调度系统作业加工时长预测模型
来源:互联网 发布:软件打车 编辑:程序博客网 时间:2024/05/16 07:12
如有转载请标明出处,饮水思源。
这段时间在写一个关于调度系统的论文,翻阅一些关于调度系统调度算法方面论文。在调度系统中,对作业加工时长的预测;预测的越准,对调度系统合理调度越有利。
在一个复杂的业务环境,影响作业加工时长的因素也比较多;例如:数据量、加工日期、不同的作业、运行的环境(软、硬件环境)等。因此我们对于作业加工时长的预测,不能单单通过一个维度来预测。因此我整理、设计了一个对作业加工时长进行预测的模型, 这个模型中借鉴一些神经网络算法的一些思想。
该数据模型分为三逻辑层次:输入层、学习层、输出层。以下是该数据模型的一些简要设计描述。
A) 输入层:该层是由可能影响到作业加工时长的因素组成的输入向量。输入向量表达如下;
Input= {FID,JID,TYP,LEN,OFS};
FID 指代的作业流ID;
JID 指代作业ID;
TYP指代加工日期类型;
LEN 指代该作业这次的加工时长;
OFS 指代误差率;
B) 学习层:该层是从多个维度(作业流ID、作业ID、加工日期类型、加工时长、累计出现次数),考量、学习和修正作业加工时长,是其值无限逼近真实的加工时长。
Handle={Loction(FID,JID),TYP,LEN, Ttotal};
Loction(FID,JID)是通过作业流ID、作业ID维度定位作业;
Ttotal 是对某个作业加工时长的出现次数统计,该维度会通过误差率和丢弃率对出现的分支进行合并和丢弃。
LEN(ofs) = {LEN – LEN*OFS,LEN +LEN* OFS}
Ttotal =∑(FID,JID) (LEN(ofs))
C)输出层:该层输出的是一个标量。输出该作业的加工时长。
Output= { OJID};
根据以上数据模型设计的系统,能够对作业加工时长,进行及时的修正,更新;并且能满足复杂的业务环境。
以上数据模型的算法描述如下:
把作业流ID,作业ID,业务日期,作业加工时长作业作为输入项,输入学习引擎。
学习引擎首先通过作业流ID和作业ID纬度定位,然后通过对日期类型纬度进行处理。
首先会对业务日期进行日期类型划分归类(例如月初、月末、季末、年末、普通工作日等)。
然后再从作业加工时长纬度进行生成、合并节点,并对节点的权值进行统计、合并、舍弃等操作,这样完成了一个作业的学习过程。
学习引擎可以使可以提供给调度核心在调度任务时使用的。
以上数据模型的算法描述如下:
把作业流ID,作业ID,业务日期,作业加工时长作业作为输入项,输入学习引擎。
学习引擎首先通过作业流ID和作业ID纬度定位,然后通过对日期类型纬度进行处理。
首先会对业务日期进行日期类型划分归类(例如月初、月末、季末、年末、普通工作日等)。
然后再从作业加工时长纬度进行生成、合并节点,并对节点的权值进行统计、合并、舍弃等操作,这样完成了一个作业的学习过程。
学习引擎可以使可以提供给调度核心在调度任务时使用的。
- 调度系统作业加工时长预测模型
- 灰色系统预测模型
- 【加精】商业预测模型的展望
- 作业调度系统的简介
- KETTLE在进行数据加工时 时间 与系统时间不一致
- 浅谈SAP系统的预测模型与预测公式
- 灰色系统预测GM(1,1)模型
- JavaScript 批处理系统中作业调度【操作系统】
- LMT NEW PBS作业调度系统
- LicManager NEW PBS作业调度管理系统
- SGE作业调度系统学习笔记
- LMT NEW PBS作业排队系统对作业调度运算
- LMT NEW PBS作业调度系统的作业管理操作
- 作业调度
- 作业调度
- 作业调度
- 作业调度
- B/S架构系统工时评估浅谈
- WSDL2OBJC直接生成的代码是无法正确发送CXF能解析的数据包
- 适配器模式-不会英语一样可以泡洋妞
- socket编程小结
- ununtu開機啟動命令行
- 分页储存过程
- 调度系统作业加工时长预测模型
- 重构多重循环的一个实例
- zoj 1298 Domino Effect(最短路)
- php crypt函数java实现
- 链表的合并
- MATLAB的一点使用体会MATLAB的一点使用体会MATLAB的一点使用体会MATLAB的一点使用体会
- MorningStar(Tenfore) DataFeed API调查笔记
- iphone-common-codes-ccteam源代码 CCContact.h
- linux物理内存描述