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！

龙图腾网获悉吉林省有云数智科技有限公司申请的专利一种异构算力平台负载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：CN120523608B 。

龙图腾网通过国家知识产权局官网在2025-11-04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：202511021910.2，技术领域涉及：G06F9/50；该发明授权一种异构算力平台负载预测方法是由江琦;贾丽;赵馨茹;高楠;贾明;刘立德;刘旭仿;王丽欣设计研发完成，并于2025-07-24向国家知识产权局提交的专利申请。

本一种异构算力平台负载预测方法在说明书摘要公布了：本发明涉及电数字数据处理领域，具体涉及一种异构算力平台负载预测方法，该方法包括采集负载预测用数据训练预测模型，得到已训练预测模型，实施课程增强式训练策略，在基于动量项的梯度下降法过程中插入隐状态记忆库，采集当前时间窗口内的异构算力平台的负载预测用数据，将负载预测用数据输入至已训练预测模型中，得到未来负载的预测结果。现有的异构算力平台负载预测方法存在预测精度较低、适应性较差且稳定性较差的问题，但该异构算力平台负载预测方法预测精度较高、适应性较好且稳定性较好。

本发明授权一种异构算力平台负载预测方法在权利要求书中公布了：1.一种异构算力平台负载预测方法，其特征在于，包括： S1.采集多条负载预测用数据构成训练数据集； 每条负载预测用数据均包括一个时间窗口内的任务属性数据、资源使用状态数据以及环境指标数据； S2.基于改进的循环神经网络的原理构建预测模型，训练预测模型，得到已训练预测模型； 改进的循环神经网络是指在传统LSTM基础上结合多模态张量融合层、动态特征选择门控机制、双通道记忆分离单元及环境耦合残差模块； S2中训练预测模型包括： S201.采用张量融合层将任务属性数据、资源使用状态数据、环境指标数据进行张量融合处理，得到融合后t时刻的跨模态特征向量； S202.构建时序动态特征选择门控机制，包括：将融合后t时刻的跨模态特征向量与t-1时刻的隐状态拼接，通过全连接层和激活函数生成门控向量，通过门控向量将融合后t时刻的跨模态特征向量与融合后t-1时刻的跨模态特征向量进行融合，得到融合后的特征向量； S203.将记忆细胞分解为快通道与慢通道，构建双通道记忆分离单元，包括：快通道遗忘门控制突发任务负载的短期记忆更新，慢通道遗忘门控制环境变化的长期记忆更新； 决定短期记忆的保留比例的t时刻的快通道遗忘门的计算公式为： ， 式中，为快通道的权重矩阵，是可训练参数，通过预测模型训练过程中的基于动量项的梯度下降法自动学习更新；为快通道的偏置项，是可训练参数，通过预测模型训练过程中的基于动量项的梯度下降法自动学习更新； 决定长期记忆的保留比例的t时刻的慢通道遗忘门的计算公式为： ， 式中，为慢通道的权重矩阵，是可训练参数，通过预测模型训练过程中的基于动量项的梯度下降法自动学习更新；为慢通道的偏置项，是可训练参数，通过预测模型训练过程中的基于动量项的梯度下降法自动学习更新； 通过t时刻的快通道遗忘门来计算t时刻的快通道更新的记忆细胞，通过t时刻的慢通道遗忘门来计算t时刻的慢通道更新的记忆细胞； 最终加权融合与，得到融合后的最终记忆细胞； S204.采用环境耦合残差项，构建环境耦合的残差预测模块，包括： 表示环境因素引起的预测残差的计算公式为： ， 式中，为第一耦合权重矩阵，表征环境指标数据对资源使用状态数据的直接影响权重，是可训练参数，通过预测模型训练过程中的基于动量项的梯度下降法自动学习更新；为环境指标数据向量，包括温度、功耗；为双曲正切函数；为第二耦合权重矩阵，表征资源使用状态数据对预测残差的调节权重，是可训练参数，通过预测模型训练过程中的基于动量项的梯度下降法自动学习更新；为t时刻的资源使用状态数据向量，通过映射得到；t时刻的资源使用状态数据向量的计算公式为：，式中，为映射权重向量，是可训练参数，通过预测模型训练过程中的基于动量项的梯度下降法自动学习更新；为映射偏置项，是可训练参数，通过预测模型训练过程中的基于动量项的梯度下降法自动学习更新； 叠加残差后的最终预测值的计算公式为：，式中，为输出权重矩阵，用于将隐状态映射到预测值，是可训练参数，通过预测模型训练过程中的基于动量项的梯度下降法自动学习更新；为t时刻的隐状态，表征当前时刻的综合时序信息； S205.计算基于任务感知的层次化损失函数L； S3.实施课程增强式训练策略，使预测模型在每轮训练时从平稳负载模式开始学习，逐步结合高波动性负载样本； S4.通过在线训练时结合隐状态记忆库，预测模型能够在处理新数据时避免灾难性遗忘，保持对历史负载模式的记忆，包括： 记忆库M的计算方式为：, 式中，为存储的第m个隐状态；为存储的第m个记忆细胞； 每轮训练时从M中随机选取样本，计算附加损失，迫使预测模型在更新参数时保留对历史负载模式的记忆； 附加损失的计算公式为： , 式中，为从记忆库M中随机采样的样本数量，，表示取整操作； 通过将与L加权求和，驱动预测模型参数更新，保留历史模式记忆； S5.采集当前时间窗口内的异构算力平台的负载预测用数据，将负载预测用数据输入至已训练预测模型中，得到未来负载的预测结果。

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吉林省有云数智科技有限公司，其通讯地址为：130102 吉林省长春市北湖科技开发区北远达大街以西、龙湖大路以南长新创谷9-2号楼701-02室；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。