本发明涉及人工智能，更具体地，涉及一种基于人工智能的生产资源动态分配管理方法及系统。
背景技术：
1、在lng接收站的业务运营中，生产资源的有效调度是确保接收站高效、稳定运行的关键。然而，由于接收站运营环境的复杂性和多变性，传统的基于规则或经验的调度方法往往难以适应各种突发情况和运营需求的变化。因此，需要一种能够自动学习并适应接收站运营动态变化的生产资源调度方法。
2、近年来，随着机器学习技术的快速发展，利用数据挖掘和机器学习方法进行生产调度已成为研究热点。然而，现有的方法大多只关注于从大量的历史运营数据中提取模式，而忽略了先验知识的重要性。在实际应用中，先验知识往往能够为机器学习模型提供宝贵的初始指导，加速其学习过程并提高准确性。
3、此外，由于lng接收站的运营数据大多具有时序特性，传统的机器学习模型往往难以捕捉到这些数据中的长期依赖关系。这导致了模型在预测未来的运营需求和生产资源调度时存在较大的误差。因此，需要一种能够充分考虑时序特性的数据挖掘方法来提高生产调度的准确性和适应性。
技术实现思路
1、有鉴于此，本发明提供了一种基于人工智能的生产资源动态分配管理方法及系统。
2、本发明实施例提供了一种基于人工智能的生产资源动态分配管理方法，应用于生产资源动态分配管理系统，所述方法包括：获取第一业务运营数据示例和第二业务运营数据示例，所述第一业务运营数据示例是携带了先验学习注释的接收站业务运营数据示例；将所述第一业务运营数据示例输入业务运营数据挖掘网络，得到所述第一业务运营数据示例的第一生产资源调度观点；依据所述第一生产资源调度观点和所述先验学习注释，确定第一资源调度决策误差；将所述第二业务运营数据示例输入所述业务运营数据挖掘网络，得到所述第二业务运营数据示例的第二生产资源调度观点；通过长短期记忆网络更新所述第二生产资源调度观点，得到更新后的第二生产资源调度观点，所述长短期记忆网络具有针对衍生的业务运营数据的数据挖掘功能；依据所述更新后的第二生产资源调度观点，确定第二资源调度决策误差；依据所述第一资源调度决策误差和所述第二资源调度决策误差，调试所述业务运营数据挖掘网络。
3、在一些技术方案中，所述通过长短期记忆网络更新所述第二生产资源调度观点，得到更新后的第二生产资源调度观点，包括：以所述第二业务运营数据示例作为拟挖掘接收站业务运营数据，以及以所述第二生产资源调度观点作为调度更新引导，通过所述长短期记忆网络输出所述更新后的第二生产资源调度观点。
4、在一些技术方案中，所述第二业务运营数据示例为船舶接卸业务运营数据，所述以所述第二业务运营数据示例作为拟挖掘接收站业务运营数据，以及以所述第二生产资源调度观点作为调度更新引导，通过所述长短期记忆网络输出更新后的第二生产资源调度观点，包括：
5、从所述第二业务运营数据示例提取三个注意力维度的多个局部业务运营数据，所述三个注意力维度与所述船舶接卸业务运营数据的三个资源类别对应；
6、将所述三个注意力维度的多个局部业务运营数据作为所述拟挖掘接收站业务运营数据，以及以所述第二生产资源调度观点作为所述调度更新引导，通过所述长短期记忆网络识别出所述三个注意力维度下的衍生调度观点，每个注意力维度下的衍生调度观点包括属于同一注意力维度的多个局部业务运营数据的阶段性生产资源调度观点；
7、采用观点更新线程聚合所述三个注意力维度下的衍生调度观点，输出所述更新后的第二生产资源调度观点。
8、在一些技术方案中，所述采用观点更新线程聚合所述三个注意力维度下的衍生调度观点，输出所述更新后的第二生产资源调度观点，包括：
9、对于所述第二业务运营数据示例中的任意一个业务运营消息，在所述三个注意力维度下的衍生调度观点皆判定所述业务运营消息属于第一调度类别的基础上，确定所述业务运营消息属于所述第一调度类别；在存在至少一个注意力维度下的衍生调度观点认为所述业务运营消息不属于所述第一调度类别的基础上，确定所述业务运营消息属于第二调度类别；
10、依据所述第二业务运营数据示例中的各个业务运营消息的调度类别判定信息，输出所述更新后的第二生产资源调度观点。
11、在一些技术方案中，所述采用观点更新线程聚合所述三个注意力维度下的衍生调度观点，输出所述更新后的第二生产资源调度观点，包括：
12、对于所述第二业务运营数据示例中的任意一个业务运营消息，在所述三个注意力维度中的至少两个注意力维度下的衍生调度观点皆判定所述业务运营消息属于第一调度类别的基础上，确定所述业务运营消息属于所述第一调度类别；在所述三个注意力维度中的至少两个注意力维度下的衍生调度观点认为所述业务运营消息属于第二调度类别的基础上，确定所述业务运营消息属于所述第二调度类别；
13、依据所述第二业务运营数据示例中的各个业务运营消息的调度类别判定信息，输出所述更新后的第二生产资源调度观点。
14、在一些技术方案中，所述将所述三个注意力维度的lng存储业务运营数据作为所述拟挖掘接收站业务运营数据，以及以所述第二生产资源调度观点作为所述调度更新引导，通过所述长短期记忆网络识别出所述三个注意力维度下的衍生调度观点，包括：
15、依据所述第二生产资源调度观点，确定所述三个注意力维度的多个局部业务运营数据的局部资源分配观点，所述三个注意力维度包括第一注意力维度、第二注意力维度和第三注意力维度；
16、将所述第一注意力维度的多个局部业务运营数据作为所述拟挖掘接收站业务运营数据，以及以所述第一注意力维度的多个局部业务运营数据的局部资源分配观点作为所述调度更新引导，通过所述长短期记忆网络识别出所述第一注意力维度下的衍生调度观点；
17、将所述第二注意力维度的多个局部业务运营数据作为所述拟挖掘接收站业务运营数据，以及以所述第二注意力维度的多个局部业务运营数据的局部资源分配观点作为所述调度更新引导，通过所述长短期记忆网络识别出所述第二注意力维度下的衍生调度观点；
18、将所述第三注意力维度的多个局部业务运营数据作为所述拟挖掘接收站业务运营数据，以及以所述第三注意力维度的多个局部业务运营数据的局部资源分配观点作为所述调度更新引导，通过所述长短期记忆网络识别出所述第三注意力维度下的衍生调度观点。
19、在一些技术方案中，所述方法还包括：对所述局部资源分配观点进行扰动处理。
20、在一些技术方案中，所述业务运营数据挖掘网络包括中台侧神经网络和边缘侧神经网络；所述第一生产资源调度观点是所述边缘侧神经网络生成的生产资源调度观点；
21、所述依据所述第一生产资源调度观点和所述先验学习注释，确定第一资源调度决策误差，包括：依据所述第一生产资源调度观点和所述先验学习注释，确定所述边缘侧神经网络的所述第一资源调度决策误差。
22、在一些技术方案中，所述业务运营数据挖掘网络包括中台侧神经网络和边缘侧神经网络；所述第二生产资源调度观点包括所述中台侧神经网络生成的全局生产资源调度观点，以及所述边缘侧神经网络生成的边缘生产资源调度观点，所述更新后的第二生产资源调度观点包括更新后的全局生产资源调度观点；
23、所述依据所述更新后的第二生产资源调度观点，确定第二资源调度决策误差，包括：依据所述边缘生产资源调度观点和所述更新后的全局生产资源调度观点，确定所述边缘侧神经网络的所述第二资源调度决策误差。
24、在一些技术方案中，所述依据所述边缘生产资源调度观点和所述更新后的全局生产资源调度观点，确定所述边缘侧神经网络的所述第二资源调度决策误差，包括：
25、依据所述边缘生产资源调度观点和所述更新后的全局生产资源调度观点，确定衍生调度观点的资源调度决策误差；以及依据所述边缘生产资源调度观点和所述全局生产资源调度观点，确定资源调度联合决策误差；
26、将所述衍生调度观点的资源调度决策误差和所述资源调度联合决策误差之间的融合结果，确定为所述边缘侧神经网络的所述第二资源调度决策误差。
27、在一些技术方案中，所述将所述衍生调度观点的资源调度决策误差和所述资源调度联合决策误差之间的融合结果，确定为所述边缘侧神经网络的所述第二资源调度决策误差，包括：
28、基于调试过程的当前调试周期数和最大调试周期数，确定第一置信系数和第二置信系数；
29、确定所述第一置信系数和所述衍生调度观点的资源调度决策误差的第一误差加权结果，以及所述第二置信系数和所述资源调度联合决策误差的第二误差加权结果；
30、结合所述第一误差加权结果和所述第二误差加权结果，确定所述边缘侧神经网络的所述第二资源调度决策误差。
31、在一些技术方案中，所述调试过程包括多周期调试，所述业务运营数据挖掘网络包括中台侧神经网络和边缘侧神经网络；
32、所述依据所述第一资源调度决策误差和所述第二资源调度决策误差，调试所述业务运营数据挖掘网络，包括：
33、依据所述第一资源调度决策误差和所述第二资源调度决策误差，优化所述边缘侧神经网络在第u个调试周期的算法权重，u为正整数；
34、依据所述边缘侧神经网络在所述第u个调试周期之前的算法权重和所述第u个调试周期的算法权重，优化所述中台侧神经网络的算法权重。
35、在一些技术方案中，所述调试过程包括多周期调试，所述方法还包括：
36、基于第u个调试周期中的所述第二业务运营数据示例的第二生产资源调度观点，从所述第二业务运营数据示例中筛选待处理业务运营数据示例，u为正整数；
37、获取为所述待处理业务运营数据示例配置的所述先验学习注释，得到所述第u个调试周期中直接筛选输出的第一业务运营数据示例，以及将所述第一业务运营数据示例添加至第u+1个调试周期使用的第一业务运营数据示例集合中。
38、在一些技术方案中，所述基于第u个调试周期中的所述第二业务运营数据示例的第二生产资源调度观点，从所述第二业务运营数据示例中筛选待处理业务运营数据示例，包括：
39、依据所述第u个调试周期中的所述第二业务运营数据示例的第二生产资源调度观点，将符合设定要求的第二业务运营数据示例筛选为所述待处理业务运营数据示例；
40、其中，所述符合设定要求的第二业务运营数据示例，包括如下至少之一：
41、依赖所述第二生产资源调度观点的观点可信评分降序排列的前x1个第二业务运营数据示例；
42、依赖所述第二生产资源调度观点的全局时序误差降序排列的前x2个第二业务运营数据示例，所述全局时序误差是所述第二生产资源调度观点中全部业务运营消息的响应延时误差；
43、依赖所述第二生产资源调度观点的频繁项系数降序排列的前x3个第二业务运营数据示例，所述频繁项系数是所述第二生产资源调度观点中大于设定判别值的业务运营消息占全部业务运营消息的占比；
44、其中，x1、x2和x3皆是正整数。
45、在一些技术方案中，所述第一业务运营数据示例为船舶接卸业务运营数据，所述第一业务运营数据示例的先验学习注释是采用联动注释规则配置的；所述联动注释规则是对所述船舶接卸业务运营数据中三个注意力维度的lng存储业务运营数据分别注释局部资源分配观点的动态规则；其中，所述三个注意力维度中每个注意力维度的lng存储业务运营数据是属于当前注意力维度的多组局部业务运营数据中的一组局部业务运营数据。
46、本发明还提供了一种生产资源动态分配管理系统，包括：存储器，用于存储程序指令和数据；处理器，用于与存储器耦合，执行所述存储器中的指令，以实现如上述的方法。
47、本发明还提供了一种计算机存储介质，包含指令，当所述指令在处理器上执行时，实现上述的方法。
48、本发明实施例提出了一种结合先验学习注释、业务运营数据挖掘网络和长短期记忆网络的生产资源调度方法。该方法不仅充分利用了先验知识来加速和优化机器学习模型的学习过程，还通过长短期记忆网络捕捉到了业务运营数据中的时序特性，实现了对生产资源调度观点的精准计算和动态更新。该方法显著了提升lng接收站的生产调度准确性和效率，为接收站的运营管理提供有力的支持。
1.一种基于人工智能的生产资源动态分配管理方法，其特征在于，所述方法应用于生产资源动态分配管理系统，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述通过长短期记忆网络更新所述第二生产资源调度观点，得到更新后的第二生产资源调度观点，包括：以所述第二业务运营数据示例作为拟挖掘接收站业务运营数据，以及以所述第二生产资源调度观点作为调度更新引导，通过所述长短期记忆网络输出所述更新后的第二生产资源调度观点。
3.根据权利要求2所述的方法，其特征在于，所述第二业务运营数据示例为船舶接卸业务运营数据，所述以所述第二业务运营数据示例作为拟挖掘接收站业务运营数据，以及以所述第二生产资源调度观点作为调度更新引导，通过所述长短期记忆网络输出更新后的第二生产资源调度观点，包括：
4.根据权利要求3所述的方法，其特征在于，所述采用观点更新线程聚合所述三个注意力维度下的衍生调度观点，输出所述更新后的第二生产资源调度观点，包括：
5.根据权利要求3所述的方法，其特征在于，所述采用观点更新线程聚合所述三个注意力维度下的衍生调度观点，输出所述更新后的第二生产资源调度观点，包括：
6.根据权利要求3所述的方法，其特征在于，所述将所述三个注意力维度的lng存储业务运营数据作为所述拟挖掘接收站业务运营数据，以及以所述第二生产资源调度观点作为所述调度更新引导，通过所述长短期记忆网络识别出所述三个注意力维度下的衍生调度观点，包括：
7.根据权利要求1至6任一所述的方法，其特征在于，所述业务运营数据挖掘网络包括中台侧神经网络和边缘侧神经网络；所述第一生产资源调度观点是所述边缘侧神经网络生成的生产资源调度观点；
8.根据权利要求1至6任一所述的方法，其特征在于，所述业务运营数据挖掘网络包括中台侧神经网络和边缘侧神经网络；所述第二生产资源调度观点包括所述中台侧神经网络生成的全局生产资源调度观点，以及所述边缘侧神经网络生成的边缘生产资源调度观点，所述更新后的第二生产资源调度观点包括更新后的全局生产资源调度观点；
9.一种生产资源动态分配管理系统，其特征在于，包括：存储器，用于存储程序指令和数据；处理器，用于与存储器耦合，执行所述存储器中的指令，以实现如权利要求1-8任一项所述的方法。
10.一种计算机存储介质，其特征在于，包含指令，当所述指令在处理器上执行时，实现如权利要求1-8任一项所述的方法。
