[发明专利]一种基于位置信息的多变量QoS预测方法

权利要求书

1.一种基于位置信息的多变量QoS预测方法，其特征在于：该方法包括如下步骤：

步骤1、获取历史QoS数据，对历史QoS记录进行预处理，对数据中的缺失值进行填充：

1)寻找相似用户集S，利用用户信息，将同一国家，ASN编码，且距离待预测用户最近的z个用户划分为相似用户；

2)取同一时刻内，相似用户调用待预测服务的各项QoS记录均值作为缺失值填充到QoS记录中；

步骤2、将经过预处理的数据分割为训练数据和测试数据；

步骤3、在多元输入数据上搭建LSTM模型，设定各参数：学习速率η＝0.001，滑动时间窗口T＝4，训练次数epoch＝100，隐层神经元数＝30，输出层神经元数＝1，batch_size＝16，参数更新优化器为Adam；

步骤4、在训练集上对多变量的LSTM模型进行拟合，在测试数据集中进行预测，评估模型误差；

步骤5、对待预测目标进行预测；

步骤1的实现过程如下：

获取历史QoS数据，对历史QoS记录进行预处理，对数据中的缺失值进行填充，具体步骤为：

给定m个用户组成的用户集U＝{u₁,u₂,u₃,...,u_m-1,u_m}，n个服务组成的服务集S＝{s₁,s₂,s₃,...,s_n-1,s_n}，共t个时间间隔内的QoS记录，假设第k(1≤k≤t)个时间间隔的待填充数据为用户u_i(1≤i≤m)调用服务s_j产生的记录其填充过程为：

首先从QoS信息采集系统中筛选与用户u_i的国家信息及ASN编码相同的用户，再从该用户集中使用大圆距离获取距离用户u_i最近的z个用户得到相似用户集Neig_i，大圆距离计算公式为：

其中r代表地球半径，ψ_i,ψ_j分别代表用户u_i和u_j的纬度,△ψ表示两用户纬度差的绝对值，△λ是其经度差的绝对值；

以第k个时间间隔下相似用户集Neig_i中的所有用户调用服务s_j记录的平均值作为缺失记录的值；

步骤4中，在训练集上对多变量的LSTM模型进行拟合，在测试数据集中进行预测，评估模型误差；

假设输入为序列x＝(x₁,x₂,...,x_t)，用户u_i从第一个时间间隔到第t个时间间隔的每个时间间隔响应时间，表示t个不同时刻下的QoS记录,隐层向量序列为h＝(h₁,h₂,...,h_t)；LSTM前向传播的具体过程为：

f_t＝σ(W_f[h_t-1,x_t]+b_f)

i_t＝σ(W_i[h_t-1,x_t]+b_i)

o_t＝σ(W_o[h_t-1,x_t]+b_o)

h_t＝o_t*tanh(C_t)

其中,i_t、f_t、o_t分别代表t时刻下更新的输入门、遗忘门、以及输出门的输出；输入门表示是否允许采集的QoS记录加入到当前的隐藏层节点中，如果为1，则允许输入，如果为0，则不允许，从而过滤一些没有的输入信息；遗忘门表示是否保留当前隐藏层节点所存储的历史QoS数据，如果为1，则保留当前信息，否则清空当前节点存储的历史QoS记录；输出门表示是否将当前节点输出传输给下一层，下一层是下一个隐藏层或输出层，如果为1，则将当前节点的输出值作用于下一层，否则当前节点的输出值将不被传递；W_f,W_i,W_C,W_o分别代表着遗忘门、输入门、计算单元状态以及输出门的权重矩阵，[h_t-1,x_t]是表示把两个向量连接成一个更长的向量，b_f,b_i,b_C,b_o则分别代表是遗忘门、输入门、计算单元状态以及输出门的偏置项；C_t为计算单元状态，表示上一时刻需要记忆的信息加上当前时刻需要记忆的信息；C～_t作为旧细胞状态C_t-1过渡到C_t的候选值向量，表示新的信息；上式中tanh与σ均为激活函数，σ为sigmoid函数，应用于输入门、输出门和遗忘门，tanh函数则是作为生成候选记忆时的函数，两者定义为：

LSTM的训练算法为反向传播算法，有三个步骤：

1)前向计算每个神经元的输出值，对于LSTM来说，即f_t,i_t,C_t,h_t,o_t5组向量；

2)反向计算每个神经元的误差项；与循环神网络一样，LSTM误差项的反向传播也是包括两个方向：一个是沿时间的反向传播，即从当前时刻t开始，计算每个时刻的误差项；一个是将误差项向上一层传播；

3)根据相应的误差项，计算每个权重的梯度；

LSTM需要学习的参数共有8组，分别是：W_f,W_i,W_C,W_o以及b_f,b_i,b_C,b_o；使用梯度下降算法调整模型中的参数来最小化损失函数，而梯度下降所用到的梯度可以使用反向传播算法或者自动微分工具计算；

训练过程中的目标函数为预测值与真实值之间的平方误差，定义为：

其中r_i,j表示用户u_i调用服务s_j产生的实际QoS值,表示QoS的预测值；通过最小化该目标函数求得模型的各个参数。