CN117575858A - 一种智能排课系统的管理方法、系统及存储介质 - Google Patents
一种智能排课系统的管理方法、系统及存储介质 Download PDFInfo
- Publication number
- CN117575858A CN117575858A CN202311552673.3A CN202311552673A CN117575858A CN 117575858 A CN117575858 A CN 117575858A CN 202311552673 A CN202311552673 A CN 202311552673A CN 117575858 A CN117575858 A CN 117575858A
- Authority
- CN
- China
- Prior art keywords
- course arrangement
- information
- value
- paralysis
- arrangement system
- 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
Links
- 238000007726 management method Methods 0.000 title claims abstract description 25
- 206010033799 Paralysis Diseases 0.000 claims abstract description 116
- 238000004891 communication Methods 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000003066 decision tree Methods 0.000 claims abstract description 27
- 230000002068 genetic effect Effects 0.000 claims abstract description 20
- 230000007704 transition Effects 0.000 claims description 66
- 239000011159 matrix material Substances 0.000 claims description 55
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000013508 migration Methods 0.000 claims description 3
- 230000005012 migration Effects 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 4
- 238000012163 sequencing technique Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Educational Technology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Physiology (AREA)
- Human Resources & Organizations (AREA)
- Genetics & Genomics (AREA)
- Marketing (AREA)
- Molecular Biology (AREA)
- Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种智能排课系统的管理方法、系统及存储介质,属于排课系统管理技术领域,本发明通过根据新的叶节点所对应的隶属度信息构建状态隶属度矩阵,融合马尔科夫链,通过马尔科夫链对状态隶属度矩阵进行评价,获取状态转移概率值矩阵,最后根据状态转移概率矩阵预测智能排课系统的瘫痪概率值,并基于智能排课系统的瘫痪概率值生成相关的调控措施。本发明通过融合决策树模型以及马尔科夫链来对智能排课系统的使用负载情况进行分析,能够准确预测智能排课系统瘫痪概率,从而通过遗传算法来调整每一通信链路的使用负载信息,使得通信链路的实时使用负载信息得到实时优化,降低智能排课系统的瘫痪概率,维持智能排课系统的正常运行。
Description
技术领域
本发明涉及排课系统管理技术领域,尤其涉及一种智能排课系统的管理方法、系统及存储介质。
背景技术
随着智慧校园和一站式网上服务大厅在高校数字化校园中的广泛应用,高校的教学和管理随之发生了巨大的变革,微课、互动教学和翻转课堂等新型的教学模式被不断的应用到教学体系中,其课堂教学质量和效果也得到了很大的提高。近些年来,为了不断满足社会对高技术人才的需求,高校规模随之不断扩大,对高校教学管理提出了更高的要求,特别是在多种教学模式和环境的约束下,教师、课程、各类型实验室、多用途的智慧教室、多校区等环境下的教学排课已经逐渐成为高校教学管理工作中一个难点,每学期如何设计出一套即符合师生上课的实际需求又能够充分统筹利用好学校的各类资源的教学课表,以达到最优的教学目标。而现如今,智能排课系统在使用的过程中,由于使用负载的问题,在多数人使用时,常常会出现智能排课系统瘫痪的情况,导致用户的使用体验性差。
发明内容
本发明克服了现有技术的不足,提供了一种智能排课系统的管理方法、系统及存储介质。
为达上述目的,本发明采用的技术方案为:
本发明第一方面提供了一种智能排课系统的管理方法,包括以下步骤:
获取智能排课系统每一链路的实时使用负载信息,并引入决策树模型,通过决策树模型对每一链路的实时使用负载信息进行分析,获取若干叶节点;
计算叶节点中的实时使用负载信息的信息增益值,并根据信息增益值对叶节点进行重新分裂,生成新的叶节点;
获取新的叶节点所对应的隶属度信息,并根据新的叶节点所对应的隶属度信息构建状态隶属度矩阵,融合马尔科夫链,通过马尔科夫链对状态隶属度矩阵进行评价,获取状态转移概率值矩阵;
根据状态转移概率矩阵预测智能排课系统的瘫痪概率值,并基于智能排课系统的瘫痪概率值生成相关的调控措施。
进一步的,在本方法中,引入决策树模型,通过决策树模型对每一链路的实时使用负载信息进行分析,获取若干叶节点,具体包括:
引入决策树模型,并根据实时使用负载信息构建根节点,并初始化若干分裂属性,根据分裂属性对根节点进行分裂,生成新的节点;
判断新的节点是否存在其他分裂属性的样本数据,若新的节点中存在其他分裂属性的样本数据,则对新的节点进行持续分裂,直至新的节点不再存在其他分裂属性的样本数据;
当新的节点不再存在其他分裂属性的样本数据时,生成若干个新的叶节点,并将若干个新的叶节点作为最终的叶节点进行输出。
进一步的,在本方法中,计算叶节点中的实时使用负载信息的信息增益值,并根据信息增益值对叶节点进行重新分裂,生成新的叶节点,具体包括:
获取每个叶节点中每个样本的属性,并计算叶节点中每个样本的属性的信息增益值,并选择出信息增益值最大的属性以及取值个数最多的属性;
判断信息增益值最大的属性是否具有多值偏向的趋势,当信息增益值最大的属性具有多值偏向的趋势时,引入均衡因子,通过均衡因子对信息增益值最大的属性进行重新划分权重,获取新的信息增益值;
预设偏差率阈值,将新的信息增益值的属性与取值个数最多的属性进行对比,得到偏差率,并判断偏差率是否大于偏差率阈值;
当偏差率大于偏差率阈值时,则获取对应的叶节点,并对对应的叶节点中信息增益值最大的属性具有多值偏向的趋势的样本数据进行重新分类,生成新的叶节点。
进一步的,在本方法中,根据新的叶节点所对应的隶属度信息构建状态隶属度矩阵,融合马尔科夫链,通过马尔科夫链对状态隶属度矩阵进行评价,获取状态转移概率矩阵,具体包括:
构建时间戳,并结合时间戳以及新的叶节点所对应的隶属度信息生成基于时间序列的隶属度信息,根据基于时间序列的隶属度信息构建状态隶属度矩阵;
引入马尔科夫链,并通过马尔科夫链计算每个时间戳的隶属度信息转移到下一等级的隶属度的状态转移概率值,并根据状态转移概率值构建状态转移概率矩阵。
进一步的,在本方法中,根据状态转移概率矩阵预测智能排课系统的瘫痪概率值,具体包括:
获取上一预设时间之内智能排课系统的使用负载隶属度信息,并根据状态转移概率矩阵获取当前预设时间之内的状态转移概率值,并预设状态转移概率阈值;
当状态转移概率值大于状态转移概率阈值时,则将上一预设时间之内智能排课系统的使用负载隶属度信息的下一等级的隶属度信息作为当前预设时间之内的使用负载隶属度信息,统计每一链路中当前预设时间之内的使用负载隶属度信息;
通过大数据获取各使用负载隶属度信息之下的智能排课系统的瘫痪概率值,并基于深度神经网络构建瘫痪概率预测模型,将各使用负载隶属度信息之下的智能排课系统的瘫痪概率值输入到瘫痪概率预测模型中进行编码学习;
将当前预设时间之内的使用负载隶属度信息输入到瘫痪概率预测模型中进行预测,获取智能排课系统每一通信链路的瘫痪概率值。
进一步的,在本方法中,基于智能排课系统的瘫痪概率值生成相关的调控措施,具体包括:
预设智能排课系统的瘫痪概率阈值,并判断智能排课系统的瘫痪概率值是否大于智能排课系统的瘫痪概率阈值;
当智能排课系统的瘫痪概率值大于智能排课系统的瘫痪概率阈值时,获取每一通信链路的实时使用负载信息,并引入遗传算法,基于遗传算法设置遗传代数;
将通信链路的实时使用负载信息输入遗传算法中,当智能排课系统的瘫痪概率值大于智能排课系统的瘫痪概率阈值时,根据遗传代数调整每一通信链路的实时使用负载信息;
当智能排课系统的瘫痪概率值不大于智能排课系统的瘫痪概率阈值时,输出每一通信链路的调整使用负载信息,并根据通信链路的调整使用负载信息生成相关的调控措施,基于相关的调控措施进行负载迁移。
本发明第二方面提供了一种智能排课系统的管理系统,智能排课系统的管理系统包括存储器以及处理器,存储器中包括智能排课系统的管理方法程序,智能排课系统的管理方法程序被处理器执行时,实现如下步骤:
获取智能排课系统每一链路的实时使用负载信息,并引入决策树模型,通过决策树模型对每一链路的实时使用负载信息进行分析,获取若干叶节点;
计算叶节点中的实时使用负载信息的信息增益值,并根据信息增益值对叶节点进行重新分裂,生成新的叶节点;
获取新的叶节点所对应的隶属度信息,并根据新的叶节点所对应的隶属度信息构建状态隶属度矩阵,融合马尔科夫链,通过马尔科夫链对状态隶属度矩阵进行评价,获取状态转移概率值矩阵;
根据状态转移概率矩阵预测智能排课系统的瘫痪概率值,并基于智能排课系统的瘫痪概率值生成相关的调控措施。
进一步的,在本系统中,计算叶节点中的实时使用负载信息的信息增益值,并根据信息增益值对叶节点进行重新分裂,生成新的叶节点,具体包括:
获取每个叶节点中每个样本的属性,并计算叶节点中每个样本的属性的信息增益值,并选择出信息增益值最大的属性以及取值个数最多的属性;
判断信息增益值最大的属性是否具有多值偏向的趋势,当信息增益值最大的属性具有多值偏向的趋势时,引入均衡因子,通过均衡因子对信息增益值最大的属性进行重新划分权重,获取新的信息增益值;
预设偏差率阈值,将新的信息增益值的属性与取值个数最多的属性进行对比,得到偏差率,并判断偏差率是否大于偏差率阈值;
当偏差率大于偏差率阈值时,则获取对应的叶节点,并对对应的叶节点中信息增益值最大的属性具有多值偏向的趋势的样本数据进行重新分类,生成新的叶节点。
进一步的,在本系统中,根据状态转移概率矩阵预测智能排课系统的瘫痪概率值,具体包括:
获取上一预设时间之内智能排课系统的使用负载隶属度信息,并根据状态转移概率矩阵获取当前预设时间之内的状态转移概率值,并预设状态转移概率阈值;
当状态转移概率值大于状态转移概率阈值时,则将上一预设时间之内智能排课系统的使用负载隶属度信息的下一等级的隶属度信息作为当前预设时间之内的使用负载隶属度信息,统计每一链路中当前预设时间之内的使用负载隶属度信息;
通过大数据获取各使用负载隶属度信息之下的智能排课系统的瘫痪概率值,并基于深度神经网络构建瘫痪概率预测模型,将各使用负载隶属度信息之下的智能排课系统的瘫痪概率值输入到瘫痪概率预测模型中进行编码学习;
将当前预设时间之内的使用负载隶属度信息输入到瘫痪概率预测模型中进行预测,获取智能排课系统每一通信链路的瘫痪概率值。
本发明第三方面提供了一种计算机可读存储介质,计算机可读存储介质中包括智能排课系统的管理方法程序,智能排课系统的管理方法程序被处理器执行时,实现任一项的智能排课系统的管理方法的步骤。
本发明解决了背景技术中存在的缺陷,本发明具备以下有益效果:
本发明通过获取智能排课系统每一链路的实时使用负载信息,并引入决策树模型,通过决策树模型对每一链路的实时使用负载信息进行分析,获取若干叶节点,进而计算叶节点中的实时使用负载信息的信息增益值,并根据信息增益值对叶节点进行重新分裂,生成新的叶节点,从而获取新的叶节点所对应的隶属度信息,并根据新的叶节点所对应的隶属度信息构建状态隶属度矩阵,融合马尔科夫链,通过马尔科夫链对状态隶属度矩阵进行评价,获取状态转移概率值矩阵,最后根据状态转移概率矩阵预测智能排课系统的瘫痪概率值,并基于智能排课系统的瘫痪概率值生成相关的调控措施。本发明通过融合决策树模型以及马尔科夫链来对智能排课系统的使用负载情况进行分析,能够准确预测智能排课系统瘫痪概率,从而通过遗传算法来调整每一通信链路的使用负载信息,使得通信链路的实时使用负载信息得到实时优化,降低智能排课系统的瘫痪概率,维持智能排课系统的正常运行。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有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发明的一些实施例,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实施例的附图。
图1示出了智能排课系统的管理方法的整体方法流程图;
图2示出了智能排课系统的管理方法的第一方法流程图;
图3示出了智能排课系统的管理方法的第二方法流程图;
图4示出了智能排课系统的管理系统的系统框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
如图1所示,本发明第一方面提供了一种智能排课系统的管理方法,包括以下步骤:
S102:获取智能排课系统每一链路的实时使用负载信息,并引入决策树模型,通过决策树模型对每一链路的实时使用负载信息进行分析,获取若干叶节点;
S104:计算叶节点中的实时使用负载信息的信息增益值,并根据信息增益值对叶节点进行重新分裂,生成新的叶节点;
S106:获取新的叶节点所对应的隶属度信息,并根据新的叶节点所对应的隶属度信息构建状态隶属度矩阵,融合马尔科夫链,通过马尔科夫链对状态隶属度矩阵进行评价,获取状态转移概率值矩阵;
S108:根据状态转移概率矩阵预测智能排课系统的瘫痪概率值,并基于智能排课系统的瘫痪概率值生成相关的调控措施。
需要说明的是,本发明通过融合决策树模型以及马尔科夫链来对智能排课系统的使用负载情况进行分析,能够准确预测智能排课系统瘫痪概率,从而通过遗传算法来调整每一通信链路的使用负载信息,使得通信链路的实时使用负载信息得到实时优化,降低智能排课系统的瘫痪概率,维持智能排课系统的正常运行。
进一步的,在本方法中,引入决策树模型,通过决策树模型对每一链路的实时使用负载信息进行分析,获取若干叶节点,具体包括:
引入决策树模型,并根据实时使用负载信息构建根节点,并初始化若干分裂属性,根据分裂属性对根节点进行分裂,生成新的节点;
判断新的节点是否存在其他分裂属性的样本数据,若新的节点中存在其他分裂属性的样本数据,则对新的节点进行持续分裂,直至新的节点不再存在其他分裂属性的样本数据;
当新的节点不再存在其他分裂属性的样本数据时,生成若干个新的叶节点,并将若干个新的叶节点作为最终的叶节点进行输出。
需要说明的是,通过决策树模型能够对每一链路的使用负载信息进行批量评价,从而获取每一通信链路的使用负载隶属度信息,其中,由于智能排课系统的使用负载信息是一定的,在某一时间段之内,使用智能排课系统的人数越多,越容易达到只能排课系统的使用负载,从而导致智能排课系统的瘫痪概率就会越高。
如图2所示,进一步的,在本方法中,计算叶节点中的实时使用负载信息的信息增益值,并根据信息增益值对叶节点进行重新分裂,生成新的叶节点,具体包括:
S202:获取每个叶节点中每个样本的属性,并计算叶节点中每个样本的属性的信息增益值,并选择出信息增益值最大的属性以及取值个数最多的属性;
S204:判断信息增益值最大的属性是否具有多值偏向的趋势,当信息增益值最大的属性具有多值偏向的趋势时,引入均衡因子,通过均衡因子对信息增益值最大的属性进行重新划分权重,获取新的信息增益值;
S206:预设偏差率阈值,将新的信息增益值的属性与取值个数最多的属性进行对比,得到偏差率,并判断偏差率是否大于偏差率阈值;
S208:当偏差率大于偏差率阈值时,则获取对应的叶节点,并对对应的叶节点中信息增益值最大的属性具有多值偏向的趋势的样本数据进行重新分类,生成新的叶节点;
需要说明的是,当信息增益值最大的属性具有多值偏向的趋势时,说明对应的样本数据就会可能偏移向其他的类别的可能性就会越高,通过ID3算法能够计算出信息增益值,其中通过均衡因子对信息增益值最大的属性进行重新划分权重时,满足一下关系式:
;
其中,A为调整后的信息增益值,为初始出来的信息增益值;N为样本的个数,表示第i个样本的属性;/>表示均衡因子。
需要说明的是,当偏差率大于偏差率阈值时,对应的样本数据已经偏向于取值个数最多的属性,通过引入均衡因子能够对信息增益值进行均衡处理,从而提高评价精度,进而克服多值偏向问题,从而提高对于样本数据的评价精度。
进一步的,在本方法中,根据新的叶节点所对应的隶属度信息构建状态隶属度矩阵,融合马尔科夫链,通过马尔科夫链对状态隶属度矩阵进行评价,获取状态转移概率矩阵,具体包括:
构建时间戳,并结合时间戳以及新的叶节点所对应的隶属度信息生成基于时间序列的隶属度信息,根据基于时间序列的隶属度信息构建状态隶属度矩阵;
引入马尔科夫链,并通过马尔科夫链计算每个时间戳的隶属度信息转移到下一等级的隶属度的状态转移概率值,并根据状态转移概率值构建状态转移概率矩阵。
需要说明的是,隶属度信息包括无瘫痪状态、低瘫痪状态、低中瘫痪状态、中瘫痪状态、高瘫痪状态、瘫痪状态等。而通过马尔科夫链能够计算每个时间戳的隶属度信息转移到下一等级的隶属度的状态转移概率值,如从无瘫痪状态转移到低瘫痪状态的状态转移概率值。
如图3所示,进一步的,在本方法中,根据状态转移概率矩阵预测智能排课系统的瘫痪概率值,具体包括:
S302:获取上一预设时间之内智能排课系统的使用负载隶属度信息,并根据状态转移概率矩阵获取当前预设时间之内的状态转移概率值,并预设状态转移概率阈值;
S304:当状态转移概率值大于状态转移概率阈值时,则将上一预设时间之内智能排课系统的使用负载隶属度信息的下一等级的隶属度信息作为当前预设时间之内的使用负载隶属度信息,统计每一链路中当前预设时间之内的使用负载隶属度信息;
S306:通过大数据获取各使用负载隶属度信息之下的智能排课系统的瘫痪概率值,并基于深度神经网络构建瘫痪概率预测模型,将各使用负载隶属度信息之下的智能排课系统的瘫痪概率值输入到瘫痪概率预测模型中进行编码学习;
S308:将当前预设时间之内的使用负载隶属度信息输入到瘫痪概率预测模型中进行预测,获取智能排课系统每一通信链路的瘫痪概率值。
需要说明的是,当状态转移概率值大于状态转移概率阈值时,则将上一预设时间之内智能排课系统的使用负载隶属度信息的下一等级的隶属度信息作为当前预设时间之内的使用负载隶属度信息,并通过深度神经网络进行编码学习,能够预测出智能排课系统每一通信链路的瘫痪概率值。
进一步的,在本方法中,基于智能排课系统的瘫痪概率值生成相关的调控措施,具体包括:
预设智能排课系统的瘫痪概率阈值,并判断智能排课系统的瘫痪概率值是否大于智能排课系统的瘫痪概率阈值;
当智能排课系统的瘫痪概率值大于智能排课系统的瘫痪概率阈值时,获取每一通信链路的实时使用负载信息,并引入遗传算法,基于遗传算法设置遗传代数;
将通信链路的实时使用负载信息输入遗传算法中,当智能排课系统的瘫痪概率值大于智能排课系统的瘫痪概率阈值时,根据遗传代数调整每一通信链路的实时使用负载信息;
当智能排课系统的瘫痪概率值不大于智能排课系统的瘫痪概率阈值时,输出每一通信链路的调整使用负载信息,并根据通信链路的调整使用负载信息生成相关的调控措施,基于相关的调控措施进行负载迁移。
需要说明的是,通过遗传算法能够根据每一通信链路的实时使用负载信息来调整以及优化,从而计算出通信链路的调整使用负载信息,使得智能排课系统的瘫痪概率值不大于智能排课系统的瘫痪概率阈值,降低智能排课系统的瘫痪概率,提高用户的体验。
此外,本方法还可以包括以下步骤:
获取智能排课系统中每一通信链路的瘫痪概率值,并构建瘫痪概率值排序表,将所述智能排课系统中每一通信链路的瘫痪概率值输入到所述瘫痪概率值排序表中进行排序;
通过所述瘫痪概率值排序表获取排序结果,并从所述排序结果中获取瘫痪概率最小的通信链路,并获取当前智慧排课系统的用户访问请求信息;
引入孪生跟踪网络,通过所述孪生跟踪网络对所述瘫痪概率最小的通信链路进行跟踪,获取实时的瘫痪概率最小的通信链路;
根据所述当前智慧排课系统的用户访问请求信息以及实时的瘫痪概率最小的通信链路生成相关的推荐信息,并按预设方式进行推荐。
需要说明的是,通过孪生跟踪网络对瘫痪概率最小的通信链路进行跟踪,从而获取实时的瘫痪概率最小的通信链路,有利于合理优化智能排课系统的访问请求的访问链路,提高一条实时的瘫痪概率最小的通信链路给用户。;
此外,本方法还可以包括以下步骤:
获取每一通信链路的调整使用负载信息以及智能排课系统的最大使用负载信息,并统计每一通信链路的调整使用负载信息,获取总的通信链路的调整使用负载信息;
判断所述总的通信链路的调整使用负载信息是否大于所述智能排课系统的最大使用负载信息;
若所述总的通信链路的调整使用负载信息大于所述智能排课系统的最大使用负载信息,获取用户的访问请求信息,并根据所述用户的访问请求信息获取所述用户的访问请求信息对应的访问请求时间;
基于所述访问请求时间对所述用户的访问请求信息进行排序,生成访问请求排序结果,根据所述智能排课系统的最大使用负载信息对所述访问请求排序结果中的访问请求进行限制,生成提示信息。
需要说明的是,若所述总的通信链路的调整使用负载信息大于所述智能排课系统的最大使用负载信息,说明无论遗传算法怎么优化调整都是会造成瘫痪的状态,而通过本方法能够根据所述智能排课系统的最大使用负载信息对所述访问请求排序结果中的访问请求进行限制,其中提示信息如提示后需求访问的用户下一时段再进行访问;
如图4所示,本发明第二方面提供了一种智能排课系统的管理系统4,智能排课系统的管理系统4包括存储器41以及处理器42,存储器41中包括智能排课系统的管理方法程序,智能排课系统的管理方法程序被处理器42执行时,实现如下步骤:
获取智能排课系统每一链路的实时使用负载信息,并引入决策树模型,通过决策树模型对每一链路的实时使用负载信息进行分析,获取若干叶节点;
计算叶节点中的实时使用负载信息的信息增益值,并根据信息增益值对叶节点进行重新分裂,生成新的叶节点;
获取新的叶节点所对应的隶属度信息,并根据新的叶节点所对应的隶属度信息构建状态隶属度矩阵,融合马尔科夫链,通过马尔科夫链对状态隶属度矩阵进行评价,获取状态转移概率值矩阵;
根据状态转移概率矩阵预测智能排课系统的瘫痪概率值,并基于智能排课系统的瘫痪概率值生成相关的调控措施。
进一步的,在本系统中,计算叶节点中的实时使用负载信息的信息增益值,并根据信息增益值对叶节点进行重新分裂,生成新的叶节点,具体包括:
获取每个叶节点中每个样本的属性,并计算叶节点中每个样本的属性的信息增益值,并选择出信息增益值最大的属性以及取值个数最多的属性;
判断信息增益值最大的属性是否具有多值偏向的趋势,当信息增益值最大的属性具有多值偏向的趋势时,引入均衡因子,通过均衡因子对信息增益值最大的属性进行重新划分权重,获取新的信息增益值;
预设偏差率阈值,将新的信息增益值的属性与取值个数最多的属性进行对比,得到偏差率,并判断偏差率是否大于偏差率阈值;
当偏差率大于偏差率阈值时,则获取对应的叶节点,并对对应的叶节点中信息增益值最大的属性具有多值偏向的趋势的样本数据进行重新分类,生成新的叶节点。
进一步的,在本系统中,根据状态转移概率矩阵预测智能排课系统的瘫痪概率值,具体包括:
获取上一预设时间之内智能排课系统的使用负载隶属度信息,并根据状态转移概率矩阵获取当前预设时间之内的状态转移概率值,并预设状态转移概率阈值;
当状态转移概率值大于状态转移概率阈值时,则将上一预设时间之内智能排课系统的使用负载隶属度信息的下一等级的隶属度信息作为当前预设时间之内的使用负载隶属度信息,统计每一链路中当前预设时间之内的使用负载隶属度信息;
通过大数据获取各使用负载隶属度信息之下的智能排课系统的瘫痪概率值,并基于深度神经网络构建瘫痪概率预测模型,将各使用负载隶属度信息之下的智能排课系统的瘫痪概率值输入到瘫痪概率预测模型中进行编码学习;
将当前预设时间之内的使用负载隶属度信息输入到瘫痪概率预测模型中进行预测,获取智能排课系统每一通信链路的瘫痪概率值。
本发明第三方面提供了一种计算机可读存储介质,计算机可读存储介质中包括智能排课系统的管理方法程序,智能排课系统的管理方法程序被处理器执行时,实现任一项的智能排课系统的管理方法的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种智能排课系统的管理方法,其特征在于,包括以下步骤:
获取智能排课系统每一链路的实时使用负载信息,并引入决策树模型,通过所述决策树模型对每一链路的实时使用负载信息进行分析,获取若干叶节点;
计算所述叶节点中的实时使用负载信息的信息增益值,并根据所述信息增益值对所述叶节点进行重新分裂,生成新的叶节点;
获取所述新的叶节点所对应的隶属度信息,并根据所述新的叶节点所对应的隶属度信息构建状态隶属度矩阵,融合马尔科夫链,通过所述马尔科夫链对状态隶属度矩阵进行评价,获取状态转移概率值矩阵;
根据所述状态转移概率矩阵预测智能排课系统的瘫痪概率值,并基于所述智能排课系统的瘫痪概率值生成相关的调控措施。
2.根据权利要求1所述的一种智能排课系统的管理方法,其特征在于,引入决策树模型,通过所述决策树模型对每一链路的实时使用负载信息进行分析,获取若干叶节点,具体包括:
引入决策树模型,并根据所述实时使用负载信息构建根节点,并初始化若干分裂属性,根据所述分裂属性对所述根节点进行分裂,生成新的节点;
判断所述新的节点是否存在其他分裂属性的样本数据,若所述新的节点中存在其他分裂属性的样本数据,则对所述新的节点进行持续分裂,直至所述新的节点不再存在其他分裂属性的样本数据;
当所述新的节点不再存在其他分裂属性的样本数据时,生成若干个新的叶节点,并将所述若干个新的叶节点作为最终的叶节点进行输出。
3.根据权利要求1所述的一种智能排课系统的管理方法,其特征在于,计算所述叶节点中的实时使用负载信息的信息增益值,并根据所述信息增益值对所述叶节点进行重新分裂,生成新的叶节点,具体包括:
获取每个叶节点中每个样本的属性,并计算所述叶节点中每个样本的属性的信息增益值,并选择出信息增益值最大的属性以及取值个数最多的属性;
判断所述信息增益值最大的属性是否具有多值偏向的趋势,当所述信息增益值最大的属性具有多值偏向的趋势时,引入均衡因子,通过所述均衡因子对所述信息增益值最大的属性进行重新划分权重,获取新的信息增益值;
预设偏差率阈值,将所述新的信息增益值的属性与取值个数最多的属性进行对比,得到偏差率,并判断所述偏差率是否大于所述偏差率阈值;
当所述偏差率大于所述偏差率阈值时,则获取对应的叶节点,并对所述对应的叶节点中所述信息增益值最大的属性具有多值偏向的趋势的样本数据进行重新分类,生成新的叶节点。
4.根据权利要求1所述的一种智能排课系统的管理方法,其特征在于,根据所述新的叶节点所对应的隶属度信息构建状态隶属度矩阵,融合马尔科夫链,通过所述马尔科夫链对状态隶属度矩阵进行评价,获取状态转移概率矩阵,具体包括:
构建时间戳,并结合所述时间戳以及新的叶节点所对应的隶属度信息生成基于时间序列的隶属度信息,根据所述基于时间序列的隶属度信息构建状态隶属度矩阵;
引入马尔科夫链,并通过所述马尔科夫链计算每个时间戳的隶属度信息转移到下一等级的隶属度的状态转移概率值,并根据所述状态转移概率值构建状态转移概率矩阵。
5.根据权利要求1所述的一种智能排课系统的管理方法,其特征在于,根据所述状态转移概率矩阵预测智能排课系统的瘫痪概率值,具体包括:
获取上一预设时间之内智能排课系统的使用负载隶属度信息,并根据所述状态转移概率矩阵获取当前预设时间之内的状态转移概率值,并预设状态转移概率阈值;
当所述状态转移概率值大于所述状态转移概率阈值时,则将所述上一预设时间之内智能排课系统的使用负载隶属度信息的下一等级的隶属度信息作为当前预设时间之内的使用负载隶属度信息,统计每一链路中当前预设时间之内的使用负载隶属度信息;
通过大数据获取各使用负载隶属度信息之下的智能排课系统的瘫痪概率值,并基于深度神经网络构建瘫痪概率预测模型,将所述各使用负载隶属度信息之下的智能排课系统的瘫痪概率值输入到所述瘫痪概率预测模型中进行编码学习;
将所述当前预设时间之内的使用负载隶属度信息输入到所述瘫痪概率预测模型中进行预测,获取智能排课系统每一通信链路的瘫痪概率值。
6.根据权利要求1所述的一种智能排课系统的管理方法,其特征在于,基于所述智能排课系统的瘫痪概率值生成相关的调控措施,具体包括:
预设智能排课系统的瘫痪概率阈值,并判断所述智能排课系统的瘫痪概率值是否大于所述智能排课系统的瘫痪概率阈值;
当所述智能排课系统的瘫痪概率值大于所述智能排课系统的瘫痪概率阈值时,获取每一通信链路的实时使用负载信息,并引入遗传算法,基于所述遗传算法设置遗传代数;
将所述通信链路的实时使用负载信息输入所述遗传算法中,当所述智能排课系统的瘫痪概率值大于所述智能排课系统的瘫痪概率阈值时,根据所述遗传代数调整每一通信链路的实时使用负载信息;
当所述智能排课系统的瘫痪概率值不大于所述智能排课系统的瘫痪概率阈值时,输出每一通信链路的调整使用负载信息,并根据所述通信链路的调整使用负载信息生成相关的调控措施,基于所述相关的调控措施进行负载迁移。
7.一种智能排课系统的管理系统,其特征在于,所述智能排课系统的管理系统包括存储器以及处理器,所述存储器中包括智能排课系统的管理方法程序,所述智能排课系统的管理方法程序被所述处理器执行时,实现如下步骤:
获取智能排课系统每一链路的实时使用负载信息,并引入决策树模型,通过所述决策树模型对每一链路的实时使用负载信息进行分析,获取若干叶节点;
计算所述叶节点中的实时使用负载信息的信息增益值,并根据所述信息增益值对所述叶节点进行重新分裂,生成新的叶节点;
获取所述新的叶节点所对应的隶属度信息,并根据所述新的叶节点所对应的隶属度信息构建状态隶属度矩阵,融合马尔科夫链,通过所述马尔科夫链对状态隶属度矩阵进行评价,获取状态转移概率值矩阵;
根据所述状态转移概率矩阵预测智能排课系统的瘫痪概率值,并基于所述智能排课系统的瘫痪概率值生成相关的调控措施。
8.根据权利要求7所述的一种智能排课系统的管理系统,其特征在于,计算所述叶节点中的实时使用负载信息的信息增益值,并根据所述信息增益值对所述叶节点进行重新分裂,生成新的叶节点,具体包括:
获取每个叶节点中每个样本的属性,并计算所述叶节点中每个样本的属性的信息增益值,并选择出信息增益值最大的属性以及取值个数最多的属性;
判断所述信息增益值最大的属性是否具有多值偏向的趋势,当所述信息增益值最大的属性具有多值偏向的趋势时,引入均衡因子,通过所述均衡因子对所述信息增益值最大的属性进行重新划分权重,获取新的信息增益值;
预设偏差率阈值,将所述新的信息增益值的属性与取值个数最多的属性进行对比,得到偏差率,并判断所述偏差率是否大于所述偏差率阈值;
当所述偏差率大于所述偏差率阈值时,则获取对应的叶节点,并对所述对应的叶节点中所述信息增益值最大的属性具有多值偏向的趋势的样本数据进行重新分类,生成新的叶节点。
9.根据权利要求7所述的一种智能排课系统的管理系统,其特征在于,根据所述状态转移概率矩阵预测智能排课系统的瘫痪概率值,具体包括:
获取上一预设时间之内智能排课系统的使用负载隶属度信息,并根据所述状态转移概率矩阵获取当前预设时间之内的状态转移概率值,并预设状态转移概率阈值;
当所述状态转移概率值大于所述状态转移概率阈值时,则将所述上一预设时间之内智能排课系统的使用负载隶属度信息的下一等级的隶属度信息作为当前预设时间之内的使用负载隶属度信息,统计每一链路中当前预设时间之内的使用负载隶属度信息;
通过大数据获取各使用负载隶属度信息之下的智能排课系统的瘫痪概率值,并基于深度神经网络构建瘫痪概率预测模型,将所述各使用负载隶属度信息之下的智能排课系统的瘫痪概率值输入到所述瘫痪概率预测模型中进行编码学习;
将所述当前预设时间之内的使用负载隶属度信息输入到所述瘫痪概率预测模型中进行预测,获取智能排课系统每一通信链路的瘫痪概率值。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中包括智能排课系统的管理方法程序,所述智能排课系统的管理方法程序被处理器执行时,实现如权利要求1-6任一项所述的智能排课系统的管理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311552673.3A CN117575858B (zh) | 2023-11-21 | 2023-11-21 | 一种智能排课系统的管理方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311552673.3A CN117575858B (zh) | 2023-11-21 | 2023-11-21 | 一种智能排课系统的管理方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117575858A true CN117575858A (zh) | 2024-02-20 |
CN117575858B CN117575858B (zh) | 2024-06-18 |
Family
ID=89885744
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311552673.3A Active CN117575858B (zh) | 2023-11-21 | 2023-11-21 | 一种智能排课系统的管理方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117575858B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107256426A (zh) * | 2017-06-19 | 2017-10-17 | 湖北省食品药品监督检验研究院 | 一种基于智能算法的药品安全信心指数系统及构建方法 |
AU2020103616A4 (en) * | 2020-01-23 | 2021-02-04 | Measurement Center Of Guangdong Power Grid Co., Ltd | A Markov chain based method for voltage transformer life prediction |
US11354599B1 (en) * | 2021-06-25 | 2022-06-07 | BRYTER GmbH | Methods and systems for generating a data structure using graphical models |
US20230128462A1 (en) * | 2021-10-26 | 2023-04-27 | King Fahd University Of Petroleum And Minerals | Hidden markov model based data ranking for enhancement of classifier performance to classify imbalanced dataset |
CN116467658A (zh) * | 2023-04-24 | 2023-07-21 | 河南合众伟奇云智科技有限公司 | 一种基于马尔科夫链的设备故障溯源方法 |
CN117171677A (zh) * | 2023-11-02 | 2023-12-05 | 北京建工环境修复股份有限公司 | 基于决策树模型的微生物修复效果评价方法、系统及介质 |
CN117196350A (zh) * | 2023-11-06 | 2023-12-08 | 天津市地质研究和海洋地质中心 | 一种矿山地质环境特征监测与恢复治理方法及系统 |
-
2023
- 2023-11-21 CN CN202311552673.3A patent/CN117575858B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107256426A (zh) * | 2017-06-19 | 2017-10-17 | 湖北省食品药品监督检验研究院 | 一种基于智能算法的药品安全信心指数系统及构建方法 |
AU2020103616A4 (en) * | 2020-01-23 | 2021-02-04 | Measurement Center Of Guangdong Power Grid Co., Ltd | A Markov chain based method for voltage transformer life prediction |
US11354599B1 (en) * | 2021-06-25 | 2022-06-07 | BRYTER GmbH | Methods and systems for generating a data structure using graphical models |
US20230128462A1 (en) * | 2021-10-26 | 2023-04-27 | King Fahd University Of Petroleum And Minerals | Hidden markov model based data ranking for enhancement of classifier performance to classify imbalanced dataset |
CN116467658A (zh) * | 2023-04-24 | 2023-07-21 | 河南合众伟奇云智科技有限公司 | 一种基于马尔科夫链的设备故障溯源方法 |
CN117171677A (zh) * | 2023-11-02 | 2023-12-05 | 北京建工环境修复股份有限公司 | 基于决策树模型的微生物修复效果评价方法、系统及介质 |
CN117196350A (zh) * | 2023-11-06 | 2023-12-08 | 天津市地质研究和海洋地质中心 | 一种矿山地质环境特征监测与恢复治理方法及系统 |
Non-Patent Citations (5)
Title |
---|
K LI: "Feature selection method based on weighted mutual information for imbalanced data", 《INTERNATIONAL JOURNAL OF SOFTWARE ENGINEERING AND KNOWLEDGE ENGINEERING》, vol. 28, no. 2, 31 August 2018 (2018-08-31), pages 1177 - 1194 * |
MARIELA CERRADA: "A fuzzy transition based approach for fault severity prediction in helical gearboxes", 《FUZZY SETS AND SYSTEMS》, vol. 337, 15 April 2018 (2018-04-15), pages 52 - 73 * |
SUNITA A YADWAD: "Fault Prediction for Network Devices Using Service Outage Prediction Model", 《JOURNAL OF COMMUNICATIONS 》, vol. 17, no. 5, 31 May 2022 (2022-05-31), pages 339 - 349 * |
刘佳宾: "基于决策树和马尔可夫链的问答对自动提取", 《中文信息学报》, no. 2, 30 March 2007 (2007-03-30), pages 46 - 51 * |
刘琳琳: "认知网络端到端资源分配技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 4, 15 April 2018 (2018-04-15), pages 136 - 2039 * |
Also Published As
Publication number | Publication date |
---|---|
CN117575858B (zh) | 2024-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111339433B (zh) | 基于人工智能的信息推荐方法、装置、电子设备 | |
Eshtehardian et al. | Time–cost optimization: using GA and fuzzy sets theory for uncertainties in cost | |
Fain | Breaking the glass ceiling: Slow progress ahead | |
CN111611488A (zh) | 基于人工智能的信息推荐方法、装置、电子设备 | |
CN109886333A (zh) | 一种基于高维空间采样的数据增强方法 | |
CN110390047A (zh) | 基于遗传算法的资源信息推荐方法、装置、终端及介质 | |
CN117575858B (zh) | 一种智能排课系统的管理方法、系统及存储介质 | |
CN115982646B (zh) | 一种基于云平台的多源测试数据的管理方法及系统 | |
CN117056591A (zh) | 基于动态预测的电力缴费渠道智能推荐方法及系统 | |
CN110059457B (zh) | 一种核身方法及装置 | |
Khuat et al. | Applying teaching-learning to artificial bee colony for parameter optimization of software effort estimation model | |
KR102103578B1 (ko) | 몬테카를로 유전자 알고리즘을 사용한 포트폴리오 자산 선택방법 | |
CN109523166B (zh) | 一种有源配电网规划方案评估方法和装置 | |
Singhal et al. | Greedy Shapley Client Selection for Communication-Efficient Federated Learning | |
CN113935846A (zh) | 一种基于数理统计的金融风险预测评估系统及方法 | |
Stewart et al. | Integrated value function construction with application to impact assessments | |
CN113627655A (zh) | 一种配电网灾前故障场景模拟预测方法及装置 | |
Ikeda et al. | Multi-fractality analysis of time series in artificial stock market generated by multi-agent systems based on the genetic programming and its applications | |
Mostafa et al. | Estimate of stochastic model parameter of exchange rate using machine learning techniques | |
CN111160662A (zh) | 一种风险预测方法、电子设备及存储介质 | |
Coit et al. | Solution of stochastic multi-objective system reliability design problems using genetic algorithms | |
Al-Tabtabai et al. | An evolutionary approach to the capital budgeting of construction projects | |
CN116308545B (zh) | 一种结合用户行为的广告在线动态推送方法 | |
CN112712160B (zh) | 一种基于ahp技术的群体行为预测方法和装置 | |
CN117350549B (zh) | 计及出力相关性的配电网电压风险识别方法、装置及设备 |
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 | ||
GR01 | Patent grant |