[发明专利]一种容器扩容方法、装置、电子设备及存储介质

权利要求书

1.一种容器扩容方法，其特征在于，应用于医疗系统，所述方法包括：

获取待预测时间段；

将所述待预测时间段输入至带有注意力机制模块的预测模型，得到医疗系统在所述待预测时间段内的目标用户请求量；

根据得到的目标用户请求量，确定所述医疗系统在所述待预测时间段内的容器数量；

根据确定出的容器数量进行扩容。

2.根据权利要求1所述的方法，其特征在于，所述预测模型包括依次连接的神经网络模型和注意力机制模块，通过以下步骤训练带有注意力机制模块的预测模型：

获取医疗系统在多个已分好的单位历史时间段内的用户请求量样本；

将每个已分好的单位历史时间段内的用户请求量样本输入至依次连接的神经网络模型和注意力机制模块中进行训练，得到训练完成的带有注意力机制模块的预测模型；其中，所述注意力机制模块用于对所述神经网络模型输出的初始用户请求量进行处理得到目标用户请求量。

3.根据权利要求2所述的方法，其特征在于，所述注意力机制模块用于通过以下步骤对所述神经网络模型输出的初始用户请求量进行处理得到目标用户请求量：

获取所述神经网络模型的第一模型权重以及带有注意力机制模块的预测模型的第二模型权重；

根据所述神经网络模型得到的每个已分好的单位历史时间段内的初始用户请求量与所述第一模型权重，确定每个已分好的单位历史时间段对应的第一计算结果；

对每个已分好的单位历史时间段对应的第一计算结果进行归一化处理，得到每个已分好的单位历史时间段对应的第二计算结果；

对每个已分好的单位历史时间段对应的第二计算结果和所述第二模型权重进行加权求和，得到目标用户请求量。

4.根据权利要求2所述的方法，其特征在于，所述神经网络模型包括遗忘门：

f_t＝σ(W_f·[h_t-1,X_t]+f_bias)；

其中，f_bias表示遗忘偏差，初始化为1；σ()为sigmoid激活函数；W_f表示所述遗忘门的权重系数，h_t-1表示神经网络模型中上一时刻隐藏层的输出，X_t表示由多个已分好的单位历史时间段构建出的输入特征向量，[h_t-1,X_t]表示上一时刻隐藏层的输出与所述输入特征向量的点乘。

5.根据权利要求2所述的方法，其特征在于，所述神经网络模型还包括两层全连接层，所述两层全连接层用于输出一维的目标用户请求量。

6.根据权利要求1所述的方法，其特征在于，根据得到的用户请求量，确定所述医疗系统在所述待预测时间段内的容器数量的步骤，包括：

利用平滑函数对得到的用户请求量进行平滑处理，得到所述医疗系统在所述待预测时间段内的容器数量。

7.根据权利要求6所述的方法，其特征在于，所述平滑函数包括：

min(max_container,max(min_container,smooth_factor*request))；

其中，min()表示取最小值函数，max()表示取最大值函数，max_container表示最大容器数量，min_container表示最小容器数量，smooth_factor表示平滑因子，request表示通过预测模型得到的用户请求量。

8.一种容器扩容装置，其特征在于，应用于医疗系统，所述装置包括：

时间段获取模块，用于获取待预测时间段；

请求量预测模块，用于将所述待预测时间段输入至带有注意力机制模块的预测模型，得到医疗系统在所述待预测时间段内的目标用户请求量；

数量确定模块，用于根据得到的目标用户请求量，确定所述医疗系统在所述待预测时间段内的容器数量；

系统扩容模块，用于根据确定出的容器数量进行扩容。