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！

龙图腾网恭喜南京邮电大学申请的专利基于数据流批处理一体化架构的动态工作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：CN119961010B 。

龙图腾网通过国家知识产权局官网在2025-06-13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：202510443422.4，技术领域涉及：G06F9/50；该发明授权基于数据流批处理一体化架构的动态工作负载预测方法是由王旭峰;孙雁飞;徐飞易;亓晋;王爱宝;董振江设计研发完成，并于2025-04-10向国家知识产权局提交的专利申请。

本基于数据流批处理一体化架构的动态工作负载预测方法在说明书摘要公布了：本申请属于边缘云设备技术领域，公开了一种基于数据流批处理一体化架构的动态工作负载预测方法，该预测方法将静态特征输入线性解码层进行映射，并将静态特征和动态时间序列特征进行融合，通过多尺度时间卷积网络层提取多尺度的时间依赖特征，并将其送入编码器，得到互补注意力机制输出，通过轻量级解码器对互补注意力输出进行预测。本申请通过互补注意力机制、多尺度时间卷积网络以及轻量级解码器设计，有效提高了动态工作负载预测的准确性与效率，具有广泛的应用前景。

本发明授权基于数据流批处理一体化架构的动态工作负载预测方法在权利要求书中公布了：1.一种基于数据流批处理一体化架构的动态工作负载预测方法，其特征在于：所述动态工作负载预测方法通过动态工作负载预测模型实现，所述动态工作负载预测模型包括信息嵌入层、多尺度时间卷积网络层、编码层、线性解码层，所述动态工作负载预测方法具体包括如下步骤： 步骤1、将带宽工作负载数据集中的静态特征输入线性解码层进行映射，得到与带宽工作负载数据集中的动态时间序列特征相同维度的稠密向量空间； 步骤2、将静态特征和动态时间序列特征进行融合，生成最终的输入特征； 步骤3、通过多尺度时间卷积网络层处理步骤2生成的最终的输入特征，提取多尺度的时间依赖特征，所述多尺度的时间依赖特征包括长期依赖关系特征和短期依赖关系特征； 步骤4、将步骤3提取的多尺度的时间依赖特征送入编码器，编码器通过互补注意力机制捕捉长期依赖关系特征和短期依赖关系特征，得到互补注意力机制输出，其中互补注意力机制包括稀疏注意力和局部注意力， 步骤5、通过轻量级解码器对步骤4得到的互补注意力输出进行预测；其中： 所述步骤4中，编码器通过互补注意力机制捕捉长期依赖关系特征和短期依赖关系特征，具体包括以下步骤： 步骤4.1、稀疏注意力通过Top-k策略限制注意力权重计算时的计算范围，仅关注前k个时间步，捕捉长期依赖关系特征； 步骤4.2、局部注意力通过动态窗口机制调整关注的前k个时间步，捕捉短期依赖关系特征； 步骤4.3、将稀疏注意力和局部注意力相结合，捕捉长期依赖关系特征和短期依赖关系特征，得到互补注意力机制输出，步骤4.3具体包括如下步骤： 步骤4.3.1、在动态工作负载预测模型的前向传播过程中，首先通过稀疏注意力机制计算输入的动态时间序列特征X的长期依赖关系特征，得到稀疏注意力输出SparseOut，然后进行正则化Dropout和归一化LayerNorm处理，具体为： SparseOut＝DropoutLayerNormSparseAttentionX,X,X+X； 步骤4.3.2、步骤4.3.1得到的稀疏注意力输出SparseOut被传递给局部注意力机制，计算后得到局部注意力输出LocalOut，具体为： LocalOut＝LocalAttentionSparseOut，SparseOut，SparseOut； 步骤4.3.3、将稀疏注意力输出和局部注意力输出进行相加，然后进行正则化Dropout和归一化LayerNorm处理，得到最终的组合输出CombinedOut： CombinedOut＝DropoutLayerNormLocalOut+SparseOut 步骤4.3.4、经过融合的组合输出CombinedOut送入动态工作负载预测模型的前馈神经网络，得到最终互补注意力机制输出FinalOut，具体为： FinalOut＝PositionWiseFeedForwardCombinedOut。

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邮电大学，其通讯地址为：210046 江苏省南京市栖霞区文苑路9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”。