【技术实现步骤摘要】
负载预测模型的训练方法、负载预测方法、装置及设备
[0001]本专利技术涉及数字孪生
,具体而言,涉及一种负载预测模型的训练方法
、
负载预测方法
、
装置及设备
。
技术介绍
[0002]随着飞行器装备的不断发展,单区域的飞行试验已经无法满足日益复杂的飞行试验要求,因此,通过数字孪生逻辑靶场系统实施联合试验逐渐成为了飞行试验发展的趋势
。
[0003]在利用数字孪生逻辑靶场系统进行飞行试验的过程中会涉及到多个分布在不同地区的靶场及靶场中的众多设备,这将产生海量的原始数据,为了保证飞行试验的实时性,需要保证海量的原始数据及时得到计算和处理
。
[0004]在飞行试验的高发期,由于数字孪生逻辑靶场系统计算资源和存储资源有限,海量的任务和数据涌入系统将引起系统负载快速增加,导致计算和存储任务的处理存在延迟,无法满足飞行试验对实时性的要求,降低了试验效率
。
技术实现思路
[0005]本专利技术的目的在于,针对上述现有技术中的不足,提供一种负载预测模型的训练方法
、
负载预测方法
、
装置及设备,以便通过对数字孪生逻辑靶场中不同计算节点在未来时刻的负载进行预测,以选择负载较低的计算节点进行数据计算,降低任务处理延迟,提高试验效率
。
[0006]为实现上述目的,本申请实施例采用的技术方案如下:
[0007]第一方面,本申请实施例提供了一种负载预测模型的训练方法,所述训 ...
【技术保护点】
【技术特征摘要】
1.
一种负载预测模型的训练方法,其特征在于,所述训练方法包括:获取数字孪生逻辑靶场任一计算节点的样本负载序列和连续多个样本时刻之后样本预测时刻下的真实负载值,所述样本负载序列包括:所述任一计算节点在所述连续多个样本时刻下的样本负载值;采用初始卷积神经网络对所述样本负载序列进行特征提取,得到第一样本特征向量;采用初始门控循环神经网络对所述样本负载序列进行特征提取,得到第二样本特征向量;根据所述第一样本特征向量和所述第二样本特征向量,通过初始全连接层进行负载预测,得到所述计算节点在所述样本预测时刻下的样本预测负载值;根据所述样本预测负载值和所述真实负载值,对所述初始卷积神经网络
、
所述初始门控循环神经网络和所述初始全连接层进行参数调整,得到负载预测模型
。2.
如权利要求1所述的训练方法,其特征在于,所述获取数字孪生逻辑靶场任一计算节点的样本负载序列,包括:获取所述任一计算节点在所述连续多个样本时刻下的第一样本负载值,以及所述数字孪生逻辑靶场的试验资源在所述连续多个样本时刻下的第二样本负载值;根据所述连续多个样本时刻下的第一样本负载值和所述连续多个样本时刻下的第二样本负载值,计算所述样本负载序列
。3.
如权利要求1所述的训练方法,其特征在于,所述采用初始卷积神经网络对所述样本负载序列进行特征提取,得到第一样本特征向量之前,所述方法还包括:对所述样本负载序列进行二维转换,生成所述样本负载序列对应的静态时序图;所述采用初始卷积神经网络对所述样本负载序列进行特征提取,得到第一样本特征向量,包括:采用所述初始卷积神经网络对所述静态时序图进行特征提取,得到所述第一样本特征向量
。4.
如权利要求3所述的训练方法,其特征在于,所述采用所述初始卷积神经网络对所述静态时序图进行特征提取,得到所述第一样本特征向量,包括:通过对所述静态时序图进行卷积处理,得到样本特征图,所述样本特征图包括多个通道特征图;采用注意力机制对所述多个通道特征图进行注意力提取,确定所述多个通道特征图的通道权重;根据所述多个通道特征图和所述通道权重,计算所述第一样本特征向量
。5.
如权利要求4所述的训练方法,其特征在于,所述根据所述多个通道特征图和所述通道权重,计算所述第一样本特征向量,包括:根据所述多个通道特征图的通道权重,从所述多个通道特征图中选择目标通道特征图;根据所述目标通道特征图和所述目标通道特征图对应的通道权重,计算所述第一样本特征向量
。6.
如权利要求1所述的训练方法,其特征在于,所述根据所述第一样本特征向量和所述第二样本特征向量,通过初始全连接层进行负载预测,得到所述计算节点在所述样本预测
时刻下的样本预测负载值,包括:根据初始第一权重和初始第二权重,对所述第一样本特征向量和所述第二样本特征向量进行加权,得到加权样本特征向量;采用所述初始全连接层对所述加权样本特征向量进行负载预测,得到所述样本预测负载值
。7.
一种负载预测方法,其特征在于,所述方法包括:获取数字...
【专利技术属性】
技术研发人员:黑新宏,党政,陈浩,邱原,张展鹏,
申请(专利权)人:西安理工大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。