CN110659133B - 一种资源分配方法及分配装置、存储介质、电子设备 - Google Patents
一种资源分配方法及分配装置、存储介质、电子设备 Download PDFInfo
- Publication number
- CN110659133B CN110659133B CN201910822837.7A CN201910822837A CN110659133B CN 110659133 B CN110659133 B CN 110659133B CN 201910822837 A CN201910822837 A CN 201910822837A CN 110659133 B CN110659133 B CN 110659133B
- Authority
- CN
- China
- Prior art keywords
- target
- resource
- partition
- information
- target object
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013468 resource allocation Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 238000005192 partition Methods 0.000 claims abstract description 183
- 238000012545 processing Methods 0.000 claims abstract description 68
- 238000011156 evaluation Methods 0.000 claims abstract description 59
- 230000006870 function Effects 0.000 claims description 75
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 10
- 230000008676 import Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001012 protector Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明揭示了一种资源分配方法及分配装置、存储介质、电子设备。包括:接收输入的携带有选择关键词资源处理请求;从历史数据中搜索与选择关键词匹配的目标历史信息;将目标历史信息导入梯度提升树gbdt模型以预测目标分区中的目标对象是否继续使用目标资源;统计目标分区中的目标对象继续使用目标资源的预测结果的目标数量;利用绝对值损失函数的近似函数对目标数量进行评估以获得评估参数;根据评估参数优化gbdt模型;利用经过优化的gbdt模型预测目标分区中的目标对象对于目标资源的资源使用情况;根据资源使用情况和目标分区中的目标对象的当前信息将目标资源分配至目标分区的目标对象。本发明实施例能够提高资源的分配准确度。
Description
技术领域
本发明涉及数据处理技术领域,特别涉及一种资源分配方法及分配装置、存储介质、电子设备。
背景技术
在日常生活中,很多时候需要针对某个资源进行分配,通过将资源按照预设规则分配到目标分区的目标对象以满足人们生产、生活的需要。例如,在云计算的场景下,各云服务器是资源,目标分区为某个特定集群(cluster),目标对象为该特定集群下的某个目标物理服务器,将各云服务器分配到目标分区的目标物理服务器进行处理,以满足数据计算的需求。然而,如何有效分配资源,提高资源的分配准确度,是现有技术面临的一个问题。
发明内容
为了提高资源的分配准确度,本发明提供了一种资源分配方法及分配装置、存储介质、电子设备。
本发明实施例第一方面公开了一种资源分配方法,所述方法包括:
接收输入的资源处理请求,所述资源处理请求携带有选择关键词;
从历史数据中搜索与所述选择关键词匹配的目标历史信息;其中,所述目标历史信息至少包括目标分区中的目标对象和所述目标分区中的目标对象使用的目标资源;
将所述目标历史信息导入梯度提升树gbdt模型,以预测所述目标分区中的目标对象是否继续使用所述目标资源;
统计所述目标分区中的目标对象继续使用所述目标资源的预测结果的目标数量;
利用绝对值损失函数的近似函数对所述目标数量进行评估,以获得评估参数;
根据所述评估参数优化所述gbdt模型;
利用经过优化的所述gbdt模型预测所述目标分区中的目标对象对于所述目标资源的资源使用情况;
根据所述资源使用情况和所述目标分区中的目标对象的当前信息,将所述目标资源分配至所述目标分区的目标对象。
本发明实施例第二方面公开了一种资源分配装置,所述资源分配装置包括:
接收单元,用于接收输入的资源处理请求,所述资源处理请求携带有选择关键词;
搜索单元,用于从历史数据中搜索与所述选择关键词匹配的目标历史信息;其中,所述目标历史信息至少包括目标分区中的目标对象和所述目标分区中的目标对象使用的目标资源;
第一预测单元,用于将所述目标历史信息导入梯度提升树gbdt模型,以预测所述目标分区中的目标对象是否继续使用所述目标资源;
统计单元,用于统计所述目标分区中的目标对象继续使用所述目标资源的预测结果的目标数量;
评估单元,用于利用绝对值损失函数的近似函数对所述目标数量进行评估,以获得评估参数;
优化单元,用于根据所述评估参数优化所述gbdt模型;
第二预测单元,用于利用经过优化的所述gbdt模型预测所述目标分区中的目标对象对于所述目标资源的资源使用情况;
分配单元,用于根据所述资源使用情况和所述目标分区中的目标对象的当前信息,将所述目标资源分配至所述目标分区的目标对象。
本发明实施例第三方面公开了一种电子设备,所述电子设备包括:
处理器;
存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,实现本发明实施例第一方面公开的一种资源分配方法。
本发明实施例第四方面公开了一种计算机可读存储介质,其存储计算机程序,所述计算机程序使得计算机执行本发明实施例第一方面公开的一种资源分配方法。
本发明的实施例提供的技术方案可以包括以下有益效果:
本发明所提供的一种资源分配方法包括如下步骤:接收输入的资源处理请求,该资源处理请求携带有选择关键词;从历史数据中搜索与选择关键词匹配的目标历史信息,其中,目标历史信息至少包括目标分区中的目标对象和目标分区中的目标对象使用的目标资源;将目标历史信息导入梯度提升树gbdt模型,以预测目标分区中的目标对象是否继续使用目标资源;统计目标分区中的目标对象继续使用目标资源的预测结果的目标数量;利用绝对值损失函数的近似函数对目标数量进行评估,以获得评估参数;根据评估参数优化gbdt模型;利用经过优化的gbdt模型预测目标分区中的目标对象对于目标资源的资源使用情况;根据资源使用情况和目标分区中的目标对象的当前信息,将目标资源分配至目标分区的目标对象。
此方法下,由于目标历史信息是根据选择关键词匹配得到的,这些目标历史信息往往具有更高的可信度;另外,通过利用近似函数替代绝对值损失函数进行目标数量的评估,对gbdt模型进行优化,能够增加gbdt模型的可用性;另外,根据资源使用情况和目标分区中的目标对象的当前信息,将目标资源分配至目标分区的目标对象,能够使得分配至目标分区的目标对象的目标资源更加符合目标分区中的目标对象,提高了资源的分配准确度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并于说明书一起用于解释本发明的原理。
图1是本发明实施例公开的一种装置的结构示意图;
图2是本发明实施例公开的一种资源分配方法的流程图;
图3是本发明实施例公开的另一种资源分配方法的流程图;
图4是本发明实施例公开的又一种资源分配方法的流程图;
图5是本发明实施例公开的一种资源分配装置的结构示意图;
图6是本发明实施例公开的另一种资源分配装置的结构示意图;
图7是本发明实施例公开的又一种资源分配装置的结构示意图。
具体实施方式
这里将详细地对示例性实施例执行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
在一示例性实施例中,本发明实施例可以应用在云计算的场景下,其中,目标资源为某个云服务器,目标分区为某个特定集群,目标对象为该特定集群下的物理服务器,为满足其数据计算的需求,可以按照预设规则将云服务器分配给该特定集群下的物理服务器。在另一示例性实施例中,本发明实施例可以应用在业务办理的场景下,其中,目标资源为某个保险险种,目标分区为某个特定城市,目标对象为该特定城市中的投保人,为了满足对加保件数的分配,可以按照预设规则将保险险种分配给该特定城市中的投保人。
本发明的实施环境可以是电子设备,例如智能手机、平板电脑、台式电脑。
图1是本发明实施例公开的一种装置的结构示意图。装置100可以是上述电子设备。如图1所示,装置100可以包括以下一个或多个组件:处理组件102,存储器104,电源组件106,多媒体组件108,音频组件110,传感器组件114以及通信组件116。
处理组件102通常控制装置100的整体操作,诸如与显示,电话呼叫,数据通信,相机操作以及记录操作相关联的操作等。处理组件102可以包括一个或多个处理器118来执行指令,以完成下述的方法的全部或部分步骤。此外,处理组件102可以包括一个或多个模块,用于便于处理组件102和其他组件之间的交互。例如,处理组件102可以包括多媒体模块,用于以方便多媒体组件108和处理组件102之间的交互。
存储器104被配置为存储各种类型的数据以支持在装置100的操作。这些数据的示例包括用于在装置100上操作的任何应用程序或方法的指令。存储器104可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static RandomAccess Memory,简称SRAM),电可擦除可编程只读存储器(Electrically ErasableProgrammable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(ErasableProgrammable Read Only Memory,简称EPROM),可编程只读存储器(Programmable Red-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。存储器104中还存储有一个或多个模块,用于该一个或多个模块被配置成由该一个或多个处理器118执行,以完成如下所示方法中的全部或者部分步骤。
电源组件106为装置100的各种组件提供电力。电源组件106可以包括电源管理***,一个或多个电源,及其他与为装置100生成、管理和分配电力相关联的组件。
多媒体组件108包括在装置100和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(Liquid Crystal Display,简称LCD)和触摸面板。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与触摸或滑动操作相关的持续时间和压力。屏幕还可以包括有机电致发光显示器(Organic Light Emitting Display,简称OLED)。
音频组件110被配置为输出和/或输入音频信号。例如,音频组件110包括一个麦克风(Microphone,简称MIC),当装置100处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器104或经由通信组件116发送。在一些实施例中,音频组件110还包括一个扬声器,用于输出音频信号。
传感器组件114包括一个或多个传感器,用于为装置100提供各个方面的状态评估。例如,传感器组件114可以检测到装置100的打开/关闭状态,组件的相对定位,传感器组件114还可以检测装置100或装置100一个组件的位置改变以及装置100的温度变化。在一些实施例中,该传感器组件114还可以包括磁传感器,压力传感器或温度传感器。
通信组件116被配置为便于装置100和其他设备之间有线或无线方式的通信。装置100可以接入基于通信标准的无线网络,如WiFi(Wireless-Fidelity,无线保真)。在本发明实施例中,通信组件116经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在本发明实施例中,通信组件116还包括近场通信(Near Field Communication,简称NFC)模块,用于以促进短程通信。例如,在NFC模块可基于射频识别(Radio FrequencyIdentification,简称RFID)技术,超宽带(Ultra Wideband,简称UWB)技术,蓝牙技术和其他技术来实现。
在示例性实施例中,装置100可以被一个或多个应用专用集成电路(ApplicationSpecific Integrated Circuit,简称ASIC)、数字信号处理器、数字信号处理设备、可编程逻辑器件、现场可编程门阵列、控制器、微控制器、微处理器或其他电子元件实现,用于执行下述方法。
请参阅图2,图2是本发明实施例公开的一种资源分配方法的流程示意图。如图2所示,该方法可以包括以下步骤:
201、接收输入的资源处理请求。
本发明实施例中,资源处理请求携带有选择关键词。在本发明实施例中,资源处理请求是请求对资源进行处理的消息。在云计算的场景下,资源处理请求是请求对云服务器进行分配的消息。在业务办理的场景下,资源处理请求是对保险险种进行分配的消息。在本发明实施例中,选择关键词是用于表示选择历史数据的条件的词语。在一个实施例中,它可以由用户从包括多个候选选择关键词的下拉式列表中选择,其中下拉式列表中的候选选择条件关键词是历史数据中的历史信息的关键词的并集,比如A城市、B资源或C时间等,本发明实施例不作限定。
作为一种可选的实施方式,资源分配装置可以设置有摄像模组,在步骤201接收输入的资源处理请求之后,以及步骤202从历史数据中搜索与选择关键词匹配的目标历史信息之前,还可以执行以下步骤:
启动摄像模组;
拍摄获得使用该资源分配装置的用户的人脸图像;
识别人脸图像以获得该用户的身份信息;
获取该资源分配装置的权限表;
根据该权限表,判断上述身份信息是否具备权限;
若具备权限,执行步骤202从历史数据中搜索与选择关键词匹配的目标历史信息的步骤;
若不具备权限,输出提示信息以提示该用户不具备权限。
实施该实施方式,通过获取使用该资源分配装置的用户的人脸图像,并识别该人脸图像获得该用户的身份信息,接着根据资源分配装置的权限表判断该身份信息是否具备权限,若具备,执行步骤202从历史数据中搜索与选择关键词匹配的目标历史信息的步骤;若不具备,输出提示信息以提示用户不具备权限;能够保障历史数据的安全性,防止历史数据泄露。
202、从历史数据中搜索与选择关键词匹配的目标历史信息。
本发明实施例中,目标历史信息至少包括目标分区中的目标对象和该目标分区中的目标对象使用的目标资源。举例来说,在云计算的场景下,目标分区为特定集群D,目标对象为该特定集群D下的物理服务器,目标资源为该特定集群D下的物理服务器使用的云服务器E。又举例来说,在业务办理的场景下,目标分区为特定城市F,目标对象为该特定城市F中的投保人,目标资源为该特定城市F中的投保人投保的保险险种G。假设本发明实施例应用在业务办理的场景下,其中,目标分区中的目标对象至少包括特定城市F中的投保人的年龄、性别及收入,目标分区中的目标对象使用的目标资源至少包括保险险种G的价值和保险险种G所针对的用户群体的年龄段,本发明实施例不作限定。
本发明实施例中,可以理解的是,当分配目标资源时,往往会将相关的数据保存起来作为历史数据。因此,在本发明实施例中,资源分配装置可以在历史数据中搜索到与选择关键词匹配的目标历史信息。
203、将目标历史信息导入梯度提升树gbdt模型,以预测目标分区中的目标对象是否继续使用目标资源。
本发明实施例中,gbdt模型可以用来预测目标分区中的目标对象是否继续使用目标资源,整个预测过程可以在Python中实现,其中,Python是一种动态的、面向对象的脚本语言,本发明实施例不作限定。本发明实施例中,利用gbdt模型来预测目标分区中的目标对象是否继续使用目标资源。举例来说,在云计算的场景下,可以理解为利用gbdt模型来预测特定集群D下的物理服务器是否继续使用云服务器E。又举例来说,在业务办理的场景下,可以理解为利用gbdt模型来预测特定城市F中的投保人是否继续对保险险种G进行加保。
204、统计目标分区中的目标对象继续使用目标资源的预测结果的目标数量。
本发明实施例中,资源分配装置可以将步骤203预测出的目标对象继续使用目标资源的预测结果进行累加,从而统计出上述的目标数量,整个统计过程可以在Python中实现,本发明实施例不作限定。在本发明实施例中,举例来说,在云计算的场景下,目标数量可以理解为利用gbdt模型预测得到的使用云服务器E的数量。又举例来说,在业务办理的场景下,目标数量可以理解为利用gbdt模型预测得到的加保件数。
205、利用绝对值损失函数的近似函数对目标数量进行评估,以获得评估参数。
本发明实施例中,损失函数可以用来评价模型的预测值和真实值之间不一样的程度,其中,得到的评估参数越小,预测值和真实值之间不一样的程度越小,进一步表明该模型的性能越好。
本发明实施例中,可以理解的是,资源分配装置先利用gbdt模型对目标分区中的目标对象是否继续使用目标资源进行预测,但是,由于无法判断预测结果是否准确,所以需要利用绝对值损失函数对预测结果进行评估,再根据评估结果来调整gbdt模型。然而,由于绝对值损失函数不可导的性质,会导致gbdt模型不可用,因此,在本发明实施例中,资源分配装置可以利用绝对值损失函数的近似函数来替代绝对值损失函数,对预测的目标数量进行评估,获得的评估参数越小,表明gbdt模型的预测结果越准确。
作为一种可选的实施方式,在步骤205利用绝对值损失函数的近似函数对目标数量进行评估,以获得评估参数之后,以及步骤206根据评估参数优化gbdt模型之前,还可以执行以下步骤:
判断评估参数是否小于预设阈值;
若小于预设阈值,直接利用gbdt模型预测目标分区中的目标对象对于目标资源的资源使用情况;
若大于或等于预设阈值,执行步骤206根据评估参数优化gbdt模型的步骤。
实施该可选的实施方式,在根据评估参数优化gbdt模型之前先判断评估参数是否小于预设阈值,若小于,表明此时gbdt模型的预测精度已经满足要求,即gbdt模型预测出的预测值与真实值之间的差值小于预设差值,因此,资源分配装置可以直接利用gbdt模型预测目标分区中的目标对象对于目标资源的资源使用情况。
206、根据评估参数优化gbdt模型。
本发明实施例中,资源分配装置利用绝对值损失函数的近似函数对目标数量进行评估获得评估参数,然后基于该评估参数,对gbdt模型进行优化,使得gbdt模型预测出的预测值与真实值之间不一样的程度满足要求,也就是说,预测值与真实值之间的差值小于预设差值,其中,该预设差值可以为测试人员根据大量的实验结果而设定的,本发明实施例不作限定。
207、利用经过优化的gbdt模型预测目标分区中的目标对象对于目标资源的资源使用情况。
本发明实施例中,根据评估参数优化gbdt模型后,资源分配装置可以利用经过优化的gbdt模型预测目标分区中的目标对象对于目标资源的资源使用情况,因为已经经过优化,此时预测得到的结果较为准确。在本发明实施例中,资源使用情况可以为预测的目标分区中的目标对象使用目标资源的结果的数量,本发明实施例不作限定。
208、根据资源使用情况和目标分区中的目标对象的当前信息,将目标资源分配至目标分区的目标对象。
本发明实施例中,资源分配装置可以根据资源的使用情况(如预测的目标分区中的目标对象使用目标资源的结果的数量)和目标分区中的目标对象的当前信息(如目标对象的信用度),将目标资源分配至目标分区的目标对象。
可见,实施图2所描述的方法,由于目标历史信息是根据选择关键词匹配得到的,这些目标历史信息往往具有更高的可信度;另外,通过利用近似函数替代绝对值损失函数进行目标数量的评估,对gbdt模型进行优化,能够增加gbdt模型的可用性;另外,根据资源使用情况和目标分区中的目标对象的当前信息,将目标资源分配至目标分区的目标对象,能够使得分配至目标分区的目标对象的目标资源更加符合目标分区中的目标对象,提高了资源的分配准确度。
请参阅图3,图3是本发明实施例公开的另一种资源分配方法的流程示意图。如图3所示,该方法可以包括以下步骤:
301、接收输入的资源处理请求。
本发明实施例中,资源处理请求携带有选择关键词。
302、从历史数据中搜索与选择关键词匹配的目标历史信息。
本发明实施例中,目标历史信息至少包括目标分区中的目标对象和该目标分区中的目标对象使用的目标资源。
303、判断目标历史信息的数据格式是否为指定格式;如果否,执行步骤304;如果是,执行步骤305。
本发明实施例中,指定格式可以为ORC File格式,其中,ORC File是一种hive数据库的文件存储格式,可以提高hive数据库的读、写以及处理数据的性能。在本发明实施例中,资源分配装置可以判断目标历史信息的数据格式是否为ORC File格式,如果是,直接执行步骤305将数据格式为指定格式的目标历史信息导入hive数据库,如果不是,执行步骤304转换目标历史信息的数据格式为ORC File格式。
304、转换目标历史信息的数据格式为指定格式;
305、将数据格式为指定格式的目标历史信息导入hive数据库。
本发明实施例中,实施步骤303-步骤305,通过先判断目标历史信息的数据格式是否为ORC File格式,若不是,将目标历史信息的数据格式转换为ORC File格式,能够增加导入hive数据库的目标历史信息的可读性,提高导入效率。
306、在hive数据库中,将数据格式为指定格式的目标历史信息进行缺失值处理,以获得第一目标信息。
本发明实施例中,获取到的目标历史信息可能由于某些原因造成一个或多个数据的缺失,比如数据采集过程中的失误或者数据未保存至历史数据中,而在gbdt模型的使用中,如果我们直接忽视这个问题,可能会触发异常,导致gbdt模型不可用。因此,在使用gbdt模型之前,可以先对目标历史信息进行缺失值处理获得第一目标信息。在本发明实施例中,缺失值的处理方式可以为删除包含缺失值的行,也可以为删除包含缺失值的列,还可以为根据预设条件删除包含缺失值的数据,如全为空值的行和缺失值个数大于指定阈值的行等,本发明实施例不作限定。
307、将第一目标信息进行异常值处理,以获得第二目标信息。
本发明实施例中,获取到的目标历史信息可能由于某些原因存在一些不合理的值,举例来说,年龄为-1为不合理的值,而在gbdt模型的使用中,如果我们直接忽视这个问题,可能会触发异常,导致gbdt模型不可用。因此,在使用gbdt模型之前,可以先对第一目标信息进行异常值处理获得第二目标信息。在本发明实施例中,异常值的处理方法可以为利用平均值来修正异常值,也可以为将异常值视为缺失值并用缺失值的处理方法来处理,本发明实施例不作限定。
308、将第二目标信息进行离散化处理,以获得第三目标信息。
本发明实施例中,由于gbdt模型的使用是基于离散型的数据展开的,因此,在使用gbdt模型之前,可以将第二目标信息进行离散化处理获得第三目标信息。在本发明实施例中,离散化的处理方法可以为等距离法,也可以为等频率法,本发明实施例不作限定。
本发明实施例中,实施步骤304-步骤308,通过对目标历史信息依次进行缺失值处理、异常值处理和离散化处理,能够保证导入gbdt模型后该gbdt模型正常运行,使得gbdt模型的预测结果更加稳定。
309、将第三目标信息导入梯度提升树gbdt模型,以预测目标分区中的目标对象是否继续使用目标资源。
310、将目标分区中的目标对象继续使用目标资源的预测结果用第一标识进行标记。
311、将目标分区中的目标对象不继续使用目标资源的预测结果用第二标识进行标记。
本发明实施例中,上述第一标识与第二标识均为计算机可读的标识类型。
本发明实施例中,由于计算机可读的最简单的标识为“1”和“0”,因此,资源分配装置可以将目标分区中的目标对象继续使用目标资源的预测结果标记为“1”,将目标分区中的目标对象不继续使用目标资源的预测结果标记为“0”,本发明实施例不作限定。
312、将全部预测结果按照标识类型进行分类。
313、统计标记了第一标识的预测结果的数量,并将该标记了第一标识的预测结果的数量作为目标分区中的目标对象继续使用目标资源的预测结果的目标数量。
本发明实施例中,资源分配装置可以将第一标识“1”和第二标识“0”区分开,然后直接统计出第一标识“1”的个数,即为上述的目标数量。
本发明实施例中,实施步骤310-步骤313,将目标分区中的目标对象继续使用目标资源的预测结果和目标分区中的目标对象不继续使用目标资源的预测结果分别用第一标识“1”和第二标识“0”进行标记,能够增加计算机读取预测结果的可读性,提高工作效率。
314-317;其中,步骤314-步骤317与实施例二中的步骤205-步骤208相同,在此不再赘述。
可见,与实施图2所描述的方法相比,实施图3所描述的方法,通过将目标历史信息的数据格式转换成指定格式,能够增加导入hive数据库的目标历史信息的可读性,提高导入效率。此外,对目标历史信息依次进行缺失值处理、异常值处理和离散化处理,能够保证导入gbdt模型后该gbdt模型正常运行,使得gbdt模型的预测结果更加稳定。此外,利用计算机可读的标识类型对预测结果进行标记,能够增加计算机读取预测结果的可读性,提高工作效率。
请参阅图4,图4是本发明实施例公开的又一种资源分配方法的流程示意图。如图4所示,该方法可以包括以下步骤:
401-404;其中,步骤401-步骤404与实施例二中的步骤201-步骤204相同,在此不再赘述。
405、获取历史数据中目标分区的目标资源的历史数量。
406、将目标数量和历史数量代入绝对值损失函数的近似函数进行评估,以获得评估参数。
本发明实施例中,预测得到的目标数量越接近于目标分区的目标资源对应的历史数量,即预测的目标数量与目标分区的目标资源的对应的历史数量之间的差值越小,获得的评估参数越小,表明gbdt模型的预测结果越准确。
本发明实施例中,绝对值损失函数可以如公式(1)所示:
其中,i表示分区编号,n表示分区个数,yi表示历史数据中第i个分区的目标资源对应的历史数量,y′i表示预测第i个分区的目标数量。
本发明实施例中,可以理解的是,由于绝对值损失函数不可导的性质,会导致gbdt模型不可用,因此,在本发明实施例中,作为一种可选的实施方式,资源分配装置可以利用绝对值损失函数的近似函数来替代绝对值损失函数,对预测的目标数量进行评估,其中,绝对值损失函数的近似函数如公式(2)所示:
其中,i表示分区编号,n表示分区个数,yi表示历史数据中第i个分区的目标资源对应的历史数量,y′i表示预测第i个分区的目标数量,α表示可以控制的精度。
实施该实施方式,用近似函数来替代绝对值损失函数对预测的目标数量进行评估,能够增加gbdt模型的可用性,解决因绝对值损失函数不可导而导致gbdt模型不可用的问题。
本发明实施例中,实施步骤405-步骤406,通过将预测的目标数量和历史数据中目标分区的目标资源对应的历史数量代入绝对值损失函数的近似函数以获得评估参数,既解决了因绝对值损失函数不可导而导致gbdt模型不可用的问题,又提高了评估参数准确性。
407、根据评估参数优化gbdt模型。
408、利用经过优化的gbdt模型预测目标分区中的目标对象对于目标资源的资源使用情况。
409、根据资源使用情况确定目标资源的待分配数量。
410、根据目标分区中的目标对象的当前信息确定目标分区中的每个目标对象的权重值。
本发明实施例中,目标分区中的目标对象的当前信息可以为目标分区中的目标对象信用度,即信用度越高,权重值越大;目标分区中的目标对象的当前信息也可以为目标分区中的目标对象的资源使用紧急系数,即资源使用紧急系数越大,表明目标对象对于资源的使用越紧急,权重值越大,本发明实施例不作限定。
411、按照权重值从大到小的顺序,将待分配数量的目标资源分配至目标分区的目标对象。
本发明实施例中,实施步骤409-步骤411,提供了一种将目标资源分配至目标分区的目标对象的方法,先根据资源使用情况确定目标资源的待分配数量,然后根据目标分区中的目标对象的当前信息确定目标分区中的每个目标对象的权重值,权重值大的优先分配,由此将待分配数量的目标资源分配至目标分区的目标对象,进一步提高了资源分配的准确度。
可见,与实施图2所描述的方法相比,实施图4所描述的方法,通过将预测的目标数量和历史数据中目标分区的目标资源对应的历史数量代入绝对值损失函数的近似函数以获得评估参数,既解决了因绝对值损失函数不可导而导致gbdt模型不可用的问题,又提高了评估参数准确性。此外,提供了一种将目标资源分配至目标分区的目标对象的方法,进一步提高了资源分配的准确度。
请参阅图5,图5是本发明实施例公开的一种资源分配装置的结构示意图。如图5所示,该资源分配装置可以包括:接收单元501、搜索单元502、第一预测单元503、统计单元504、评估单元505、优化单元506、第二预测单元507以及分配单元508,其中,
接收单元501,用于接收输入的资源处理请求。
本发明实施例中,资源处理请求携带有选择关键词。
搜索单元502,用于从历史数据中搜索与选择关键词匹配的目标历史信息。
本发明实施例中,目标历史信息至少包括目标分区中的目标对象和该目标分区中的目标对象使用的目标资源。
作为一种可选的实施方式,接收单元501可以设置有摄像模组,在接收单元501接收输入的资源处理请求之后,以及搜索单元502从历史数据中搜索与选择关键词匹配的目标历史信息之前,还可以执行以下步骤:
启动摄像模组;
拍摄获得使用该资源分配装置的用户的人脸图像;
识别人脸图像以获得该用户的身份信息;
获取该资源分配装置的权限表;
根据该权限表,判断上述身份信息是否具备权限;
若具备权限,触发搜索单元502从历史数据中搜索与选择关键词匹配的目标历史信息;
若不具备权限,输出提示信息以提示该用户不具备权限。
实施该实施方式,通过获取使用该资源分配装置的用户的人脸图像,并识别该人脸图像获得该用户的身份信息,接着根据该资源分配装置的权限表判断该身份信息是否具备权限,若具备,触发搜索单元502从历史数据中搜索与选择关键词匹配的目标历史信息;若不具备,接收单元501输出提示信息以提示用户不具备权限;能够保障历史数据的安全性,防止历史数据泄露。
第一预测单元503,用于将目标历史信息导入梯度提升树gbdt模型,以预测目标分区中的目标对象是否继续使用目标资源。
统计单元504,用于统计目标分区中的目标对象继续使用目标资源的预测结果的目标数量。
评估单元505,用于利用绝对值损失函数的近似函数对目标数量进行评估,以获得评估参数。
优化单元506,用于根据评估参数优化gbdt模型。
作为一种可选的实施方式,在评估单元505利用绝对值损失函数的近似函数对目标数量进行评估,以获得评估参数之后,以及优化单元506根据评估参数优化gbdt模型之前,还可以执行以下步骤:
判断评估参数是否小于预设阈值;
若小于预设阈值,直接利用gbdt模型预测目标分区中的目标对象对于目标资源的资源使用情况;
若大于或等于预设阈值,触发优化单元506根据评估参数优化gbdt模型的步骤。
实施该可选的实施方式,在根据评估参数优化gbdt模型之前先判断评估参数是否小于预设阈值,若小于,表明此时gbdt模型的预测精度已经满足要求,即gbdt模型预测出的预测值与真实值之间的差值小于预设差值,因此,可以直接利用gbdt模型预测目标分区中的目标对象对于目标资源的资源使用情况。
第二预测单元507,用于利用经过优化的gbdt模型预测目标分区中的目标对象对于目标资源的资源使用情况。
本发明实施例中,资源使用情况可以为预测的目标分区中的目标对象使用目标资源的结果的数量,本发明实施例不作限定。
分配单元508,用于根据资源使用情况和目标分区中的目标对象的当前信息,将目标资源分配至目标分区的目标对象。
本发明实施例中,分配单元508可以根据资源的使用情况(如预测的目标分区中的目标对象使用目标资源的结果的数量)和目标分区中的目标对象的当前信息(如目标对象的信用度),将目标资源分配至目标分区的目标对象。
可见,实施图5所描述的资源分配装置,由于目标历史信息是根据选择关键词匹配得到的,这些目标历史信息往往具有更高的可信度;另外,通过利用近似函数替代绝对值损失函数进行目标数量的评估,对gbdt模型进行优化,能够增加gbdt模型的可用性;另外,根据资源使用情况和目标分区中的目标对象的当前信息,将目标资源分配至目标分区的目标对象,能够使得分配至目标分区的目标对象的目标资源更加符合目标分区中的目标对象,提高了资源的分配准确度。
请参阅图6,图6是本发明实施例公开的另一种资源分配装置的结构示意图。图6所示的资源分配装置是由图5所示的资源分配装置进行优化得到的。与图5所示的资源分配装置相比较,图6所示的资源分配装置还可以包括:第一处理单元509、第二处理单元510、第三处理单元511、判断单元512、转换单元513、导入单元514、第一标记单元515以及第二标记单元516,其中,
第一处理单元509,用于在搜索单元502从历史数据中搜索与选择关键词匹配的目标历史信息之后,以及第一预测单元503将目标历史信息导入梯度提升树gbdt模型,以预测目标分区中的目标对象是否继续使用目标资源之前,将目标历史信息进行缺失值处理,以获得第一目标信息。
第二处理单元510,用于将第一目标信息进行异常值处理,以获得第二目标信息。
第三处理单元511,用于将第二目标信息进行离散化处理,以获得第三目标信息。
第一预测单元503,具体用于将第三目标信息导入梯度提升树gbdt模型,以预测目标分区中的目标对象是否继续使用目标资源。
判断单元512,用于在搜索单元502从历史数据中搜索与选择关键词匹配的目标历史信息之后,以及第一处理单元509将目标历史信息进行缺失值处理,以获得第一目标信息之前,判断目标历史信息的数据格式是否为指定格式。
转换单元513,用于当判断单元512判断出目标历史信息的数据格式不为指定格式时,转换目标历史信息的数据格式为指定格式。
导入单元514,用于当判断单元512判断出目标历史信息的数据格式为指定格式时,将数据格式为指定格式的目标历史信息导入hive数据库。
导入单元514,还用于在判断单元512判断出目标历史信息的数据格式不为指定格式,以及转换单元513转换目标历史信息的数据格式为指定格式之后,将数据格式为指定格式的目标历史信息导入hive数据库。
本发明实施例中,指定格式可以为ORC File格式,其中,ORC File是一种hive数据库的文件存储格式,可以提高hive数据库的读、写以及处理数据的性能。
第一处理单元509,用于将目标历史信息进行缺失值处理,以获得第一目标信息的方式具体为:在hive数据库中,将数据格式为指定格式的目标历史信息进行缺失值处理,以获得第一目标信息。
第一标记单元515,用于在第一预测单元503将第三目标信息导入梯度提升树gbdt模型,以以预测目标分区中的目标对象是否继续使用目标资源之后,以及统计单元504统计目标分区中的目标对象继续使用目标资源的预测结果的目标数量之前,将目标分区中的目标对象继续使用目标资源的预测结果用第一标识进行标记。
第二标记单元516,用于将目标分区中的目标对象不继续使用目标资源的预测结果用第二标识进行标记。
本发明实施例中,上述第一标识与第二标识均为计算机可读的标识类型。
本发明实施例中,由于计算机可读的最简单的标识为“1”和“0”,因此,第一标记单元515可以将目标分区中的目标对象继续使用目标资源的预测结果标记为“1”,第二标记单元516可以将目标分区中的目标对象不继续使用目标资源的预测结果标记为“0”,本发明实施例不作限定。
统计单元504包括:
分类子单元5041,用于将全部预测结果按照标识类型进行分类;
统计子单元5042,用于统计标记了第一标识的预测结果的数量,并将该标记了第一标识的预测结果的数量作为目标分区中的目标对象继续使用目标资源的预测结果的目标数量。
可见,与图5所描述的资源分配装置相比,实施图6所描述的资源分配装置,通过将目标历史信息的数据格式转换成指定格式,能够增加导入hive数据库的目标历史信息的可读性,提高导入效率。此外,对目标历史信息依次进行缺失值处理、异常值处理和离散化处理,能够保证导入gbdt模型后该gbdt模型正常运行,使得gbdt模型的预测结果更加稳定。此外,利用计算机可读的标识类型对预测结果进行标记,能够增加计算机读取预测结果的可读性,提高工作效率。
请参阅图7,图7是本发明实施例公开的又一种资源分配装置的结构示意图。图7所示的资源分配装置是由图5所示的资源分配装置进行优化得到的。与图5所示的资源分配装置相比较:
分配单元508包括:
第一确定子单元5081,用于根据资源使用情况确定目标资源的待分配数量;
第二确定子单元5082,用于根据目标分区中的目标对象的当前信息确定目标分区中的每个目标对象的权重值;
分配子单元5083,用于按照权重值从大到小的顺序,将待分配数量的目标资源分配至目标分区的目标对象。
本发明实施例中,目标分区中的目标对象的当前信息可以为目标分区中的目标对象信用度,即信用度越高,权重值越大;目标分区中的目标对象的当前信息也可以为目标分区中的目标对象的资源使用紧急系数,即资源使用紧急系数越大,表明目标对象对于资源的使用越紧急,权重值越大,本发明实施例不作限定。
评估单元505包括:
获取子单元5051,用于获取历史数据中目标分区的目标资源的历史数量;
评估子单元5052,用于将目标数量和历史数量代入绝对值损失函数的近似函数进行评估,以获得评估参数。
本发明实施例中,绝对值损失函数如实施例四中的公式(1)所示,其中,i表示分区编号,n表示分区个数,yi表示历史数据中第i个分区的目标资源对应的历史数量,y′i表示预测第i个分区的目标数量。在本发明实施例中,可以理解的是,由于绝对值损失函数不可导的性质,会导致gbdt模型不可用,因此,作为一种可选的实施方式,评估单元505可以利用绝对值损失函数的近似函数来替代绝对值损失函数,对预测的目标数量进行评估,该绝对值损失函数的近似函数如实施例四中的公式(2)所示,其中,i表示分区编号,n表示分区个数,yi表示历史数据中第i个分区的目标资源对应的历史数量,y′i表示预测第i个分区的目标数量,α表示可以控制的精度。实施该实施方式,用近似函数来替代绝对值损失函数对预测的目标数量进行评估,能够增加gbdt模型的可用性,解决因绝对值损失函数不可导而导致gbdt模型不可用的问题。
可见,与图5所描述的资源分配装置相比,实施图7所描述的资源分配装置,通过将预测的目标数量和历史数据中目标分区的目标资源对应的历史数量代入绝对值损失函数的近似函数以获得评估参数,既解决了因绝对值损失函数不可导而导致gbdt模型不可用的问题,又提高了评估参数准确性。此外,提供了一种将目标资源分配至目标分区的目标对象的方法,进一步提高了资源分配的准确度。
本发明还提供一种电子设备,该电子设备包括:
处理器;
存储器,该存储器上存储有计算机可读指令,该计算机可读指令被处理器执行时,实现如前所示的一种资源分配方法。
该电子设备可以是图1所示装置100。
在一示例性实施例中,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时,实现如前所示的一种资源分配方法。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围执行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (7)
1.一种资源分配方法,其特征在于,所述方法包括:
接收输入的资源处理请求,所述资源处理请求携带有选择关键词;
从历史数据中搜索与所述选择关键词匹配的目标历史信息;其中,所述目标历史信息至少包括目标分区中的目标对象和所述目标分区中的目标对象使用的目标资源;
将所述目标历史信息导入梯度提升树gbdt模型,以预测所述目标分区中的目标对象是否继续使用所述目标资源;
统计所述目标分区中的目标对象继续使用所述目标资源的预测结果的目标数量;
利用绝对值损失函数的近似函数对所述目标数量进行评估,以获得评估参数;
根据所述评估参数优化所述gbdt模型;
利用经过优化的所述gbdt模型预测所述目标分区中的目标对象对于所述目标资源的资源使用情况;
根据所述资源使用情况和所述目标分区中的目标对象的当前信息,将所述目标资源分配至所述目标分区的目标对象;
其中,根据所述资源使用情况和所述目标分区中的目标对象的当前信息,将所述目标资源分配至所述目标分区的目标对象,包括:根据所述资源使用情况确定所述目标资源的待分配数量;根据所述目标分区中的目标对象的当前信息确定所述目标分区中的每个目标对象的权重值;按照权重值从大到小的顺序,将待分配数量的所述目标资源分配至所述目标分区的目标对象;
利用绝对值损失函数的近似函数对所述目标数量进行评估,以获得评估参数,包括:获取所述历史数据中所述目标分区的所述目标资源的历史数量;将所述目标数量和所述历史数量代入绝对值损失函数的近似函数进行评估,以获得评估参数;
所述绝对值损失函数的近似函数为:
其中,i表示分区编号,n表示分区个数,yi表示所述历史数据中第i个分区的所述历史数量,y′i表示预测第i个分区的所述目标数量,α表示控制的精度。
2.根据权利要求1所述的方法,其特征在于,在所述从历史数据中搜索与所述选择关键词匹配的目标历史信息之后,以及所述将所述目标历史信息导入梯度提升树gbdt模型,以预测所述目标分区中的目标对象是否继续使用所述目标资源之前,所述方法还包括:
将所述目标历史信息进行缺失值处理,以获得第一目标信息;
将所述第一目标信息进行异常值处理,以获得第二目标信息;
将所述第二目标信息进行离散化处理,以获得第三目标信息;
以及,所述将所述目标历史信息导入梯度提升树gbdt模型,以预测所述目标分区中的目标对象是否继续使用所述目标资源,包括:
将所述第三目标信息导入梯度提升树gbdt模型,以预测所述目标分区中的目标对象是否继续使用所述目标资源。
3.根据权利要求2所述的方法,其特征在于,在所述从历史数据中搜索与所述选择关键词匹配的目标历史信息之后,以及所述将所述目标历史信息进行缺失值处理,以获得第一目标信息之前,所述方法还包括:
判断所述目标历史信息的数据格式是否为指定格式;
若不为指定格式,转换所述目标历史信息的数据格式为指定格式;
将数据格式为所述指定格式的目标历史信息导入hive数据库;
以及,所述将所述目标历史信息进行缺失值处理,以获得第一目标信息,包括:
在所述hive数据库中,将数据格式为所述指定格式的目标历史信息进行缺失值处理,以获得第一目标信息。
4.根据权利要求2或3所述的方法,其特征在于,在所述将所述第三目标信息导入梯度提升树gbdt模型,以预测所述目标分区中的目标对象是否继续使用所述目标资源之后,以及统计所述目标分区中的目标对象继续使用所述目标资源的预测结果的目标数量之前,所述方法还包括:
将所述目标分区中的目标对象继续使用所述目标资源的预测结果用第一标识进行标记;
将所述目标分区中的目标对象不继续使用所述目标资源的预测结果用第二标识进行标记;
其中,所述第一标识与所述第二标识均为计算机可读的标识类型;
以及,统计所述目标分区中的目标对象继续使用所述目标资源的预测结果的目标数量,包括:
将全部预测结果按照标识类型进行分类;
统计标记了所述第一标识的预测结果的数量,并将所述标记了所述第一标识的预测结果的数量作为所述目标分区中的目标对象继续使用所述目标资源的预测结果的目标数量。
5.一种资源分配装置,其特征在于,所述资源分配装置包括:
接收单元,用于接收输入的资源处理请求,所述资源处理请求携带有选择关键词;
搜索单元,用于从历史数据中搜索与所述选择关键词匹配的目标历史信息;其中,所述目标历史信息至少包括目标分区中的目标对象和所述目标分区中的目标对象使用的目标资源;
第一预测单元,用于将所述目标历史信息导入梯度提升树gbdt模型,以预测所述目标分区中的目标对象是否继续使用所述目标资源;
统计单元,用于统计所述目标分区中的目标对象继续使用所述目标资源的预测结果的目标数量;
评估单元,用于利用绝对值损失函数的近似函数对所述目标数量进行评估,以获得评估参数;
优化单元,用于根据所述评估参数优化所述gbdt模型;
第二预测单元,用于利用经过优化的所述gbdt模型预测所述目标分区中的目标对象对于所述目标资源的资源使用情况;
分配单元,用于根据所述资源使用情况和所述目标分区中的目标对象的当前信息,将所述目标资源分配至所述目标分区的目标对象;
其中,根据所述资源使用情况和所述目标分区中的目标对象的当前信息,将所述目标资源分配至所述目标分区的目标对象,包括:根据所述资源使用情况确定所述目标资源的待分配数量;根据所述目标分区中的目标对象的当前信息确定所述目标分区中的每个目标对象的权重值;按照权重值从大到小的顺序,将待分配数量的所述目标资源分配至所述目标分区的目标对象;
利用绝对值损失函数的近似函数对所述目标数量进行评估,以获得评估参数,包括:获取所述历史数据中所述目标分区的所述目标资源的历史数量;将所述目标数量和所述历史数量代入绝对值损失函数的近似函数进行评估,以获得评估参数;
所述绝对值损失函数的近似函数为:
其中,i表示分区编号,n表示分区个数,yi表示所述历史数据中第i个分区的所述历史数量,y′i表示预测第i个分区的所述目标数量,α表示控制的精度。
6.一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1~4中任一项所述的方法的步骤。
7.一种计算机可读存储介质,其特征在于,其存储计算机程序,所述计算机程序使得计算机执行权利要求1~4任一项所述的一种资源分配方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910822837.7A CN110659133B (zh) | 2019-09-02 | 2019-09-02 | 一种资源分配方法及分配装置、存储介质、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910822837.7A CN110659133B (zh) | 2019-09-02 | 2019-09-02 | 一种资源分配方法及分配装置、存储介质、电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110659133A CN110659133A (zh) | 2020-01-07 |
CN110659133B true CN110659133B (zh) | 2024-05-14 |
Family
ID=69036620
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910822837.7A Active CN110659133B (zh) | 2019-09-02 | 2019-09-02 | 一种资源分配方法及分配装置、存储介质、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110659133B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113672375B (zh) * | 2020-05-15 | 2023-05-19 | 中国联合网络通信集团有限公司 | 资源分配预测方法、装置、设备及存储介质 |
CN111985726B (zh) * | 2020-08-31 | 2023-04-18 | 重庆紫光华山智安科技有限公司 | 资源数量预测方法、装置、电子设备及存储介质 |
CN112381234B (zh) * | 2020-11-09 | 2024-05-14 | 北京达佳互联信息技术有限公司 | 一种资源分发方法、装置、设备及计算机可读存储介质 |
CN113761335A (zh) * | 2020-11-19 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 资源处理方法和装置 |
CN114648257A (zh) * | 2022-05-23 | 2022-06-21 | 德州市民政局 | 信息处理方法、装置、设备 |
CN114943456B (zh) * | 2022-05-31 | 2024-05-07 | 北京邮电大学 | 资源的调度方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103365700A (zh) * | 2013-06-28 | 2013-10-23 | 福建师范大学 | 一种面向云计算虚拟化环境的资源监测和调整*** |
CN107645731A (zh) * | 2017-09-21 | 2018-01-30 | 北京邮电大学 | 一种非正交多址接入***中基于自组织资源分配的负载均衡方法 |
CN109857551A (zh) * | 2019-01-09 | 2019-06-07 | 平安科技(深圳)有限公司 | 基于云计算的服务资源的调度方法及装置、电子设备 |
CN109993428A (zh) * | 2019-03-28 | 2019-07-09 | 第四范式(北京)技术有限公司 | 资源分配方法与装置 |
CN109995573A (zh) * | 2018-01-02 | 2019-07-09 | ***通信有限公司研究院 | 确定用于预测计算资源的样本空间的方法、计算资源分配方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170193413A1 (en) * | 2016-01-04 | 2017-07-06 | Bank Of America Corporation | Predictive utilization of resources and alarm system |
US10579494B2 (en) * | 2018-01-05 | 2020-03-03 | Nec Corporation | Methods and systems for machine-learning-based resource prediction for resource allocation and anomaly detection |
-
2019
- 2019-09-02 CN CN201910822837.7A patent/CN110659133B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103365700A (zh) * | 2013-06-28 | 2013-10-23 | 福建师范大学 | 一种面向云计算虚拟化环境的资源监测和调整*** |
CN107645731A (zh) * | 2017-09-21 | 2018-01-30 | 北京邮电大学 | 一种非正交多址接入***中基于自组织资源分配的负载均衡方法 |
CN109995573A (zh) * | 2018-01-02 | 2019-07-09 | ***通信有限公司研究院 | 确定用于预测计算资源的样本空间的方法、计算资源分配方法及装置 |
CN109857551A (zh) * | 2019-01-09 | 2019-06-07 | 平安科技(深圳)有限公司 | 基于云计算的服务资源的调度方法及装置、电子设备 |
CN109993428A (zh) * | 2019-03-28 | 2019-07-09 | 第四范式(北京)技术有限公司 | 资源分配方法与装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110659133A (zh) | 2020-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110659133B (zh) | 一种资源分配方法及分配装置、存储介质、电子设备 | |
US11283726B1 (en) | Systems and methods for assigning tasks based on usage patterns and resource capacities | |
CN109542428B (zh) | 业务处理方法、装置、计算机设备和存储介质 | |
WO2020233320A1 (zh) | 提醒任务分配方法、装置、计算机设备和存储介质 | |
WO2021012790A1 (zh) | 页面数据生成方法、装置、计算机设备及存储介质 | |
CN112585620A (zh) | 用于监督式学习的分布式标记 | |
CN109993627B (zh) | 推荐方法、推荐模型的训练方法、装置和存储介质 | |
US10740336B2 (en) | Computerized methods and systems for grouping data using data streams | |
CN108256718B (zh) | 保单服务任务分配方法、装置、计算机设备和存储设备 | |
CN110717509B (zh) | 基于树***算法的数据样本分析方法及装置 | |
CN110348703B (zh) | 基于用户行为画像的数据处理方法、装置及电子设备 | |
US10430802B2 (en) | Screen-image based classification | |
CN110288468B (zh) | 数据特征挖掘方法、装置、电子设备及存储介质 | |
CN110232108B (zh) | 人机对话方法以及对话*** | |
CN114743132A (zh) | 一种目标算法的选取方法、装置、电子设备及存储介质 | |
US20160267586A1 (en) | Methods and devices for computing optimized credit scores | |
CN112860416A (zh) | 标注任务分派策略方法、装置 | |
CN111047048B (zh) | 赋能模型训练及商户赋能方法、装置、电子设备 | |
CN110457365B (zh) | 基于时序并行的决策树生成方法及装置、电子设备 | |
JP2015184818A (ja) | サーバ、モデル適用可否判定方法およびコンピュータプログラム | |
CN111143608A (zh) | 一种信息推送方法、装置、电子设备及存储介质 | |
CN111078984B (zh) | 网络模型发布方法、装置、计算机设备和存储介质 | |
CN115292008A (zh) | 用于分布式***的事务处理方法、装置、设备及介质 | |
CN115018608A (zh) | 风险预测方法、装置、计算机设备 | |
CN111177515B (zh) | 产品标签匹配方法、装置、计算机设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |