(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210736858.9 (22)申请日 2022.06.27 (71)申请人 平安银行股份有限公司 地址 518000 广东省深圳市罗湖区深南 东 路5047号 (72)发明人 张皓　 (74)专利代理 机构 深圳众鼎专利商标代理事务 所(普通合伙) 44325 专利代理师 谭果林 (51)Int.Cl. G06F 9/48(2006.01) G06F 9/50(2006.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于人工智能的调度优化方法、 装置、 计算 机设备及 介质 (57)摘要 本发明涉及人工智能技术领域， 尤其涉及一 种基于人工智能的调度优化方法、 装置、 计算机 设备及介质。 该方法将待优化作业的作业内容和 计算资源量通过时长预测模型处理， 得到预测作 业时长， 根据待优化作业中上游作业与下游作业 的相似度计算结果得到下游作业对应的上游作 业， 根据上游作业的起始时间点和预测作业时 长， 确定对应下游作业的起始时间点， 将下游作 业的起始时间点、 预测作业时长和计算资源量， 输入调度优化模 型， 得到下游作业起始时间点和 计算资源量的优化量， 避免作业内容变更影响优 化调度准确率， 而且根据整体作业情况调整下游 作业的调度时间和计算资源量， 能够平滑调度资 源量峰值， 合理分配计算资源， 提高作业执行的 效率。 权利要求书3页 说明书12页 附图3页 CN 115016914 A 2022.09.06 CN 115016914 A 1.一种基于人工智能的调度优化方法， 其特 征在于， 所述方法包括： 获取待优化作业中每个上游作业和每个下游作业的作业内容和预分配的计算资源量， 将所述作业内容和所述预分配的计算资源量， 输入训练好的时长预测模型， 得到预测作业 时长； 针对待优化作业中的任一下游作业， 将所述待优化作业中的每个上游作业的作业内容 与所述下游作业的作业内容进 行相似度计算， 并根据相似度计算的结果与预设阈值的比较 结果， 得到所述下游作业对应的目标 上游作业； 根据每个目标上游作业的起始时间点和预测作业 时长， 确定对应下游作业的起始时间 点； 将每个下游作业的起始时间点、 预测作业时长和预分配的计算资源量， 输入预训练好 的调度优化模型， 得到对应下游作业的优化后的起始 时间点和优化后的计算资源量， 用于 指示对应下游作业在优化后的起始时间点调度到优化后的计算资源量。 2.根据权利要求1所述的调度优化方法， 其特征在于， 所述训练好的时长预测模型包括 训练好的语义编码器和训练好的全连接层； 所述将所述作业内容和所述预分配的计算资源量， 输入训练好的时长预测模型， 得到 预测作业时长包括： 将所述作业内容输入所述训练好的语义编码器进行 特征提取， 得到语义特 征张量； 将所述计算资源量映射得到的嵌入向量与所述语义特征张量拼接， 得到拼接特征向 量； 将所述拼接特征向量输入所述训练好的全连接层， 得到所述预测作业时长 。 3.根据权利要求1所述的调度优化方法， 其特征在于， 所述将所述待优化作业中的每个 上游作业的作业内容与所述下游作业的作业内容进行相似度计算包括： 通过预设的词典模型查找所述作业内容中的关键词， 得到关键词向量； 确定对应上游作业的关键词向量和对应下游作业的关键词向量的余弦相似度为相似 度计算结果。 4.根据权利要求1至3任一项所述的调度优化方法， 其特征在于， 所述调度优化模型包 括特征编码器和特征解码器， 以每个历史下游作业对应的样本时间点、 样本作业时长和样 本资源量作为所述调度优化模型的预训练样本， 以每个历史下游作业对应的实际时间点和 实际资源量作为所述调度优化模型的预训练标签， 以欧式距离作为预训练损失函数； 所述调度优化模型的预训练过程包括： 将所述预训练样本 输入所述特 征编码器进行 特征提取， 得到样本特 征张量； 将所述样本特征张量输入所述特征解码器， 得到每个历史下游作业的预测时间点和预 测资源量； 根据所述预测时间点和所述预测资源量与 所述预训练标签计算所述预训练损失函数， 根据计算结果通过反向传播算法更新所述特征编码器和所述特征解码器的参数， 直至所述 预训练损失函数收敛， 得到预训练好的调度优化模型。 5.根据权利要求4所述的调度优化方法， 其特征在于， 在所述将所述样本特征张量输入 所述特征解码器， 输出 预测时间点和预测资源量之后， 还 包括： 针对任一历史下游作业， 计算对应历史下游作业的样本作业 时长和对应历史下游作业权　利　要　求　书 1/3 页 2 CN 115016914 A 2的样本资源量的乘积与对应历史下游作业的预测资源量的比值， 确定所述比值为对应历史 下游作业的样本预测时长； 根据对应历史下游作业的预测时间点和对应历史下游作业的样本预测时长， 确定对应 历史下游作业的预测时间段； 针对任一目标时间点， 若对应历史下游作业的预测时间段包含对应目标时间点， 则保 留对应历史下游作业， 并确定所有保留的历史下游作业的预测资源量之和为对应目标时间 点的预测资源总量； 确定每个目标时间点对应的预测资源总量中的最大值为峰值损失项， 将所述峰值损失 项以带权相加的方式更新至所述预训练损失函数中。 6.根据权利要求5所述的调度优化方法， 其特征在于， 在所述确定对应历史下游作业的 预测时间段之后， 还 包括： 针对任一历史下游作业， 根据对应历史下游作业的预测时间段， 确定对应历史下游作 业的预测终止点； 确定每个历史下游作业对应的预测终止点的最大值为 时间损失项， 将所述 时间损失项 以带权相加的方式更新至所述预训练损失函数中。 7.根据权利要求6所述的调度优化方法， 其特征在于， 所述峰值损 失项对应峰值权重， 所述时间损失项对应时间权 重； 在所述根据所述预测时间点和所述预测资源量与所述预训练标签计算所述预训练损 失函数之前， 还 包括： 若所述峰值损 失项大于预设的资源阈值， 则增大所述峰值权重， 并以增大后的峰值权 重更新所述预训练损失函数中对应的峰值权 重； 若所述时间损 失项大于预设的时间阈值， 则增大所述时间权重， 并以增大后的时间权 重更新所述预训练损失函数中对应的时间权 重。 8.一种基于人工智能的调度优化装置， 其特 征在于， 所述调度优化装置包括： 时长预测模块， 用于获取待优化作业中每个上游作业和每个下游作业的作业内容和预 分配的计算资源量， 将所述作业内容和所述预分配的计算资源量， 输入训练好的时长预测 模型， 得到预测作业时长； 相似度计算模块， 用于针对待优化作业中的任一下游作业， 将所述待优化作业中的每 个上游作业的作业内容与所述下游作业的作业内容进 行相似度计算， 并根据相似度计算的 结果与预设阈值的比较结果， 得到所述下游作业对应的目标 上游作业； 时间点确定模块， 用于根据每个目标上游作业的起始时间点和预测作业时长， 确定对 应下游作业的起始时间点； 资源调度模块， 用于将每个下游作业的起始时间点、 预测作业时长和预分配的计算资 源量， 输入预训练好的调度优化模型， 得到对应下游作业的优化后的起始 时间点和优化后 的计算资源量， 用于指示对应下游作业在优化后的起始时间点调度到优化后的计算资源 量。 9.一种计算机设备， 其特征在于， 所述计算机设备包括处理器、 存储器以及存储在所述 存储器中并可在所述处理器上运行的计算机程序， 所述处理器执行所述计算机程序时实现 如权利要求1至7任一项所述的调度优化方法。权　利　要　求　书 2/3 页 3 CN 115016914 A 3