资源分配预测方法和装置制造方法及图纸

本发明专利技术是关于一种资源分配预测方法，包括：确定实时的数据的时间所属的目标单调区间；确定与所述目标单调区间对应的目标线性回归模型；将所述实时的数据的数据量输入目标单调区间对应的线性回归模型得到实时输出值；将实时输出值作为支持向量机的核函数的输入值，根据支持向量机的核函数的输出值预测动作的类别。根据本发明专利技术的实施例，保证了所预测的动作的类别不会频繁变化，使得分配资源的电子设备可以在较长时间内保持相同的动作，减少对电子设备性能的浪费。

Resource allocation prediction method and device

The invention relates to a resource allocation prediction method, which comprises: determining the target monotone interval of the real-time data time; determining the target linear regression model corresponding to the target monotone interval; and input the data amount of the real-time data into the linear regression model corresponding to the target monotone interval to obtain the real-time output value. The real-time output value is used as the input value of the kernel function of the support vector machine, and the classification of actions is predicted according to the output value of the kernel function of the support vector machine. According to an embodiment of the present invention, the type of predicted action is guaranteed not to change frequently, so that the electronic devices allocating resources can maintain the same action for a long time, thereby reducing the waste of electronic device performance.

【技术实现步骤摘要】
资源分配预测方法和装置
本申请涉及数据处理
，具体而言，涉及资源分配预测方法、资源分配预测装置、电子设备和计算机可读存储介质。
技术介绍
相关技术中对于处理数据负荷的预测，需要针对某个区域按照月和日两个维度分析历史最大负荷、最小负荷、平均负荷的变化趋势，然后运用随机森林回归和时间序列算法，构建负荷预测模型，然后根据该模型来实现下一阶段的负荷预测。这种方式考虑的因素较多，在实际应用中所需采集的数据也就较多，不利于计算和采集。并且实际数据一般是非线性的，所以容易频繁地出现极值，导致对于负荷的预测几乎不存在规律，从而难以准确地在某一时刻预测下一时刻的负荷，因此可能导致对于资源的利用不充分而浪费资源。
技术实现思路
有鉴于此，本申请提供资源分配预测方法、资源分配预测装置、电子设备和计算机可读存储介质。根据本专利技术实施例的第一方面，提供一种资源分配预测方法，包括：确定实时的数据的时间所属的目标单调区间；确定与所述目标单调区间对应的目标线性回归模型；将所述实时的数据的数据量输入所述目标单调区间对应的线性回归模型得到实时输出值；将所述实时输出值作为支持向量机的核函数的输入值，根据所述支持向量机的核函数的输出值预测动作的类别，其中，所述动作为针对处理所述数据的资源的分配动作。可选地，所述方法还包括：在确定实时的数据的时间所属的目标单调区间之前，将所述数据的数据量的变化周期划分为多个单调区间，其中，所述数据的数据量呈周期性变化。可选地，所述将所述数据的数据量的变化周期划分为多个单调区间包括：确定历史上的所述数据的数据量的极值在所述变化周期中对应的时刻；根据所述时刻将所述变化周期划分为多个单调区间。可选地，所述数据为餐饮数据，所述变化周期为一天，所述单调区间包括1点至13点，和/或13点至15点，和/或15点至19点，和/或19点至1点。可选地，所述方法还包括：在确定实时的数据的时间所属的目标单调区间之前，针对每个所述单调区间分别构建所述数据的线性回归模型。可选地，所述方法还包括：根据历史上的所述数据在所述多个单调区间中所处的历史单调区间，将历史上的所述数据的数据量输入所述历史单调区间对应的线性回归模型得到历史输出值；根据多个所述历史输出值和样本动作类别构成训练集，根据机器学习算法对所述训练集进行训练以确定所述核函数。可选地，所述线性回归模型为二元线性回归模型。可选地，所述支持向量机的核函数为线性核函数。根据本专利技术实施例的第二方面，提供一种资源分配预测装置，包括：区间确定模块，用于确定实时的数据的时间所属的目标单调区间；模型确定模块，用于确定与所述目标单调区间对应的目标线性回归模型；线性回归模块，用于实时的所述数据的数据量输入所述目标单调区间对应的线性回归模型得到实时输出值；支持向量机模块，用于将所述实时输出值作为支持向量机的核函数的输入值，根据所述支持向量机的核函数的输出值预测动作的类别，其中，所述动作为针对处理所述数据的资源的分配动作。可选地，所述资源预测装置还包括：区间划分模块，用于将所述数据的数据量的变化周期划分为多个单调区间，其中，所述数据的数据量呈周期性变化。可选地，所述区间划分模块包括：时刻确定子模块，用于确定历史上的所述数据的数据量的极值在所述变化周期中对应的时刻；区间划分子模块，根据所述时刻将所述变化周期划分为多个单调区间。可选地，所述变化周期为一天，所述单调区间包括1点至13点，和/或13点至15点，和/或15点至19点，和/或19点至1点。可选地，所述资源预测装置还包括：模型构建模块，用于针对每个所述单调区间分别构建所述数据的线性回归模型。可选地，所述线性回归模块还用于根据历史上的所述数据在所述多个单调区间中所处的历史单调区间，将历史上的所述数据的数据量输入所述历史单调区间对应的线性回归模型得到历史输出值；所述装置还包括：机器学习模块，用于根据所述历史输出值和样本动作类别构成训练集，根据机器学习算法对所述训练集进行训练以确定所述核函数。可选地，所述线性回归模型为二元线性回归模型。可选地，所述支持向量机的核函数为线性核函数。根据本专利技术实施例的第三方面，提供一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行上述任一实施例所述的方法。根据本专利技术实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行上述任一实施例所述的方法。根据上述实施例可知，将实时的数据输入目标单调区间对应的线性回归模型得到实时输出值是接近线性的，也即支持向量机的核函数的输入值是呈线性变化的，而支持向量机的核函数的输出值一般包括0和1两种情况，当输入值从某个阈值之下变到某个阈值之上，或从某个阈值之下变到某个阈值之下时，支持向量机的核函数的输出值才会才在0和1之间改变，而由于输入值是线性变化的，因此并不会在该阈值上下频繁地波动，从而避免了支持向量机的核函数的输出值在0和1之间频繁变化，保证了所预测的动作的类别不会频繁变化，使得分配资源的电子设备可以在较长时间内保持相同的动作，减少对电子设备性能的浪费。并且由于划分单调区间后，每个单调区间中数据的数据量单调，因此相对于直接对整个周期内的数据构建线性回归模型，针对每个单调区间分别构建数据的线性回归模型，线性回归模型更接近于数据的数据量的实际变化趋势，有利于保证将数据的数据量输入到线性回归模型中后得到相对准确的输出值。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和解释性的，并不能限制本专利技术。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本专利技术的实施例，并与说明书一起用于解释本专利技术的原理。图1是根据本专利技术的实施例示出的一种资源分配预测方法的示意流程图。图2是根据本专利技术的实施例示出的另一种资源分配预测方法的示意流程图。图3是根据本专利技术的实施例示出的又一种资源分配预测方法的示意流程图。图4是根据本专利技术的实施例示出的又一种资源分配预测方法的示意流程图。图5是根据本专利技术的实施例示出的又一种资源分配预测方法的示意流程图。图6是根据本专利技术的实施例示出的资源分配预测装置所在终端的一种硬件结构图。图7是根据本专利技术的实施例示出的一种资源分配预测装置的示意框图。图8是根据本专利技术的实施例示出的另一种资源分配预测装置的示意框图。图9是根据本专利技术的实施例示出的一种区间划分模块的示意框图。图10是根据本专利技术的实施例示出的又一种资源分配预测装置的示意框图。图11是根据本专利技术的实施例示出的又一种资源分配预测装置的示意框图。具体实施方式这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。应当理解，本文档来自技高网...

【技术保护点】
1.一种资源分配预测方法，其特征在于，包括：确定实时的数据的时间所属的目标单调区间；确定与所述目标单调区间对应的目标线性回归模型；将所述实时的数据的数据量输入所述目标线性回归模型得到实时输出值；将所述实时输出值作为支持向量机的核函数的输入值，根据所述支持向量机的核函数的输出值预测动作的类别，其中，所述动作为针对处理所述数据的资源的分配动作。

【技术特征摘要】
1.一种资源分配预测方法，其特征在于，包括：确定实时的数据的时间所属的目标单调区间；确定与所述目标单调区间对应的目标线性回归模型；将所述实时的数据的数据量输入所述目标线性回归模型得到实时输出值；将所述实时输出值作为支持向量机的核函数的输入值，根据所述支持向量机的核函数的输出值预测动作的类别，其中，所述动作为针对处理所述数据的资源的分配动作。2.根据权利要求1所述的方法，其特征在于，还包括：在确定实时的数据的时间所属的目标单调区间之前，将所述数据的数据量的变化周期划分为多个单调区间，其中，所述数据的数据量呈周期性变化。3.根据权利要求2所述的方法，其特征在于，所述将所述数据的数据量的变化周期划分为多个单调区间包括：确定历史上的所述数据的数据量的极值在所述变化周期中对应的时刻；根据所述时刻将所述变化周期划分为多个单调区间。4.根据权利要求2或3所述的方法，其特征在于，所述数据为餐饮数据，所述变化周期为一天，所述单调区间包括1点至13点，和/或13点至15点，和/或15点至19点，和/或19点至1点。5.根据权利要求2所述的方法，其特征在于，还包括：在确定实时的数据的时间所属的目标单调区间之前，针对每个所述单调区间分别构建所述数据的线性回归模型。6.根据权利要求1所述的方法，其特征在于，还包括：根...

【专利技术属性】
技术研发人员：徐阳，刘强，张心琪，
申请(专利权)人：北京三快在线科技有限公司，
类型：发明
国别省市：北京,11