【技术实现步骤摘要】
本专利技术涉及需求响应，尤其涉及一种基于移动互联网的智能协作方法及系统。
技术介绍
1、多用户的协作成员体系在互联网行业的发展与应用之下，适用范围越来越广泛，服务提供商当前一般将软件应用部署在数据中心，并给多个用户提供基于互联网的访问，以为多个用户提供共享资源的平台协作功能。
2、但是当前的智能协作平台一般都在资源分配时不够均衡，不能够在用户接入平台后，提供基于当次需要协作的项目的算力与权限分配，造成在需要实现不同功能的用户，需要项目的不同阶段转变角色的用户不能够得到算力的合理运用，造成协作用户的访问体验较差，还会影响协作效率及项目总体进度。
技术实现思路
1、本专利技术旨在至少解决相关技术中存在的技术问题之一。为此，本专利技术提供一种基于移动互联网的智能协作方法及系统。
2、本专利技术提供一种基于移动互联网的智能协作方法，包括：
3、s1：采集每台接入设备的历史协作数据；
4、s2：对所述历史协作数据进行神经学习，获得多条历史协作数据分别对应的多个协作特征；
5、s3：将多个所述协作特征进行聚类，通过多个协作模式的聚类结果的特征分布，选取获得当次协作模式；
6、s4：根据所述当次协作模式选择优化算法，通过所述优化算法对当次协作的性能指标、成本指标及稳定性指标进行多目标寻优，获得预资源分配模型；
7、s5：通过所述预资源分配模型为多台设备进行包括任务分配、进度追踪及项目管理的阶段性资源分配，以完成智
8、根据本专利技术提供的一种基于移动互联网的智能协作方法，步骤s1中的所述历史协作数据包括：
9、用户行为数据，所述用户行为数据包括登录频率、历史任务完成度及交互模式；
10、项目管理数据，所述项目管理数据包括历史项目进度、资源使用度及团队成员交互度；
11、通信协作数据，所述通信协作数据包括消息响应时间及会议参与度。
12、根据本专利技术提供的一种基于移动互联网的智能协作方法，步骤s2中，通过长短时记忆网络对所述历史协作数据进行神经学习。
13、根据本专利技术提供的一种基于移动互联网的智能协作方法，步骤s3进一步包括：
14、s31：对神经学习获得的协作特征进行数据清洗，获得预处理协作特征；
15、s32：基于密度法，根据所述预处理协作特征选取聚类锚点；
16、s33：计算每个协作特征至聚类锚点的欧氏距离，以将每个特征分别分配至最近的聚类锚点，获得多个聚类结果；
17、s34：通过davies-bouldin指数对多个聚类结果进行特征分布分析，预测当次协作模式标签，获得当次协作模式。
18、根据本专利技术提供的一种基于移动互联网的智能协作方法，步骤s34中，所述davies-bouldin指数用于计算每个聚类结果的紧密度，选取到的当次协作模式对应的聚类结果为davies-bouldin指数极小值的聚类结果。
19、根据本专利技术提供的一种基于移动互联网的智能协作方法，步骤s4中的所述优化算法包括遗传算法、粒子群优化算法、近似博弈算法及共识基础捆绑算法。
20、根据本专利技术提供的一种基于移动互联网的智能协作方法，当所述优化算法为粒子群优化算法时，所述协作特征为所述粒子群优化算法的初始惯性权重。
21、根据本专利技术提供的一种基于移动互联网的智能协作方法，步骤s4中的优化算法的优化目标的表达式为：
22、
23、其中，为当次协作的总优化目标，为接入设备索引值，为接入设备总数，为第个接入设备，为包括多个接入设备的协作平台，为第个接入设备对应的性能指标，为第一权重系数，为第个接入设备对应的成本指标，为第二权重系数，为协作平台的稳定性指标，为第三权重参数。
24、根据本专利技术提供的一种基于移动互联网的智能协作方法，步骤s5进一步包括：
25、当协作任务处于任务分配阶段时，根据接入设备优先级及任务进度时间节点进行资源分配；
26、当协作任务处于进度追踪阶段时，根据完成进度进行资源分配；
27、当协作任务处于项目管理阶段时，根据接入设备资源利用效率进行资源分配。
28、本专利技术还提供一种基于移动互联网的智能协作系统，用以执行如以上任一项所述的一种基于移动互联网的智能协作方法，包括：
29、数据采集模块，用于采集每台接入设备的历史协作数据；
30、特征学习模块，用于对所述数据采集模块采集到的历史协作数据进行神经学习，获得多条历史协作数据分别对应的多个协作特征；
31、协作模式判别模块，用于将多个所述协作特征进行聚类，通过多个协作模式的聚类结果的特征分布，选取获得当次协作模式；
32、目标优化模块，用于根据所述当次协作模式选择优化算法，通过所述优化算法对当次协作的性能指标、成本指标及稳定性指标进行多目标寻优，获得预资源分配模型；
33、资源分配模块，通过所述目标优化模块得到的预资源分配模型为多台设备进行包括任务分配、进度追踪及项目管理的阶段性资源分配，以完成智能协作；
34、其中，所述数据采集模块及所述资源分配模块均通过api接口与接入设备进行交互连接。
35、本专利技术提供的一种基于移动互联网的智能协作方法及系统，通过在设备接入时，对接入的设备之前的数据进行采集，对采集得到的数据进行机器学习后，进行特征的聚类，并根据聚类结果进行排序，获知当次协作的协作模式，然后根据协作模式选择最优的算法进行多目标寻优，从而得到分配模型，在获得分配模型后，再对进行协作过程中的不同阶段进行资源分配，以针对不同用户、不同项目及项目推进的不同阶段进行多维度的资源分配，使得算力资源得到合理运用，满足多用户之间的用户数据和处理协作进行共享的需求，增加了协作方案实施时的机动性，还降低了项目协作处理成本，提升了用户体验。
36、本专利技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
本文档来自技高网...【技术保护点】
1.一种基于移动互联网的智能协作方法，其特征在于，包括：
2.根据权利要求1所述的一种基于移动互联网的智能协作方法，其特征在于，步骤S1中的所述历史协作数据包括：
3.根据权利要求1所述的一种基于移动互联网的智能协作方法，其特征在于，步骤S2中，通过长短时记忆网络对所述历史协作数据进行神经学习。
4.根据权利要求1所述的一种基于移动互联网的智能协作方法，其特征在于，步骤S3进一步包括：
5.根据权利要求4所述的一种基于移动互联网的智能协作方法，其特征在于，步骤S34中，所述Davies-Bouldin指数用于计算每个聚类结果的紧密度，选取到的当次协作模式对应的聚类结果为Davies-Bouldin指数极小值的聚类结果。
6.根据权利要求1所述的一种基于移动互联网的智能协作方法，其特征在于，步骤S4中的所述优化算法包括遗传算法、粒子群优化算法、近似博弈算法及共识基础捆绑算法。
7.根据权利要求6所述的一种基于移动互联网的智能协作方法，其特征在于，当所述优化算法为粒子群优化算法时，所述协作特征为所述粒子群优化算法
8.根据权利要求1所述的一种基于移动互联网的智能协作方法，其特征在于，步骤S4中的优化算法的优化目标的表达式为：
9.根据权利要求1所述的一种基于移动互联网的智能协作方法，其特征在于，步骤S5进一步包括：
10.一种基于移动互联网的智能协作系统，用以执行如权利要求1-9任一项所述的一种基于移动互联网的智能协作方法，其特征在于，包括：
...【技术特征摘要】
1.一种基于移动互联网的智能协作方法，其特征在于，包括：
2.根据权利要求1所述的一种基于移动互联网的智能协作方法，其特征在于，步骤s1中的所述历史协作数据包括：
3.根据权利要求1所述的一种基于移动互联网的智能协作方法，其特征在于，步骤s2中，通过长短时记忆网络对所述历史协作数据进行神经学习。
4.根据权利要求1所述的一种基于移动互联网的智能协作方法，其特征在于，步骤s3进一步包括：
5.根据权利要求4所述的一种基于移动互联网的智能协作方法，其特征在于，步骤s34中，所述davies-bouldin指数用于计算每个聚类结果的紧密度，选取到的当次协作模式对应的聚类结果为davies-bouldin指数极小值的聚类结果。
6....
【专利技术属性】
技术研发人员：孙伟，何慕蓉，凌光明，廖勇，
申请(专利权)人：广州红海云计算股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。