任务执行时序预测模型训练方法及装置制造方法及图纸

本申请提供任务执行时序预测模型训练方法及装置，其中所述方法包括：采集目标机构的历史任务执行信息，根据历史任务执行信息构建样本时间序列；对样本时间序列进行序列分解，得到季节项和趋势项，将季节项、趋势项与样本时间序列依次输入至初始预测模型，分别输出第一预测信息、第二预测信息与第三预测信息；根据第一预测信息、第二预测信息、第三预测信息与样本时间序列，构建季节损失、趋势损失与整体损失；根据季节损失、趋势损失与整体损失，构建混合损失函数，并通过混合损失函数对初始预测模型进行训练，得到目标预测模型。得到的目标预测模型在不影响计算效率的前提下，对目标机构的任务执行信息进行高精度预测，获得均衡的任务执行规划。

【技术实现步骤摘要】

本申请涉及数据处理，特别涉及一种任务执行时序预测模型训练方法。本申请同时涉及一种任务执行时序预测模型训练装置、一种计算设备，以及一种计算机可读存储介质。

技术介绍

1、随着现有机构中各项业务的持续展开，尤其是公共部门的任务执行数量不断增长，对于任务处理人员而言，任务同一周期内的分布至关重要，如以年为单位的任务执行周期内，其中部分季度任务集中度高，而其他季度任务执行度低，会导致前者的任务完成质量下滑，后者的任务完成效率低下。故此，亟待一种方法实现均衡的任务执行规划。

技术实现思路

1、有鉴于此，本申请实施例提供了一种任务执行时序预测模型训练方法，以解决现有技术中存在的技术缺陷。本申请实施例同时提供了一种任务执行时序预测模型训练装置，一种计算设备，以及一种计算机可读存储介质。

2、根据本申请实施例的第一方面，提供了一种任务执行时序预测模型训练方法，包括：

3、采集目标机构的历史任务执行信息，并根据所述历史任务执行信息，构建样本时间序列；

4、对所述样本时间序列进行序列分解，得到本文档来自技高网...

【技术保护点】

1.一种任务执行时序预测模型训练方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述初始预测模型中包含注意力机制层，其中，所述注意力机制层关联的影响力因子，为所述历史任务执行信息中包含的任务数据的任务类型。

3.根据权利要求2所述的方法，其特征在于，所述将所述季节项输入至初始预测模型，输出第一预测信息，包括：

4.根据权利要求1所述的方法，其特征在于，所述根据所述历史任务执行信息，构建样本时间序列，包括：

5.根据权利要求1所述的方法，其特征在于，所述根据所述第一预测信息、第二预测信息、第三预测信息以及所述样本时间序列，...

【技术特征摘要】

1.一种任务执行时序预测模型训练方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述初始预测模型中包含注意力机制层，其中，所述注意力机制层关联的影响力因子，为所述历史任务执行信息中包含的任务数据的任务类型。

3.根据权利要求2所述的方法，其特征在于，所述将所述季节项输入至初始预测模型，输出第一预测信息，包括：

4.根据权利要求1所述的方法，其特征在于，所述根据所述历史任务执行信息，构建样本时间序列，包括：

5.根据权利要求1所述的方法，其特征在于，所述根据所述第一预测信息、第二预测信息、第三预测信息以及所述样本时间序...

【专利技术属性】
技术研发人员：王皓，韩荣辉，冯端宇，杜鸿宇，
申请(专利权)人：四川大学，
类型：发明
国别省市：