CN118069331B - 一种基于数字孪生的智能采集任务调度方法及装置 - Google Patents
一种基于数字孪生的智能采集任务调度方法及装置 Download PDFInfo
- Publication number
- CN118069331B CN118069331B CN202410494247.7A CN202410494247A CN118069331B CN 118069331 B CN118069331 B CN 118069331B CN 202410494247 A CN202410494247 A CN 202410494247A CN 118069331 B CN118069331 B CN 118069331B
- Authority
- CN
- China
- Prior art keywords
- data acquisition
- semantic
- feature vectors
- semantic coding
- coding feature
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 162
- 238000012549 training Methods 0.000 claims description 71
- 239000011159 matrix material Substances 0.000 claims description 14
- 235000004257 Cordia myxa Nutrition 0.000 claims description 3
- 244000157795 Cordia myxa Species 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 7
- 230000007547 defect Effects 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000012163 sequencing technique Methods 0.000 abstract description 4
- 238000007796 conventional method Methods 0.000 description 4
- 238000013480 data collection Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012913 prioritisation Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
Landscapes
- Machine Translation (AREA)
Abstract
本申请公开了一种基于数字孪生的智能采集任务调度方法及装置,其通过获取数据采集多个任务文本描述和数据采集设备能力描述,并在后端引入数据处理和文本语义理解算法来进行这些任务文本和设备能力文本的语义分析和理解,并基于两者之间的语义相关度来进行各个数据采集任务的排序和优化。这样,能够根据采集任务和设备能力文本描述来自动优化调度采集任务,不仅能够利用数字孪生技术来实现了对设备和任务的实时、动态表示,还能够克服传统方法的缺陷,提高了数据采集任务调度的准确性、效率和灵活性。
Description
技术领域
本申请涉及智能调度领域,且更为具体地,涉及一种基于数字孪生的智能采集任务调度方法及装置。
背景技术
在电力营销业务中,数据采集任务是至关重要的,这些任务涉及从各种电力设备和***中收集数据,如电表读数、能源消耗情况、设备状态等,也包括收集客户信息和市场数据,如有关客户人口统计、偏好和行为的信息。这些数据对于监测能源使用情况、优化能源分配、进行负载预测以及制定有效的营销策略和做出精准的业务决策都至关重要。
然而,传统的数据采集任务调度方法通常依赖于静态规则或简单的优化算法,无法灵活地适应数据的实时变化情况,导致任务调度效率低下。并且,传统方法往往缺乏对任务和设备能力的深度理解,无法进行精确的任务优先级排序和调度决策,导致数据采集的准确性不高。也就是说,传统方法通常缺乏对设备能力和任务的综合考虑,无法灵活地适应不断变化的业务需求和设备状态,导致调度方案缺乏灵活性和适应性。
因此,期望一种优化的智能采集任务调度方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种基于数字孪生的智能采集任务调度方法及装置,其通过获取数据采集多个任务文本描述和数据采集设备能力描述,并在后端引入数据处理和文本语义理解算法来进行这些任务文本和设备能力文本的语义分析和理解,并基于两者之间的语义相关度来进行各个数据采集任务的排序和优化。这样,能够根据采集任务和设备能力文本描述来自动优化调度采集任务,不仅能够利用数字孪生技术来实现了对设备和任务的实时、动态表示,还能够克服传统方法的缺陷,提高了数据采集任务调度的准确性、效率和灵活性。
根据本申请的一个方面,提供了一种基于数字孪生的智能采集任务调度方法,其包括:
获取多个数据采集任务的文本描述;
获取多个数据采集设备的能力描述;
对所述多个数据采集任务的文本描述进行语义编码以得到多个数据采集任务语义编码特征向量;
对所述多个数据采集设备的能力描述进行语义编码以得到多个数据采集设备能力语义编码特征向量;
对所述多个数据采集设备能力语义编码特征向量进行全局语义关联编码以得到多个上下文数据采集设备能力语义编码特征向量;
计算所述多个数据采集任务语义编码特征向量中的各个数据采集任务语义编码特征向量相对于所述多个上下文数据采集设备能力语义编码特征向量的特征分布全局的单向语义注意力权重值以得到多个单向语义注意力权重值;
基于所述多个单向语义注意力权重值,确定所述多个数据采集任务的优先级,并显示所述多个数据采集任务的文本描述、所述多个数据采集设备的能力描述和所述多个数据采集任务的优先级。
根据本申请的另一个方面,提供了一种基于数字孪生的智能采集任务调度装置,其包括:
任务文本描述采集模块,用于获取多个数据采集任务的文本描述;
设备能力描述模块,用于获取多个数据采集设备的能力描述;
任务语义编码模块,用于对所述多个数据采集任务的文本描述进行语义编码以得到多个数据采集任务语义编码特征向量;
设备能力语义编码模块,用于对所述多个数据采集设备的能力描述进行语义编码以得到多个数据采集设备能力语义编码特征向量;
全局语义关联编码模块,用于对所述多个数据采集设备能力语义编码特征向量进行全局语义关联编码以得到多个上下文数据采集设备能力语义编码特征向量;
注意力权重度量模块,用于计算所述多个数据采集任务语义编码特征向量中的各个数据采集任务语义编码特征向量相对于所述多个上下文数据采集设备能力语义编码特征向量的特征分布全局的单向语义注意力权重值以得到多个单向语义注意力权重值;
结果生成模块,用于基于所述多个单向语义注意力权重值,确定所述多个数据采集任务的优先级,并显示所述多个数据采集任务的文本描述、所述多个数据采集设备的能力描述和所述多个数据采集任务的优先级。
与现有技术相比,本申请提供的一种基于数字孪生的智能采集任务调度方法及装置,其通过获取数据采集多个任务文本描述和数据采集设备能力描述,并在后端引入数据处理和文本语义理解算法来进行这些任务文本和设备能力文本的语义分析和理解,并基于两者之间的语义相关度来进行各个数据采集任务的排序和优化。这样,能够根据采集任务和设备能力文本描述来自动优化调度采集任务,不仅能够利用数字孪生技术来实现了对设备和任务的实时、动态表示,还能够克服传统方法的缺陷,提高了数据采集任务调度的准确性、效率和灵活性。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于数字孪生的智能采集任务调度方法的流程图;
图2为根据本申请实施例的基于数字孪生的智能采集任务调度方法的***架构图;
图3为根据本申请实施例的基于数字孪生的智能采集任务调度方法的训练阶段的流程图;
图4为根据本申请实施例的基于数字孪生的智能采集任务调度装置的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的***中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述***和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的***所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
传统的数据采集任务调度方法通常依赖于静态规则或简单的优化算法,无法灵活地适应数据的实时变化情况,导致任务调度效率低下。并且,传统方法往往缺乏对任务和设备能力的深度理解,无法进行精确的任务优先级排序和调度决策,导致数据采集的准确性不高。也就是说,传统方法通常缺乏对设备能力和任务的综合考虑,无法灵活地适应不断变化的业务需求和设备状态,导致调度方案缺乏灵活性和适应性。因此,期望一种优化的智能采集任务调度方案。
数字孪生是指基于数字化模型的实体或过程的虚拟表示,它可以模拟、预测和优化实体或过程的行为。在数据的智能采集任务调度中,数字孪生技术可以用来构建数据采集任务和设备的虚拟模型,以便更好地理解任务和设备之间的关系,优化任务调度策略。
在本申请的技术方案中,提出了一种基于数字孪生的智能采集任务调度方法。图1为根据本申请实施例的基于数字孪生的智能采集任务调度方法的流程图。图2为根据本申请实施例的基于数字孪生的智能采集任务调度方法的***架构图。如图1和图2所示,根据本申请的实施例的基于数字孪生的智能采集任务调度方法,包括步骤:S1,获取多个数据采集任务的文本描述;S2,获取多个数据采集设备的能力描述;S3,对所述多个数据采集任务的文本描述进行语义编码以得到多个数据采集任务语义编码特征向量;S4,对所述多个数据采集设备的能力描述进行语义编码以得到多个数据采集设备能力语义编码特征向量;S5,对所述多个数据采集设备能力语义编码特征向量进行全局语义关联编码以得到多个上下文数据采集设备能力语义编码特征向量;S6,计算所述多个数据采集任务语义编码特征向量中的各个数据采集任务语义编码特征向量相对于所述多个上下文数据采集设备能力语义编码特征向量的特征分布全局的单向语义注意力权重值以得到多个单向语义注意力权重值;S7,基于所述多个单向语义注意力权重值,确定所述多个数据采集任务的优先级,并显示所述多个数据采集任务的文本描述、所述多个数据采集设备的能力描述和所述多个数据采集任务的优先级。
特别地,所述S1和所述S2,获取多个数据采集任务的文本描述;以及,获取多个数据采集设备的能力描述。其中,这些任务涉及从各种电力设备和***中收集数据,如电表读数、能源消耗情况、设备状态等,也包括收集客户信息和市场数据,如有关客户人口统计、偏好和行为的信息。这些数据对于监测能源使用情况、优化能源分配、进行负载预测以及制定有效的营销策略和做出精准的业务决策都至关重要。
特别地,所述S3,对所述多个数据采集任务的文本描述进行语义编码以得到多个数据采集任务语义编码特征向量。考虑到在每个数据采集任务的文本描述和数据采集设备能力描述中,都存在着相关的文本描述语义,这些文本描述中往往包含丰富的语义信息,如任务的紧急程度、设备的性能指标等。基于此,为了能够对于这些任务的文本描述和设备能力描述进行语义理解,为后续的任务调度决策提供基础,在本申请的技术方案中,需要对所述多个数据采集任务的文本描述进行语义编码,以分别提取出所述各个数据采集任务的文本描述中的语义编码特征,从而得到多个数据采集任务语义编码特征向量。具体地,对所述多个数据采集任务的文本描述进行语义编码以得到多个数据采集任务语义编码特征向量,包括:对所述多个数据采集任务的文本描述进行分词处理以将所述多个数据采集任务的文本描述转化为由多个词组成的词序列;使用包含词嵌入层的数据采集任务语义理解器的词嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列;使用包含词嵌入层的数据采集任务语义理解器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量;以及,将所述多个全局上下文语义特征向量进行级联以得到所述多个数据采集任务语义编码特征向量。
特别地,所述S4,对所述多个数据采集设备的能力描述进行语义编码以得到多个数据采集设备能力语义编码特征向量。也就是,在本申请的技术方案中,对所述多个数据采集设备的能力描述进行语义编码,以分别提取出所述各个数据采集设备的能力描述的语义编码特征,从而得到多个数据采集设备能力语义编码特征向量。也就是说,语义编码可以将任务文本描述和设备能力描述转化为高维特征向量,其中包含了任务和设备的关键特征。这样的特征表示有助于后续的任务调度算法更好地理解任务和设备之间的关系,从而更准确地进行调度决策。考虑到由于各个数据采集设备中都存在着有关于该任务的关键语义,并且, 在数据采集任务调度中,不同设备之间的能力和特性可能相互影响,例如某些设备之间存在协作关系或竞争关系。因此,这些数据采集设备的能力语义之间具有着相关联的语义信息。基于此,在本申请的技术方案中,进一步将所述多个数据采集设备能力语义编码特征向量通过基于转换器模块的上下文编码器中进行编码,以提取出所述各个数据采集设备的能力语义编码特征之间的上下文关联特征信息,从而得到多个上下文数据采集设备能力语义编码特征向量。通过上下文编码器,可以将设备之间的关系纳入考虑,从而更全面地理解各个设备的能力,为后续的数据采集任务优先级调度提供决策依据。具体地,在本申请的一个具体示例中,将所述多个数据采集设备能力语义编码特征向量进行一维排列以得到全局数据采集设备能力语义编码特征向量;计算所述全局数据采集设备能力语义编码特征向量与所述多个数据采集设备能力语义编码特征向量中各个数据采集设备能力语义编码特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵;分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;分别以所述多个概率值中各个概率值作为权重对所述多个数据采集设备能力语义编码特征向量中各个数据采集设备能力语义编码特征向量进行加权以得到所述多个上下文语义数据采集设备能力语义编码特征向量。
特别地,所述S5,对所述多个数据采集设备能力语义编码特征向量进行全局语义关联编码以得到多个上下文数据采集设备能力语义编码特征向量。应可以理解,不同数据采集设备可能提供不同类型的特征向量,通过全局语义关联编码,可以将这些特征整合在一起,形成一个统一的特征表示。这有助于综合不同设备采集的信息。
特别地,所述S6,计算所述多个数据采集任务语义编码特征向量中的各个数据采集任务语义编码特征向量相对于所述多个上下文数据采集设备能力语义编码特征向量的特征分布全局的单向语义注意力权重值以得到多个单向语义注意力权重值。应可以理解,对于每个数据采集任务来说,其需要考虑到包含关于多个采集设备能力的全局信息,因此,需要基于各个数据采集设备的上下文语义来进行相应任务的注意力加权,从而进行任务的调度决策。基于此,为了能够确定每个数据采集任务在考虑设备能力时的重要性,从而更好地理解任务与设备之间的关系,以便更准确地进行任务调度决策,在本申请的技术方案中,进一步计算所述多个数据采集任务语义编码特征向量中的各个数据采集任务语义编码特征向量相对于所述多个上下文数据采集设备能力语义编码特征向量的特征分布全局的单向语义注意力权重值以得到多个单向语义注意力权重值。也就是说,不同的数据采集任务可能对各个设备能力的依赖程度不同,通过计算单向语义注意力权重值,可以分析出每个任务相对于全局设备能力语义的注意力权重,使***能够更有效地根据任务特性调度合适的设备,从而提高***的整体效率。具体地,计算所述多个数据采集任务语义编码特征向量中的各个数据采集任务语义编码特征向量相对于所述多个上下文数据采集设备能力语义编码特征向量的特征分布全局的单向语义注意力权重值以得到多个单向语义注意力权重值,包括:以如下注意力权重公式计算所述多个数据采集任务语义编码特征向量中的各个数据采集任务语义编码特征向量相对于所述多个上下文数据采集设备能力语义编码特征向量的特征分布全局的单向语义注意力权重值以得到所述多个单向语义注意力权重值;其中,所述注意力权重公式为:
其中,表示所述各个数据采集任务语义编码特征向量,表示的矩阵,等于每个所述数据采集任务语义编码特征向量的尺度,是的矩阵,等于所述多个上下文数据采集设备能力语义编码特征向量中特征向量的数量,表示selu激活函数,表示输入的变量,表示预定参数,表示如果,表示所述多个上下文数据采集设备能力语义编码特征向量中的各个上下文数据采集设备能力语义编码特征向量,表示所述多个上下文数据采集设备能力语义编码特征向量中的各个上下文数据采集设备能力语义编码特征向量的尺度,表示所述各个单向语义注意力权重值,且表示预定权重参数。
特别地,所述S7,基于所述多个单向语义注意力权重值,确定所述多个数据采集任务的优先级,并显示所述多个数据采集任务的文本描述、所述多个数据采集设备的能力描述和所基于所述多个单向语义注意力权重值的排序,确定所述多个数据采集任务的优先级;显示所述多个数据采集任务的文本描述、所述多个数据采集设备的能力描述和所述多个数据采集任务的优先级。述多个数据采集任务的优先级。特别地,在本申请的一个具体示例中,应可以理解,基于单向语义注意力权重值的排序,可以将重要性较高的任务优先安排在执行顺序的前面。这有助于优化任务调度,确保***首先处理最关键的任务,提高***整体效率。同时,将重要性较高的任务放在优先级较高的位置,可以确保这些任务能够得到更多的资源和关注,从而提高任务完成的效率和质量。 此外,数字孪生技术可以将不同数据源的信息整合在一起,以可视化方式展示多个数据采集任务的文本描述、数据采集设备的能力描述和任务的优先级。这样的综合展示有助于用户全面了解任务、设备和优先级之间的关系。
应可以理解,在利用上述神经网络模型进行推断之前,需要对所述数据采集任务语义理解器和所述基于转换器模块的上下文编码器进行训练。也就是说,在本申请的基于数字孪生的智能采集任务调度方法中,还包括训练阶段,用于对所述数据采集任务语义理解器和所述基于转换器模块的上下文编码器进行训练。
图3为根据本申请实施例的基于数字孪生的智能采集任务调度方法的训练阶段的流程图。如图3所示,根据本申请实施例的基于数字孪生的智能采集任务调度方法,包括:训练阶段,包括:S110,获取训练数据,所述训练数据包括所述多个数据采集任务的训练文本描述;以及,所述多个数据采集设备的训练能力描述;S120,对所述多个数据采集任务的训练文本描述进行语义编码以得到多个训练数据采集任务语义编码特征向量;S130,对所述多个训练数据采集任务语义编码特征向量进行优化以得到多个优化训练数据采集任务语义编码特征向量;S140,对所述多个数据采集设备的训练能力描述进行语义编码以得到多个训练数据采集设备能力语义编码特征向量;S150,将所述多个训练数据采集设备能力语义编码特征向量通过基于转换器模块的上下文编码器以得到所述多个训练上下文数据采集设备能力语义编码特征向量;S160,计算所述多个优化训练数据采集任务语义编码特征向量中的各个优化训练数据采集任务语义编码特征向量相对于所述多个训练上下文数据采集设备能力语义编码特征向量的特征分布全局的单向语义注意力权重值以得到多个训练单向语义注意力权重值;S170,计算所述多个训练单向语义注意力权重值与真实的多个训练单向语义注意力权重值之间的差异损失函数值;S180,基于所述差异损失函数值对所述数据采集任务语义理解器和所述基于转换器模块的上下文编码器进行训练。
特别地,在本申请的技术方案中,所述多个训练数据采集任务语义编码特征向量和所述多个训练数据采集设备能力语义编码特征向量分别表达多个数据采集任务的训练文本描述和多个数据采集设备的训练能力描述的编码文本语义特征,由此,将所述多个训练数据采集设备能力语义编码特征向量通过基于转换器模块的上下文编码器后,可以提取多样本域下的基于单样本域编码语义特征分布上下文关联性的单样本域间分布关联特征,这样,计算所述多个训练数据采集任务语义编码特征向量中的各个训练数据采集任务语义编码特征向量相对于所述多个训练上下文数据采集设备能力语义编码特征向量的特征分布全局的单向语义注意力权重值时,考虑到单个训练数据采集任务语义编码特征向量相对于所述多个训练上下文数据采集设备能力语义编码特征向量的基于所述训练数据采集任务语义编码特征向量的局部分布维度的局部特征分布非均一化,会影响所述多个训练数据采集任务语义编码特征向量作为整体到所述多个训练上下文数据采集设备能力语义编码特征向量的局部-全局样本域文本语义特征空间的映射响应效果,从而降低所述多个单向语义注意力权重值基于整体相关性的计算准确性。因此,本申请的申请人在每次模型迭代时,即基于预测的多个训练单向语义注意力权重值与真实的多个训练单向语义注意力权重值之间的差异损失函数进行反向传播通过所述多个训练数据采集任务语义编码特征向量时,对所述多个训练数据采集任务语义编码特征向量进行优化,表示为:
其中和分别是所述多个训练数据采集任务语义编码特征向量级联得到的级联特征向量的第和第位置的特征值,表示乘法运算,表示按位置相加。也就是,通过引入所述多个训练数据采集任务语义编码特征向量级联的训练级联特征向量的局部统计信息分布作为外部信息源来进行特征向量的检索增强,以基于局部统计密集信息结构化来避免局部溢出信息分布导致所述训练级联特征向量的局部分布幻觉,从而获得所述训练级联特征向量以局部分布组维度保留为基础的信息可信响应推理,也就是,获得所述训练级联特征向量基于局部特征分布的在所述多个上下文数据采集设备能力语义编码特征向量的局部-全局样本域文本语义特征空间内的可信分布映射响应,从而提升所述多个单向语义注意力权重值基于整体相关性的计算准确性。这样,能够根据多个任务和设备能力文本描述语义来自动优化调度采集任务,不仅能够利用数字孪生技术来实现了对设备和任务的实时、动态表示,还能够克服传统方法的缺陷,提高了数据采集任务调度的准确性、效率和灵活性。
综上,根据本申请实施例的基于数字孪生的智能采集任务调度方法被阐明,其通过获取数据采集多个任务文本描述和数据采集设备能力描述,并在后端引入数据处理和文本语义理解算法来进行这些任务文本和设备能力文本的语义分析和理解,并基于两者之间的语义相关度来进行各个数据采集任务的排序和优化。这样,能够根据采集任务和设备能力文本描述来自动优化调度采集任务,不仅能够利用数字孪生技术来实现了对设备和任务的实时、动态表示,还能够克服传统方法的缺陷,提高了数据采集任务调度的准确性、效率和灵活性。
进一步地,还提供一种基于数字孪生的智能采集任务调度装置。
图4为根据本申请实施例的基于数字孪生的智能采集任务调度装置的框图。如图4所示,根据本申请实施例的基于数字孪生的智能采集任务调度装置300,包括:任务文本描述采集模块310,用于获取多个数据采集任务的文本描述;设备能力描述模块320,用于获取多个数据采集设备的能力描述;任务语义编码模块330,用于对所述多个数据采集任务的文本描述进行语义编码以得到多个数据采集任务语义编码特征向量;设备能力语义编码模块340,用于对所述多个数据采集设备的能力描述进行语义编码以得到多个数据采集设备能力语义编码特征向量;全局语义关联编码模块350,用于对所述多个数据采集设备能力语义编码特征向量进行全局语义关联编码以得到多个上下文数据采集设备能力语义编码特征向量;注意力权重度量模块360,用于计算所述多个数据采集任务语义编码特征向量中的各个数据采集任务语义编码特征向量相对于所述多个上下文数据采集设备能力语义编码特征向量的特征分布全局的单向语义注意力权重值以得到多个单向语义注意力权重值;结果生成模块370,用于基于所述多个单向语义注意力权重值,确定所述多个数据采集任务的优先级,并显示所述多个数据采集任务的文本描述、所述多个数据采集设备的能力描述和所述多个数据采集任务的优先级。
如上所述,根据本申请实施例的基于数字孪生的智能采集任务调度装置300可以实现在各种无线终端中,例如具有基于数字孪生的智能采集任务调度算法的服务器等。在一种可能的实现方式中,根据本申请实施例的基于数字孪生的智能采集任务调度装置300可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该基于数字孪生的智能采集任务调度装置300可以是该无线终端的操作***中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该基于数字孪生的智能采集任务调度装置300同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该基于数字孪生的智能采集任务调度装置300与该无线终端也可以是分立的设备,并且该基于数字孪生的智能采集任务调度装置300可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (7)
1.一种基于数字孪生的智能采集任务调度方法,其特征在于,包括:
获取多个数据采集任务的文本描述;
获取多个数据采集设备的能力描述;
对所述多个数据采集任务的文本描述进行语义编码以得到多个数据采集任务语义编码特征向量;
对所述多个数据采集设备的能力描述进行语义编码以得到多个数据采集设备能力语义编码特征向量;
对所述多个数据采集设备能力语义编码特征向量进行全局语义关联编码以得到多个上下文数据采集设备能力语义编码特征向量;
计算所述多个数据采集任务语义编码特征向量中的各个数据采集任务语义编码特征向量相对于所述多个上下文数据采集设备能力语义编码特征向量的特征分布全局的单向语义注意力权重值以得到多个单向语义注意力权重值;
基于所述多个单向语义注意力权重值,确定所述多个数据采集任务的优先级,并显示所述多个数据采集任务的文本描述、所述多个数据采集设备的能力描述和所述多个数据采集任务的优先级;
其中,计算所述多个数据采集任务语义编码特征向量中的各个数据采集任务语义编码特征向量相对于所述多个上下文数据采集设备能力语义编码特征向量的特征分布全局的单向语义注意力权重值以得到多个单向语义注意力权重值,包括:
以如下注意力权重公式计算所述多个数据采集任务语义编码特征向量中的各个数据采集任务语义编码特征向量相对于所述多个上下文数据采集设备能力语义编码特征向量的特征分布全局的单向语义注意力权重值以得到所述多个单向语义注意力权重值;
其中,所述注意力权重公式为:
其中,表示所述各个数据采集任务语义编码特征向量,表示的矩阵,等于每个所述数据采集任务语义编码特征向量的尺度,是的矩阵,等于所述多个上下文数据采集设备能力语义编码特征向量中特征向量的数量,表示selu激活函数,表示输入的变量,表示预定参数,表示如果,表示所述多个上下文数据采集设备能力语义编码特征向量中的各个上下文数据采集设备能力语义编码特征向量,表示所述多个上下文数据采集设备能力语义编码特征向量中的各个上下文数据采集设备能力语义编码特征向量的尺度,表示所述单向语义注意力权重值,且表示预定权重参数。
2.根据权利要求1所述的一种基于数字孪生的智能采集任务调度方法,其特征在于,对所述多个数据采集任务的文本描述进行语义编码以得到多个数据采集任务语义编码特征向量,包括:
对所述多个数据采集任务的文本描述进行分词处理以将所述多个数据采集任务的文本描述转化为由多个词组成的词序列;
使用包含词嵌入层的数据采集任务语义理解器的词嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列;
使用包含词嵌入层的数据采集任务语义理解器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量;以及
将所述多个全局上下文语义特征向量进行级联以得到所述多个数据采集任务语义编码特征向量。
3.根据权利要求2所述的一种基于数字孪生的智能采集任务调度方法,其特征在于,对所述多个数据采集设备能力语义编码特征向量进行全局语义关联编码以得到多个上下文数据采集设备能力语义编码特征向量,包括:将所述多个数据采集设备能力语义编码特征向量通过基于转换器模块的上下文编码器以得到所述多个上下文数据采集设备能力语义编码特征向量。
4.根据权利要求3所述的一种基于数字孪生的智能采集任务调度方法,其特征在于,基于所述多个单向语义注意力权重值,确定所述多个数据采集任务的优先级,并显示所述多个数据采集任务的文本描述、所述多个数据采集设备的能力描述和所述多个数据采集任务的优先级,包括:
基于所述多个单向语义注意力权重值的排序,确定所述多个数据采集任务的优先级;
显示所述多个数据采集任务的文本描述、所述多个数据采集设备的能力描述和所述多个数据采集任务的优先级。
5.根据权利要求4所述的一种基于数字孪生的智能采集任务调度方法,其特征在于,还包括训练步骤:用于对所述数据采集任务语义理解器和所述基于转换器模块的上下文编码器进行训练。
6.根据权利要求5所述的一种基于数字孪生的智能采集任务调度方法,其特征在于,所述训练步骤,包括:
获取训练数据,所述训练数据包括所述多个数据采集任务的训练文本描述;以及,所述多个数据采集设备的训练能力描述;
对所述多个数据采集任务的训练文本描述进行语义编码以得到多个训练数据采集任务语义编码特征向量;
对所述多个训练数据采集任务语义编码特征向量进行优化以得到多个优化训练数据采集任务语义编码特征向量;
对所述多个数据采集设备的训练能力描述进行语义编码以得到多个训练数据采集设备能力语义编码特征向量;
将所述多个训练数据采集设备能力语义编码特征向量通过基于转换器模块的上下文编码器以得到所述多个训练上下文数据采集设备能力语义编码特征向量;
计算所述多个优化训练数据采集任务语义编码特征向量中的各个优化训练数据采集任务语义编码特征向量相对于所述多个训练上下文数据采集设备能力语义编码特征向量的特征分布全局的单向语义注意力权重值以得到多个训练单向语义注意力权重值;
计算所述多个训练单向语义注意力权重值与真实的多个训练单向语义注意力权重值之间的差异损失函数值;
基于所述差异损失函数值对所述数据采集任务语义理解器和所述基于转换器模块的上下文编码器进行训练。
7.一种基于数字孪生的智能采集任务调度装置,其特征在于,包括:
任务文本描述采集模块,用于获取多个数据采集任务的文本描述;
设备能力描述模块,用于获取多个数据采集设备的能力描述;
任务语义编码模块,用于对所述多个数据采集任务的文本描述进行语义编码以得到多个数据采集任务语义编码特征向量;
设备能力语义编码模块,用于对所述多个数据采集设备的能力描述进行语义编码以得到多个数据采集设备能力语义编码特征向量;
全局语义关联编码模块,用于对所述多个数据采集设备能力语义编码特征向量进行全局语义关联编码以得到多个上下文数据采集设备能力语义编码特征向量;
注意力权重度量模块,用于计算所述多个数据采集任务语义编码特征向量中的各个数据采集任务语义编码特征向量相对于所述多个上下文数据采集设备能力语义编码特征向量的特征分布全局的单向语义注意力权重值以得到多个单向语义注意力权重值;
结果生成模块,用于基于所述多个单向语义注意力权重值,确定所述多个数据采集任务的优先级,并显示所述多个数据采集任务的文本描述、所述多个数据采集设备的能力描述和所述多个数据采集任务的优先级;
其中,计算所述多个数据采集任务语义编码特征向量中的各个数据采集任务语义编码特征向量相对于所述多个上下文数据采集设备能力语义编码特征向量的特征分布全局的单向语义注意力权重值以得到多个单向语义注意力权重值,包括:
以如下注意力权重公式计算所述多个数据采集任务语义编码特征向量中的各个数据采集任务语义编码特征向量相对于所述多个上下文数据采集设备能力语义编码特征向量的特征分布全局的单向语义注意力权重值以得到所述多个单向语义注意力权重值;
其中,所述注意力权重公式为:
其中,表示所述各个数据采集任务语义编码特征向量,表示的矩阵,等于每个所述数据采集任务语义编码特征向量的尺度,是的矩阵,等于所述多个上下文数据采集设备能力语义编码特征向量中特征向量的数量,表示selu激活函数,表示输入的变量,表示预定参数,表示如果,表示所述多个上下文数据采集设备能力语义编码特征向量中的各个上下文数据采集设备能力语义编码特征向量,表示所述多个上下文数据采集设备能力语义编码特征向量中的各个上下文数据采集设备能力语义编码特征向量的尺度,表示所述单向语义注意力权重值,且表示预定权重参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410494247.7A CN118069331B (zh) | 2024-04-24 | 2024-04-24 | 一种基于数字孪生的智能采集任务调度方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410494247.7A CN118069331B (zh) | 2024-04-24 | 2024-04-24 | 一种基于数字孪生的智能采集任务调度方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118069331A CN118069331A (zh) | 2024-05-24 |
CN118069331B true CN118069331B (zh) | 2024-07-09 |
Family
ID=91107815
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410494247.7A Active CN118069331B (zh) | 2024-04-24 | 2024-04-24 | 一种基于数字孪生的智能采集任务调度方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118069331B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117495421A (zh) * | 2023-11-13 | 2024-02-02 | 国家电网有限公司信息通信分公司 | 基于电力通信网建设的电网通信工程造价预测方法 |
CN117540935A (zh) * | 2024-01-09 | 2024-02-09 | 上海银行股份有限公司 | 一种基于区块链技术的dao运营管理方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115878330B (zh) * | 2023-02-08 | 2023-05-30 | 腾云创威信息科技(威海)有限公司 | 线程的运行控制方法及其*** |
CN117744127B (zh) * | 2024-02-20 | 2024-05-07 | 北京佳芯信息科技有限公司 | 基于数据信息保护的数据加密认证方法及*** |
-
2024
- 2024-04-24 CN CN202410494247.7A patent/CN118069331B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117495421A (zh) * | 2023-11-13 | 2024-02-02 | 国家电网有限公司信息通信分公司 | 基于电力通信网建设的电网通信工程造价预测方法 |
CN117540935A (zh) * | 2024-01-09 | 2024-02-09 | 上海银行股份有限公司 | 一种基于区块链技术的dao运营管理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN118069331A (zh) | 2024-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111435463B (zh) | 数据处理方法及相关设备、*** | |
Yu et al. | Pricing information in smart grids: A quality-based data valuation paradigm | |
CN117041017B (zh) | 数据中心的智能运维管理方法及*** | |
CN117132135A (zh) | 基于数字孪生的城市信息化管理***及方法 | |
CN115562940A (zh) | 负载能耗监控方法、装置、介质及电子设备 | |
CN116663568A (zh) | 基于优先级的关键任务识别***及其方法 | |
CN117198421A (zh) | 海洋环境智能探测***及其方法 | |
US11651271B1 (en) | Artificial intelligence system incorporating automatic model updates based on change point detection using likelihood ratios | |
CN117495421A (zh) | 基于电力通信网建设的电网通信工程造价预测方法 | |
CN117744855A (zh) | 基于机器学习的负荷预测***及方法 | |
CN117875638A (zh) | 一种基于大数据的供电需求分配方法及*** | |
CN118069331B (zh) | 一种基于数字孪生的智能采集任务调度方法及装置 | |
CN111488517A (zh) | 用于训练点击率预估模型的方法和装置 | |
CN110210677B (zh) | 一种结合聚类和深度学习算法的母线短期日负荷预测方法和装置 | |
US11636377B1 (en) | Artificial intelligence system incorporating automatic model updates based on change point detection using time series decomposing and clustering | |
US20230419195A1 (en) | System and Method for Hierarchical Factor-based Forecasting | |
CN115809818A (zh) | 抽水蓄能电站辅助设备多维诊断评估方法及装置 | |
CN114372835B (zh) | 综合能源服务潜力客户识别方法、***及计算机设备 | |
CN113139129B (zh) | 虚拟阅读轨迹图生成方法、装置、电子设备及存储介质 | |
CN113935407A (zh) | 一种异常行为识别模型确定方法及装置 | |
KR20240011823A (ko) | 제품 상태 정량화 및 잔여 수명 예측 방법, 및 장치 및 시스템 | |
CN114004408A (zh) | 一种基于数据分析的用户电力负荷预测方法 | |
Meng et al. | Classification of customer service tickets in power system based on character and word level semantic understanding | |
CN117724858B (zh) | 地理空间分析模型调度方法、装置、设备及介质 | |
CN113255891B (zh) | 对事件特征进行处理的方法、神经网络模型和装置 |
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 |