确定来自服务端数据的缓存时间的方法及装置制造方法及图纸

本申请公开一种确定来自服务端数据的缓存时间的方法及装置。确定来自服务端数据的缓存时间的方法包括：获取与缓存时间相关的多维度因子；利用所述多维度因子建立支持向量机算法模型；通过所述支持向量机算法获得第一缓存时间；以及评价所述支持向量机算法模型的有效性，以获得第二缓存时间。本申请提供的确定来自服务端数据的缓存时间的方法及装置，能够得到更为合理的缓存时间，从而提高预订成功率，减小订票接口调用次数，同时避免了由人工来调整时间，可以减少运营成本，也避免人工调整所带来的误差。

【技术实现步骤摘要】
确定来自服务端数据的缓存时间的方法及装置
本专利技术涉及民航信息
，具体而言，涉及一种确定来自服务端数据的缓存时间的方法及装置。
技术介绍
在利用远端服务器进行事务处理的应用中，经常需要查询远端的数据。例如，在网络预订机票的系统中，查询机票的价格和余票数需要调用商家或航空公司的订票接口来获取。为了优化查询速率增强用户体验，一般情况下，使用缓存来储存一定时间内的数据如机票信息。但是，由于例如机票价格和余票等数据的变化频率很高，而且是由例如航空公司统一调控，若预设置的缓存时间过长，会导致机票价格和票数迟迟不能更新，预订失败率大幅度增高；反之，若预设置的缓存时间过短，则调用商家或航空公司订票接口频率增大，加大成本、降低查询速率、伤害用户体验。目前，大多数机票查询预订系统的缓存时间根据各个商家或航空公司的建议做一个动态设置功能。或者，根据出发日期距当天的天数的线性函数来计算：F(x)＝wx+bF(x)为缓存时间，w和b是常量，后台系统可以预先设置。x为出发日期距当天的天数，单位为分钟。这种订票机票的方式，计算缓存时间只考虑了出发日期距离当天的天数这一个输入因子，由于考虑因素较少有时会导致计算结果和实际效果偏差很大。因此，需要一种改进的确定来自服务端数据的缓存时间的方法及装置。在所述
技术介绍
部分公开的上述信息仅用于加强对本专利技术的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
有鉴于此，本专利技术提供确定来自服务端数据的缓存时间的方法及装置，能够得到更为合理的缓存时间，从而提高预订成功率，减小订票接口调用次数，同时避免了由人工来调整时间，可以减少运营成本，也避免人工调整所带来的误差。本专利技术的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本专利技术的实践而习得。根据本专利技术的一方面，提供确定来自服务端数据的缓存时间的方法，包括：获取与缓存时间相关的多维度因子；利用多维度因子建立支持向量机算法模型；通过支持向量机算法获得第一缓存时间；以及评价支持向量机算法模型的有效性，以获得第二缓存时间。在本公开的一种示例性实施例中，还包括：对第二缓存时间进行动态优化，得到第三缓存时间。在本公开的一种示例性实施例中，多维度因子包括：热门航线因子；节假日因子；相距天数因子；历史缓存命中率；历史预订成功率；特征因子；以及历史计算缓存时间。在本公开的一种示例性实施例中，利用多维度因子建立支持向量机算法模型，包括：选择支持向量机算法的回归函数；以及通过拟合得到回归函数的系数。在本公开的一种示例性实施例中，评价支持向量机算法模型的有效性，以获得第二缓存时间，包括：通过历史缓存时长评价支持向量机算法模型的有效性。在本公开的一种示例性实施例中，对缓存时间进行动态优化包括：利用以下公式获取动态优化因子：其中，x为动态优化因子，R为预订成功率阈值，ai为历史预订成功率、bi为历史缓存时长，i为正整数，i＝(1,2......n)，t为第二缓存时间。在本公开的一种示例性实施例中，对第二缓存时间进行动态优化，得到第三缓存时间，包括：T＝t*x；其中，T为第三缓存时间，x为动态优化因子，t为第二缓存时间。在本公开的一种示例性实施例中，还包括：确定多维度因子的权重。在本公开的一种示例性实施例中，确定多维度因子的权重，包括以下方法中至少一种：用经验法确定多维度因子权重；用系统识别法确定多维度因子权重；以及用大数据分析法确定多维度因子权重。根据本专利技术的一方面，提供一种确定来自服务端数据的缓存时间的装置，包括：获取因子模块，用于获取与缓存时间相关的多维度因子；模型模块，用于利用所述多维度因子建立支持向量机算法模型；第一缓存模块，用于通过支持向量机算法获得第一缓存时间；以及第二缓存模块，用于评价支持向量机算法模型的有效性，以获得第二缓存时间。在本公开的一种示例性实施例中，还包括：动态模块，用于对第二缓存时间进行动态优化，得到第三缓存时间；以及权重模块，用于确定多维度因子的权重。根据本专利技术的确定来自服务端数据的缓存时间的方法及装置，能够得到更为合理的缓存时间，从而提高预订成功率，减小订票接口调用次数，同时避免了由人工来调整时间，可以减少运营成本，也避免人工调整所带来的误差。应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本专利技术。附图说明通过参照附图详细描述其示例实施例，本专利技术的上述和其它目标、特征及优点将变得更加显而易见。图1是根据一示例性实施例示出的一种确定来自服务端数据的缓存时间的方法的流程图。图2是根据一示例性实施例示出的另一种确定来自服务端数据的缓存时间的方法的流程图。图3是根据一示例性实施例示出的一种确定来自服务端数据的缓存时间的装置的框图。具体实施例现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本专利技术将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本专利技术的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本专利技术的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本专利技术的各方面。附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。下面以网络预订机票的系统为例，说明用于确定来自服务端数据的缓存时间的方法。易于理解，根据本专利技术构思的技术方案也可以应用于其他利用远端服务器进行事务处理的应用。图1是根据一示例性实施例示出的确定来自服务端数据的缓存时间的方法的流程图。如图1所示，在S102中，获取与缓存时间相关的多维度因子。在现有技术中，缓存时间仅仅与出发日期距离订票日期的天数决定，存在考虑欠佳的问题。本专利技术的目的主要解决现有技术中缓存时长与出发日期距当天的天数强依赖的线性关系。在本专利技术的实施例中，综合考虑多方面情况对缓存时间的影响关系，例如，热门航线因子、出发日期距离当天的天数因子、是否节假日因子、各个商家或航空公司因子，历史的缓存时间、历史预定成功率等等因素对缓存时间的影响关系等等。综合考虑后，选择多个对缓存时间影响重要的影响因素，作为影响缓存时间的多维度因子。在S104中，利用多维度因子建立支持向量机算法模型。支持向量机(SupportVectorMachine，SVM)算法，是90年代中期发展起来的基于统计学习理论的一种机器学习方法，通过寻求结构化风险最小来提高学习机泛化能力，实现经验风险和置信范围的最小化，从而达到在本文档来自技高网...

【技术保护点】
一种用于确定来自服务端数据的缓存时间的方法，其特征在于，包括：获取与缓存时间相关的多维度因子；利用所述多维度因子建立支持向量机算法模型；通过所述支持向量机算法模型获得第一缓存时间；以及评价所述支持向量机算法模型的有效性，以获得第二缓存时间。

【技术特征摘要】
1.一种用于确定来自服务端数据的缓存时间的方法，其特征在于，包括：获取与缓存时间相关的多维度因子；利用所述多维度因子建立支持向量机算法模型；通过所述支持向量机算法模型获得第一缓存时间；以及评价所述支持向量机算法模型的有效性，以获得第二缓存时间。2.如权利要求1所述的方法，其特征在于，还包括：对所述第二缓存时间进行动态优化，得到第三缓存时间。3.如权利要求1所述的方法，其特征在于，所述多维度因子包括：热门航线因子；节假日因子；相距天数因子；历史缓存命中率；历史预订成功率；特征因子；以及历史计算缓存时间。4.如权利要求1所述的方法，其特征在于，利用所述多维度因子建立支持向量机算法模型，包括：选择所述支持向量机算法的回归函数；以及通过拟合得到所述回归函数的系数。5.如权利要求1所述的方法，其特征在于，评价所述支持向量机算法模型的有效性，以获得第二缓存时间，包括：通过历史缓存时长评价所述支持向量机算法模型的有效性。6.如权利要求2或3所述的方法，其特征在于，对所述缓存时间进行动态优化包括：利用以下公式获取所述动态优化因子：其中，x为所述动态优...

【专利技术属性】
技术研发人员：清毅，
申请(专利权)人：北京京东尚科信息技术有限公司，北京京东世纪贸易有限公司，
类型：发明
国别省市：北京,11