[发明专利]一种基于位置信息的多变量QoS预测方法

说明书

一种基于位置信息的多变量QoS预测方法属于服务计算领域。该方法获取历史QoS历史数据，对其缺失值处理采用协同过滤算法，在相似性计算的过程中引入用户的位置信息使得填充的缺失值更接近实际值。将填充后的数据构建为移动滑窗数据集，并将数据集分割为训练数据和测试数据后使用训练数据对多元LSTM模型进行训练，最终使用测试数据测试预测结果。本发明使用协同过滤算法填补缺失值，并使用多变量的LSTM对QoS进行预测。在填补缺失值的过程中引入了用户的位置信息，使得填补的缺失值更接近真实的QoS值。同时，相比于单个的QoS属性预测，使用多变量预测模型可以有效减少误差积累从而提高预测精度。

技术领域

本发明属于服务计算领域，主要用于建立特定的QoS属性预测模型。

背景技术

面向服务的体系结构(SOA)是一种现代的体系结构范例，它通过定义明确的接口和服务之间的契约来连接应用程序的不同功能单元。Web服务是SOA的实现标准。随着具有类似功能的Web服务大量出现在网络上，服务质量(QoS)逐渐引起人们的注意，并被应用在服务选择，服务组成和服务调度过程中。

QoS是指Web服务的非功能属性，例如吞吐量，响应时间和调用成功率。获取Web服务QoS值的最直接方法是通过对目标服务进行调用，但是，网络环境的不确定性以及用户地理位置的差异使得即使调用同一Web服务也可能会观察到完全不同的QoS值。此外，这种枚举式的调用将给用户和服务带来巨大的成本。因此，QoS值的预测在服务选择过程中变得至关重要。所以对QoS的预测便显得尤为重要，因为如果能够得知当前或者未来某一段时间内的QoS，人们便可以将其应用于服务选择过程中。目前有很多学者在对Web服务的QoS预测进行了研究。这些研究可以大致分为两类，一类是基于数据驱动的方法，另一类则是时间感知的方法。基于数据驱动的方法通常将问题处理为一个缺失值的填充问题适用于静态环境下进行预测，这一类方法主要包括协同过滤方法，位置感知的方法，基于上下文的方法。时间感知的方法通常将QoS的预测建模为一个时间序列的预测问题，使用时间序列预测模型对其进行预测，但是这一类方法很少考虑更深层次的用户与服务的相关信息对QoS值产生的影响。

发明内容

本发明结合了协同过滤方法以及时间感知的方法，充分利用了用户位置信息以及多变量时序的优点以提高预测的精度。

QoS的预测存在冷启动问题，其根源在于QoS数据的稀疏性，大部分QoS的调用记录都是缺失的，这导致了算法在时序预测时准确率较低。所以首先我们考虑数据的填充问题，多变量时序问题的常见的填充方法包括三类：第一类为直接删除法，但是这种方法可能会舍弃数据的一些重要信息；第二类为基于统计学的填充方法，如均值填充，中值填充等，这类方法忽略了数据的时序信息；第三类是基于机器学习的方法，如KNN(K-NearestNeighbor)和矩阵分解等。考虑到用户以及服务的位置信息对QoS产生的影响，本发明中将位置信息添加到协同过滤系统来解决数据的填充问题。在数据填充完成后，本发明采用了多变量的时间序列模型对特定的QoS属性进行了预测。

本发明在预测阶段采用的预测方案为基于LSTM的多变量时间序列预测方法，该方法包括如下步骤：

步骤1、获取待预测QoS属性及其相关属性的历史QoS记录并进行预处理，将其构建为一个包含多个QoS属性的时间序列。

步骤2、将数据分割为训练数据和测试数据。

步骤3、设定多变量LSTM预测模型的超参数，包括滑动窗口大小T，时间步数，输入层节点数，隐层层数，隐层节点数和输出层节点数。

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、最终将预处理后的QoS数据作为该模型的输入数据，通过该模型对输入数据进行学习，输出得到指定的QoS值。

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：