属于该用户的可见预报标记为“保留”,其他用户所属的可见预报标记为“舍弃”;否则,将这个冲突块中属于该用户的可见预报标记为“舍弃”,其他用户所属的可见预报标记为“保留”。
步骤106,对保留集合和舍弃集合进行编码预处理,得到训练数据集;训练数据集中包括测试数据集。
将一条可见预报数据中的开始时间和结束时间等日期型数据处理成距当天0时0分0秒的时间戳,并归一化为取值范围为[0,1]的连续型特征变量;将一条可见预报数据中的航天器名称和地面设备名称等字符型数据依据类别数量映射成大于零的整数,从而转换成离散型特征变量。
对于任一条可见预报数据,通过维度拼接的方式将上述连续型特征变量和离散型特征变量拼接成一条训练数据,并且如果这条数据属于“保留”类别,则将其标记编码为0,否则将其标记编码为1。通过将保留集合和舍弃集合中的可见预报数据编码为数值类型数据便于后面对二分类网络模型进行离线训练。
步骤108利用基于深度神经网络的机器学习算法在训练数据集上对二分类网络模型进行离线训练,得到训练好的二分类网络模型。
在对二分类网络模型进行离线训练过程中,为了防止模型出现在训练数据集上分类效果很好,而在测试数据集上分类效果不好的过拟合现象,在基于深度神经网络的机器学习算法中采用了Dropout技术。
如图3所示,图3(a)为原始的深度神经网络,图3(b)为采用了Dropout技术后的深度神经网络,Dropout技术的做法是,在每一次训练中,都以一定概率“丢弃”深度神经网络中的一些任意节点,由于每一次“丢弃”的节点不完全相同,使得每次训练都会得到一个独一无二的网络模型,最终集成起来就形成训练好的二分类网络模型。
步骤110,利用训练好的二分类网络模型对测试数据集中的可见预报数据进行在线分类,得到用户资源池和公共资源池。
利用训练好的二分类网络模型对测试数据集中的可见预报数据进行在线分类,先从测试数据集中的可见预报数据中筛选出每个地面保障设备上的各个用户之间在时间线上没有交集的可见预报,并将这些可见预报依据航天器名称划分给所属用户的用户资源池。再利用训练好的二分类网络模型对测试数据集中剩余的可见预报数据进行在线分类,将分类为“保留”的可见预报依据航天器名称划分给所属用户的用户资源池,将分类为“舍弃”的可见预报划分给公共资源池。
步骤112,将公共资源池通过扩展过程移至相应用户的用户资源池,再对用户的用户资源池通过解冲突过程移回公共资源池,得到扩展生成的用户资源池和公共资源池。
由于步骤108生成的二分类网络模型对测试数据集中的可见预报数据进行分类的准确率不可能达到100%,因此会存在一小部分预测分类结果和真实结果不一致的情况。
将公共资源池中本应保留的假“舍弃”可见预报通过扩展过程移至相应用户的用户资源池,对用户资源池中本应舍弃的假“保留”可见预报通过解冲突过程移回公共资源池。
如图4所示,对于公共资源池中本应保留的假“舍弃”可见预报的判别方式是,如果公共资源池中一条可见预报与各个用户资源池中同一地面设备的可见预报在时间线上均没有交集,则该可见预报就是本应保留的假“舍弃”可见预报。之后,依据假“舍弃”可见预报的航天器名称,将其移至相应用户的用户资源池,从而完成各用户资源池的扩展生成。
如图5所示,如果各个用户资源池中同一地面设备的可见预报与公共资源池中一条可见预报在时间线上有交集则该可见预报就是本应舍弃的假“保留”可见预报,对于各用户资源池中本应舍弃的假“保留”可见预报再移回公共资源池的解冲突过程为,在扩展生成各用户资源池后,首先以可见预报数量最少的用户资源池为参考基准,将与可见预报数量居中的用户资源池中同一地面设备在时间线上有交集的可见预报移回公共资源池;再以解冲突后的可见预报数量最少和居中的用户资源池为参考基准,将与可见预报数量最多的用户资源池中同一地面设备在时间线上有交集的可见预报移回公共资源池,从而完成公共资源池的扩展生成。
上述基于机器学习分类的资源池智能生成方法中,首先根据预设的历史跟踪计划对不同用户航天器的历史可见预报数据进行标记,得到保留集合和舍弃集合;对保留集合和舍弃集合进行编码预处理,得到训练数据集;训练数据集中包括测试数据集;利用基于深度神经网络的机器学习算法在训练数据集上对二分类网络模型进行离线训练,得到训练好的二分类网络模型;利用训练好的二分类网络模型对测试数据集中的可见预报数据进行在线分类,得到用户资源池和公共资源池;将公共资源池通过扩展过程移至相应用户的用户资源池,对用户资源池通过解冲突过程移回公共资源池,得到扩展生成的用户资源池和公共资源池,从而实现不同用户对同一设备进行分时使用的目的。本申请在对不同用户资源池生成的过程中能够充分挖掘历史数据中蕴藏的同一设备针对不同用户进行分时使用的规律,并有效提高多用户资源池生成的智能化水平,能满足地面保障资源高度紧张情况下的资源池有效生成的要求。
在其中一个实施例中,根据预设的历史跟踪计划对不同用户航天器的历史可见预报数据进行标记,得到保留集合和舍弃集合,包括:
根据预设的历史跟踪计划,对于与预设的历史跟踪计划同属一个地面保障设备且跟踪起止时间有交集的冲突历史可见预报,如果预设的历史跟踪计划和冲突历史可见预报所属的航天器属于同一用户,则将冲突历史可见预报标记为保留;同时将预设的历史跟踪计划的起始时间提前至保留下来的与之冲突的可见预报的最早开始时间,结束时间延后至保留下来的与之冲突的可见预报的最晚结束时间,形成新跟踪计划;如果预设的历史跟踪计划和冲突历史可见预报所属的航天器不属于同一用户,则将冲突历史可见预报标记为舍弃;
对于与预设的历史跟踪计划在时间线上均不冲突的历史可见预报,再通过判断与新跟踪计划是否冲突,且是否同属一个用户,进而将历史可见预报标记为保留或舍弃,直至得到保留集合和舍弃集合;保留集合表示标记为保留的历史可见预报的集合;舍弃集合表示标记为舍弃的历史可见预报的集合。
在其中一个实施例中,对保留集合和舍弃集合进行编码预处理,得到训练数据集,包括:
通过编码预处理过程将保留集合和舍弃集合中的历史可见预报数据转化为数值类型数据,得到训练数据集。
在其中一个实施例中,利用基于深度神经网络的机器学习算法在所述训练数据集上对二分类网络模型进行离线训练,得到训练好的二分类网络模型,包括:
采用Dropout技术在训练数据集上对二分类网络模型进行离线训练,在每一次训练中,都以一定概率丢弃深度神经网络中的一些任意节点,由于每一次丢弃的节点不完全相同,使得每次训练都会得到一个独一无二的网络模型,直至得到训练好的二分类网络模型。
在其中一个实施例中,利用训练好的二分类网络模型对测试数据集中的可见预报数据进行在线分类,得到用户资源池和公共资源池,包括:
利用训练好的二分类网络模型对测试数据集中的可见预报数据进行在线分类,先从测试数据集中的可见预报数据中筛选出每个地面保障设备上的各个用户在时间线上互不冲突的可见预报,并依据可见预报中的航天器名称划分给所属用户的用户资源池;再利用训练好的二分类网络模型对测试数据集中剩余的可见预报数据进行在线分类,将分类为保留的可见预报依据航天器名称划分给所属用户的用户资源池,将分类为舍弃的可见预报划分给公共资源池。
在其中一个实施例中,将公共资源池通过扩展过程移至相应用户的用户资源池,再对用户的用户资源池通过解冲突过程移回公共资源池,得到扩展生成的用户资源池和公共资源池,包括:
将公共资源池通过扩展过程移至相应用户的用户资源池为将公共资源池中与各用户资源池中同一地面设备的可见预报在时间线上均不冲突的可见预报依据航天器名称移至相应用户的用户资源池中,得到扩展生成的用户资源池。
对用户资源池通过解冲突过程移回公共资源池为在扩展生成各用户的用户资源池后,以可见预报数量最少的用户资源池为参考基准,将与可见预报数量居中的用户资源池中同一地面设备在时间线上有交集的可见预报移回公共资源池;再以解冲突后的可见预报数量最少和居中的用户资源池为参考基准,将与可见预报数量最多的用户资源池中同一地面设备在时间线上有交集的可见预报移回公共资源池,得到扩展生成的公共资源池。
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (3)
1.一种基于机器学习分类的资源池智能生成方法,其特征在于,所述方法包括:
获取预设的历史跟踪计划和不同地面保障设备对多个不同用户航天器的历史可见预报数据;
根据所述预设的历史跟踪计划对不同用户航天器的历史可见预报数据进行标记,得到保留集合和舍弃集合;
对所述保留集合和舍弃集合进行编码预处理,得到训练数据集;所述训练数据集中包括测试数据集;
利用基于深度神经网络的机器学习算法在所述训练数据集上对二分类网络模型进行离线训练,得到训练好的二分类网络模型;
利用所述训练好的二分类网络模型对测试数据集中的可见预报数据进行在线分类,得到用户资源池和公共资源池;
将所述公共资源池通过扩展过程移至相应用户的用户资源池,再对所述用户的用户资源池通过解冲突过程移回公共资源池,得到扩展生成的用户资源池和公共资源池;
根据所述预设的历史跟踪计划对不同用户航天器的历史可见预报数据进行标记,得到保留集合和舍弃集合,包括:
根据所述预设的历史跟踪计划,对于与所述预设的历史跟踪计划同属一个地面保障设备且跟踪起止时间有交集的冲突历史可见预报,如果所述预设的历史跟踪计划和所述冲突历史可见预报所属的航天器属于同一用户,则将冲突历史可见预报标记为保留;同时将所述预设的历史跟踪计划的起始时间提前至保留下来的与之冲突的可见预报的最早开始时间,结束时间延后至保留下来的与之冲突的可见预报的最晚结束时间,形成新跟踪计划;如果所述预设的历史跟踪计划和所述冲突历史可见预报所属的航天器不属于同一用户,则将冲突历史可见预报标记为舍弃;
对于与所述预设的历史跟踪计划在时间线上均不冲突的历史可见预报,再通过判断与所述新跟踪计划是否冲突,且是否同属一个用户,进而将所述历史可见预报标记为保留或舍弃,直至得到保留集合和舍弃集合;所述保留集合表示标记为保留的历史可见预报的集合;所述舍弃集合表示标记为舍弃的历史可见预报的集合;
利用所述训练好的二分类网络模型对测试数据集中的可见预报数据进行在线分类,得到用户资源池和公共资源池,包括:
利用所述训练好的二分类网络模型对测试数据集中的可见预报数据进行在线分类,先从所述测试数据集中的可见预报数据中筛选出每个地面保障设备上的各个用户在时间线上互不冲突的可见预报,并依据可见预报中的航天器名称划分给所属用户的用户资源池;再利用训练好的二分类网络模型对所述测试数据集中剩余的可见预报数据进行在线分类,将分类为保留的可见预报依据航天器名称划分给所属用户的用户资源池,将分类为舍弃的可见预报划分给公共资源池;
将所述公共资源池通过扩展过程移至相应用户的用户资源池,再对所述用户的用户资源池通过解冲突过程移回公共资源池,得到扩展生成的用户资源池和公共资源池,包括:
将所述公共资源池通过扩展过程移至相应用户的用户资源池为将所述公共资源池中与各用户资源池中同一地面设备的可见预报在时间线上均不冲突的可见预报依据航天器名称移至相应用户的用户资源池中,得到扩展生成的用户资源池;
对所述用户资源池通过解冲突过程移回公共资源池为在扩展生成各用户的用户资源池后,以可见预报数量最少的用户资源池为参考基准,将与可见预报数量居中的用户资源池中同一地面设备在时间线上有交集的可见预报移回公共资源池;再以解冲突后的可见预报数量最少和居中的用户资源池为参考基准,将与可见预报数量最多的用户资源池中同一地面设备在时间线上有交集的可见预报移回公共资源池,得到扩展生成的公共资源池。
2.根据权利要求1所述的方法,其特征在于,对所述保留集合和舍弃集合进行编码预处理,得到训练数据集,包括:
通过编码预处理过程将所述保留集合和舍弃集合中的历史可见预报数据转化为数值类型数据,得到训练数据集。
3.根据权利要求1至2任意一项所述的方法,其特征在于,利用基于深度神经网络的机器学习算法在所述训练数据集上对二分类网络模型进行离线训练,得到训练好的二分类网络模型,包括:
采用Dropout技术在所述训练数据集上对二分类网络模型进行离线训练,在每一次训练中,都以一定概率丢弃深度神经网络中的一些任意节点,由于每一次丢弃的节点不完全相同,使得每次训练都会得到一个独一无二的网络模型,直至得到训练好的二分类网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211036929.0A CN115130929B (zh) | 2022-08-29 | 2022-08-29 | 基于机器学习分类的资源池智能生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211036929.0A CN115130929B (zh) | 2022-08-29 | 2022-08-29 | 基于机器学习分类的资源池智能生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115130929A CN115130929A (zh) | 2022-09-30 |
CN115130929B true CN115130929B (zh) | 2022-11-15 |
Family
ID=83387913
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211036929.0A Active CN115130929B (zh) | 2022-08-29 | 2022-08-29 | 基于机器学习分类的资源池智能生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115130929B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115526438B (zh) * | 2022-11-28 | 2023-04-07 | 中国西安卫星测控中心 | 基于集成学习模型的虚拟资源池扩展生成方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105007323A (zh) * | 2015-07-22 | 2015-10-28 | 上海斐讯数据通信技术有限公司 | 一种云资源的编排系统和方法 |
CN111651264A (zh) * | 2020-04-24 | 2020-09-11 | 平安科技(深圳)有限公司 | 物理机资源分配模型的获取方法、装置和计算机设备 |
CN112703457A (zh) * | 2018-05-07 | 2021-04-23 | 强力物联网投资组合2016有限公司 | 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和系统 |
CN113454614A (zh) * | 2018-12-04 | 2021-09-28 | 华为技术加拿大有限公司 | 用于分布式计算中的资源划分的系统和方法 |
CN114239951A (zh) * | 2021-12-14 | 2022-03-25 | 中国西安卫星测控中心 | 基于分层优化的卫星测控任务调度方法、装置和设备 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10318882B2 (en) * | 2014-09-11 | 2019-06-11 | Amazon Technologies, Inc. | Optimized training of linear machine learning models |
CA3072045A1 (en) * | 2017-08-02 | 2019-02-07 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for detection in an industrial internet of things data collection environment with large data sets |
US20210409335A1 (en) * | 2020-09-11 | 2021-12-30 | Intel Corporation | Multi-access management service packet classification and prioritization techniques |
CN112416578B (zh) * | 2020-11-05 | 2023-08-15 | 中山大学 | 一种基于深度强化学习的容器云集群资源利用优化方法 |
US11875270B2 (en) * | 2020-12-08 | 2024-01-16 | International Business Machines Corporation | Adversarial semi-supervised one-shot learning |
CN114004027B (zh) * | 2021-11-01 | 2023-03-14 | 中国西安卫星测控中心 | 一种地面测控资源配置需求的预处理方法和装置 |
-
2022
- 2022-08-29 CN CN202211036929.0A patent/CN115130929B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105007323A (zh) * | 2015-07-22 | 2015-10-28 | 上海斐讯数据通信技术有限公司 | 一种云资源的编排系统和方法 |
CN112703457A (zh) * | 2018-05-07 | 2021-04-23 | 强力物联网投资组合2016有限公司 | 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和系统 |
CN113454614A (zh) * | 2018-12-04 | 2021-09-28 | 华为技术加拿大有限公司 | 用于分布式计算中的资源划分的系统和方法 |
CN111651264A (zh) * | 2020-04-24 | 2020-09-11 | 平安科技(深圳)有限公司 | 物理机资源分配模型的获取方法、装置和计算机设备 |
CN114239951A (zh) * | 2021-12-14 | 2022-03-25 | 中国西安卫星测控中心 | 基于分层优化的卫星测控任务调度方法、装置和设备 |
Non-Patent Citations (3)
Title |
---|
Machine-learning based decomposition and monitoring of behind-the-meter resources;Wenzhuo Tan 等;《The Electricity Journal》;20220505;第1-7页 * |
基于改进Eclat算法的资源池节点异常模式挖掘;高强等;《计算机应用研究》;20170315(第02期);第19-24页 * |
战役级智能体训练系统;刘祥等;《指挥信息系统与技术》;20200628(第03期);第53-58页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115130929A (zh) | 2022-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105573329B (zh) | 基于决策树的姿轨控数据分析方法 | |
CN109543901A (zh) | 基于信息融合卷积神经网络模型的短期电力负荷预测方法 | |
CN106991085B (zh) | 一种实体的简称生成方法及装置 | |
CN115130929B (zh) | 基于机器学习分类的资源池智能生成方法 | |
CN112183758A (zh) | 用于实现模型训练的方法及装置、计算机存储介质 | |
CN108038544B (zh) | 基于大数据和深度学习的神经网络深度学习方法和系统 | |
CN111324657A (zh) | 应急预案内容优化方法和计算机设备 | |
CN113326379B (zh) | 文本分类预测方法、装置、设备及存储介质 | |
Avdeenko et al. | Integration of case-based and rule-based reasoning through fuzzy inference in decision support systems | |
CN113746696A (zh) | 网络流量预测方法、设备、存储介质及装置 | |
CN112488392A (zh) | 一种基于机器学习的智慧水务日用水量预测方法 | |
CN114492978A (zh) | 一种基于多层注意力机制的时空序列预测方法及设备 | |
CN114386514A (zh) | 基于动态网络环境下的未知流量数据识别方法及装置 | |
US11197175B2 (en) | Forcasting time series data | |
CN110609618A (zh) | 一种人机对话方法、装置、计算机设备及存储介质 | |
CN114201572A (zh) | 基于图神经网络的兴趣点分类方法和装置 | |
CN115982646B (zh) | 一种基于云平台的多源测试数据的管理方法及系统 | |
CN109726532B (zh) | 一种基于人工智能行为预测的安全管理方法 | |
CN111651264A (zh) | 物理机资源分配模型的获取方法、装置和计算机设备 | |
CN113239272B (zh) | 一种网络管控系统的意图预测方法和意图预测装置 | |
CN113849644A (zh) | 文本分类模型的配置方法、装置、计算机设备及存储介质 | |
CN115526438B (zh) | 基于集成学习模型的虚拟资源池扩展生成方法 | |
CN112507129A (zh) | 配电网作业文件的内容变动处理方法及相关设备 | |
Gomathi et al. | Implementation of Statistical Data Analytics in Data Science Life Cycle | |
CN105224389A (zh) | 基于线性相关性及分段性装箱理论的虚拟机资源整合方法 |
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 |