[发明专利]资源属性的预测方法和系统、训练方法及相关设备

说明书

本发明公开了一种资源属性的预测方法和系统、训练方法及相关设备，涉及数据处理领域。资源属性的预测方法包括：获取非目标资源提供方在待测时间的资源属性，作为目标资源提供方的环境信息；将环境信息输入到目标资源提供方的资源属性预测模型，预测目标资源提供方在待测时间的资源属性，其中，目标资源提供方的资源属性预测模型是根据非目标资源提供方的策略模拟器对环境信息的模拟结果训练的。本发明能够使得资源属性预测模型具有较高的预测准确率；并且，每个资源提供方的资源属性预测模型的预测依赖于其他资源提供方的资源属性，使得预测过程能够及时适应环境的变化。从而，能够更准确地对资源属性进行高效的预测。

技术领域

本发明涉及数据处理领域，特别涉及一种资源属性的预测方法和系统、训练方法及相关设备。

背景技术

动态的资源分配是根据资源分配环境、资源的特征、时间、其他资源提供方的资源属性、供求关系等等因素来动态的调整资源属性，使得资源提供方可以以最优化的方式提供资源。这些待分配的资源例如包括计算资源、电力资源、货物资源等等。目前，大多数的资源提供方还是通过人工经验来动态确定资源属性。也有部分解决方案通过引入机器学习来进行动态的资源属性确定。通过监督学习对资源的需求量进行预测，并通过模型找到可以实现最小化成本、最小化资源损耗、最大化收益等目标的资源属性，从而实现资源属性的动态确定。

发明内容

发明人经过分析后发现，由于资源提供方往往不止一个，因此资源分配环境比较复杂、而且会频繁地变化，因此需要综合考虑多种因素进行动态资源属性的确定。而基于人工经验的确定方式要依赖于长年的经验积累，并且还有可能对一些关键的因素产生遗漏。

监督学习的方案可以考虑到复杂的环境因素，但是监督学习的方式依赖于模型准确的假设。在真实应用中，由于环境的变化，可能导致模型出现较大的偏差；而且，在实际的确定过程中，往往有多个资源提供方在同时确定资源属性，使得监督学习也很难考虑到不同资源提供方的交互对策略的影响。

因此，相关技术中的资源属性确定方案的计算效率和准确性都比较低。

本发明实施例所要解决的一个技术问题是：如何提高资源属性确定的计算效率和准确性。

根据本发明一些实施例的第一个方面，提供一种资源属性的预测方法，包括：获取非目标资源提供方在待测时间的资源属性，作为目标资源提供方的环境信息；将环境信息输入到目标资源提供方的资源属性预测模型，预测目标资源提供方在待测时间的资源属性，其中，目标资源提供方的资源属性预测模型是根据非目标资源提供方的策略模拟器对环境信息的模拟结果训练的。

在一些实施例中，目标资源提供方的资源属性预测模型是根据非目标资源提供方的策略模拟器、以及资源使用方的策略模拟器对环境信息的模拟结果训练的，资源使用方的策略模拟器对环境信息的模拟结果包括资源的使用方对每个资源提供方提供的资源的需求量。

在一些实施例中，将环境信息、以及资源的特征输入到目标资源提供方的资源属性预测模型，预测目标资源提供方在待测时间的资源属性。

在一些实施例中：资源提供方为服务器，资源使用方为计算需求，资源为计算资源，资源属性为服务器完成计算需求的资源消耗；或者，资源提供方为发电设备，资源使用方为用电需求，资源为电力，资源属性为发电设备完成用电需求的电力消耗。

在一些实施例中，从数据库中获取非目标资源提供方的资源属性。

根据本发明一些实施例的第二个方面，提供一种资源属性预测模型的训练方法，包括：利用非目标资源提供方的策略模拟器，获得对第一预设时段内多个时刻的环境信息的模拟结果；对于第一预设时段内的每个时刻，将对时刻的环境信息的模拟结果输入到目标资源提供方的资源属性预测模型，以预测目标资源提供方在该时刻的资源属性；根据目标资源提供方在第一预设时段内的每个时刻的资源属性，计算在第一预设时段内的每个时刻的资源分配目标函数的值；根据每个时刻的目标函数的值，对目标资源提供方的资源属性预测模型的参数进行调整。