CN116266128A - 一种用于生态平台资源调度的方法及系统 - Google Patents
一种用于生态平台资源调度的方法及系统 Download PDFInfo
- Publication number
- CN116266128A CN116266128A CN202211458157.XA CN202211458157A CN116266128A CN 116266128 A CN116266128 A CN 116266128A CN 202211458157 A CN202211458157 A CN 202211458157A CN 116266128 A CN116266128 A CN 116266128A
- Authority
- CN
- China
- Prior art keywords
- data
- node
- time sequence
- input data
- ecological platform
- 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 45
- 230000007246 mechanism Effects 0.000 claims abstract description 48
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000011156 evaluation Methods 0.000 claims description 41
- 238000012216 screening Methods 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 16
- 230000003993 interaction Effects 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 15
- 238000005065 mining Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 7
- 230000000295 complement effect Effects 0.000 claims description 3
- 238000007726 management method Methods 0.000 abstract description 52
- 238000013523 data management Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 34
- 238000010586 diagram Methods 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000005265 energy consumption Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000013468 resource allocation Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
- G06F2009/4557—Distribution of virtual machine instances; Migration and load balancing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
- G06F2009/45595—Network integration; Enabling network access in virtual machine instances
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用于生态平台资源调度的方法及系统,属于用电数据管理技术领域。本发明方法,包括:针对所述记录数据进行预处理,以及归一化处理,以得到时序数据样本;根据所述节点预测流量数据,构建边缘服务器管理机制,并基于所述边缘服务器管理机制,获取具有最优条件的节点范围集合;根据所述节点范围集合,生成与生态平台相关的资源调度决策,使用所述资源调度决策,对生态平台的资源进行调度。本发明通过对生态平台的资源进行调度,可满足生态平台内多角色多业务场景的数据需求,支撑生态平台上应用软件的快速上架、发布及更新。
Description
技术领域
本发明涉及用电数据管理技术领域,并且更具体地,涉及一种用于生态平台资源调度的方法及系统。
背景技术
国家电网有限公司于2019年开始智慧物联体系的相关设计与部署工作,将物联网技术应用在智能电网中,通过传感器等智能量测设备完成数据采集,利用通信网络,将能源控制器、智能物联电表及现场作业终端等设备组织起来,并构建智慧物联软件生态平台实现各类数据的传递和共享,以满足多角色多业务场景的数据应用需求,对提高电网的运行效率和服务质量具有重要意义。然而,随着智慧物联体系建设的不断推进,采集数据体量成指数级增长,支撑应用规模复杂度越来越高,当前数据传输效率难以满足不同业务间的高实时数据交互需求。
发明内容
针对上述问题,本发明提出了一种用于生态平台资源调度的方法及系统,包括:
基于生态平台,获取预设时间段内应用商店与多类设备间的与数据交互相关的记录数据,以得到时序数据样本;
将所述时序数据样本作为输入数据,输入至预先搭建的数据流量预测模型进行预测,以得到与生态平台相关的非线性的节点预测流量数据,根据所述节点预测流量数据,构建边缘服务器管理机制,并基于所述边缘服务器管理机制,获取具有最优条件的节点范围集合;
根据所述节点范围集合,生成与生态平台相关的资源调度决策,使用所述资源调度决策,对生态平台的资源进行调度。
可选的,多类设备,包括如下中的至少一种:与生态平台相关的用采设备组件、用采设备管理组件和各类设备。
可选的,预先搭建的数据流量预测模型根据Encoder-Decoder架构进行搭建。
可选的,预先搭建的数据流量预测模型,包括:Encoder模块和Decoder模块;
其中,Encoder模块作为数据流量预测模型的关键时序特征提取模块;
其中,Decoder模块作为数据流量预测模型的时序样本非线性预测模块。
可选的,将所述时序数据样本作为输入数据,输入至预先搭建的数据流量预测模型进行预测,包括:
对所述输入数据进行位置编码,将对进行位置编码后的输入数据输入至Encoder模块,基于Encoder模块通过多头注意力机制对所述输入数据的关键时序特征进行提取,以获取所述输入数据的关键时序特征增强表示,及输入数据同纬度的关键时序特征矩阵;
对所述输入数据进行时序线性特征趋势提取,以获取所述输入数据的时序线性特征趋势;
将所述输入数据中未来待预测部分可采集数据、所述输入数据的关键时序特征增强表示、所述输入数据同纬度的关键时序特征矩阵及所述输入数据的时序线性特征趋势叠加输入至Decoder模块,基于Decoder模块对所述时序数据样本进行预测。
可选的,位置编码,包括:对序列数据样本中特定位置进行信息编码,并转换成d维向量。
可选的,获取具有最优条件的节点范围集合,包括:
对与生态平台相关的节点和网络间的关系进行定义,基于所述定义的节点和网络间的关系,确定多条件约束下的节点管理范围;
针对所述节点管理范围内的节点,根据节点间的实际距离,构建基于节点距离的筛选函数,基于所述筛选函数筛选出节点管理范围内有效的节点集合;
对有效的节点集合中的节点,进行负载均衡处理,以筛选出初步的具有最优条件的节点范围集合,对所述筛选出的初步的具有最优条件的节点范围集合进行指标评估,以获取评估值,若评估值大于预设阈值,则将筛选出的初步的具有最优条件的节点范围集合,作为具有最优条件的节点范围集合;
若评估值小于预设阈值,则再次基于所述筛选函数筛选出节点管理范围内有效的节点集合;
可选的,生成与生态平台相关的资源调度决策,包括:
针对所述最优条件的节点管理范围,解析生成负责资源调度的服务器配置文件,更新系统的资源调度决策管理机制。
再一方面,本发明还提供了一种用于生态平台资源调度的系统,包括:
数据处理单元,基于生态平台,获取预设时间段内应用商店与多类设备间的与数据交互相关的记录数据,以得到时序数据样本;
预测单元,将所述时序数据样本作为输入数据,输入至预先搭建的数据流量预测模型进行预测,以得到与生态平台相关的非线性的节点预测流量数据,根据所述节点预测流量数据,构建边缘服务器管理机制,并基于所述边缘服务器管理机制,获取具有最优条件的节点范围集合;
执行单元,根据所述节点范围集合,生成与生态平台相关的资源调度决策,使用所述资源调度决策,对生态平台的资源进行调度。
可选的,多类设备,包括如下中的至少一种:与生态平台相关的用采设备组件、用采设备管理组件和各类设备。
可选的,预先搭建的数据流量预测模型根据Encoder-Decoder架构进行搭建。
可选的,预先搭建的数据流量预测模型,包括:Encoder模块和Decoder模块;
其中,Encoder模块作为数据流量预测模型的关键时序特征提取模块;
其中,Decoder模块作为数据流量预测模型的时序样本非线性预测模块。
可选的,预测单元将所述时序数据样本作为输入数据,输入至预先搭建的数据流量预测模型进行预测,包括:
对所述输入数据进行位置编码,将对进行位置编码后的输入数据输入至Encoder模块,基于Encoder模块通过多头注意力机制对所述输入数据的关键时序特征进行提取,以获取所述输入数据的关键时序特征增强表示,及输入数据同纬度的关键时序特征矩阵;
对所述输入数据进行时序线性特征趋势提取,以获取所述输入数据的时序线性特征趋势;
将所述输入数据中未来待预测部分可采集数据、所述输入数据的关键时序特征增强表示、所述输入数据同纬度的关键时序特征矩阵及所述输入数据的时序线性特征趋势叠加输入至Decoder模块,基于Decoder模块对所述时序数据样本进行预测。
可选的,位置编码,包括:对序列数据样本中特定位置进行信息编码,并转换成d维向量。
可选的,执行单元获取具有最优条件的节点范围集合,包括:
对与生态平台相关的节点和网络间的关系进行定义,基于所述定义的节点和网络间的关系,确定多条件约束下的节点管理范围;
针对所述节点管理范围内的节点,根据节点间的实际距离,构建基于节点距离的筛选函数,基于所述筛选函数筛选出节点管理范围内有效的节点集合;
对有效的节点集合中的节点,进行负载均衡处理,以筛选出初步的具有最优条件的节点范围集合,对所述筛选出的初步的具有最优条件的节点范围集合进行指标评估,以获取评估值,若评估值大于预设阈值,则将筛选出的初步的具有最优条件的节点范围集合,作为具有最优条件的节点范围集合;
若评估值小于预设阈值,则再次基于所述筛选函数筛选出节点管理范围内有效的节点集合。
可选的,执行单元生成与生态平台相关的资源调度决策,包括:
针对所述最优条件的节点管理范围,解析生成负责资源调度的服务器配置文件,更新系统的资源调度决策管理机制。
再一方面,本发明还提供了一种计算设备,包括:一个或多个处理器;
处理器,用于执行一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,实现如上述所述的方法。
再一方面,本发明还提供了一种计算机可读存储介质,其上存有计算机程序,所述计算机程序被执行时,实现如上述所述的方法。
与现有技术相比,本发明的有益效果为:
本发明提供了一种用于生态平台资源调度的方法,包括:基于生态平台,获取预设时间段内应用商店与多类设备间的与数据交互相关的记录数据,以得到时序数据样本;将所述时序数据样本作为输入数据,输入至预先搭建的数据流量预测模型进行预测,以得到与生态平台相关的非线性的节点预测流量数据,根据所述节点预测流量数据,构建边缘服务器管理机制,并基于所述边缘服务器管理机制,获取具有最优条件的节点范围集合;根据所述节点范围集合,生成与生态平台相关的资源调度决策,使用所述资源调度决策,对生态平台的资源进行调度。本发明通过对生态平台的资源进行调度,可满足生态平台内多角色多业务场景的数据需求,支撑生态平台上应用软件的快速上架、发布及更新。
附图说明
图1为本发明方法的流程图;
图2为本发明实施例智慧物联网软件生态平台系统的装置图;
图3为本发明实施例数据流量预测架构图;
图4(a)-(c)为本发明实施例节点分布及网络关系图;
图5为本发明实施例基于数据流量预测的动态配置与评价流程图;
图6为本发明实施例智慧物联软件生态平台中不同节点数量的性能对比结果图;
图7为本发明系统的结构图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式,然而,本发明可以用许多不同的形式来实施,并且不局限于此处描述的实施例,提供这些实施例是为了详尽地且完全地公开本发明,并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中,相同的单元/元件使用相同的附图标记。
除非另有说明,此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外,可以理解的是,以通常使用的词典限定的术语,应当被理解为与其相关领域的语境具有一致的含义,而不应该被理解为理想化的或过于正式的意义。
实施例1:
本发明提出了一种用于生态平台资源调度的方法,如图1所示,包括:
步骤1、基于生态平台,获取预设时间段内应用商店与多类设备间的与数据交互相关的记录数据,针对所述记录数据进行预处理,以及归一化处理,以得到时序数据样本;
步骤2、将所述时序数据样本作为输入数据,输入至预先搭建的数据流量预测模型进行预测,以得到与生态平台相关的非线性的节点预测流量数据,根据所述节点预测流量数据,构建边缘服务器管理机制,并基于所述边缘服务器管理机制,获取具有最优条件的节点范围集合;
步骤3、根据所述节点范围集合,生成与生态平台相关的资源调度决策,使用所述资源调度决策,对生态平台的资源进行调度。
其中,多类设备,包括如下中的至少一种:与生态平台相关的用采设备组件、用采设备管理组件和各类设备。
其中,预处理包括:对记录数据的去重处理和补全处理。
其中,归一化处理,包括:对进行预处理后的记录数据,根据时序统一处理为具有规范化格式的时序数据样本。
其中,预先搭建的数据流量预测模型根据Encoder-Decoder架构进行搭建。
其中,预先搭建的数据流量预测模型,包括:Encoder模块和Decoder模块;
其中,Encoder模块作为数据流量预测模型的关键时序特征提取模块;
其中,Decoder模块作为数据流量预测模型的时序样本非线性预测模块。
其中,将所述时序数据样本作为输入数据,输入至预先搭建的数据流量预测模型进行预测,包括:
对所述输入数据进行位置编码,将对进行位置编码后的输入数据输入至Encoder模块,基于Encoder模块通过多头注意力机制对所述输入数据的关键时序特征进行提取,以获取所述输入数据的关键时序特征增强表示,及输入数据同纬度的关键时序特征矩阵;
对所述输入数据进行时序线性特征趋势提取,以获取所述输入数据的时序线性特征趋势;
将所述输入数据中未来待预测部分可采集数据、所述输入数据的关键时序特征增强表示、所述输入数据同纬度的关键时序特征矩阵及所述输入数据的时序线性特征趋势叠加输入至Decoder模块,基于Decoder模块对所述时序数据样本进行预测。
其中,位置编码,包括:对序列数据样本中特定位置进行信息编码,并转换成d维向量。
其中,获取具有最优条件的节点范围集合,包括:
对与生态平台相关的节点和网络间的关系进行定义,基于所述定义的节点和网络间的关系,确定多条件约束下的节点管理范围;
针对所述节点管理范围内的节点,根据节点间的实际距离,构建基于节点距离的筛选函数,基于所述筛选函数筛选出节点管理范围内有效的节点集合;
对有效的节点集合中的节点,进行负载均衡处理,以筛选出初步的具有最优条件的节点范围集合,对所述筛选出的初步的具有最优条件的节点范围集合进行指标评估,以获取评估值,若评估值大于预设阈值,则将筛选出的初步的具有最优条件的节点范围集合,作为具有最优条件的节点范围集合;
若评估值小于预设阈值,则再次基于所述筛选函数筛选出节点管理范围内有效的节点集合。
其中,生成与生态平台相关的资源调度决策,包括:
针对所述最优条件的节点管理范围,解析生成负责资源调度的服务器配置文件,更新系统的资源调度决策管理机制。
下面将本发明应用于智慧物联网软件生态平台,对本发明进行进一步的说明:
实施流程,包括:
A、基于智慧物联软件生态平台数据中心获取某时间以来的省侧应用商店(APPStore)与用采设备管理组件之间、用采设备管理组件与各类设备间的数据交互记录,包括采集数据记录以及相应的软件应用下载和更新记录;
B、对获取数据进行数据预处理,在去重、补全等数据预处理后,将数据依据时序统一处理成规范化格式,获取时序数据样本;
C、以步骤B获取的时序数据样本作为输入数据,采用Encoder-Decoder架构构建数据流量预测模型,输出节点未来数据流量非线性特征数据;
其中,Encoder作为关键时序特征提取模块,Decoder作为时序样本非线性预测模块;
D、基于数据流量预测模型输出的节点预测数据流量数据,构建基于预测的边缘服务器管理机制,获取的最优条件的节点范围集合,为智慧物联软件生态平台的资源调度提供决策依据。
所述步骤C中,采用Encoder-Decoder架构构建数据流量预测模型,输出节点未来数据流量非线性特征数据,一般生成过程为:
C1.将预处理后的时序数据进行位置编码(position embedding,PE),使其能够更好的表达前后时间步的数据之间的关系,该编码包含时序中特定位置信息的d维向量,通过注入位置编码数据来增强数据流量预测模型的输入特征时序信息;
C2.位置编码之后,采用改进的多头注意力机制(Filtered Multi-headAttention Mechanism,FMAM)进行时序数据的特征提取,获取时序数据的关键特征增强表示,并经过全连接层获取与输入数据同维度关键特征提取矩阵;
C3.将未来待预测部分可采集数据输入Decoder模块,采用Decoder实现对时序样本非线性部分预测数据,即在掩码多头注意力机制层,将步骤C2获取的特征提取矩阵,作为Decoder模块中第二个过滤多头注意力机制层的叠加输入,从而将Encoder提取关键特征数据融入Decoder的输入数据,输出给定未来待预测的未来预测非线性时序预测数据;
C4.为了规避神经网络模型时间尺度不敏感的问题,采用m阶自回归过程(Auto-Regressive,AR)构建自回归特征组件,简记为AR(m),对输入时序进行时序线性特征趋势提取,并与步骤C3获取的未来预测非线性时序预测数据进行叠加组合,输出节点预测数据流量;
C5.经过损失函数反馈调参,直至损失函数低于设定阈值,固定模型参数,获取数据流量预测模型。
所述步骤D中,基于数据流量预测模型输出的节点预测数据流量数据,构建基于预测的边缘服务器管理机制,获取的最优条件的边缘服务器范围集合,为智慧物联软件生态平台的资源调度提供决策依据。一般生成过程为:
D1.节点及网络关系定义;
D2.构建优化设备访问延迟、边缘服务器负载均衡以及节点预期流量控制等多条件约束下,形成基于预测的边缘服务器管理机制(Prediction-based Edge SeverManagement mechanism,PESM),以寻求最优资源配置,为边缘服务器动态配置节点管理范围;
D3.依据节点间的实际距离,构建节点距离筛选函数,获取筛选后的有效范围内的节点集合;
D4.根据边缘服务器的工作负载数据,采用工作负载与预测流量差值构建负载均衡评估函数,优化配置服务器之间的工作负载,实现负载均衡处理;
D5.基于步骤D4获取的最优条件的节点范围集合,获取边缘服务器当前负载数据以及未来预期负载数据,采用待配置范围内的能耗综合评价指标,对服务器工作负载的综合评估,不满足综合评估指标,则反馈至步骤D3进行反馈调节优化,直至综合评估指标满足要求,输出获取的最优条件的节点范围集合作为边缘服务器资源分配和调度范围;
D6.针对步骤D5获取的最优条件的节点范围集合,解析生成负责资源调度的服务器配置文件,更新系统的资源调度决策管理机制。
本发明以国网某地区智能物联软件生态平台为实验背景平台,在基于NVIDIAGeForce RTX3090 Ti的服务器上进行实验,使用Pytorch框架搭建模型。为了验证本发明中所述资源调度方法的有效性,基于某省在运电网节点部署及有关配置数据,构建仿真数据集,其中包含了600个网络节点和100个边缘服务器节点,配置数据包含各网络节点的数据采集历史和地理位置坐标,以及边缘服务器负载容量和地理位置等信息。
下面结合附图和实施例对本发明进行进一步详细说明:
参考图2和图3,一种面向智慧物联数据交互的资源动态配置及评价方法,步骤包括如下:
A.基于电力物联网数据中心获取某时间以来的传感器等电网设备数据记录,包括采集数据记录以及相应的软件应用下载和更新记录;
数据采集时段为2020年6月至12月,获取共计1万余例用电采集相关设备的数据样本,并将其随机划分为训练集和测试集,分别占比75%和25%;
其中,采集数据记录包含气温、湿度、电压、电流、电量等数据;
B.对获取数据进行数据预处理,在去重、补全等数据预处理后,将数据依据时序统一处理成规范化格式,时序数据χ表示如下:
其中,Xi表示i时刻的获取的数据记录列向量,数据记录包含应用软件下载或更新的信息及气温、湿度、电压、电流、电量等数据;d表示向量维度;T表示时序长度;R表示实数空间;
C.以步骤B获取的时序数据作为输入数据,采用Encoder-Decoder架构构建数据流量预测模型,输出物联网节点未来数据流量非线性特征数据;其中,Encoder作为关键时序特征提取模块,Decoder作为时序样本非线性预测模块;
C1.将预处理后的时序数据进行位置编码(position embedding,PE),使其能够更好的表达前后时间步的数据之间的关系,该编码包含时序中特定位置信息的d维向量,通过注入位置编码数据来增强数据流量预测模型的输入特征时序信息;
具体的,对于一个输入时序χ∈RT×d,其PE表示如下:
其中,t表示序列中的时间步,频率wk定义如下:
其中,k表示实数计数变量,设定d可被2整除;
令PE的维度等于时序数据χ的维度,不足补零,并将PE得到每个时间步位置元素与时序数据χ线性组合,将组合值赋值给时序数据χ;
C2.位置编码之后,采用改进的多头注意力机制(Filtered Multi-headAttention Mechanism,FMAM)进行时序数据χ的特征提取,获取时序数据的关键特征增强表示,并经过全连接层获取与时序数据χ同维度关键特征提取矩阵;
qi=WQai,
ki=WKai,
vi=WVai,
其中,Q、K、V表示不同注意力机制矩阵表示,q、k、v分别为其特征表征值,即Q={q1,q2,..,qi,.,qT},K={k1,k2,..,ki,.,kT},V={v1,v2,..,vi,.,vT},W为权重矩阵;
对每个时间步数据进行独立操作,计算注意力层表征值如下:
其中,dK表示向量维度,对于得到的Softmax值,设定阈值τ筛选注意力分数,从而获取时序中的关键影响因素,经过过滤注意力机制层后输出的重要特征Z具体计算如下:
随后将其乘以每一个对应的Value向量,并对所得的所有加权向量求和,即得到注意力机制对于该时序的某时间步的特征输出,遍历整个时序可得到该时序的增强特征Z={Z1,Z2,...,ZT}。
将独立维护的n个注意力机制的输出进行拼接,设置n=8,通过一个线性映射层,就得到了多头注意力机制的输出:
MultiHead(Q,K,V)=Concat(Z(1),...,Z(8))WO
其中Z(i)=Attention(Q,K,V)。由此,基于过滤多头注意力机制层获取时序数据的关键特征增强表示;
随后的Feed Forward层由两个全连接层构成,第一层的激活函数为ReLu,第二层不使用激活函数,经过Feed Forward层得到的输出关键特征提取矩阵,其维度与输入X保持一致;
C3.将未来待预测部分可采集数据输入Decoder模块,采用Decoder实现对时序样本非线性部分预测数据,即在掩码多头注意力机制层,将步骤C2获取的特征提取矩阵,作为Decoder模块中第二个过滤多头注意力机制层的叠加输入,从而将Encoder提取关键特征数据融入Decoder的输入数据,输出给定未来待预测的未来预测非线性时序预测数据;
C4.为了规避神经网络模型时间尺度不敏感的问题,采用m阶自回归过程(Auto-Regressive,AR)构建自回归特征组件,简记为AR(m),对输入时序进行时序线性特征趋势提取,并与步骤C3获取的未来预测非线性时序进行叠加组合,输出节点预测数据流量;
针对Decoder模块的输出时序,采用AR(m)对输入时序χ∈RT×d进行线性特征趋势提取,过程如下:
LFt=α1ft-1+α2ft-2+...+αmft-m+ut
其中,α表示待求参数,共计m个,m是滞后期限的数目,f为线性特征分量,ut为白噪声,即随机误差项;
将线性分量LF和步骤C3未来预测非线性时序进行叠加,输入前馈神经网络中,输出节点预测数据流量X'={x'1,x'2,...,x'p};
C5.经过损失函数反馈调参,直至损失函数低于设定阈值,固定模型参数,获取数据流量预测模型。
基于节点预测数据流量X'={x'1,x'2,...,x'p},使用交叉熵构建损失函数进行误差计算,损失函数定义如下:
其中,y表示实际流量数据。
以损失函数进行反馈调参,直至损失函数低于设定阈值,固定模型参数,获取数据流量预测模型。
选择为了防止模型出现过拟合现象,设置网络层间的dropout概率为0.2,并使用Adam优化器来反馈调参优化模型参数。选择时序预测领域内常用的时序预测模型进行对比,并基于评价指标accuracy和F1分数进行性能评估。准确率(accuracy)表示样本类别判断正确的概率;F1分数(F1score)兼顾评估分类模型的准确率和召回率,具体结果如表1所示。
表1
(1)ARIMA:差分整合移动平均自回归模型,又称整合移动平均自回归模型,是一种时序预测方法。
(2)CNN:Convolutional Neural Network,卷积神经网络,也可以用作时序预测任务。
(3)LSTM:长短时记忆网络,循环神经网络的一种变体,能够有效建模时序数据,改善了RNN中存在的长期依赖问题。
(4)BiGRU:双向门控神经网络,GRU相当于LSTM结构更加简单,而且效果也相当。
(5)DeepAR:一种使用自回归RNN预测时序分布的模型,它有效解决了多时序间尺度不一致问题,并基于数据特征选择似然函数预测时序概率分布。
从表1中可知,本发明提出的模型与其他传统模型相比,在准确率和召回率指标上均有较大的提升,本发明基于Encoder-Decoder架构构建的数据流量预测模型,可保留历史数据时序间的关联性,通过进一步整合非线性和线性时序特征,提升了时序预测任务的精准度。
所述步骤D中,基于数据流量预测模型输出的节点预测数据流量数据,构建基于预测的边缘服务器管理机制,获取的最优条件的节点范围集合,为电力物联网资源调度提供决策依据。
一般生成过程为:
D1.节点及网络关系定义;
基于电力物联网中的节点分布及网络关系,如图4(a),进行节点及网络关系定义,如图4(b)中所示,节点及网络关系定义为:
G={(e1,e2)|(s1,s2,s3,s4,s5,s6,s7)}
其中,el表示边缘服务器,sj表示数据采集设备,各节点位置是固定的;
同时,考虑到各节点的未来数据流量对资源调度的影响,基于步骤C数据流量预测模型获取的数据流量预测数据,如图4(c),通过动态配置给定边缘服务器的数据管理范围,定义如下:
e1={s1,s2,s3}
e2={s4,s5,s6,s7}
D2.构建优化设备访问延迟、边缘服务器负载均衡以及节点预期流量控制等多条件约束下,形成基于预测的边缘服务器管理机制(Prediction-based Edge SeverManagement mechanism,PESM),以寻求最优资源配置,为边缘服务器动态配置节点管理范围;
构建待配置物联网范围内的能耗综合评价指标C:
进一步将能耗综合评价指标分解为:
xl,j∈{0,1}
其中,ul,j表示数据流量预测模型中对节点l和节点j之间的未来数据流量的预测;dl,j表示节点l和j之间的距离;xl,j=1表示节点l和j之间存在交互关系,反之,xl,j=0表示节点l和j之间无交互关系;η和ω为常数,分别表示有线传输设备的数据负载和传输距离,E表示边缘服务器总数量;l和j表示计数值;
D3.依据节点间的实际距离,构建节点距离筛选函数,获取筛选后的有效范围内的节点集合;
构建节点距离筛选函数K
将服务器e距离最近的K个节点作为e的候选范围节点,表示为
e={s1,s2,...,sK}
即
故C(D)进一步转化为
D4.根据边缘服务器的工作负载数据,采用工作负载与预测流量差值构建负载均衡评估函数,优化配置服务器之间的工作负载,实现负载均衡处理;
D5.基于步骤D4获取的最优条件的节点范围集合,获取边缘服务器当前负载数据以及未来预期负载数据,采用待配置物联网范围内的能耗综合评价指标,对服务器工作负载的综合评估,不满足综合评估指标,则反馈至步骤D3进行反馈调节优化,直至综合评估指标满足要求,输出获取的最优条件的节点范围集合作为边缘服务器资源分配和调度范围。
D6.针对步骤D5获取的最优条件的节点范围集合,解析生成负责资源调度的服务器配置文件,更新系统的资源调度决策管理机制。
为了进一步分析电力物联网中的设备数量对数据传输性能的影响,分别从用采设备数量和边缘服务器数量进行验证:
(1)设置边缘服务器数量为100,用采设备数量依次为400,500,600,700,800;
(2)设置用采设备数量为600,边缘服务器数量依次为50,100,150,200,250。
采用负载均衡(Workload Balancing,WB)和访问延迟(Access Delay,AD)来评估性能,具体结果如图6所示,与K-Means聚类方法进行比较,从图6可以看出,在不同设备数量和边缘服务器数量下,本专利提出的PESM方法在WB和AD两个评价指标上均优于K-Means方法。同时,可以看出,边缘服务器与用采设备数量比例约在1/6的情况下,可以实现较优的性能。
针对智慧物联软件生态平台各节点间数据交互负载无法准确预估的问题,构建了数据流量预测模型获取数据流量交互预测数据,以数据交互趋势预测驱动平台资源调度,提升智慧物联软件生态平台整体的实时计算能力和服务响应速度,实现平台间的数据的高效贯通和融合应用,满足多角色多业务场景的数据需求,支撑应用软件快速上架、发布及更新。
针对多主体并发需求下的智慧物联软件生态平台大传输数据时延高问题,制定优化设备访问延迟、边缘服务器负载均衡以及节点预期流量控制等多条件约束,形成基于数据流量预测的能耗综合评价指标,通过制定资源分配和调度策略,将部分工作负载从数据中心转移到合理的边缘服务器上,实现边缘侧动态配置和快速响应,最小化数据采集设备和边缘服务器之间的访问延迟。
实施例2:
本发明还提供了一种用于生态平台资源调度的系统200,如图7所示,包括:
数据处理单元201,基于生态平台,获取预设时间段内应用商店与多类设备间的与数据交互相关的记录数据,针对所述记录数据进行预处理,以及归一化处理,以得到时序数据样本;
预测单元202,将所述时序数据样本作为输入数据,输入至预先搭建的数据流量预测模型进行预测,以得到与生态平台相关的非线性的节点预测流量数据,根据所述节点预测流量数据,构建边缘服务器管理机制,并基于所述边缘服务器管理机制,获取具有最优条件的节点范围集合;
执行单元203,根据所述节点范围集合,生成与生态平台相关的资源调度决策,使用所述资源调度决策,对生态平台的资源进行调度。
其中,多类设备,包括如下中的至少一种:与生态平台相关的用采设备组件、用采设备管理组件和各类设备。
其中,数据处理单元201的预处理包括:对记录数据的去重处理和补全处理。
其中,数据处理单元201的归一化处理,包括:对进行预处理后的记录数据,根据时序统一处理为具有规范化格式的时序数据样本。
其中,预先搭建的数据流量预测模型根据Encoder-Decoder架构进行搭建。
其中,预先搭建的数据流量预测模型,包括:Encoder模块和Decoder模块;
其中,Encoder模块作为数据流量预测模型的关键时序特征提取模块;
其中,Decoder模块作为数据流量预测模型的时序样本非线性预测模块。
其中,预测单元202将所述时序数据样本作为输入数据,输入至预先搭建的数据流量预测模型进行预测,包括:
对所述输入数据进行位置编码,将对进行位置编码后的输入数据输入至Encoder模块,基于Encoder模块通过多头注意力机制对所述输入数据的关键时序特征进行提取,以获取所述输入数据的关键时序特征增强表示,及输入数据同纬度的关键时序特征矩阵;
对所述输入数据进行时序线性特征趋势提取,以获取所述输入数据的时序线性特征趋势;
将所述输入数据中未来待预测部分可采集数据、所述输入数据的关键时序特征增强表示、所述输入数据同纬度的关键时序特征矩阵及所述输入数据的时序线性特征趋势叠加输入至Decoder模块,基于Decoder模块对所述时序数据样本进行预测。
其中,位置编码,包括:对序列数据样本中特定位置进行信息编码,并转换成d维向量。
其中,执行单元203获取具有最优条件的节点范围集合,包括:
对与生态平台相关的节点和网络间的关系进行定义,基于所述定义的节点和网络间的关系,确定多条件约束下的节点管理范围;
针对所述节点管理范围内的节点,根据节点间的实际距离,构建基于节点距离的筛选函数,基于所述筛选函数筛选出节点管理范围内有效的节点集合;
对有效的节点集合中的节点,进行负载均衡处理,以筛选出初步的具有最优条件的节点范围集合,对所述筛选出的初步的具有最优条件的节点范围集合进行指标评估,以获取评估值,若评估值大于预设阈值,则将筛选出的初步的具有最优条件的节点范围集合,作为具有最优条件的节点范围集合;
若评估值小于预设阈值,则再次基于所述筛选函数筛选出节点管理范围内有效的节点集合;
针对获取的最优条件的节点范围集合,解析生成负责资源调度的服务器配置文件,更新系统的资源调度决策管理机制。
实施例3:
基于同一种发明构思,本发明还提供了一种计算机设备,该计算机设备包括处理器以及存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能,以实现上述实施例中方法的步骤。
实施例4:
基于同一种发明构思,本发明还提供了一种存储介质,具体为计算机可读存储介质(Memory),所述计算机可读存储介质是计算机设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质,当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间,该存储空间存储了终端的操作系统。并且,在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机可读存储介质可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令,以实现上述实施例中方法的步骤。
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、系统、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、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本发明实施例中的方案可以采用各种计算机语言实现,例如,面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本发明是参照根据本发明实施例的方法、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。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (19)
1.一种用于生态平台资源调度的方法,其特征在于,所述方法包括:
基于生态平台,获取预设时间段内应用商店与多类设备间的与数据交互相关的记录数据,以得到时序数据样本;
将所述时序数据样本作为输入数据,输入至预先搭建的数据流量预测模型进行预测,以得到与生态平台相关的非线性的节点预测流量数据,根据所述节点预测流量数据,构建边缘服务器管理机制,并基于所述边缘服务器管理机制,获取具有最优条件的节点范围集合;
根据所述节点范围集合,生成与生态平台相关的资源调度决策,使用所述资源调度决策,对生态平台的资源进行调度。
2.根据权利要求1所述的方法,其特征在于,所述多类设备,包括如下中的至少一种:与生态平台相关的用采设备组件、用采设备管理组件和各类设备。
3.根据权利要求1所述的方法,其特征在于,所述预处理包括:对记录数据的去重处理和补全处理。
4.根据权利要求1所述的方法,其特征在于,所述归一化处理,包括:对进行预处理后的记录数据,根据时序统一处理为具有规范化格式的时序数据样本。
5.根据权利要求1所述的方法,其特征在于,所述预先搭建的数据流量预测模型根据编码器-解码器(Encoder-Decoder)架构进行搭建。
6.根据权利要求1所述的方法,其特征在于,所述预先搭建的数据流量预测模型,包括:Encoder模块和Decoder模块;
其中,Encoder模块作为数据流量预测模型的关键时序特征提取模块;
其中,Decoder模块作为数据流量预测模型的时序样本非线性预测模块。
7.根据权利要求1所述的方法,其特征在于,所述将所述时序数据样本作为输入数据,输入至预先搭建的数据流量预测模型进行预测,包括:
对所述输入数据进行位置编码,将对进行位置编码后的输入数据输入至Encoder模块,基于Encoder模块通过多头注意力机制对所述输入数据的关键时序特征进行提取,以获取所述输入数据的关键时序特征增强表示,及输入数据同纬度的关键时序特征矩阵;
对所述输入数据进行时序线性特征趋势提取,以获取所述输入数据的时序线性特征趋势;
将所述输入数据中未来待预测部分可采集数据、所述输入数据的关键时序特征增强表示、所述输入数据同纬度的关键时序特征矩阵及所述输入数据的时序线性特征趋势叠加输入至Decoder模块,基于Decoder模块对所述时序数据样本进行预测。
8.根据权利要求7所述的方法,其特征在于,所述位置编码,包括:对序列数据样本中特定位置进行信息编码,并转换为d维向量。
9.根据权利要求1所述的方法,其特征在于,所述获取具有最优条件的节点范围集合,包括:
对与生态平台相关的节点和网络间的关系进行定义,基于所述定义的节点和网络间的关系,确定多条件约束下的节点管理范围;
针对所述节点管理范围内的节点,根据节点间的实际距离,构建基于节点距离的筛选函数,基于所述筛选函数筛选出节点管理范围内有效的节点集合;
对有效的节点集合中的节点,进行负载均衡处理,以筛选出初步的具有最优条件的节点范围集合,对所述筛选出的初步的具有最优条件的节点范围集合进行指标评估,以获取评估值,若评估值大于预设阈值,则将筛选出的初步的具有最优条件的节点范围集合,作为具有最优条件的节点范围集合;
若评估值小于预设阈值,则再次基于所述筛选函数筛选出节点管理范围内有效的节点集合。
10.根据权利要求1所述的方法,其特征在于,所述生成与生态平台相关的资源调度决策,包括:
针对所述最优条件的节点管理范围,解析生成负责资源调度的服务器配置文件,更新系统的资源调度决策管理机制。
11.一种用于生态平台资源调度的系统,其特征在于,所述系统包括:
数据处理单元,基于生态平台,获取预设时间段内应用商店与多类设备间的与数据交互相关的记录数据,以得到时序数据样本;
预测单元,将所述时序数据样本作为输入数据,输入至预先搭建的数据流量预测模型进行预测,以得到与生态平台相关的非线性的节点预测流量数据,根据所述节点预测流量数据,构建边缘服务器管理机制,并基于所述边缘服务器管理机制,获取具有最优条件的节点范围集合;
执行单元,根据所述节点范围集合,生成与生态平台相关的资源调度决策,使用所述资源调度决策,对生态平台的资源进行调度。
12.根据权利要求11所述的系统,其特征在于,所述多类设备,包括如下中的至少一种:与生态平台相关的用采设备组件、用采设备管理组件和各类设备。
13.根据权利要求11所述的系统,其特征在于,所述预先搭建的数据流量预测模型根据Encoder-Decoder架构进行搭建。
14.根据权利要求11所述的系统,其特征在于,所述预先搭建的数据流量预测模型,包括:Encoder模块和Decoder模块;
其中,Encoder模块作为数据流量预测模型的关键时序特征提取模块;
其中,Decoder模块作为数据流量预测模型的时序样本非线性预测模块。
15.根据权利要求11所述的系统,其特征在于,所述预测单元将所述时序数据样本作为输入数据,输入至预先搭建的数据流量预测模型进行预测,包括:
对所述输入数据进行位置编码,将对进行位置编码后的输入数据输入至Encoder模块,基于Encoder模块通过多头注意力机制对所述输入数据的关键时序特征进行提取,以获取所述输入数据的关键时序特征增强表示,及输入数据同纬度的关键时序特征矩阵;
对所述输入数据进行时序线性特征趋势提取,以获取所述输入数据的时序线性特征趋势;
将所述输入数据中未来待预测部分可采集数据、所述输入数据的关键时序特征增强表示、所述输入数据同纬度的关键时序特征矩阵及所述输入数据的时序线性特征趋势叠加输入至Decoder模块,基于Decoder模块对所述时序数据样本进行预测。
16.根据权利要求10所述的系统,其特征在于,所述位置编码,包括:对序列数据样本中的特定位置进行信息编码,并转换成d维向量。
17.根据权利要求10所述的系统,其特征在于,所述执行单元获取具有最优条件的节点范围集合,包括:
对与生态平台相关的节点和网络间的关系进行定义,基于所述定义的节点和网络间的关系,确定多条件约束下的节点管理范围;
针对所述节点管理范围内的节点,根据节点间的实际距离,构建基于节点距离的筛选函数,基于所述筛选函数筛选出节点管理范围内有效的节点集合;
对有效的节点集合中的节点,进行负载均衡处理,以筛选出初步的具有最优条件的节点范围集合,对所述筛选出的初步的具有最优条件的节点范围集合进行指标评估,以获取评估值,若评估值大于预设阈值,则将筛选出的初步的具有最优条件的节点范围集合,作为具有最优条件的节点范围集合;
若评估值小于预设阈值,则再次基于所述筛选函数筛选出节点管理范围内有效的节点集合。
18.一种计算机设备,其特征在于,包括:
一个或多个处理器;
处理器,用于执行一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,实现如权利要求1-9中任一所述的方法。
19.一种计算机可读存储介质,其特征在于,其上存有计算机程序,所述计算机程序被执行时,实现如权利要求1-9中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211458157.XA CN116266128A (zh) | 2022-11-21 | 2022-11-21 | 一种用于生态平台资源调度的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211458157.XA CN116266128A (zh) | 2022-11-21 | 2022-11-21 | 一种用于生态平台资源调度的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116266128A true CN116266128A (zh) | 2023-06-20 |
Family
ID=86744229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211458157.XA Pending CN116266128A (zh) | 2022-11-21 | 2022-11-21 | 一种用于生态平台资源调度的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116266128A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
-
2022
- 2022-11-21 CN CN202211458157.XA patent/CN116266128A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Multi-population parallel self-adaptive differential artificial bee colony algorithm with application in large-scale service composition for cloud manufacturing | |
Dai et al. | Chamnet: Towards efficient network design through platform-aware model adaptation | |
CN113053115B (zh) | 一种基于多尺度图卷积网络模型的交通预测方法 | |
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 | |
CN113905391B (zh) | 集成学习网络流量预测方法、系统、设备、终端、介质 | |
Akhmetov et al. | Development of sectoral intellectualized expert systems and decision making support systems in cybersecurity | |
CN111127246A (zh) | 一种输电线路工程造价的智能预测方法 | |
Yao et al. | Short-term load forecasting method based on feature preference strategy and LightGBM-XGboost | |
Korableva et al. | Designing a Decision Support System for Predicting Innovation Activity. | |
CN111723910A (zh) | 构建多任务学习模型的方法、装置、电子设备及存储介质 | |
Mageshkumar et al. | Hybrid metaheuristic algorithm for improving the efficiency of data clustering | |
CN109787821B (zh) | 一种大规模移动客户流量消费智能预测方法 | |
CN116266128A (zh) | 一种用于生态平台资源调度的方法及系统 | |
Guo et al. | Applying gated recurrent units pproaches for workload prediction | |
Mehdizadeh Khorrami et al. | Forecasting heating and cooling loads in residential buildings using machine learning: A comparative study of techniques and influential indicators | |
Yang et al. | A novel model based on CEEMDAN, IWOA, and LSTM for ultra-short-term wind power forecasting | |
Bellini et al. | Graph databases methodology and tool supporting index/store versioning | |
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 | |
Wang et al. | A study of situation awareness-based resource management scheme in cloud environment | |
CN116883057A (zh) | 一种基于XGBoost的高精度电力客户营销渠道偏好预测系统 | |
CN113298120B (zh) | 基于融合模型的用户风险预测方法、系统和计算机设备 | |
Aye et al. | Layman analytics system: A cloud-enabled system for data analytics workflow recommendation | |
CN111523685B (zh) | 基于主动学习的降低性能建模开销的方法 | |
CN114707667A (zh) | 一种数据驱动的自动模型训练及应用系统 | |
Xu et al. | Self-similarity analysis and application of network traffic |
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 |