CN116911977A - 虚拟资源处理方法、装置、计算机设备和存储介质 - Google Patents
虚拟资源处理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN116911977A CN116911977A CN202310685044.1A CN202310685044A CN116911977A CN 116911977 A CN116911977 A CN 116911977A CN 202310685044 A CN202310685044 A CN 202310685044A CN 116911977 A CN116911977 A CN 116911977A
- Authority
- CN
- China
- Prior art keywords
- index data
- evaluation
- data
- reference index
- resource transfer
- 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
- 238000003672 processing method Methods 0.000 title abstract description 16
- 238000011156 evaluation Methods 0.000 claims abstract description 326
- 238000012546 transfer Methods 0.000 claims abstract description 122
- 238000012549 training Methods 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000004590 computer program Methods 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 22
- 230000009467 reduction Effects 0.000 claims description 38
- 238000007781 pre-processing Methods 0.000 claims description 25
- 238000012360 testing method Methods 0.000 claims description 24
- 238000001514 detection method Methods 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 5
- 238000004134 energy conservation Methods 0.000 claims 1
- 238000011002 quantification Methods 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 13
- 238000010801 machine learning Methods 0.000 abstract description 5
- 238000012797 qualification Methods 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000013139 quantization Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 229910000906 Bronze Inorganic materials 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000010974 bronze Substances 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- KUNSUQLRTQLHQQ-UHFFFAOYSA-N copper tin Chemical compound [Cu].[Sn] KUNSUQLRTQLHQQ-UHFFFAOYSA-N 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Technology Law (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种虚拟资源处理方法、装置、计算机设备、存储介质和计算机程序产品，涉及人工智能技术领域。所述方法包括：获取多个参考评估对象的参考指标数据；根据预设评估标准，确定每一参考评估对象的参考指标数据对应的资源转移评估结果；根据每一参考评估对象的参考指标数据以及对应的资源转移评估结果，对预设学习模型进行训练，直至模型收敛；获取目标评估对象的目标指标数据，将目标指标数据输入至训练后的预设学习模型中，得到相应的资源转移评估结果以及资源转移评估数量。通过获取的历史数据训练一个基于机器学习算法的模型，用于对用户的资源转移资格和数量进行评估，减少工作人员的工作量，提高虚拟资源的管理效率。
Description
技术领域
本申请涉及人工智能技术领域，特别是涉及一种虚拟资源处理方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
绿色信贷是指依据相关规定，金融机构通过支持环境友好型项目或企业以及限制污染项目或企业的操作完成信贷资源的绿色配置，严格借贷资源的审批、发放和监管等各个环节，以促进金融业与生态环境保护协调并进。目前，企业或项目的绿色借贷资源数量的评估通常通过人为审核确定，而由于评估环节较多、周期较长，导致评估效率低，且人为评估过程具有一定的主观性，使得借贷风险较高。
发明内容
基于此，有必要针对上述技术问题，提供一种准确有效的虚拟资源处理方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种虚拟资源处理方法。所述方法包括：
获取多个参考评估对象的参考指标数据，参考指标数据包括指标评估数据以及虚拟资源历史转移数量；
根据预设评估标准，确定每一参考评估对象的参考指标数据对应的资源转移评估结果；
根据每一参考评估对象的参考指标数据以及对应的资源转移评估结果，对预设学习模型进行训练，直至模型收敛；
获取目标评估对象的目标指标数据，将目标指标数据输入至训练后的预设学习模型中，得到相应的资源转移评估结果以及资源转移评估数量。
在其中一个实施例中，根据每一参考评估对象的参考指标数据以及对应的资源转移评估结果，对预设学习模型进行训练，直至模型收敛，包括：
按照预设比例，将多个参考评估对象的参考指标数据划分为第一集合和第二集合；
根据第一集合中的参考指标数据以及对应的资源转移评估结果，对预设学习模型进行训练，直至模型收敛；
根据第二集合中的参考指标数据以及对应的资源转移评估结果，对收敛后的学习模型进行测试，在通过测试的情况下，确定预设学习模型为训练后的预设学习模型。
在其中一个实施例中，方法还包括：
对多个参考评估对象的参考指标数据进行有效性和完整性检测，获取有效性参数和完整性参数；
根据多个参考评估对象的参考指标数据的有效性参数和完整性参数，对多个参考评估对象的参考指标数据进行数据预处理，数据预处理后的多个参考评估对象的参考指标数据用于训练预设学习模型。
在其中一个实施例中，根据多个参考评估对象的参考指标数据的有效性参数和完整性参数，对多个参考评估对象的参考指标数据进行数据预处理，包括：
对于任一参考评估对象，在任一参考评估对象的参考指标数据的完整性参数小于第一预设阈值的情况下，对任一参考评估对象的参考指标数据进行缺失值填充；
缺失值填充方法包括固定值填充、均值填充、中位数填充、线性填充以及非线性填充中的至少一种。
在其中一个实施例中，根据多个参考评估对象的参考指标数据的有效性参数和完整性参数，对多个参考评估对象的参考指标数据进行数据预处理，包括：
对于任一参考评估对象，在任一参考评估对象的参考指标数据的有效性参数小于第二预设阈值的情况下，对任一参考评估对象的参考指标数据进行数据归约处理；
数据归约方法包括维归约和数量归约中的至少一种。
在其中一个实施例中，参考指标数据包括环境量化数据、节能减排数据、虚拟资源交易数据以及虚拟资源历史转移数量中的至少一种。
第二方面，本申请还提供了一种虚拟资源处理装置。装置包括：
数据获取模块，用于获取多个参考评估对象的参考指标数据，参考指标数据包括指标评估数据以及虚拟资源历史转移数量；
指标评估模块，用于根据预设评估标准，确定每一参考评估对象的参考指标数据对应的资源转移评估结果；
模型训练模块，用于根据每一参考评估对象的参考指标数据以及对应的资源转移评估结果，对预设学习模型进行训练，直至模型收敛；
结果确定模块，用于获取目标评估对象的目标指标数据，将目标指标数据输入至训练后的预设学习模型中，得到相应的资源转移评估结果以及资源转移评估数量。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：
获取多个参考评估对象的参考指标数据，参考指标数据包括指标评估数据以及虚拟资源历史转移数量；
根据预设评估标准，确定每一参考评估对象的参考指标数据对应的资源转移评估结果；
根据每一参考评估对象的参考指标数据以及对应的资源转移评估结果，对预设学习模型进行训练，直至模型收敛；
获取目标评估对象的目标指标数据，将目标指标数据输入至训练后的预设学习模型中，得到相应的资源转移评估结果以及资源转移评估数量。
第四方面，本申请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，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取多个参考评估对象的参考指标数据，参考指标数据包括指标评估数据以及虚拟资源历史转移数量；
根据预设评估标准，确定每一参考评估对象的参考指标数据对应的资源转移评估结果；
根据每一参考评估对象的参考指标数据以及对应的资源转移评估结果，对预设学习模型进行训练，直至模型收敛；
获取目标评估对象的目标指标数据，将目标指标数据输入至训练后的预设学习模型中，得到相应的资源转移评估结果以及资源转移评估数量。
第五方面，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，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取多个参考评估对象的参考指标数据，参考指标数据包括指标评估数据以及虚拟资源历史转移数量；
根据预设评估标准，确定每一参考评估对象的参考指标数据对应的资源转移评估结果；
根据每一参考评估对象的参考指标数据以及对应的资源转移评估结果，对预设学习模型进行训练，直至模型收敛；
获取目标评估对象的目标指标数据，将目标指标数据输入至训练后的预设学习模型中，得到相应的资源转移评估结果以及资源转移评估数量。
上述虚拟资源处理方法、装置、计算机设备、存储介质和计算机程序产品，获取多个参考评估对象的参考指标数据，参考指标数据包括指标评估数据以及虚拟资源历史转移数量；根据预设评估标准，确定每一参考评估对象的参考指标数据对应的资源转移评估结果；根据每一参考评估对象的参考指标数据以及对应的资源转移评估结果，对预设学习模型进行训练，直至模型收敛；获取目标评估对象的目标指标数据，将目标指标数据输入至训练后的预设学习模型中，得到相应的资源转移评估结果以及资源转移评估数量。通过获取的历史数据训练一个基于机器学习算法的模型，用于对用户的资源转移资格和数量进行评估，减少工作人员的工作量，提高虚拟资源的管理效率。
附图说明
图1为一个实施例中虚拟资源处理方法的应用环境图；
图2为一个实施例中虚拟资源处理方法的流程示意图；
图3为另一个实施例中虚拟资源处理方法的流程示意图；
图4为又一个实施例中虚拟资源处理方法的流程示意图；
图5为一个实施例中虚拟资源处理装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
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。
本申请实施例提供的虚拟资源处理方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种虚拟资源处理方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：
步骤202，获取多个参考评估对象的参考指标数据，参考指标数据包括指标评估数据以及虚拟资源历史转移数量；
其中，参考评估对象是指已经确定虚拟资源转评估结果和资源转移评估数量的对象，对象可以是企业用户，也可以是项目。参考指标数据是指与虚拟资源的转移相关联的指标的数据，参考评估对象的参考指标数据是通过人为评估确定的。
参考指标数据中包括指标评估数据以及虚拟资源历史转移数量，其中，指标评估数据是指评估对象与转移后的虚拟资源相关的指标的评估数据，例如环境量化指标数据、节能减排措施量化指标数据等，还例如评估对象的虚拟资源流水数据。虚拟资源历史转移数据是指用于描述参考评估对象在历史时间段内对历史资源转移评估数量中的虚拟资源的转移情况。在一个实施例中，参考指标数据包括环境量化数据、节能减排数据、虚拟资源交易数据以及虚拟资源历史转移数量中的至少一种。
步骤204，根据预设评估标准，确定每一参考评估对象的参考指标数据对应的资源转移评估结果；
预设评估标准是指用于人工判断是否对参考评估对象发放资源转移数量的虚拟资源的标准，通过预设评估标准对参考指标数据进行判断，确定参考评估对象的资源转移评估结果。也即，预设评估标准是对于参考指标数据的一种预设判断条件，对参考指标数据进行判断，确定参考评估对象的资源转移评估结果。例如，参考指标数据包括环境量化数据，例如碳排放量指标，则预设评估标准即为一个预设数值，判断碳排放量是否达标，以确定参考评估对象的资源转移评估结果是通过还是不通过。
在一个实施例中，根据预设评估标准对对每一参考评估对象的参考指标数据进行判断后，确定对应的资源转移评估结果，若资源转移评估结果为通过，则可以将该参考评估对象的参考指标数据打上标签1，若资源转移评估结果为不通过，则可以将该参考评估对象的参考指标数据打上标签0，用于后续学习模型的训练。
步骤206，根据每一参考评估对象的参考指标数据以及对应的资源转移评估结果，对预设学习模型进行训练，直至模型收敛；
其中，预设学习模型是基于机器学习算法构建的模型，用于根据指标数据确定评估对象的资源转移评估结果。其中，机器学习算法可以是监督学习类型，包括支持向量机算法、决策树算法、朴素贝叶斯分类算法以及线性回归算法等。本申请在此不作具体限定。
在构建合适的预设学习模型后，根据参考评估对象的参考指标数据以及对应的资源转移评估结果对预设学习模型进行训练，得到训练后的学习模型，用于对待评估的目标评估对象的资源评估结果进行预测判断。
步骤208，获取目标评估对象的目标指标数据，将目标指标数据输入至训练后的预设学习模型中，得到相应的资源转移评估结果以及资源转移评估数量。
将目标评估对象的目标指标数据输入至训练后的预设学习模型，能够得到目标评估对象对应的资源转移评估结果以及资源转移评估数量。其中，训练后的预设学习模型具有分类的作用，资源转移评估结果通过训练后的预设学习模型的分类功能实现，输出的是概率最大的资源转移评估结果。另外，还可以将资源转移评估数量划分为多个等级高，也即对应多个分类结果，通过训练后的预设学习模型的分类功能实现，对目标评估对象的资源转移评估数量进行判断。
上述实施例提供的方法中，获取多个参考评估对象的参考指标数据，参考指标数据包括指标评估数据以及虚拟资源历史转移数量；根据预设评估标准，确定每一参考评估对象的参考指标数据对应的资源转移评估结果；根据每一参考评估对象的参考指标数据以及对应的资源转移评估结果，对预设学习模型进行训练，直至模型收敛；获取目标评估对象的目标指标数据，将目标指标数据输入至训练后的预设学习模型中，得到相应的资源转移评估结果以及资源转移评估数量。通过获取的历史数据训练一个基于机器学习算法的模型，用于对用户的资源转移资格和数量进行评估，减少工作人员的工作量，提高虚拟资源的管理效率。
在其中一个实施例中，如图3所示，根据每一参考评估对象的参考指标数据以及对应的资源转移评估结果，对预设学习模型进行训练，直至模型收敛，包括：
步骤302，按照预设比例，将多个参考评估对象的参考指标数据划分为第一集合和第二集合；
步骤304，根据第一集合中的参考指标数据以及对应的资源转移评估结果，对预设学习模型进行训练，直至模型收敛；
步骤306，根据第二集合中的参考指标数据以及对应的资源转移评估结果，对收敛后的学习模型进行测试，在通过测试的情况下，确定预设学习模型为训练后的预设学习模型。
其中，预设比例用于对样本数据集进行划分，得到训练集和测试集。通常情况下，训练集的比例会大于测试集，预设比例的大小根据所需要的预设学习模型的精确度和准确度，由人为确定，例如预设比例为7:3，即多个参考评估对象的参考指标数据中70％的数据作为训练集，剩下的30％作为测试集；还例如预设比例为0.85:0.15，即多个参考评估对象的参考指标数据中85％的数据作为训练集，剩下的15％作为测试集。很明显的，作为训练集的第一集合所占的比例，与测试集对应的第二集合所占的比例之和不超过100％。
需要说明的是，在进行集合划分之前，还可以对多个参考评估对象的参考指标数据进行预处理，进行数据准确性检测等处理，此时，对于多个参考评估对象的参考指标数据构成的全集，训练集对应的第一集合所占的比例，与测试集对应的第二集合所占的比例之和会小于100％。
可以理解的是，第一集合中的数据为训练样本，通过将每一训练样本输入至预设学习模型中，对模型参数进行调整，直至模型收敛，对预设学习模型进行训练。在完成训练后，根据第二集合(测试集)中的数据对训练后的预设学习模型的训练成果进行检测，在通过测试的情况下，确定预设学习模型为训练后的预设学习模型。
上述实施例提供的方法中，将多个参考评估对象的参考指标数据进行划分，得到测试集，在对预设学习模型激进型训练后，对其准确性进行检测，确保训练后的预设学习模型的预测有效性。
在其中一个实施例中，方法还包括：
对多个参考评估对象的参考指标数据进行有效性和完整性检测，获取有效性参数和完整性参数；
根据多个参考评估对象的参考指标数据的有效性参数和完整性参数，对多个参考评估对象的参考指标数据进行数据预处理，数据预处理后的多个参考评估对象的参考指标数据用于训练预设学习模型。
其中，有效性和完整性检测属于对获取的多个参考评估对象的参考指标数据进行预处理的过程。有效性参数和完整性参数是用于衡量参考指标数据的有效性和完整性的，例如，完整性参数为一个百分数，用于描述多个参考评估对象的参考指标数据的完整性程度，通常情况下，在完整性参数大于95％的情况下爱，可以不对数据进行后续处理。
可以理解的是，对多个参考评估对象的参考指标数据进行有效性和完整性的检测，能够提高数据的有效性和准确性，因此，将根据有效性参数和完整性参数进行数据预处理后的多个参考评估对象的参考指标数据作为预设学习模型的训练数据集，能够提高训练后的易俗河学习模型的准确性和有效性。
在其中一个实施例中，如图4所示，根据多个参考评估对象的参考指标数据的有效性参数和完整性参数，对多个参考评估对象的参考指标数据进行数据预处理，包括：
步骤420，对于任一参考评估对象，在任一参考评估对象的参考指标数据的完整性参数小于第一预设阈值的情况下，对任一参考评估对象的参考指标数据进行缺失值填充；
步骤404，缺失值填充方法包括固定值填充、均值填充、中位数填充、线性填充以及非线性填充中的至少一种。
其中，完整性参数用于描述参考评估对象的参考指标数据的完整程度，判断是否有缺失。第一预设阈值的设定根据对数据完整性的要求由人为确定。可以理解的是，在完整性参数小于第一预设阈值的情况下，认为参考评估对象的参考指标数据的完整程度达不到预设要求，此时需要对参考评估对象的参考指标数据进行处理，使其更加“完整”。
具体地，当完整性参数小于第一预设阈值时，说明参考评估对象的参考指标数据中具有缺失值，需要对缺失值进行填充，而缺失值的填充方法包括固定值填充、均值填充、中位数填充、线性填充以及非线性填充；其中，固定值填充是指不管缺失值的位置或意义，都选定预设值进行填充；均值填充是指根据已有的所有值的平均值作为缺失值进行填充；中位数填充是指根据已有的所有值的中位数作为缺失值进行填充；线性填充和非线性填充均是根据预设算法对缺失值进行填充，前者的算法为线性算法，后者的算法为非线性算法。
上述实施例提供的方法中，通过对参考评估对象的参考指标数据的缺失值进行填充，提高参考指标数据的有效性和连续性，进而提高预设学习模型的训练效果。
在其中一个实施例中，根据多个参考评估对象的参考指标数据的有效性参数和完整性参数，对多个参考评估对象的参考指标数据进行数据预处理，包括：
对于任一参考评估对象，在任一参考评估对象的参考指标数据的有效性参数小于第二预设阈值的情况下，对任一参考评估对象的参考指标数据进行数据归约处理；
数据归约方法包括维归约和数量归约中的至少一种。
其中，有效性用于描述参考评估对象的参考指标数据的有效程度，通过对参考评估对象的参考指标数据进行有效性检测，得到有效性参数，根据第二预设阈值对有效性参数进行判断，确定参考评估对象的参考指标数据的有效性。在参考评估对象的参考指标数据的有效性确实的情况下，铜鼓数据归约处理提高数据的有效性。具体地，数据归约的主要目的是从原有巨大数据集中获得一个精简的数据集，并使这一精简数据集保持原有数据集的完整性。
上述实施例提供的方法中，通过对参考评估对象的参考指标数据的有效性进行检测，从而进行数据归约处理，提高参考指标数据的有效性和连续性，进而提高预设学习模型的训练效果。
应该理解的是，虽然如上的各实施例所涉及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，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些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中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的虚拟资源处理方法的虚拟资源处理装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个虚拟资源处理装置实施例中的具体限定可以参见上文中对于虚拟资源处理方法的限定，在此不再赘述。
在一个实施例中，如图5所示，提供了一种虚拟资源处理装置，包括：数据获取模块501、指标评估模块502、模型训练模块503和结果确定模块504，其中：
数据获取模块501，用于获取多个参考评估对象的参考指标数据，参考指标数据包括指标评估数据以及虚拟资源历史转移数量；
指标评估模块502，用于根据预设评估标准，确定每一参考评估对象的参考指标数据对应的资源转移评估结果；
模型训练模块503，用于根据每一参考评估对象的参考指标数据以及对应的资源转移评估结果，对预设学习模型进行训练，直至模型收敛；
结果确定模块504，用于获取目标评估对象的目标指标数据，将目标指标数据输入至训练后的预设学习模型中，得到相应的资源转移评估结果以及资源转移评估数量。
在其中一个实施例中，模型训练模块503还用于：
按照预设比例，将多个参考评估对象的参考指标数据划分为第一集合和第二集合；
根据第一集合中的参考指标数据以及对应的资源转移评估结果，对预设学习模型进行训练，直至模型收敛；
根据第二集合中的参考指标数据以及对应的资源转移评估结果，对收敛后的学习模型进行测试，在通过测试的情况下，确定预设学习模型为训练后的预设学习模型。
在其中一个实施例中，虚拟资源处理装置还包括数据预处理模块，用于：
对多个参考评估对象的参考指标数据进行有效性和完整性检测，获取有效性参数和完整性参数；
根据多个参考评估对象的参考指标数据的有效性参数和完整性参数，对多个参考评估对象的参考指标数据进行数据预处理，数据预处理后的多个参考评估对象的参考指标数据用于训练预设学习模型。
在其中一个实施例中，数据预处理模块还用于：
对于任一参考评估对象，在任一参考评估对象的参考指标数据的完整性参数小于第一预设阈值的情况下，对任一参考评估对象的参考指标数据进行缺失值填充；
缺失值填充方法包括固定值填充、均值填充、中位数填充、线性填充以及非线性填充中的至少一种。
在其中一个实施例中，数据预处理模块还用于：
对于任一参考评估对象，在任一参考评估对象的参考指标数据的有效性参数小于第二预设阈值的情况下，对任一参考评估对象的参考指标数据进行数据归约处理；
数据归约方法包括维归约和数量归约中的至少一种。
在其中一个实施例中，数据获取模块501还用于确定参考指标数据包括环境量化数据、节能减排数据、虚拟资源交易数据以及虚拟资源历史转移数量中的至少一种。
上述虚拟资源处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储参考指标数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种虚拟资源处理方法。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取多个参考评估对象的参考指标数据，参考指标数据包括指标评估数据以及虚拟资源历史转移数量；
根据预设评估标准，确定每一参考评估对象的参考指标数据对应的资源转移评估结果；
根据每一参考评估对象的参考指标数据以及对应的资源转移评估结果，对预设学习模型进行训练，直至模型收敛；
获取目标评估对象的目标指标数据，将目标指标数据输入至训练后的预设学习模型中，得到相应的资源转移评估结果以及资源转移评估数量。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
按照预设比例，将多个参考评估对象的参考指标数据划分为第一集合和第二集合；
根据第一集合中的参考指标数据以及对应的资源转移评估结果，对预设学习模型进行训练，直至模型收敛；
根据第二集合中的参考指标数据以及对应的资源转移评估结果，对收敛后的学习模型进行测试，在通过测试的情况下，确定预设学习模型为训练后的预设学习模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
对多个参考评估对象的参考指标数据进行有效性和完整性检测，获取有效性参数和完整性参数；
根据多个参考评估对象的参考指标数据的有效性参数和完整性参数，对多个参考评估对象的参考指标数据进行数据预处理，数据预处理后的多个参考评估对象的参考指标数据用于训练预设学习模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
对于任一参考评估对象，在任一参考评估对象的参考指标数据的完整性参数小于第一预设阈值的情况下，对任一参考评估对象的参考指标数据进行缺失值填充；
缺失值填充方法包括固定值填充、均值填充、中位数填充、线性填充以及非线性填充中的至少一种。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
对于任一参考评估对象，在任一参考评估对象的参考指标数据的有效性参数小于第二预设阈值的情况下，对任一参考评估对象的参考指标数据进行数据归约处理；
数据归约方法包括维归约和数量归约中的至少一种。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：确定参考指标数据包括环境量化数据、节能减排数据、虚拟资源交易数据以及虚拟资源历史转移数量中的至少一种。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取多个参考评估对象的参考指标数据，参考指标数据包括指标评估数据以及虚拟资源历史转移数量；
根据预设评估标准，确定每一参考评估对象的参考指标数据对应的资源转移评估结果；
根据每一参考评估对象的参考指标数据以及对应的资源转移评估结果，对预设学习模型进行训练，直至模型收敛；
获取目标评估对象的目标指标数据，将目标指标数据输入至训练后的预设学习模型中，得到相应的资源转移评估结果以及资源转移评估数量。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
按照预设比例，将多个参考评估对象的参考指标数据划分为第一集合和第二集合；
根据第一集合中的参考指标数据以及对应的资源转移评估结果，对预设学习模型进行训练，直至模型收敛；
根据第二集合中的参考指标数据以及对应的资源转移评估结果，对收敛后的学习模型进行测试，在通过测试的情况下，确定预设学习模型为训练后的预设学习模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对多个参考评估对象的参考指标数据进行有效性和完整性检测，获取有效性参数和完整性参数；
根据多个参考评估对象的参考指标数据的有效性参数和完整性参数，对多个参考评估对象的参考指标数据进行数据预处理，数据预处理后的多个参考评估对象的参考指标数据用于训练预设学习模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对于任一参考评估对象，在任一参考评估对象的参考指标数据的完整性参数小于第一预设阈值的情况下，对任一参考评估对象的参考指标数据进行缺失值填充；
缺失值填充方法包括固定值填充、均值填充、中位数填充、线性填充以及非线性填充中的至少一种。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对于任一参考评估对象，在任一参考评估对象的参考指标数据的有效性参数小于第二预设阈值的情况下，对任一参考评估对象的参考指标数据进行数据归约处理；
数据归约方法包括维归约和数量归约中的至少一种。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：确定参考指标数据包括环境量化数据、节能减排数据、虚拟资源交易数据以及虚拟资源历史转移数量中的至少一种。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取多个参考评估对象的参考指标数据，参考指标数据包括指标评估数据以及虚拟资源历史转移数量；
根据预设评估标准，确定每一参考评估对象的参考指标数据对应的资源转移评估结果；
根据每一参考评估对象的参考指标数据以及对应的资源转移评估结果，对预设学习模型进行训练，直至模型收敛；
获取目标评估对象的目标指标数据，将目标指标数据输入至训练后的预设学习模型中，得到相应的资源转移评估结果以及资源转移评估数量。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
按照预设比例，将多个参考评估对象的参考指标数据划分为第一集合和第二集合；
根据第一集合中的参考指标数据以及对应的资源转移评估结果，对预设学习模型进行训练，直至模型收敛；
根据第二集合中的参考指标数据以及对应的资源转移评估结果，对收敛后的学习模型进行测试，在通过测试的情况下，确定预设学习模型为训练后的预设学习模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对多个参考评估对象的参考指标数据进行有效性和完整性检测，获取有效性参数和完整性参数；
根据多个参考评估对象的参考指标数据的有效性参数和完整性参数，对多个参考评估对象的参考指标数据进行数据预处理，数据预处理后的多个参考评估对象的参考指标数据用于训练预设学习模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对于任一参考评估对象，在任一参考评估对象的参考指标数据的完整性参数小于第一预设阈值的情况下，对任一参考评估对象的参考指标数据进行缺失值填充；
缺失值填充方法包括固定值填充、均值填充、中位数填充、线性填充以及非线性填充中的至少一种。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对于任一参考评估对象，在任一参考评估对象的参考指标数据的有效性参数小于第二预设阈值的情况下，对任一参考评估对象的参考指标数据进行数据归约处理；
数据归约方法包括维归约和数量归约中的至少一种。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：确定参考指标数据包括环境量化数据、节能减排数据、虚拟资源交易数据以及虚拟资源历史转移数量中的至少一种。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
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、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
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本申请专利范围的限制。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，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种虚拟资源处理方法，其特征在于，所述方法包括：
获取多个参考评估对象的参考指标数据，所述参考指标数据包括指标评估数据以及虚拟资源历史转移数量；
根据预设评估标准，确定每一参考评估对象的参考指标数据对应的资源转移评估结果；
根据每一参考评估对象的参考指标数据以及对应的资源转移评估结果，对预设学习模型进行训练，直至模型收敛；
获取目标评估对象的目标指标数据，将所述目标指标数据输入至所述训练后的预设学习模型中，得到相应的资源转移评估结果以及资源转移评估数量。
2.根据权利要求1所述的方法，其特征在于，所述根据每一参考评估对象的参考指标数据以及对应的资源转移评估结果，对预设学习模型进行训练，直至模型收敛，包括：
按照预设比例，将所述多个参考评估对象的参考指标数据划分为第一集合和第二集合；
根据所述第一集合中的参考指标数据以及对应的资源转移评估结果，对预设学习模型进行训练，直至模型收敛；
根据所述第二集合中的参考指标数据以及对应的资源转移评估结果，对所述收敛后的学习模型进行测试，在通过测试的情况下，确定所述预设学习模型为所述训练后的预设学习模型。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
对所述多个参考评估对象的参考指标数据进行有效性和完整性检测，获取有效性参数和完整性参数；
根据所述多个参考评估对象的参考指标数据的有效性参数和完整性参数，对所述多个参考评估对象的参考指标数据进行数据预处理，所述数据预处理后的多个参考评估对象的参考指标数据用于训练所述预设学习模型。
4.根据权利要求3所述的方法，其特征在于，所述根据所述多个参考评估对象的参考指标数据的有效性参数和完整性参数，对所述多个参考评估对象的参考指标数据进行数据预处理，包括：
对于任一参考评估对象，在所述任一参考评估对象的参考指标数据的完整性参数小于第一预设阈值的情况下，对所述任一参考评估对象的参考指标数据进行缺失值填充；
所述缺失值填充方法包括固定值填充、均值填充、中位数填充、线性填充以及非线性填充中的至少一种。
5.根据权利要求3所述的方法，其特征在于，所述根据所述多个参考评估对象的参考指标数据的有效性参数和完整性参数，对所述多个参考评估对象的参考指标数据进行数据预处理，包括：
对于任一参考评估对象，在所述任一参考评估对象的参考指标数据的有效性参数小于第二预设阈值的情况下，对所述任一参考评估对象的参考指标数据进行数据归约处理；
所述数据归约方法包括维归约和数量归约中的至少一种。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述参考指标数据包括环境量化数据、节能减排数据、虚拟资源交易数据以及虚拟资源历史转移数量中的至少一种。
7.一种虚拟资源处理装置，其特征在于，所述装置包括：
数据获取模块，用于获取多个参考评估对象的参考指标数据，所述参考指标数据包括指标评估数据以及虚拟资源历史转移数量；
指标评估模块，用于根据预设评估标准，确定每一参考评估对象的参考指标数据对应的资源转移评估结果；
模型训练模块，用于根据每一参考评估对象的参考指标数据以及对应的资源转移评估结果，对预设学习模型进行训练，直至模型收敛；
结果确定模块，用于获取目标评估对象的目标指标数据，将所述目标指标数据输入至所述训练后的预设学习模型中，得到相应的资源转移评估结果以及资源转移评估数量。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一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权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310685044.1A CN116911977A (zh) | 2023-06-09 | 2023-06-09 | 虚拟资源处理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310685044.1A CN116911977A (zh) | 2023-06-09 | 2023-06-09 | 虚拟资源处理方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116911977A true CN116911977A (zh) | 2023-10-20 |
Family
ID=88350051
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310685044.1A Pending CN116911977A (zh) | 2023-06-09 | 2023-06-09 | 虚拟资源处理方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116911977A (zh) |
-
2023
- 2023-06-09 CN CN202310685044.1A patent/CN116911977A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116737373A (zh) | 负载均衡方法、装置、计算机设备、存储介质 | |
| CN116109215A (zh) | 可信数控系统的可信性量化评估方法、装置和计算机设备 | |
| CN113779116B (zh) | 对象排序方法、相关设备及介质 | |
| CN116911977A (zh) | 虚拟资源处理方法、装置、计算机设备和存储介质 | |
| CN115204501A (zh) | 企业评估方法、装置、计算机设备和存储介质 | |
| CN114549174A (zh) | 用户行为预测方法、装置、计算机设备和存储介质 | |
| CN115063143A (zh) | 账户数据处理方法、装置、计算机设备和存储介质 | |
| CN114784795A (zh) | 风电功率预测方法、装置、电子设备及存储介质 | |
| CN114092216A (zh) | 企业信贷评级方法、装置、计算机设备和存储介质 | |
| CN117933677B (zh) | 基于区域调频的水力发电厂关联数据预测方法和装置 | |
| CN118132091A (zh) | 业务模型的处理方法、装置、计算机设备和存储介质 | |
| CN117459576A (zh) | 基于边缘计算的数据推送方法、装置和计算机设备 | |
| CN117421311A (zh) | 基于人工智能的数据校验方法、装置、设备及存储介质 | |
| CN117196289A (zh) | 资源风险评估方法、装置、设备、存储介质和程序产品 | |
| CN117913796A (zh) | 电力经济耦合协调关系确定方法、装置、设备和存储介质 | |
| CN117437104A (zh) | 县域碳排放量预测方法、装置、计算机设备和存储介质 | |
| CN117541885A (zh) | 样本数据处理方法、装置、存储介质和系统 | |
| CN117372801A (zh) | 变电站缺陷异常检测方法、装置和计算机设备 | |
| CN116308642A (zh) | 产品推荐方法、目标预测模型的创建方法、装置 | |
| CN116795705A (zh) | 异常节点的确定方法、装置和计算机设备 | |
| CN114692970A (zh) | 用户意向预测模型训练方法、用户意向预测方法及装置 | |
| CN117829904A (zh) | 投资决策预测方法、装置、设备、存储介质和程序产品 | |
| CN117874491A (zh) | 一种特征提取方法及装置 | |
| CN116703216A (zh) | 业务场景评分方法、装置、计算机设备和存储介质 | |
| CN116188177A (zh) | 基于动态信息量化的业务风险评估方法、装置和设备 |
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 |