[发明专利]批处理作业中运行时间的预测方法、装置和电子设备

权利要求书

1.一种批处理作业中运行时间的预测方法，其特征在于，包括：

获取多个批处理作业样本对应的多组训练数据，其中，每组训练数据包括每个所述批处理作业样本包含的子任务对应的子运行时间；

采用关键路径算法根据所述子运行时间确定每组所述训练数据对应的关键路径；

确定所述训练数据的第一日期特征与所述关键路径的第一节点信息间的对应关系；

根据所述关键路径及所述子运行时间确定所述关键路径对应的关键运行时间；

基于所述第一节点信息与所述关键运行时间对深度学习模型进行训练，得到训练出的深度学习模型；

根据所述对应关系及所述训练出的深度学习模型，对待预测批处理作业的运行时间进行预测，

其中，所述采用关键路径算法根据所述子运行时间确定每组所述训练数据对应的关键路径，包括：

将每个所述子任务、及所述子任务对应的前继任务的名称以邻接表的形式存储；

对邻接表中的数据进行处理，以使所述邻接表中的各个节点构成有向无环图；

根据所述子运行时间确定所述邻接表中每个任务在一天内的第一运行时间；

将所述邻接表和所述第一运行时间输入关键路径计算函数；

采用宽度优先搜索遍历所述邻接表中的各个节点，直至得到关键路径。

2.根据权利要求1所述的方法，其特征在于，所述根据所述关键路径及所述子运行时间确定所述关键路径对应的关键运行时间，包括：

获取所述关键路径的起始任务及结束任务；

从所述第一运行时间中选择所述起始任务对应的起始时间、及所述结束任务对应的结束时间；

根据所述起始时间和结束时间得到所述关键路径对应的关键运行时间。

3.根据权利要求1所述的方法，其特征在于，所述对邻接表中的数据进行处理，包括：

确定所述邻接表中不合理的节点；

将所述不合理的节点删除。

4.根据权利要求1所述的方法，其特征在于，所述基于所述第一节点信息与所述关键运行时间对深度学习模型进行训练，得到训练出的深度学习模型，包括：

将所述关键路径对应的第一节点信息和所述关键运行时间输入至深度学习模型；

调整模型参数，直至所述深度学习模型在以关键路径上的第一节点信息为输入时、输出所述关键路径对应的关键运行时间，得到并存储训练出的深度学习模型。

5.根据权利要求1所述的方法，其特征在于，所述根据所述对应关系及所述训练出的深度学习模型，对待预测批处理作业的运行时间进行预测，包括：

获取待预测批处理作业对应的第二日期特征；

基于所述对应关系确定所述第二日期信息对应的第二节点信息；

将所述第二节点信息输入训练出的深度学习模型，以使所述训练出的深度学习模型输出待预测批处理作业的运行时间。

6.根据权利要求1-5任一项所述的方法，其特征在于，所述深度学习模型为CNN+LSTM的深度学习模型。