【技术实现步骤摘要】
本申请涉及机器学习，尤其涉及一种多云共享分布式预测系统、方法、装置及电子设备。
技术介绍
1、目前，随着人工智能技术的快速发展，人工智能技术在很多领域得到了应用，其中，机器学习作为人工智能的技术核心，也已经取得重大的突破。
2、在相关技术中，通常是用户端基于自身获得的训练样本，进行预测模型的本地构建。或者采用联邦学习的方式，基于云服务器进行用户端模型参数的聚合。
3、但是，由于用户端计算能力有限，能获得的训练样本量也有限，导致最终构建的预测模型的精度较低。目前的联邦机器学习，当有大量的用户连接至云服务器时，云服务器将会成为性能瓶颈，降低了用户端的可扩展性，也就不利于保证预测模型的精度较低。
技术实现思路
1、本申请提供一种多云共享分布式预测系统、方法、装置及电子设备，以解决相关技术导致用户端最终构建的预测模型的精度较低等缺陷。
2、本申请第一个方面提供一种多云共享分布式预测系统，包括：用户簇和云服务器，所述用户簇包括若干个用户端，所述用户簇和云服务器一一对应；
3、所述用户端用于获取在线量测数据，基于所述在线量测数据构建局部预测模型，得到所述局部预测模型的局部预测参数，将所述局部预测模型的局部预测参数发送至对应的云服务器；
4、所述云服务器用于接收所述用户簇中各用户端发送的局部预测参数，根据所述局部预测参数，确定全局预测参数；
5、若干个所述云服务器共享所述全局预测参数，以使所述云服务器得到共享预测参数，并根据
6、所述用户端用于接收所述云服务器发送的目标预测参数，根据所述目标预测参数，优化所述局部预测模型。
7、在一种可选的实施方式中，所述用户端，用于：
8、根据所述在线量测数据，构建模型训练集；
9、根据所述模型训练集，构建局部预测模型。
10、在一种可选的实施方式中，所述用户端，用于：
11、获取测试数据；
12、基于所述局部预测模型，根据所述测试数据和模型训练集，确定所述局部预测模型的局部预测参数；
13、其中，所述测试数据为用户端在完成局部预测模型的训练后获取到的在线量测数据，所述局部预测参数包括局部预测期望和局部预测方差。
14、在一种可选的实施方式中，所述用户端，用于：
15、计算所述测试数据与所述模型训练集各训练数据之间的相似度；
16、根据所述测试数据与所述模型训练集各训练数据之间的相似度，在所述模型训练集中筛选预设数量的目标训练数据，以得到目标训练子集；
17、基于所述局部预测模型，根据所述测试数据和目标训练子集，确定所述局部预测模型的局部预测参数。
18、在一种可选的实施方式中，所述用户端，用于：
19、计算所述测试数据与所述模型训练集各训练数据之间的闵式距离；
20、根据所述测试数据与所述模型训练集各训练数据之间的闵式距离，确定所述测试数据与所述模型训练集各训练数据之间的相似度。
21、在一种可选的实施方式中，所述云服务器，用于：
22、为对应的所述用户端分配权重，以确定各所述用户端的预测权重；
23、根据各所述用户端的预测权重和所述局部预测参数，确定全局预测参数。
24、在一种可选的实施方式中，所述云服务器，用于：
25、基于如下公式，确定所述全局预测参数：
26、
27、其中，表示用户端j向云服务器i发送的局部预测期望，表示云服务器i为用户端j分配的预测权重，，且，表示全局预测期望，表示局部预测方差，表示全局预测方差；所述全局预测参数包括全局预测期望和全局预测方差。
28、在一种可选的实施方式中，所述云服务器，用于：
29、获取共享云服务器发送的共享预测参数；其中，所述共享云服务器与当前云服务器之间存在边缘连接关系；
30、根据接收到的所述共享预测参数和所述全局预测参数，确定目标预测参数。
31、在一种可选的实施方式中，所述云服务器，用于：
32、获取云服务器边缘有向图；
33、根据所述云服务器边缘有向图，在云服务器集群中筛选共享云服务器。
34、在一种可选的实施方式中，所述云服务器，用于：
35、根据各所述云服务器之间的网络连接关系，构建云服务器边缘有向图。
36、在一种可选的实施方式中，所述云服务器，用于：
37、获取云服务器权重矩阵；其中，所述云服务器权重矩阵表征各所述云服务器之间的共享权重；
38、根据所述云服务器权重矩阵，为所述共享云服务器分配共享权重；
39、根据所述共享权重、共享预测参数和所述全局预测参数，确定目标预测参数。
40、在一种可选的实施方式中，所述云服务器，用于：
41、根据所述云服务器边缘有向图，确定各所述云服务器之间的共享置信度；
42、根据各所述云服务器之间的共享置信度，生成所述云服务器权重矩阵。
43、在一种可选的实施方式中，所述云服务器，用于：
44、基于如下公式，确定所述目标预测参数：
45、，
46、，
47、其中，和分别表示云服务器i的目标全局预测期望和目标全局预测方差，所述目标预测参数包括所述目标全局预测期望和目标全局预测方差，v表示云服务器集群，表示共享云服务器j的共享权重，表示共享云服务器j在k时刻的共享全局预测期望，表示共享云服务器j在k时刻的共享全局预测方差，所述共享预测参数包括所述共享全局预测期望和共享全局预测方差，当时，表示在时刻云服务器的全局预测期望，表示在时刻云服务器的全局预测方差。
48、在一种可选的实施方式中，所述目标预测参数满足如下期望目标：
49、
50、其中，表示云服务器集群中的云服务器总数，表示初始时刻云服务器j的共享全局预测期望，表示初始时刻云服务器j的共享全局预测方差，和分别表示云服务器i在k时刻的目标全局预测期望和目标全局预测方差。
51、本申请第二个方面提供一种多云共享分布式预测方法，应用于用户端，所述方法包括：
52、获取在线量测数据；
53、基于所述在线量测数据构建局部预测模型，得到所述局部预测模型的局部预测参数；
54、将所述局部预测模型的局部预测参数发送至对应的云服务器，以基于所述云服务器根据所述局部预测参数，确定全局预测参数，根据各云服务器共享的全局预测参数，得到共享预测参数，并根据所述共享预测参数和所述全局预测参数，确定目标预测参数，将所述目标预测参数发送至对应的若干个用户端；
55、接收所述云服务器发送的目标预测参数；
本文档来自技高网...
【技术保护点】
1.一种多云共享分布式预测系统，其特征在于，包括：用户簇和云服务器，所述用户簇包括若干个用户端，所述用户簇和云服务器一一对应；
2.根据权利要求1所述的系统，其特征在于，所述用户端，用于：
3.根据权利要求2所述的系统，其特征在于，所述用户端，用于：
4.根据权利要求3所述的系统，其特征在于，所述用户端，用于：
5.根据权利要求4所述的系统，其特征在于，所述用户端，用于：
6.根据权利要求1所述的系统，其特征在于，所述云服务器，用于：
7.根据权利要求6所述的系统，其特征在于，所述云服务器，用于：
8.根据权利要求1所述的系统，其特征在于，所述云服务器，用于：
9.根据权利要求8所述的系统，其特征在于，所述云服务器，用于：
10.根据权利要求9所述的系统，其特征在于，所述云服务器，用于：
11.根据权利要求10所述的系统，其特征在于，所述云服务器，用于：
12.根据权利要求11所述的系统，其特征在于，所述云服务器，用于：
13.根据权利要
14.根据权利要求11所述的系统，其特征在于，所述目标预测参数满足如下期望目标：
15.一种多云共享分布式预测方法，应用于用户端，其特征在于，所述方法包括：
16.一种多云共享分布式预测方法，应用于云服务器，其特征在于，所述方法包括：
17.一种多云共享分布式预测装置，应用于用户端，其特征在于，所述装置包括：
18.一种多云共享分布式预测装置，应用于云服务器，其特征在于，所述装置包括：
19.一种电子设备，其特征在于，包括：至少一个处理器和存储器；
20.一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存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如权利要求15所述的方法或如权利要求16所述的方法。
...【技术特征摘要】
1.一种多云共享分布式预测系统，其特征在于，包括：用户簇和云服务器，所述用户簇包括若干个用户端，所述用户簇和云服务器一一对应；
2.根据权利要求1所述的系统，其特征在于，所述用户端，用于：
3.根据权利要求2所述的系统，其特征在于，所述用户端，用于：
4.根据权利要求3所述的系统，其特征在于，所述用户端，用于：
5.根据权利要求4所述的系统，其特征在于，所述用户端，用于：
6.根据权利要求1所述的系统，其特征在于，所述云服务器，用于：
7.根据权利要求6所述的系统，其特征在于，所述云服务器，用于：
8.根据权利要求1所述的系统，其特征在于，所述云服务器，用于：
9.根据权利要求8所述的系统，其特征在于，所述云服务器，用于：
10.根据权利要求9所述的系统，其特征在于，所述云服务器，用于：
11.根据权利要求10所述的系统，其特征在于，所述云服务器，用于...
【专利技术属性】
技术研发人员：张旭，孙华锦，胡雷钧，王小伟，
申请(专利权)人：苏州元脑智能科技有限公司，
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。