在数据库系统管理中,预测查询响应时间至关重要,通常用于查询调度、准入控制、容量规划等方面。目前,预测并行查询响应时间的模型多为统计模型,通过采集样本对预先设定的原型函数进行拟合建立模型。现有统计模型存在两方面的不足:预先确定的原型函数限制了对样本的拟合精度;以查询交互为主要因素,没有单独考虑查询使用资源因素,使得该模型预测准确率难以提高。人工神经网络具有无需预先确定原型函数、拟合能力强的优点,通过对输入特征和预测标签的学习、调节拟合模型,使模型的输出接近于真实的输出。基于此,针对统计模型需要预先确定原型函数造成的预测精度损失问题,本文提出采用结构简单、易搭建的人工神经网络——全连接神经网络来预测并行查询响应时间,提高预测精度。用全连接神经网络预测查询响应时间的关键在于模型输入特征向量的选取。模型输入应尽可能地包含影响查询响应时间的因素。查询响应时间由查询使用资源的时间和等待资源的时间组成。查询计划决定了查询使用资源的多少和过程,是查询使用资源时间的决定因素。查询等待资源的时间源自并行运行的多个查询对系统资源的争用——查询交互,因此,查询交互是影响查询等待资源时间的主要因素。针对统计模型没有充分的利用查询使用资源因素这一问题,本文在构造输入特征向量时,将查询计划、查询交互同时作为主要因素,对并行执行的查询(查询组合)提取每一个查询的查询计划,转化为查询计划特征分量QPF(Query Plan Features);采集查询的响应时间,转化为查询交互特征分量QIF(Query Interaction Features);合并QPF和QIF同时作为模型的输入特征向量。本文提出的用全连接神经网络预测并行查询响应时间的方法避免了统计建模预先设定原型函数、没有充分利用查询使用资源因素造成的精度损失。实验表明,本文模型准确率为79.99%,较当前代表性统计模型提高约6%。