买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉南京大学申请的专利一种基于FELSTM模型的集群作业等待时间预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120066670B 。

龙图腾网通过国家知识产权局官网在2025-10-28发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411551047.7，技术领域涉及：G06F9/455；该发明授权一种基于FELSTM模型的集群作业等待时间预测方法是由张星月;盛乐标设计研发完成，并于2024-11-01向国家知识产权局提交的专利申请。

本一种基于FELSTM模型的集群作业等待时间预测方法在说明书摘要公布了：本发明公开了一种基于FELSTM模型的集群作业等待时间预测方法，涉及数据分析技术领域。本发明包括：采集目标计算机系统中的历史作业数据，并对历史作业数据进行归一化处理；将归一化后的历史作业数据划分为输入序列和输出序列，所述输入序列是用于预测输出序列的数据，所述输出序列是模型期望输出的目标序列；将划分后的输入序列和输出序列，分割成训练数据集、验证集和测试集；通过深度学习框架构建FELSTM模型，设置损失函数为SmoothL1Loss，并使用Adam优化器进行参数优化；对FELSTM模型进行超参数优化，使模型在训练过程中损失函数稳定收敛并达到最低值；训练完成后，验证模型性能，并在测试集上评估预测准确性。

本发明授权一种基于FELSTM模型的集群作业等待时间预测方法在权利要求书中公布了：1.一种基于FELSTM模型的集群作业等待时间预测方法，其特征在于：所述方法包括以下步骤： 步骤S100.采集目标计算机系统中的历史作业数据，并对历史作业数据进行归一化处理； 步骤S200.将归一化后的历史作业数据划分为输入序列和输出序列，所述输入序列是用于预测输出序列的数据，所述输出序列是模型期望输出的目标序列；将划分后的输入序列和输出序列，分割成训练数据集、验证集和测试集； 步骤S300.通过深度学习框架构建FELSTM模型，设置损失函数为SmoothL1Loss，并使用Adam优化器进行参数优化； 所述步骤S300中的FELSTM模型结构包括输入层、特征编码层、多层LSTM、全连接层层以及输出层； 所述输入层接收输入序列Xi，且输入序列Xi的维度为N,H,F，其中F表示特征维度；所述特征编码层将输入序列Xi进行编码以扩展其维度；所述多层LSTM构建一个长短期记忆LSTM网络，LSTM的状态更新过程如下： 输入门：it=σWi·[ht-1,xt]+bi，其中it表示输入门的激活值；σ表示Sigmoid激活函数；Wi表示输入门的权重矩阵；[ht-1,xt]表示连接前一时间步的隐状态ht-1和当前时间步的输入xt的向量，表示为一个组合输入；bi表示输入门的偏置向量； 遗忘门：ft=σWf·[ht-1,xt]+bf，其中ft遗忘门的激活值；Wf表示遗忘门的权重矩阵，负责将前一隐状态和当前输入进行线性变换；bf表示遗忘门的偏置向量； 输出门：ot=σWo·[ht-1,xt]+bo，其中ot表示输出门的激活值；Wo表示输出门的权重矩阵，负责将前一隐状态和当前输入进行线性变换；bo表示输出门的偏置向量，用于调整输出门的激活值，增强模型的灵活性； 细胞状态：C~t=tanhWC·[ht-1,xt]+bC，Ct=ft·Ct-1+it·C~t；其中C~t表示当前时间步的候选细胞状态；tanh表示双曲正切激活函数；WC表示细胞状态的权重矩阵；bC表示细胞状态的偏置向量；Ct表示当前时间步的细胞状态； 隐状态：ht=ot·tanhCt，其中ht表示当前时间步的隐状态； 所述全连接层将多层LSTM的输出传递给全连接层以生成最终输出；所述输出层直接使用全连接层的输出作为最终预测值； 步骤S400.对FELSTM模型进行超参数优化，使模型在训练过程中损失函数稳定收敛并达到最低值；训练完成后，验证模型性能，并在测试集上评估预测准确性。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人南京大学，其通讯地址为：210023 江苏省南京市栖霞区仙林大道163号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。