[发明专利]基于人工神经网络的电联时段的规划方法、装置及设备

权利要求书

1.一种基于人工神经网络的电联时段的规划方法，其特征在于，所述方法包括：

基于预设的模型生成算法生成概率预测模型，其中，所述概率预测模型用于预测每个待电联的用户在每个时段电联成功的概率；

获取每个所述用户在每个时段对应的模型因子；

将每个所述用户在每个时段对应的模型因子输入至所述概率预测模型进行分析，以得到每个所述用户在每个时段对应的电联成功概率值；

基于预设的规划算法对每个所述用户在每个时段对应的电联成功概率值进行分析，以得到电联时段规划结果，其中，所述电联时段规划结果记录有每个所述用户对应的规划电联时段，且每个所述用户对应的规划电联时段的电联成功概率值的总和达到最大值，每个所述规划电联时段中的所述用户的总数量未大于该规划电联时段对应的最大用户数量。

2.根据权利要求1所述的基于人工神经网络的电联时段的规划方法，其特征在于，所述规划算法为线性规划算法或者贪婪算法。

3.根据权利要求2所述的基于人工神经网络的电联时段的规划方法，其特征在于，当所述规划算法为线性规划算法时，所述基于预设的规划算法对每个所述用户在每个时段对应的电联成功概率值进行分析，以得到电联时段规划结果，包括：

通过以下公式对每个所述用户在每个时段对应的电联成功概率值进行分析，以得到电联时段规划结果：

s.t.max(x_i)≤L_i；

其中，p_j为第j个用户的电联成功概率值，x_i为所述电联时段规划结果中第i个时段中的用户的总数量，L_i为第i个时段对应的最大用户数量，n为待电联的用户的总数量，z为每个用户的规划电联时段的电联成功概率值的总和。

4.根据权利要求1-3任一项所述的基于人工神经网络的电联时段的规划方法，其特征在于，所述基于预设的模型生成算法生成概率预测模型，包括：

获取训练数据集和所述概率预测模型对应的损失函数；

计算使所述损失函数极小化的常数值；

计算所述训练数据集中每个样本数据对应的残差；

基于每个所述样本数据对应的残差训练出目标回归树；

基于所述常数值计算所述目标回归树中每一个叶节点对应的输出值；

根据每一个叶节点对应的输出值更新回归树；

当回归树的更新次数大于等于预设的次数阈值时，将最后一次更新得到的回归树作为最终生成的概率预测模型。

5.根据权利要求4所述的基于人工神经网络的电联时段的规划方法，其特征在于，所述计算所述训练数据集中每个样本数据对应的残差，包括：

通过以下公式计算所述训练数据集中每个样本数据对应的残差：

其中，r_m,i为第m棵回归树对应的第i个样本数据对应的残差，x_i为第i个样本数据中的输入数据，y_i为第i个样本数据中的输出数据，N为样本数据的总数量，f(x_i)为第i个样本数据对应的预测数据，f_m-1(x)为第m-1棵回归树，L为损失函数。

6.根据权利要求4所述的基于人工神经网络的电联时段的规划方法，其特征在于，所述基于所述常数值计算所述目标回归树中每一个叶节点对应的输出值，包括：

通过以下公式计算所述目标回归树中每一个叶节点对应的输出值：

其中，c_m,j为第m棵回归树中第j个叶节点对应的输出值，c为所述常数值，R_m,j为第m棵回归树中第j个叶节点划分的区域，x_i为第i个样本数据中的输入数据，y_i为第i个样本数据中的输出数据，J为第m棵回归树中叶节点的总数量，f_m-1(x_i)为以第i个样本数据中的输入数据为输入时，第m-1棵回归树输出的预测数据，L为损失函数。