一种基于双向长短时记忆网络和集成学习的基数估计方法

本发明公开了一种基于双向长短时记忆网络和集成学习的基数估计方法，旨在解决传统基数估计方法及现有学习型方法在准确性和效率上的局限性。本发明通过四个子编码器高效提取查询计划树的结构、连接、操作和过滤条件信息，并利用双向长短时记忆网络对提取的特征序列进行压缩，有效捕捉节点间的上下文依赖关系，降低了模型学习难度。此外，本发明引入贝叶斯神经网络结合主动学习策略，以筛选并构建多个高价值的训练数据子集，并在此基础上训练一个鲁棒的集成模型用于基数估计。本发明在多个数据集上显著提高了基数估计的准确性，并在处理复杂查询和多表连接场景时，相较于其他方法表现出更优越的综合性能。