查询是数据库系统的主要负载,查询执行的效率决定数据库系统的性能。为查询选择合适的执行计划是提高数据库系统性能、最终提升应用系统性能的关键。目前查询优化器主要基于代价模型为查询选择执行计划,代价模型的建立通常依赖于数据库系统中的统计信息,统计信息的准确度受数据分布情况的影响。数据分布未知时,优化器提供的统计信息与真实情况存在较大偏差。对于并发查询,查询优化器通过配置并行度等参数为查询选择较优的执行计划,参数不变,优化器选择的执行计划也不变。实际上,数据库系统中的并发查询存在查询交互,查询交互通常引起查询使用资源量或时间的改变,也就是执行计划代价的改变。不同查询组合下,查询交互不同,代价的改变也不同,通过配置参数影响执行计划的选择往往无法反映这种改变。因此,为查询动态选择合适的执行计划应充分考虑查询交互。查询组合多种多样,查询交互复杂多变,很难用一个固定的数学模型描述。本文使用深度学习神经网络为并发查询选择执行计划。考虑到查询执行过程中,各操作间具有一定的时序关系,本文采用长短期记忆（Long Short-Term Memory,简称LSTM）网络的时域特性和全连接层网络（Full Connected Networks,简称FCN）对特征的融合及分类优势,提出基于LSTM-FCN的并发查询执行计划选择方法。设计并编码查询组合的执行计划特征和交互特征,将其作为网络的输入,为查询动态选择适合实际运行场景的执行计划。在Postgre SQL上的实验验证了本文所提方法可行有效,LSTM-FCN在不同查询组合及并行度为3,4,5,6,7的情况下,以97.1%的平均准确率为查询选择合适的执行计划。