一种基于长短期记忆网络模型的用户未来任务量及资源需求精准预测方法技术

本发明专利技术提供了一种基于长短期记忆网络模型的用户未来任务量及资源需求精准预测方法，包括有以下步骤：

【技术实现步骤摘要】
一种基于长短期记忆网络模型的用户未来任务量及资源需求精准预测方法


[0001]本专利技术涉及预测模型
，具体而言，涉及一种基于长短期记忆网络模型的用户未来任务量及资源需求精准预测方法
。

技术介绍

[0002]随着企业信息化进程的不断推进，信息系统软硬件形态
、
运行规模
、
系统架构与运行方式等日益多样化和复杂化，尤其是随着云边协同
、
云原生和分布式技术在企业信息化建设过程中的应用和发展，云上业务系统愈加复杂，业务系统内部以及各个业务系统之间的关联影响也越来越动态多变，给资源调度
、
系统监控
、
运行维护工作带来了极大挑战
。
[0003]针对新型电力系统对优化资源调度的需求，提升资源利用率，支持电力场景的示范应用，提升在信创等体系下的云边协同能力；研究云边统一运维监控体系，全方位监管业务系统各个层面的运行状态和资源容量情况，实现云上业务的监控全覆盖，提升资源管理
、
系统监控和运行维护的能力
。
[0004]但是，在进行资源调度的时候，需要根据任务量实现对资源需求进行匹配和对应，便于根据任务量实现对资源进行分配处理，现有技术在进行未来任务量进行计算的时候，一般采用人工进行预测计算处理，这样存在有较大的计算误差，以及在根据以往历史数据信息进行计算处理的时候，工作量较大，无法实现精准的计算处理，造成工作量巨大，并且不能够精准的实现对未来工作量和资源需求之间进行映射对应处理等问题
。

技术实现思路

[0005]为了弥补以上不足，本专利技术提供了一种基于长短期记忆网络模型的用户未来任务量及资源需求精准预测方法，用于解决上述提出的现有技术在进行未来任务量进行计算的时候，一般采用人工进行预测计算处理，这样存在有较大的计算误差，以及在根据以往历史数据信息进行计算处理的时候，工作量较大，无法实现精准的计算处理，造成工作量巨大，并且不能够精准的实现对未来工作量和资源需求之间进行映射对应处理等问题
。
[0006]本专利技术是这样实现的：
[0007]一种基于长短期记忆网络模型的用户未来任务量及资源需求精准预测方法，包括有以下步骤：
[0008]S1、
大量数据信息建立训练模型：建立长短期记忆网络模型，并且长短期记忆网络模型为基础模型，长短期记忆网络模型分为预测模型和映射模型，再将以往的大量任务信息和资源信息进行录入，实现对长短期记忆网络模型进行训练；
[0009]S2、
建立样本数据信息的初始样本集：将初始的任务进行建立样本集，并且配合历史规律
、
时间
、
业务特性多个纬度进行建立样本集，再将将样本集输入到长短期记忆网络模型中，通过长短期记忆网络模型中的门结构和细胞状态实现对样本集进行计算；
[0010]S3、
根据长短期记忆网络模型中的预测模型对未来任务量进行预测：通过长短期
记忆网络模型中的预测模型实现对任务量进行预测计算，即通过历史规律
、
时间
、
业务特性和样本集多个纬度实现对未来任务量进行预测计算；
[0011]S4、
然后根据未来任务量的计算实现对资源需求进行映射：基于关联分析技术实现对未来任务量以及所需的资源需求之间的映射关系进行分析，建立从未来任务量到资源需求的映射模型，实现对资源需求就行计算处理，进而实现将用户未来任务量的预测模型和任务量到资源需求的映射模型运用在用户未来任务量及资源需求精准预测
。
[0012]本专利技术的一种实施例中，所述
S1
中的长短期记忆网络模型的计算过程采用边缘云计算，通过互联网实现将样本集的数据信息传输给边缘云，通过把网络转发
、
存储
、
计算，智能化数据分析工作放在边缘处理，降低响应时延，减轻云端压力
、
降低带宽成本，并能提供全网调度，算力分发云服务
。
[0013]本专利技术的一种实施例中，所述
S1
中的长短期记忆网络模型中包括有输入层和隐藏层，所述隐藏层中包括有括遗忘门
、
输入门和输出门，所述输入层将样本集转化为数值形式，通常通过词嵌入或其他特征提取技术来实现
。
[0014]本专利技术的一种实施例中，所述遗忘门通过当前的输入和上一个时间步的隐藏状态计算得到的，即将输入和上一个时间步的隐藏状态通过一个全连接层并应用
sigmoid
函数，得到遗忘门的值，值在0至1之间，其中0表示完全遗忘，1表示完全保留；
[0015]所述遗忘门的计算公式如下：
[0016]f
t
＝
σ
(W
f
·
[h
t
‑1,x
t
]+b
f
)
，
[0017]其中，
W
f
是权重矩阵，
b
f
是偏置项，
h
t
‑1是上一时刻的隐藏状态，
x
t
是当前输入，
σ
是
sigmoid
函数
。
[0018]本专利技术的一种实施例中，所述输入门包括有两个作用，分别为决定将更新记忆细胞的哪些部分；以及创建了一个新的候选值向量，输入门的值和候选值都是通过当前的输入和上一个时间步的隐藏状态计算得到的；
[0019]所述输入门的计算公式如下：
[0020]输入门的值：
i
t
＝
σ
(W
i
·
[h
t
‑1,x
t
]+b
i
)
；
[0021]候选值：
[0022]其中，
W
C
和
W
i
是权重矩阵，
b
C
和
b
i
是偏置项，
h
t
‑1是上一时刻的隐藏状态，
x
t
是当前输入，
σ
是
sigmoid
函数，
tanh
是双曲正切函数
。
[0023]本专利技术的一种实施例中，所述
S2
中的细胞状态用来实现对数据信息进行长期存储状态，所述更新记忆细胞通过遗忘门和输入门的决定来更新记忆细胞，将细胞状态与遗忘门的值相乘，表示遗忘了一部分的状态信息；然后将输入门的值与候选值相乘并加上去，表示添加了一部分新的状态信息，所述门结构用于实现控制信息的流动，决定哪些信息被遗忘，哪些新的信息被添加，以及哪些信息被输出；
[0024]更新后的细胞状态公式如下：
[0025][0026]其中，
f本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于长短期记忆网络模型的用户未来任务量及资源需求精准预测方法，其特征在于，包括有以下步骤：
S1、
大量数据信息建立训练模型：建立长短期记忆网络模型，并且长短期记忆网络模型为基础模型，长短期记忆网络模型分为预测模型和映射模型，再将以往的大量任务信息和资源信息进行录入，实现对长短期记忆网络模型进行训练；
S2、
建立样本数据信息的初始样本集：将初始的任务进行建立样本集，并且配合历史规律
、
时间
、
业务特性多个纬度进行建立样本集，再将将样本集输入到长短期记忆网络模型中，通过长短期记忆网络模型中的门结构和细胞状态实现对样本集进行计算；
S3、
根据长短期记忆网络模型中的预测模型对未来任务量进行预测：通过长短期记忆网络模型中的预测模型实现对任务量进行预测计算，即通过历史规律
、
时间
、
业务特性和样本集多个纬度实现对未来任务量进行预测计算；
S4、
然后根据未来任务量的计算实现对资源需求进行映射：基于关联分析技术实现对未来任务量以及所需的资源需求之间的映射关系进行分析，建立从未来任务量到资源需求的映射模型，实现对资源需求就行计算处理，进而实现将用户未来任务量的预测模型和任务量到资源需求的映射模型运用在用户未来任务量及资源需求精准预测
。2.
根据权利要求1所述的一种基于长短期记忆网络模型的用户未来任务量及资源需求精准预测方法，其特征在于，所述
S1
中的长短期记忆网络模型的计算过程采用边缘云计算，通过互联网实现将样本集的数据信息传输给边缘云，通过把网络转发
、
存储
、
计算，智能化数据分析工作放在边缘处理，降低响应时延，减轻云端压力
、
降低带宽成本，并能提供全网调度，算力分发云服务
。3.
根据权利要求1所述的一种基于长短期记忆网络模型的用户未来任务量及资源需求精准预测方法，其特征在于，所述
S1
中的长短期记忆网络模型中包括有输入层和隐藏层，所述隐藏层中包括有括遗忘门
、
输入门和输出门，所述输入层将样本集转化为数值形式，通常通过词嵌入或其他特征提取技术来实现
。4.
根据权利要求3所述的一种基于长短期记忆网络模型的用户未来任务量及资源需求精准预测方法，其特征在于，所述遗忘门通过当前的输入和上一个时间步的隐藏状态计算得到的，即将输入和上一个时间步的隐藏状态通过一个全连接层并应用
sigmoid
函数，得到遗忘门的值，值在0至1之间，其中0表示完全遗忘，1表示完全保留；所述遗忘门的计算公式如下：
f
t
＝
σ
(W
f
·
[h
t
‑1,x
t
]+b
f
)
，其中，
W
f
是权重矩阵，
b
f
是偏置项，
h
t
‑1是上一时刻的隐藏状态，
x
t
是当前输入，
σ
是
sigmoid
函数
。5.
根据权利要求3所述的一种基于长短期记忆网络模型的用户未来任务量及资源需求精准预测方法，其特征在于，所述输入门包括有两个作用，分别为决定将更新记忆细胞的哪些部分；以及创建了一个新的候选值向量，输入门的值和候选值都是通过当前的输入和上一个时间步的隐藏状态计算得到的；所述输入门的计算公式如下：输入门的值：
i
t
＝
σ
(W
i
·
[h
t
‑1,x
t
]+b
i
)
；
候选值：其中，
W
C
和
W
i
是权重矩阵，
b
C
和
b
i
是偏置项，
h
t
‑1是上一时刻的隐藏状态，
x
t
是当前输入，
σ
是
sigmoid
函数，
tanh
是双曲正切函数
。6.
根据权利要求5所述的一种基于长短期记忆网络模型的用户未来任务量...

【专利技术属性】
技术研发人员：党芳芳，王尚，李丁丁，李帅，朱登勇，刘海洋，王瑞民，
申请(专利权)人：国网河南省电力公司信息通信分公司，
类型：发明
国别省市：