申请/专利权人：江苏网进科技股份有限公司

申请日：2023-05-26

公开（公告）日：2024-05-17

公开（公告）号：CN116340006B

主分类号：G06F9/50

分类号：G06F9/50;G06F18/214;G06F18/241;G06N3/08;G06N3/0464

优先权：

专利状态码：有效-授权

法律状态：2024.05.17#授权;2023.07.14#实质审查的生效;2023.06.27#公开

摘要：本发明公开了一种基于深度学习的算力资源空闲预测方法和存储介质，所述方法包括：采集业务行为数据，并对所述数据进行分类，对分类后的所述数据进行标注，得到训练集；对业务行为数据进行预处理，所述预处理包括数据扩充和不平衡处理；构建算力资源空闲预测的特征提取模型，将训练集输入所述模型中进行训练，利用训练好的模型对业务行为数据进行特征提取；通过算力资源空闲预测模型对业务行为数据进行算力资源空闲的预测。本发明能够在业务数据不足、应用场景普适性低等情况下，仍具有较强的鲁棒性和泛化能力，同时，本发明提出的深度学习模型结合注意力机制，能够有效实现特征提取阶段的自适应细化目的。

主权项：1.一种基于深度学习的算力资源空闲预测方法，其特征在于，所述方法包括：采集业务行为数据，并对所述数据进行分类，对分类后的所述数据进行标注，得到训练集；对业务行为数据进行预处理，所述预处理包括数据扩充和不平衡处理；构建算力资源空闲预测的特征提取模型，将训练集输入所述模型中进行训练，利用训练好的模型对已完成预处理的业务行为数据进行特征提取；通过算力资源空闲预测模型对已完成特征提取的业务行为数据进行算力资源空闲的预测；所述算力资源空闲预测的特征提取模型包括残差神经网络，所述残差神经网络包括卷积层、池化层、残差块、Dropout、和softmax分类器；其中，卷积层用来提取物体的特征，通过设置卷积层数、卷积窗口尺寸超参数，实现数据的深度特征提取；在特征提取模型中，利用Squeeze操作对输入的特征进行全局池化处理；算法如下式所示： ；其中，式中：表示Squeeze操作函数；代表输入为尺寸为的第i个特征；在特征提取模型中，利用Excitation操作捕获通道的相关性，生成对应通道的权重；算法如下式所示： ；式中：为输入为时对应的输出；表示Squeeze操作函数；表示Excitation操作函数；表示第一个全连接层计算；表示第二个全连接层计算；表示激活函数ReLU；σ为Sigmoid函数具体算法如下式： ；式中：x表示经过2次全连接计算的输出值。

全文数据：

权利要求：

百度查询： 江苏网进科技股份有限公司 一种基于深度学习的算力资源空闲预测方法和存储介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD