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！

摘要：本发明具体公开一种边缘云服务器流失预测方法，包括以下步骤：步骤1：获取边缘云服务器的特征数据，其中，所述特征数据包括静态肖像特征和时间序列特征；步骤2：基于PCA算法和LightMLP算法分别对所述静态肖像特征进行筛选和编码以获取静态可学习调整参数；其中，所述静态肖像特征至少包括：边缘云服务器的硬件属性、计费规则、业务的部署情况、过往流失情况；步骤3：基于Transformer模型对所述时间序列特征以及实时获取的动态时不变特征进行处理和编码以获取动态可学习调整参数；步骤4：获取步骤2的输出和步骤3的输出进行合并，基于MLP分类器、softmax函数对所述合并后的参数进行处理以获得所述边缘云服务器的流失预测。实现边缘云服务器流失更优预测。

主权项：1.一种边缘云服务器流失预测方法，其特征在于，包括以下步骤：步骤1：获取边缘云服务器的特征数据，其中，所述特征数据包括静态肖像特征和时间序列特征；步骤2：基于PCA算法和LightMLP算法分别对所述静态肖像特征进行筛选和编码以获取静态可学习调整参数；其中，所述静态肖像特征至少包括：边缘云服务器的硬件属性、计费规则、业务的部署情况、过往流失情况；所述步骤2进一步包括：对所述静态肖像特征S求转置得到X：X＝ST；X取零均值化：X＝X-meanX；求X的协方差矩阵C，其中M表示静态特征数量： 求C的最大K个特征值对应的特征向量组成矩阵P:P＝TOPKEigenvectorC；根据以下公式计算降维后的静态肖像特征YPCA：YPCA＝PTX；所述步骤2进一步还包括：将降维后的静态肖像特征放大:Ystatic＝SigmoidWsNormYPCA+bs；其中Norm表示基于正态分布的标准化，将数据减去总体的均值再除于整体的标准差： Ws和bs表示LightMLP中的线性隐藏层的可学习权重和偏移，Sigmoid表示激活函数，将每个隐藏向量的数值映射到0-1的区间内，以削减负值和过大的映射结果对最终预测概率的影响，其计算公式为： 步骤3：基于Transformer模型对所述时间序列特征以及实时获取的动态时不变特征进行处理和编码以获取动态可学习调整参数；所述步骤3进一步包括：通过Transformer模型的Encoder对时间序列特征进行计算：将矩阵输入到一个线性嵌入层进行维度转换，将Τ的特征维度由D转换为H： 通过位置编码层将位置信息嵌入输入X中： 之后的X与位置信息P拼接后将依次被输入多头自注意机制层、规范化层、和前馈层，相应的函数计算如下：Z0＝concatX,P，Z′l＝MSALNzl-1+zl-1,l＝1…Lzl＝MLPLNz′l+z′l,l＝1…L 其中，Z0是X和P的拼接，也是Encoder的输入，Z′l为前一Encoder层输出与本层自注意机制层和规范化层操作之后的结果残差连接所得，Z为Zl′在前馈层和规范化层操作之后残差连接得到；步骤4：获取步骤2的输出和步骤3的输出进行合并，基于MLP分类器、softmax函数对所述合并后的参数进行处理以获得所述边缘云服务器的流失预测；所述步骤4进一步包括：数据合并、Linear、Dropout、ReLU、BatchNorm所组成的分类器可表示为如下的计算流程：Yfinal＝concatYstatic,Ytemporal；Yfinal＝WoYfinal+BoYfinal＝Dropoutfinal 将分类器所输出的综合编码向量Yfinal输入多分类概率函数Softmax计算所输入服务器样本的继续留存、主动流失、被动离线的概率，并给出最高概率的分类结果；基于交叉熵损失函数计算所预测出的服务器样本状态和真实情况之间的区别，并量化误差：是所预测服务器属于该类流失的概率，yi表示该服务器所属的真实状态类别。

全文数据：

权利要求：

百度查询： 派欧云计算(上海)有限公司 边缘云服务器流失预测方法及装置