【技术实现步骤摘要】
本专利技术涉及资源分配，特别涉及一种基于日程的资源分配方法及其分配系统。
技术介绍
1、随着科技发展，大部分公司资源日渐丰富，从传统的打印机、扫描仪到新型的智能大屏，从公司内部的会议室资源、接待室资源到外部的公车、健身资源；从员工使用的微波炉、工位电源到欢迎访客的迎宾屏、智能引导机器人，种类繁多，功能多样，导致管理工作复杂。分配上述资源的工作需要判断资源占用情况，比如，资源是否能共享，每个资源的单次占用时长。特别是复杂的场景，需要按工况使用到多种资源，比如：欢迎重要访客参观，需要用迎宾屏显示欢迎词，需要访客引导机器人，需要预定会议室资源等。
2、因此，亟待一种资源分配的方法能够准确地进行资源的自动分配。
技术实现思路
1、本专利技术的目的在于提供一种基于日程的资源分配方法及其分配系统，以解决如何根据使用需要求合理分配资源的问题。
2、为了解决上述技术问题，本专利技术的技术方案是：提出一种基于日程的资源分配方法，包括：采集日程数据作为训练集和验证集，进行网络模型训练，包括：根据所述训练集建立长短记忆模型并结合注意力机制获取资源输出；将所述训练集中的数据输入至所述长短记忆模型进行模型训练；将所述验证集输入至训练好的网络模型，获得资源的预测数据；比较所述预测数据与真实的资源数据，计算所述网络模型的准确率，如果所述准确率不能达到预设值，则调整参数重复训练过程，直至准确率达到预设值，到处所述网络模型集成至资源分配系统。
3、进一步地，在基于日程的资源分配方
4、进一步地，在基于日程的资源分配方法中，将所述日程数据预处理后获得所述训练集和所述验证集，预处理包括：删除所述日程数据中除字母、数字以及汉字以外的所有符号；对所述日程数据进行分词，以空格隔开；对分词后的所述日程数据进行向量化处理，将每天日程转化为一个整数序列的向量。
5、进一步地，在基于日程的资源分配方法中，所述长短记忆模型的输出作为注意力层的输入，并计算注意力权重和注意力向量，将所述注意力向量和所述长短记忆模型的输出相加并通过分类层获取资源输出。
6、进一步地，在基于日程的资源分配方法中，使用隐含层为10的双向长短给记忆模型，并指定adam优化器对所述训练集进行迭代，学习率为0.001，最大轮数为500。
7、进一步地，在基于日程的资源分配方法中，在每个训练批次中，所述网络模型向前传递数据，计算所述预测数据，以最小化损失函数计算损失，并与目标变量进行比较。
8、进一步地，在基于日程的资源分配方法中，使用方向传播算法不断更新所述网络模型的权重和偏差。
9、本专利技术还提供一种基于日程的资源分配方法的分配系统，包括：训练模块，采集日程数据作为训练集和验证集，进行网络模型训练，包括：根据所述训练集建立长短记忆模型并结合注意力机制获取资源输出；将所述训练集中的数据输入至所述长短记忆模型进行模型训练；测试模块，将所述验证集输入至训练好的网络模型，获得资源的预测数据；校准模块，比较所述预测数据与真实的资源数据，计算所述网络模型的准确率，如果所述准确率不能达到预设值，则调整参数重复训练过程，直至准确率达到预设值，到处所述网络模型集成至资源分配系统。
10、本专利技术还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实现了上述基于日程的资源分配方法的步骤。
11、本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现了上述基于日程的资源分配方法的步骤。
12、本专利技术提供的基于日程的资源分配方法及其分配系统，长短记忆模型结合注意力机制，实现多变量对多变量预测，自动接受日程数据，无视资源种类和其它特性，按照日程自动分配资源，减少人工分配的复杂性，避免人为导致的错误。
本文档来自技高网...【技术保护点】
1.一种基于日程的资源分配方法，其特征在于，包括：
2.如权利要求1所述的基于日程的资源分配方法，其特征在于，所述长短记忆模型包括状态遗忘计算模块、状态输入计算模块、输出模块以及状态记忆模块，所述状态遗忘计算模块根据输入的所述训练集，计算需要遗忘的资源信息，并从所述状态记忆模块中去除，所述状态输入计算模块根据所述训练集，计算新增的资源状态信息，并更新到所述状态记忆模块，所述输出模块根据所述训练集，结合更新后的所述状态记忆模块计算所述长短记忆模型的输出数据。
3.如权利要求1所述的基于日程的资源分配方法，其特征在于，将所述日程数据预处理后获得所述训练集和所述验证集，预处理包括：
4.如权利要求1所述的基于日程的资源分配方法，其特征在于，所述长短记忆模型的输出作为注意力层的输入，并计算注意力权重和注意力向量，将所述注意力向量和所述长短记忆模型的输出相加并通过分类层获取资源输出。
5.如权利要求1所述的基于日程的资源分配方法，其特征在于，使用隐含层为10的双向长短给记忆模型，并指定Adam优化器对所述训练集进行迭代，学习率为0.001，最
6.如权利要求5所述的基于日程的资源分配方法，其特征在于，在每个训练批次中，所述网络模型向前传递数据，计算所述预测数据，以最小化损失函数计算损失，并与目标变量进行比较。
7.如权利要求6所述的基于日程的资源分配方法，其特征在于，使用方向传播算法不断更新所述网络模型的权重和偏差。
8.一种如权利要求1所述的基于日程的资源分配方法的分配系统，其特征在于，包括：
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现了如权利要求1-7任一项所述的基于日程的资源分配方法的步骤。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现了如权利要求1-7任一项所述的基于日程的资源分配方法的步骤。
...【技术特征摘要】
1.一种基于日程的资源分配方法，其特征在于，包括：
2.如权利要求1所述的基于日程的资源分配方法，其特征在于，所述长短记忆模型包括状态遗忘计算模块、状态输入计算模块、输出模块以及状态记忆模块，所述状态遗忘计算模块根据输入的所述训练集，计算需要遗忘的资源信息，并从所述状态记忆模块中去除，所述状态输入计算模块根据所述训练集，计算新增的资源状态信息，并更新到所述状态记忆模块，所述输出模块根据所述训练集，结合更新后的所述状态记忆模块计算所述长短记忆模型的输出数据。
3.如权利要求1所述的基于日程的资源分配方法，其特征在于，将所述日程数据预处理后获得所述训练集和所述验证集，预处理包括：
4.如权利要求1所述的基于日程的资源分配方法，其特征在于，所述长短记忆模型的输出作为注意力层的输入，并计算注意力权重和注意力向量，将所述注意力向量和所述长短记忆模型的输出相加并通过分类层获取资源输出。
5.如权利要求1所述的基于日程的资源分配方法，其特...
【专利技术属性】
技术研发人员：丁勇超，伍智濂，俞俊峰，
申请(专利权)人：上海云思智慧信息技术有限公司，
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。