会议室预约方法、装置、设备及存储介质与流程

1.本发明涉及数据处理技术领域，尤其涉及一种会议室预约方法、装置、设备及存储介质。


背景技术：

2.会议室预约是利用网络对用户现有会议室使用情况、时间安排、人员安排、设备安排等各种信息的收集与分析，减少企业工作中出现会议管理混乱，使用不均衡、设备不到位等情况的几率，提高企业资源利用率以及办公效率。
3.当前，会议室分配多采用人工分配，费时费力，且对会议室利用率低下。同时，会议室预约具有一定的临时性，属于短期计划，无法优先提取占用使用区间较多的会议进行安排。而人工处理方案存在效率低下、出错率高、记录繁杂、利用率低等缺点。
4.如果要召开会议需要提前根据参会人数以及开会时间预约会议室，但是可能因为预约不及时等原因没有能够及时预约，导致会议无法合理安排，导致使用者工作进度无法正常展开。


技术实现要素：

5.本发明的主要目的在于提供一种会议室预约方法、装置、设备及存储介质，旨在解决现有技术会议室资源有限导致在需要使用会议室时，资源被占用无法及时开展会议的技术问题。
6.为实现上述目的，本发明提供了一种会议室预约方法，所述方法包括以下步骤：根据用户的基础会议特征构建基础线性相关矩阵，并通过所述基础线性相关矩阵得到基础特征；根据用户的历史会议人数构建会议变量特征，根据所述会议变量特征进行时间变量分析，得到变量特征；根据关联系数矩阵对所述基础特征和所述变量特征进行融合，得到融合特征；根据历史会议日期、所述融合特征对循环神经网络进行训练，得到会议室预测模型；基于用户的当前日期通过所述会议室预测模型进行用户会议信息预测，得到预测会议信息，根据所述预测会议信息进行会议室预约。
7.可选地，所述根据用户的基础会议特征构建基础线性相关矩阵，并通过所述基础线性相关矩阵得到基础特征，包括：获取用户的历史会议时间、历史会议时长；对所述历史会议时间和所述历史会议时长进行归一化处理，得到基础会议特征，所述基础会议特征包括参考会议时间特征和参考会议时长特征；根据多个参考会议时间特征构建会议时间矩阵，根据多个参考会议时长特征构建会议时长矩阵；
根据所述会议时间矩阵和所述会议时长矩阵构建基础线性相关矩阵；根据所述基础线性相关矩阵得到基础特征。
8.可选地，所述根据所述基础线性相关矩阵得到基础特征，包括：获取所述会议时间矩阵的误差平方和所述会议时长矩阵的误差平方；根据所述会议时间矩阵的误差平方和所述会议时长矩阵的误差平方构建损失函数；根据预设梯度更新幅度和正则化系数得到梯度更新元素；根据所述梯度更新元素对所述损失函数进行求解得到基础特征。
9.可选地，所述根据用户的历史会议人数构建会议变量特征，根据所述会议变量特征进行时间变量分析，得到变量特征，包括：预先将会议人数划分为多个人数区间，根据历史会议人数得到会议人数概率；根据所述历史会议人数构建会议变量特征，根据所述会议人数概率得到各个历史会议人数的人数熵；根据所述人数熵对所述会议变量特征进行特征提取，得到变量特征。
10.可选地，所述循环神经网络包括第一循环层和第二循环层；所述根据历史会议日期、所述融合特征对循环神经网络进行训练，得到会议室预测模型，包括：根据第一循环层的上一次预测结果、预设更新权重、预设重置权重、所述会议日期以及所述融合特征输入循环神经网络；计算所述第一循环层的更新参数和重置参数；根据预设隐藏权重、所述第一循环层的上一次预测结果、所述更新参数和所述重置参数得到隐藏参数；根据所述隐藏参数、所述重置参数以及所述第一循环层的上一次预测结果计算得到第一循环层的当前预测结果；通过第二循环层对第一循环层的当前预测结果进行特征筛选，得到第二循环层的当前输出结果；基于所述第二循环层的当前输出结果完成对所述循环神经网的行训练，得到会议室预测模型。
11.可选地，所述通过第二循环层对第一循环层的当前预测结果进行特征筛选，得到第二循环层的当前输出结果，包括：根据第二循环层的上一次预测结果、所述第一循环层的当前预测结果、预设遗忘权重以及预设遗忘偏置计算第二循环层的遗忘因素；根据预设输入权重、所述第二循环层的上一次预测结果、所述第一循环层的当前预测结果以及预设输入偏置得到输入影响因素；根据所述输入影响因素、所述遗忘因素、所述第二循环层的上一次预测结果、所述第一循环层的当前预测结果计算第二循环层特征筛选结果；根据预设输出权重、预设输出偏置、所述第二循环层的上一次预测结果、所述第一循环层的当前预测结果以及所述预设遗忘参数对所述第二循环层特征筛选结果进行计算得到第二循环层的当前输出结果。
12.可选地，所述根据所述预测会议信息进行会议室预约，包括：根据预测会议信息确定待预约会议时间以及待预约会议人数；获取可使用会议室资源，根据所述待预约会议时间以及待预约会议人数从所述可使用会议室资源确定目标会议室；判断所述目标会议室是否被使用，若所述目标会议室被使用，则根据所述待预约会议时间、待预约会议人数、预设时间阈值、预设人数阈值重新确定目标会议室；若所述目标会议室未被使用，则预约所述目标会议室，在待预约会议时间预设时间内对用户进行会议提醒。
13.此外，为实现上述目的，本发明还提出一种会议室预约装置，所述会议室预约装置包括：模型训练模块，用于根据用户的基础会议特征构建基础线性相关矩阵，并通过所述基础线性相关矩阵得到基础特征；所述模型训练模块，还用于根据用户的历史会议人数构建会议变量特征，根据所述会议变量特征进行时间变量分析，得到变量特征；所述模型训练模块，还用于根据关联系数矩阵对所述基础特征和所述变量特征进行融合，得到融合特征；所述模型训练模块，还用于根据历史会议日期、所述融合特征对循环神经网络进行训练，得到会议室预测模型；会议预约模块，用于基于用户的当前日期通过所述会议室预测模型进行用户会议信息预测，得到预测会议信息，根据所述预测会议信息进行会议室预约。
14.此外，为实现上述目的，本发明还提出一种会议室预约设备，所述会议室预约设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的会议室预约程序，所述会议室预约程序配置为实现如上文所述的会议室预约方法的步骤。
15.此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有会议室预约程序，所述会议室预约程序被处理器执行时实现如上文所述的会议室预约方法的步骤。
16.本发明通过对历史会议的特征参数从相关性和时间变量进行特征分析，并基于各个特征之间的关联对分析后的特征进行融合，根据会议融合特征和会议日期之间关系对模型进行训练，从而在使用中通过用户的每天的日期准确预测用户的会议信息，提前进行会议室预约，保证会议正常进行，避免因为预约不及时等原因没有能够及时预约会议室，导致会议无法合理安排，导致使用者工作进度无法正常展开。
附图说明
17.图1是本发明实施例方案涉及的硬件运行环境的会议室预约设备的结构示意图；图2为本发明会议室预约方法第一实施例的流程示意图；图3为本发明会议室预约方法第二实施例的流程示意图；图4为本发明会议室预约方法第三实施例的流程示意图；图5为本发明会议室预约方法一实施例的第一循环层结构图；图6为本发明会议室预约方法一实施例的第二循环层结构图；
图7为本发明会议室预约装置第一实施例的结构框图。
18.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
19.应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
20.参照图1，图1为本发明实施例方案涉及的硬件运行环境的会议室预约设备结构示意图。
21.如图1所示，该会议室预约设备可以包括：处理器1001，例如中央处理器（central processing unit，cpu），通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（display）、输入单元比如键盘（keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如无线保真（wireless-fidelity，wi-fi）接口）。存储器1005可以是高速的随机存取存储器（random access memory，ram）存储器，也可以是稳定的非易失性存储器（non-volatile memory，nvm），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
22.本领域技术人员可以理解，图1中示出的结构并不构成对会议室预约设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
23.如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及会议室预约程序。
24.在图1所示的会议室预约设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明会议室预约设备中的处理器1001、存储器1005可以设置在会议室预约设备中，所述会议室预约设备通过处理器1001调用存储器1005中存储的会议室预约程序，并执行本发明实施例提供的会议室预约方法。
25.本发明实施例提供了一种会议室预约方法，参照图2，图2为本发明一种会议室预约方法第一实施例的流程示意图。
26.本实施例中，所述会议室预约方法包括以下步骤：步骤s10：根据用户的基础会议特征构建基础线性相关矩阵，并通过所述基础线性相关矩阵得到基础特征。
27.可理解的是，采集用户在历史过程中对会议室的使用情况，使用情况包括会议日期、会议开始时间、会议结束时间、会议时长、会议人数、会议地点等。
28.需说明的是，用户的基础会议特征可以是根据用户历史会议时间和历史会议时长得到，其中历史会议时长可以根据历史会议开始时间和历史会议结束时间得到。
29.可理解的是，基础特征可以是通过基础线性相关矩阵对基础会议特征中的特征进行处理后得到的。
30.应理解的是，基础线性相关矩阵可以是根据多个基础会议特征构建得到。
31.需说明的是，本实施例的应用场景可以是在用户通过会议室预约系统进行会议预约，获取多个用户的历史会议室预约记录，并根据历史会议室预约记录进行模型训练，模型训练可以是通过一个用户的历史会议室预约记录进行训练得到。
32.需要说明的是，本实施例的执行主体是疲劳驾驶检测设备，其中，该疲劳驾驶检测
设备具有数据处理，数据通信及程序运行等功能，所述疲劳驾驶检测设备可以为集成控制器，控制计算机等设备，当然还可以为其他具备相似功能的设备，本实施例对此不做限制。
33.步骤s20：根据用户的历史会议人数构建会议变量特征，根据所述会议变量特征进行时间变量分析，得到变量特征。
34.可理解的是，会议变量特征是根据历史会议人数构建得到的特征，其中，应为历史会议人数是一个在不同时间会发生改变的一个变量，同时会议人数会影响用户需要预约的会议室是哪一个。
35.需说明的是，对用户的多个历史会议人数进行特征提取，得到会议变量特征，时间变量分析是基于不同时间对历史会议人数的变化进行分析，同时对会议人数进行区间划分，通过区间划分可以避免极小人数的差别导致特征之间的区别，从而造成特征增多，模型训练收敛速度慢。
36.需进一步说明的是，所述根据用户的历史会议人数构建会议变量特征，根据所述会议变量特征进行时间变量分析，得到变量特征，包括：预先将会议人数划分为多个人数区间（例如设定人数范围可以是0-500，以50个人数为一个区间，将0-500划为10个区间），根据历史会议人数得到会议人数概率（也就是每次预约会议室时，会议人数在各个区间的概率）；根据所述历史会议人数构建会议变量特征，根据所述会议人数概率得到各个历史会议人数的人数熵；根据所述人数熵对所述会议变量特征进行特征提取，得到变量特征。
37.在具体实施中，将会议人数分割为多个人数区间，其中，区间m包括m1、m2
···
多个人数区间，每次会议在各个人数区间的概率表示可参考下列公式：
38.其中，n表示总人数区间数，n（mi）表示在历史会议中，会议人数在mi区间的次数，v表示根据会议人数构建的会议变量特征。进一步的，各个历史会议人数的人数熵的计算公式可以参考下列公式：
39.其中，ev表示人数熵，熵值越大则表示人数区间概率分布越平均，则证明会议人数越不规律，可以减小会议人数区间的划分。
40.然后，可以通过长短期记忆算法（lstm）对各个人数熵的会议变量特征进行不同区间人数特征的提取，得到变量特征。
41.步骤s30：根据关联系数矩阵对所述基础特征和所述变量特征进行融合，得到融合特征。
42.需说明的是，关联系数矩阵可以是通过皮尔逊相关系数(pccs)构建的矩阵。
43.在具体实施中，将基础特征构建一个基础特征矩阵，将变量特征构建一个变量特征矩阵，分别计算两个矩阵的均值，根据两个矩阵的均值和皮尔逊相关系数构建关联系数矩阵，详细可以参考下列公式：
44.其中，r表示融合特征，x表示基础特征矩阵，x包括x1、x2
···
xn个特征，表示基础特征矩阵均值；y表示变量特征矩阵，y包括y1、y2
···
yn个特征，表示变量特征矩阵均值。
45.步骤s40：根据历史会议日期、所述融合特征对循环神经网络进行训练，得到会议室预测模型。
46.可理解的是，用户对会议室的使用具有重复性和动态使用的特征点，循环神经网络可以根据历史会议日期和融合特征短期动态趋势的预测。
47.需说明的是，循环神经网络可以包括至少一个门控循环单元和一个由输入门、遗忘门、输出门组成的短期记忆网络。
48.需进一步说明的是，循环神经网络可以有效提取特征中的信息，排除不必要的参数，缩短训练时间，短期记忆网络可以动态根据每次训练结果对下一次训练过程进行动态调整，有效综合多个训练结果，实现对会议室预约信息的预测。
49.步骤s50：基于用户的当前日期通过所述会议室预测模型进行用户会议信息预测，得到预测会议信息，根据所述预测会议信息进行会议室预约。
50.可理解的是，将用户的当前日期输入所述会议室预测模型经过预测可以得到当天用户可能会进行的会议，同时所述预测会议信息可以包括预测的会议时间、会议时长以及会议人数等信息，可以根据该信息进行会议室预约。
51.需说明的是，所述根据所述预测会议信息进行会议室预约，包括：根据预测会议信息确定待预约会议时间以及待预约会议人数；获取可使用会议室资源，根据所述待预约会议时间以及待预约会议人数从所述可使用会议室资源确定目标会议室；判断所述目标会议室是否被使用，若所述目标会议室被使用，则根据所述待预约会议时间、待预约会议人数、预设时间阈值、预设人数阈值重新确定目标会议室；若所述目标会议室未被使用，则预约所述目标会议室，在待预约会议时间预设时间内对用户进行会议提醒。
52.需进一步说明的是，会议室资源可以是包括很多会议室的信息，例如会议室大小、会议室是否被使用、会议室是否被预约；其中，可使用会议室资源是允许被使用的会议室，不被允许使用的会议室可能是会议室被损坏、或者是会议室被维修等。
53.进一步的，根据预测会议信息确定在会议时间没有被预约的会议室，同时从没有被预约的会议室中确定可容纳人数满足会议人数的会议室；若没有满足时间的会议室，则根据预设时间阈值对会议时间进行调整，若没有可容纳所有会议人数的会议室，则根据预设人数阈值扩大会议室选择范围，其中预设时间阈值可根据实际情况进行调整，可以是早或者晚10分钟也就可以是30分钟，预设人数阈值可以根据实际情况进行调整，可以是多容纳10人、20人、50人的会议室，也可以是可少容纳10人、20人的会议室。
54.本实施例通过对历史会议的特征参数从相关性和时间变量进行特征分析，并基于各个特征之间的关联对分析后的特征进行融合，根据会议融合特征和会议日期之间关系对
模型进行训练，从而在使用中通过用户的每天的日期准确预测用户的会议信息，提前进行会议室预约，保证会议正常进行，避免因为预约不及时等原因没有能够及时预约会议室，导致会议无法合理安排，导致使用者工作进度无法正常展开。
55.参考图3，图3为本发明一种会议室预约方法第二实施例的流程示意图。
56.基于上述第一实施例，本实施例会议室预约方法在所述步骤s10，包括：步骤s11：获取用户的历史会议时间、历史会议时长，对所述历史会议时间和所述历史会议时长进行归一化处理，得到基础会议特征，所述基础会议特征包括参考会议时间特征和参考会议时长特征。
57.可理解的是，对所述历史会议时间和所述历史会议时长进行归一化处理可以得到能够更好的表示历史会议时间和历史会议时长的基础会议特征，其中，基于基础会议特征对模型进行训练，可以使模型更好的识别各个特征之间的关联，从而进行预测，同时，可以更好的对模型进行训练，提高预测准确率。
58.应理解的是，基础会议特征是可以包括参考会议时间特征和参考会议时长特征，进一步的基础会议特征是根据参考会议时间特征和参考会议时长特征计算得到。
59.步骤s12：根据多个参考会议时间特征构建会议时间矩阵，根据多个参考会议时长特征构建会议时长矩阵。
60.可理解的是，会议时间矩阵可以理解为是多个参考会议时间特征的集合，会议时长矩阵可以是多个参考会议时长特征的集合。
61.步骤s13：根据所述会议时间矩阵和所述会议时长矩阵构建基础线性相关矩阵，根据所述基础线性相关矩阵得到基础特征。
62.可理解的是，基础线性相关矩阵可以是通过会议时间矩阵和会议时长矩阵相乘得到。
63.应理解的是，基础线性相关矩阵可以表达会议时间和会议时长时间的对应关系。
64.需说明的是，为了拨正通过基础线性相关矩阵可以更加准确的描述会议时间和会议时长时间的对应关系，在通过会议时间矩阵和会议时长矩阵构建基础线性相关矩阵的过程中可以通过损失函数对基础线性相关矩阵进行优化。
65.需强调的是，所述根据所述基础线性相关矩阵得到基础特征，包括：获取所述会议时间矩阵的误差平方和所述会议时长矩阵的误差平方；根据所述会议时间矩阵的误差平方和所述会议时长矩阵的误差平方构建损失函数；根据预设梯度更新幅度和正则化系数得到梯度更新元素；根据所述梯度更新元素对所述损失函数进行求解得到基础特征。
66.其中，可理解的是，损失函数的构建可以参考下列公式：
67.其中，表示融合特征，表示会议时间矩阵的第i行的列向量，表示会议时长矩阵的第i行的列向量，表示会议时长矩阵的第i行的列向量，表示第i行第j列的向量的二值化，也就是非0即1。
68.进一步的，预设梯度更新幅度和正则化系数得到梯度更新元素可以根据下列公式
得到：
69.其中，α表示更新幅度，且0＜α≤1；λ为正则化系数，梯度更新元素为ε
i，j
。
70.本实施例通过影响会议信息预测的多个特征进行归一化处理，再进行会议人数的时间特征分析，从中得到更具有象征意义的参考会议时间特征和参考会议时长特征，基于参考会议时间特征和参考会议时长特征之间关联构建二者的基础线性相关矩阵，基于线性相关矩阵进一步对参考会议时间特征和参考会议时长特进行筛选得到基础特征，并将基础特征和变量特征进行融合，充分体现历史会议信息，并通过融合特征进行训练能够使模型更好的识别历史会议信息和对应会议日期，从而使模型能够更加快速准确的对当前日期的会议信息进行预测，从而进行会议预约。
71.参考图4，图4为本发明一种会议室预约方法第二实施例的流程示意图。
72.基于上述第一实施例，本实施例会议室预约方法在所述步骤s40，包括：步骤s41：根据第一循环层的上一次预测结果、预设更新权重、预设重置权重、所述会议日期以及所述融合特征输入循环神经网络，计算所述第一循环层的更新参数和重置参数。
73.可理解的是，第一循环层的上一次预测结果可以是上一个融合特征输入循环神经网络后模型输出的预测结果，若当前融合特征为第一个输入循环神经网络的融合特征，则第一循环层的上一次预测结果可以为0。
74.需说明的是，第一循环层的上一次预测结果、预设更新权重、预设重置权重、所述会议日期以及所述融合特征输入循环神经网络通过循环神经网络构建基于第一循环层的上一次预测结果、预设更新权重、预设重置权重得到会议日期和融合特征之间的对应关系。
75.需说明的是，第一循环层的更新参数和重置参数是在训练过程中会根据输入的融合特征进行不断动态调整的。
76.可理解的是，更新参数可以表示上一次预测结果对当前预测的影响程度；重置参数表示对当前输入信息的中特征的选择量，选择量可以是80%，也可以是其他数值，可根据实际情况进行限定。
77.在具体实施中，更新参数和重置参数的计算可以参考图5和下列公式：
78.其中，表示更新参数，表示预设更新权重，表示上一次预测结果，表示融合特征，表示激活函数。
[0079][0080]
其中，表示重置参数，表示预设重置权重。
[0081]
需说明的是，步骤s42：根据预设隐藏权重、所述第一循环层的上一次预测结果、所述更新参数和所述重置参数得到隐藏参数。
[0082]
需说明的是，隐藏参数的计算的可以参考下列公式：
[0083]
其中，可理解为特征处理函数。
[0084]
步骤s43：根据所述隐藏参数、所述重置参数以及所述第一循环层的上一次预测结果计算得到第一循环层的当前预测结果。
[0085]
需说明的是，第一循环层的当前预测结果可以参考下列公式：
[0086]
步骤s44：通过第二循环层对第一循环层的当前预测结果进行特征筛选，得到第二循环层的当前输出结果。
[0087]
需说明的是，所述通过第二循环层对第一循环层的当前预测结果进行特征筛选，得到第二循环层的当前输出结果，包括：根据第二循环层的上一次预测结果、所述第一循环层的当前预测结果、预设遗忘权重以及预设遗忘偏置计算第二循环层的遗忘因素；根据预设输入权重、所述第二循环层的上一次预测结果、所述第一循环层的当前预测结果以及预设输入偏置得到输入影响因素；根据所述输入影响因素、所述遗忘因素、所述第二循环层的上一次预测结果、所述第一循环层的当前预测结果计算第二循环层特征筛选结果；根据预设输出权重、预设输出偏置、所述第二循环层的上一次预测结果、所述第一循环层的当前预测结果以及所述预设遗忘参数对所述第二循环层特征筛选结果进行计算得到第二循环层的当前输出结果。
[0088]
在具体实施中，第二循环层可以的网络结构可以参考下列公式和图6：
[0089]
其中，表示第一循环层的当前预测结果，表示预设遗忘权重，表示预设遗忘偏置，表示遗忘因素，表示预设输入权重，表示预设输入偏置。
[0090]
进一步的：
[0091]
其中，和表示图6中处神经网络的预设参考权重和偏执，和表示图6中处神经网络的预设参考权重和偏执。
[0092]
步骤s45：基于所述第二循环层的当前输出结果完成对所述循环神经网的行训练，得到会议室预测模型。
[0093]
可理解的是，经过第一循环层和第二循环层对特征的处理可以得到对融合特征之间的规律以及融合特征与历史会议日期之间的对应关系，多个融合特征和历史会议日期不断优化模型中对日期和融合特征之间的关系，得到最终的会议室预测模型。
[0094]
本实施例通过组合模型的两层循环层中的第一循环层网络结构简单，参数少且易收敛来提高训练速度快，减少训练时间，通过第二循环层获得更高的精度预测精度，同时采用非线性建模，能更好地学习并训练大量的融合特征向量，从而准确描述历史会议信息的变化规律，减少了训练参数、降低了算法的复杂度、加快了收敛速度、提高了预测精度，可以高效、准确的对会议信息进行预测。
[0095]
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有会议室预约程序，所述会议室预约程序被处理器执行时实现如上文所述的会议室预约方法的步骤。
[0096]
参照图7，图7为本发明会议室预约装置第一实施例的结构框图。
[0097]
如图7所示，本发明实施例提出的会议室预约装置包括：模型训练模块10，用于根据用户的基础会议特征构建基础线性相关矩阵，并通过所述基础线性相关矩阵得到基础特征；所述模型训练模块10，还用于根据用户的历史会议人数构建会议变量特征，根据所述会议变量特征进行时间变量分析，得到变量特征；所述模型训练模块10，还用于根据关联系数矩阵对所述基础特征和所述变量特征进行融合，得到融合特征；所述模型训练模块10，还用于根据历史会议日期、所述融合特征对循环神经网络进行训练，得到会议室预测模型；会议预约模块20，用于基于用户的当前日期通过所述会议室预测模型进行用户会议信息预测，得到预测会议信息，根据所述预测会议信息进行会议室预约。
[0098]
本实施例通过对历史会议的特征参数从相关性和时间变量进行特征分析，并基于各个特征之间的关联对分析后的特征进行融合，根据会议融合特征和会议日期之间关系对模型进行训练，从而在使用中通过用户的每天的日期准确预测用户的会议信息，提前进行会议室预约，保证会议正常进行，避免因为预约不及时等原因没有能够及时预约会议室，导致会议无法合理安排，导致使用者工作进度无法正常展开。
[0099]
在一实施例中，所述模型训练模块10，还用于获取用户的历史会议时间、历史会议时长；对所述历史会议时间和所述历史会议时长进行归一化处理，得到基础会议特征，所述基础会议特征包括参考会议时间特征和参考会议时长特征；根据多个参考会议时间特征构建会议时间矩阵，根据多个参考会议时长特征构建会议时长矩阵；根据所述会议时间矩阵和所述会议时长矩阵构建基础线性相关矩阵；根据所述基础线性相关矩阵得到基础特征。
[0100]
在一实施例中，所述模型训练模块10，还用于获取所述会议时间矩阵的误差平方和所述会议时长矩阵的误差平方；根据所述会议时间矩阵的误差平方和所述会议时长矩阵的误差平方构建损失函数；
根据预设梯度更新幅度和正则化系数得到梯度更新元素；根据所述梯度更新元素对所述损失函数进行求解得到基础特征。
[0101]
在一实施例中，所述模型训练模块10，还用于预先将会议人数划分为多个人数区间，根据历史会议人数得到会议人数概率；根据所述历史会议人数构建会议变量特征，根据所述会议人数概率得到各个历史会议人数的人数熵；根据所述人数熵对所述会议变量特征进行特征提取，得到变量特征。
[0102]
在一实施例中，所述模型训练模块10，还用于所述根据历史会议日期、所述融合特征对循环神经网络进行训练，得到会议室预测模型，包括：根据第一循环层的上一次预测结果、预设更新权重、预设重置权重、所述会议日期以及所述融合特征输入循环神经网络；计算所述第一循环层的更新参数和重置参数；根据预设隐藏权重、所述第一循环层的上一次预测结果、所述更新参数和所述重置参数得到隐藏参数；根据所述隐藏参数、所述重置参数以及所述第一循环层的上一次预测结果计算得到第一循环层的当前预测结果；通过第二循环层对第一循环层的当前预测结果进行特征筛选，得到第二循环层的当前输出结果；基于所述第二循环层的当前输出结果完成对所述循环神经网的行训练，得到会议室预测模型。
[0103]
在一实施例中，所述模型训练模块10，还用于根据第二循环层的上一次预测结果、所述第一循环层的当前预测结果、预设遗忘权重以及预设遗忘偏置计算第二循环层的遗忘因素；根据预设输入权重、所述第二循环层的上一次预测结果、所述第一循环层的当前预测结果以及预设输入偏置得到输入影响因素；根据所述输入影响因素、所述遗忘因素、所述第二循环层的上一次预测结果、所述第一循环层的当前预测结果计算第二循环层特征筛选结果；根据预设输出权重、预设输出偏置、所述第二循环层的上一次预测结果、所述第一循环层的当前预测结果以及所述预设遗忘参数对所述第二循环层特征筛选结果进行计算得到第二循环层的当前输出结果。
[0104]
在一实施例中，所述会议预约模块20，还用于根据预测会议信息确定待预约会议时间以及待预约会议人数；获取可使用会议室资源，根据所述待预约会议时间以及待预约会议人数从所述可使用会议室资源确定目标会议室；判断所述目标会议室是否被使用，若所述目标会议室被使用，则根据所述待预约会议时间、待预约会议人数、预设时间阈值、预设人数阈值重新确定目标会议室；若所述目标会议室未被使用，则预约所述目标会议室，在待预约会议时间预设时间内对用户进行会议提醒。
[0105]
应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具
体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。
[0106]
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
[0107]
此外，需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
[0108]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0109]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述 实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通 过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的 技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体 现出来，该计算机软件产品存储在一个存储介质（如只读存储器（read only memory，rom）/ram、磁碟、光 盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，或者网络设备等）执行本发明各个实施例所述的方法。
[0110]
应该理解的是，虽然本技术实施例中的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0111]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

技术特征：
1.一种会议室预约方法，其特征在于，所述会议室预约方法包括：根据用户的基础会议特征构建基础线性相关矩阵，并通过所述基础线性相关矩阵得到基础特征；根据用户的历史会议人数构建会议变量特征，根据所述会议变量特征进行时间变量分析，得到变量特征；根据关联系数矩阵对所述基础特征和所述变量特征进行融合，得到融合特征；根据历史会议日期、所述融合特征对循环神经网络进行训练，得到会议室预测模型；基于用户的当前日期通过所述会议室预测模型进行用户会议信息预测，得到预测会议信息，根据所述预测会议信息进行会议室预约。2.如权利要求1所述的会议室预约方法，其特征在于，所述根据用户的基础会议特征构建基础线性相关矩阵，并通过所述基础线性相关矩阵得到基础特征，包括：获取用户的历史会议时间、历史会议时长，对所述历史会议时间和所述历史会议时长进行归一化处理，得到基础会议特征，所述基础会议特征包括参考会议时间特征和参考会议时长特征；根据多个参考会议时间特征构建会议时间矩阵，根据多个参考会议时长特征构建会议时长矩阵；根据所述会议时间矩阵和所述会议时长矩阵构建基础线性相关矩阵，根据所述基础线性相关矩阵得到基础特征。3.如权利要求2所述的会议室预约方法，其特征在于，所述根据所述基础线性相关矩阵得到基础特征，包括：获取所述会议时间矩阵的误差平方和所述会议时长矩阵的误差平方；根据所述会议时间矩阵的误差平方和所述会议时长矩阵的误差平方构建损失函数；根据预设梯度更新幅度和正则化系数得到梯度更新元素；根据所述梯度更新元素对所述损失函数进行求解得到基础特征。4.如权利要求1所述的会议室预约方法，其特征在于，所述根据用户的历史会议人数构建会议变量特征，根据所述会议变量特征进行时间变量分析，得到变量特征，包括：预先将会议人数划分为多个人数区间，根据历史会议人数得到会议人数概率；根据所述历史会议人数构建会议变量特征，根据所述会议人数概率得到各个历史会议人数的人数熵；根据所述人数熵对所述会议变量特征进行特征提取，得到变量特征。5.如权利要求1所述的会议室预约方法，其特征在于，所述循环神经网络包括第一循环层和第二循环层；所述根据历史会议日期、所述融合特征对循环神经网络进行训练，得到会议室预测模型，包括：根据第一循环层的上一次预测结果、预设更新权重、预设重置权重、所述会议日期以及所述融合特征输入循环神经网络，计算所述第一循环层的更新参数和重置参数；根据预设隐藏权重、所述第一循环层的上一次预测结果、所述更新参数和所述重置参数得到隐藏参数；根据所述隐藏参数、所述重置参数以及所述第一循环层的上一次预测结果计算得到第
一循环层的当前预测结果；通过第二循环层对第一循环层的当前预测结果进行特征筛选，得到第二循环层的当前输出结果；基于所述第二循环层的当前输出结果完成对所述循环神经网的行训练，得到会议室预测模型。6.如权利要求5所述的会议室预约方法，其特征在于，所述通过第二循环层对第一循环层的当前预测结果进行特征筛选，得到第二循环层的当前输出结果，包括：根据第二循环层的上一次预测结果、所述第一循环层的当前预测结果、预设遗忘权重以及预设遗忘偏置计算第二循环层的遗忘因素；根据预设输入权重、所述第二循环层的上一次预测结果、所述第一循环层的当前预测结果以及预设输入偏置得到输入影响因素；根据所述输入影响因素、所述遗忘因素、所述第二循环层的上一次预测结果、所述第一循环层的当前预测结果计算第二循环层特征筛选结果；根据预设输出权重、预设输出偏置、所述第二循环层的上一次预测结果、所述第一循环层的当前预测结果以及预设遗忘参数对所述第二循环层特征筛选结果进行计算得到第二循环层的当前输出结果。7.如权利要求1-6中任一项所述的会议室预约方法，其特征在于，所述根据所述预测会议信息进行会议室预约，包括：根据预测会议信息确定待预约会议时间以及待预约会议人数；获取可使用会议室资源，根据所述待预约会议时间以及待预约会议人数从所述可使用会议室资源确定目标会议室；判断所述目标会议室是否被使用，若所述目标会议室被使用，则根据所述待预约会议时间、待预约会议人数、预设时间阈值、预设人数阈值重新确定目标会议室；若所述目标会议室未被使用，则预约所述目标会议室，在待预约会议时间预设时间内对用户进行会议提醒。8.一种会议室预约装置，其特征在于，所述会议室预约装置包括：模型训练模块，用于根据用户的历史会议时间、历史会议时长构建基础会议特征，基于所述基础会议特征构建基础线性相关矩阵，根据所述基础线性相关矩阵得到基础特征；所述模型训练模块，还用于根据用户的历史会议人数构建会议变量特征，根据所述会议变量特征进行时间变量分析，得到变量特征；所述模型训练模块，还用于根据关联系数矩阵对所述基础特征和所述变量特征进行融合，得到融合特征；所述模型训练模块，还用于根据所述会议日期、所述融合特征对循环神经网络进行训练，得到会议室预测模型；会议预约模块，用于基于用户的当前日期通过会议室预测模型进行用户会议信息预测，得到预测会议信息，根据所述预测会议信息进行会议室预约。9.一种会议室预约设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的会议室预约程序，所述会议室预约程序配置为实现如权利要求1至7中任一项所述的会议室预约方法。
10.一种存储介质，其特征在于，所述存储介质上存储有会议室预约程序，所述会议室预约程序被处理器执行时实现如权利要求1至7任一项所述的会议室预约方法。

技术总结
本发明属于数据处理技术领域，公开了一种会议室预约方法、装置、设备及存储介质；该发明包括：根据基础会议特征构建基础线性相关矩阵，得到基础特征；根据会议变量特征进行时间变量分析，得到变量特征；根据关联系数矩阵融合基础特征和变量特征，得到融合特征；根据历史会议日期、融合特征训练循环神经网络，得到会议室预测模型；根据当前日期通过会议室预测模型得到预测会议信息，根据预测会议信息预约会议室；本发明通过对历史会议的特征参数从相关性和时间变量进行特征分析，基于各个特征的关联进行特征融合，根据融合特征和会议日期训练模型，从而在使用中通过用户的日期预测用户的会议信息，提前进行会议室预约，保证会议正常进行。常进行。常进行。


技术研发人员：王晓旭
受保护的技术使用者：北京创视联众科技有限公司
技术研发日：2023.08.25
技术公布日：2023/10/5