一種Web Service QoS組合預(yù)測(cè)方法
【專利摘要】本發(fā)明公開一種Web Service QoS組合預(yù)測(cè)方法，用時(shí)間序列預(yù)測(cè)模型從統(tǒng)計(jì)學(xué)角度進(jìn)行數(shù)據(jù)分析，線性非線性時(shí)間序列分別建立ARIMA模型或者SETAR模型，預(yù)測(cè)未來QoS屬性值；同時(shí)通過GM(1，1)模型模擬出整個(gè)QoS屬性值發(fā)展趨勢(shì)，對(duì)即使有數(shù)據(jù)缺失的情況，亦可建立高效的灰色預(yù)測(cè)模型進(jìn)行預(yù)測(cè)；再采用遞階遺傳算法優(yōu)化后的徑向基神經(jīng)網(wǎng)絡(luò)作為模型平臺(tái)，以時(shí)間序列預(yù)測(cè)模型和GM(1，1)的預(yù)測(cè)結(jié)果作為神經(jīng)網(wǎng)絡(luò)的輸入源，以遞階遺傳算法訓(xùn)練徑向基神經(jīng)網(wǎng)絡(luò)的參數(shù)。通過將不同預(yù)測(cè)模型進(jìn)行適當(dāng)?shù)亟M合，形成所謂的組合預(yù)測(cè)方法，綜合利用各種方法提供的有用信息，有利于提高輸入質(zhì)量，使得組合預(yù)測(cè)模型在效率、質(zhì)量上優(yōu)于單一模型，產(chǎn)生更好的預(yù)測(cè)結(jié)果。
【專利說明】-種Web Service QoS組合預(yù)測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種Web Service QoS組合預(yù)測(cè)方法，特別是一種基于遞階遺傳算法 (hierarchical genetic algorithm，HGA)和徑向基（Radial Basis Function，RBF)神經(jīng) 網(wǎng)絡(luò)的Web Service QoS組合預(yù)測(cè)方法，使用時(shí)間序列模型與GM(1，1)模型進(jìn)行數(shù)據(jù)預(yù)處 理，以遺傳算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)。
【背景技術(shù)】
[0002] 隨著互聯(lián)網(wǎng)的發(fā)展，網(wǎng)絡(luò)中出現(xiàn)了越來越多可以被利用的Web Service。然而Web Service是通過動(dòng)態(tài)的Internet網(wǎng)絡(luò)提供服務(wù)，因此Web Service的服務(wù)質(zhì)量必能很好地 保持穩(wěn)定，會(huì)隨著網(wǎng)絡(luò)環(huán)境、服務(wù)器負(fù)載等因素的變化而變化，從而會(huì)出現(xiàn)周期性，短暫性 的服務(wù)質(zhì)量變化的情況。預(yù)測(cè)QoS服務(wù)屬性值可以幫助軟件密集型系統(tǒng)在QoS違反發(fā)生前 預(yù)防發(fā)生。
[0003]目如，許多方法傾向于使用差分自回歸移動(dòng)平均模型（Autoregressive Integrated Moving Average，ARIMA)預(yù)測(cè)QoS屬性值，然而傳統(tǒng)的預(yù)測(cè)方法在預(yù)測(cè)精度上 有著比較大的差異。
【發(fā)明內(nèi)容】
[0004] 發(fā)明目的：針對(duì)現(xiàn)有技術(shù)中存在的問題，本發(fā)明提供一種以遞階遺傳算法優(yōu)化徑 向基神經(jīng)網(wǎng)絡(luò)，結(jié)合時(shí)間序列模型與灰色預(yù)測(cè)模型的預(yù)測(cè)Web Service QoS屬性值（以響 應(yīng)時(shí)間為例）的組合方法。不同的模型又有不同的建模機(jī)制和出發(fā)點(diǎn)，通過同一問題使用 不同的預(yù)測(cè)方法，則提取不同的有用信息。將不同預(yù)測(cè)模型進(jìn)行適當(dāng)?shù)亟M合，形成所謂的組 合預(yù)測(cè)方法，有利于綜合各種方法提供的有用信息，提高預(yù)測(cè)的精度。
[0005] 技術(shù)方案：一種基于遞階遺傳算法和徑向基神經(jīng)網(wǎng)絡(luò)的Web Service QoS組合預(yù) 測(cè)方法，包括：
[0006] 確定時(shí)間序列預(yù)測(cè)模型：通過統(tǒng)計(jì)學(xué)方法對(duì)Web Service的響應(yīng)時(shí)間（Response Time，RT)數(shù)據(jù)進(jìn)行特征分析，確定使用線性模型ARIMA或者非線性自激勵(lì)門限回歸模型（ S elf-ExcitingThresholdAuto-Regressive，SETAR)〇
[0007] 構(gòu)建灰色預(yù)測(cè)模型：通過使用GM(1，1)模型將某些有缺失的響應(yīng)時(shí)間數(shù)據(jù)看做灰 色量，對(duì)原始數(shù)據(jù)進(jìn)行處理變換為生成數(shù)，從而形成一個(gè)可信的預(yù)測(cè)過程。
[0008] 基于遞階遺傳算法的徑向基預(yù)測(cè)方法：以時(shí)間序列模型和GM(1，1)的輸出作為模 型輸入源，用遞階遺傳算法訓(xùn)練RBF網(wǎng)絡(luò)，同時(shí)實(shí)現(xiàn)網(wǎng)絡(luò)參數(shù)和隱節(jié)點(diǎn)的優(yōu)化。
[0009] 所述確定時(shí)間序列預(yù)測(cè)模型中，根據(jù)原始數(shù)據(jù)的線性非線性特征選擇不同的時(shí)間 序列模型進(jìn)行預(yù)測(cè)。具體步驟包括：
[0010] 數(shù)據(jù)預(yù)處理：白噪聲檢驗(yàn)，若為純隨機(jī)序列則無意義；檢驗(yàn)數(shù)據(jù)是否正太分布，當(dāng) 非正太分布式進(jìn)行近似轉(zhuǎn)換；穩(wěn)定性檢測(cè)，對(duì)于非平穩(wěn)序列，可以逐次作差分直至轉(zhuǎn)換為平 穩(wěn)序列；可逆性檢測(cè)；
[0011]彳旲型識(shí)別：通過序列的自相關(guān)系數(shù)（Autocorrelation function, ACF)和偏自相 關(guān)系數(shù)（Partial Autocorrelation Function，PACF)確定參數(shù)p (過去平穩(wěn)觀測(cè)值數(shù)）和 q(過去的錯(cuò)誤數(shù)）；
[0012] 非線性檢測(cè)；使用Hansen test來檢測(cè)數(shù)據(jù)的非線性。以模式識(shí)別步驟的參數(shù)p 和延遲參數(shù)七作為輸入，根據(jù)Hansen test的輸出結(jié)果選擇時(shí)間序列模型；Hansen test是 Β· Hansen 在 Testing for linearity 中提到的方法；
[0013] 延遲參數(shù)與閾值的識(shí)別：在Hansen test的輸出結(jié)果中，選擇一組最大的統(tǒng)計(jì)值 的延遲參數(shù)和閾值；
[0014] 指定模型；
[0015]模型估計(jì)：分別以最大可能性估量（MLE)和條件最小二乘法（CLS)評(píng)估ARIMA和 SETAR模型；
[0016] 模型檢驗(yàn)與選擇最佳模型：顯著性檢驗(yàn)；檢驗(yàn)可逆性與平穩(wěn)性是否滿足；殘差隨 機(jī)性檢驗(yàn)。當(dāng)以上檢驗(yàn)不滿足時(shí)，重新返回指定模型步驟，建立新的模型；
[0017] 模型預(yù)測(cè)。
[0018] 所述灰色預(yù)測(cè)模型中，即使某些數(shù)據(jù)信息缺失，依然可以采用GM(1，1)模型構(gòu)建 可信的預(yù)測(cè)過程，具體步驟包括：
[0019] 數(shù)據(jù)的檢驗(yàn)與處理；建立模型；檢驗(yàn)預(yù)測(cè)值，其中又分殘差檢驗(yàn)與級(jí)比偏差值檢 驗(yàn)兩步；模型預(yù)測(cè)。
[0020] 所述基于遞階遺傳算法的徑向基預(yù)測(cè)方法中，以時(shí)間序列模型與GM(1，1)模型預(yù) 測(cè)值為輸入源，用遞階遺傳算法處理對(duì)參數(shù)集進(jìn)行編碼的個(gè)體，通過對(duì)染色體解碼，求得 RBF神經(jīng)網(wǎng)絡(luò)的隱節(jié)點(diǎn)數(shù)、隱含層中心值、基寬和輸出的線性權(quán)值，構(gòu)建RRF神經(jīng)網(wǎng)絡(luò)。模 型預(yù)測(cè)并通過新的數(shù)據(jù)及時(shí)修正模型。
[0021] 有益效果：與現(xiàn)有的技術(shù)相比，本發(fā)明所提供的基于遞階遺傳算法和徑向基神經(jīng) 網(wǎng)絡(luò)的Web Service QoS組合預(yù)測(cè)方法，將不同預(yù)測(cè)模型進(jìn)行適當(dāng)?shù)亟M合，形成所謂的組合 預(yù)測(cè)方法，綜合各種方法提供的有用信息，提高了預(yù)測(cè)的精度。
【專利附圖】
【附圖說明】
[0022] 圖1為本發(fā)明實(shí)施例的整體框架圖；
[0023] 圖2為本發(fā)明實(shí)施例的時(shí)間序列預(yù)測(cè)方法流程圖；
[0024] 圖3為本發(fā)明實(shí)施例的灰色預(yù)測(cè)方法流程圖；
[0025] 圖4為本發(fā)明實(shí)施例的遺傳算法優(yōu)化徑向基神經(jīng)網(wǎng)絡(luò)方法流程圖。
【具體實(shí)施方式】
[0026] 下面結(jié)合具體實(shí)施例，進(jìn)一步闡明本發(fā)明，應(yīng)理解這些實(shí)施例僅用于說明本發(fā)明 而不用于限制本發(fā)明的范圍，在閱讀了本發(fā)明之后，本領(lǐng)域技術(shù)人員對(duì)本發(fā)明的各種等價(jià) 形式的修改均落于本申請(qǐng)所附權(quán)利要求所限定的范圍。
[0027] 如圖1所示，本實(shí)施例提供的Web Service QoS組合預(yù)測(cè)方法包含了三個(gè)主要部 分：時(shí)間序列預(yù)測(cè)方法、灰色預(yù)測(cè)方法和遺傳算法優(yōu)化徑向基神經(jīng)網(wǎng)絡(luò)方法。
[0028] 確定時(shí)間序列預(yù)測(cè)模型：通過統(tǒng)計(jì)學(xué)方法對(duì)Web Service的響應(yīng)時(shí)間數(shù)據(jù)進(jìn)行特 征分析，確定使用線性模型ARIMA或者非線性自激勵(lì)門限回歸模型。
[0029] 構(gòu)建灰色預(yù)測(cè)模型：通過使用GM(1，1)模型將某些有缺失的響應(yīng)時(shí)間數(shù)據(jù)看做灰 色量，對(duì)原始數(shù)據(jù)進(jìn)行處理變換為生成數(shù)，從而形成一個(gè)可信的預(yù)測(cè)過程。
[0030] 基于遞階遺傳算法的徑向基預(yù)測(cè)方法：以時(shí)間序列模型和GM(1，1)的輸出作為模 型輸入源，用遞階遺傳算法訓(xùn)練RBF網(wǎng)絡(luò)，同時(shí)實(shí)現(xiàn)網(wǎng)絡(luò)參數(shù)和隱節(jié)點(diǎn)的優(yōu)化。
[0031] 如圖2所示，時(shí)間序列模型預(yù)測(cè)步驟如下：
[0032] 步驟101，輸入原始時(shí)間序列E = (ei, e2，…，er，…，en)，er表示響應(yīng)時(shí)間， n表 示序列長(zhǎng)度；
[0033] 步驟102,對(duì)時(shí)間序列進(jìn)行白噪聲檢驗(yàn)；
[0034] 步驟103,若為白噪聲序列，則為無意義的純隨機(jī)序列，結(jié)束預(yù)測(cè)過程；
[0035] 步驟104,若不是白噪聲序列，則檢驗(yàn)序列是符合正太分布；
[0036] 步驟105,若序列不符合正太分布，則進(jìn)行近似轉(zhuǎn)換；
[0037] 步驟106,若序列符合正態(tài)分布，則進(jìn)行平穩(wěn)性檢驗(yàn)；
[0038] 步驟107,若為非平穩(wěn)時(shí)間序列，則對(duì)序列做差分處理，直至平穩(wěn)，求得平穩(wěn)化處理 次數(shù)i ;
[0039] 步驟108,若為平穩(wěn)時(shí)間序列，則進(jìn)行可逆性檢驗(yàn)；
[0040] 步驟109,若序列不可逆，則不能保證模型有唯一解，結(jié)束預(yù)測(cè)過程；
[0041] 步驟110,若序列可逆，則進(jìn)入模式識(shí)別步驟，通過序列的ACF和PACF求解參數(shù)p 和q的值；
[0042] 步驟111，使用Hansen test來檢測(cè)數(shù)據(jù)的非線性。以模式識(shí)別步驟的參數(shù)p和延 遲參數(shù)七作為輸入，根據(jù)Hansen test的輸出結(jié)果選擇時(shí)間序列模型；
[0043] 步驟112,若為非線性時(shí)間序列，則在Hansen test的輸出結(jié)果中，選擇最大的統(tǒng) 計(jì)值一組的延遲參數(shù)和閾值，并進(jìn)入下一步驟；
[0044] 步驟113,線性時(shí)間序列則使用上述步驟求得的參數(shù)P和q、延遲參數(shù)dp，建立 ARIMA模型，非線性時(shí)間序列則建立SETAR模型；
[0045] 步驟114，評(píng)估模型，分別以使用MLE和CLS評(píng)估ARIMA和SETAR模型；
[0046] 步驟115,對(duì)模型進(jìn)行顯著性檢驗(yàn)；檢驗(yàn)可逆性與平穩(wěn)性是否滿足；殘差隨機(jī)性檢 驗(yàn)。若不滿足則回到步驟113,否則進(jìn)入下一步；
[0047] 步驟116,選擇最佳模型；
[0048] 步驟117,進(jìn)行響應(yīng)時(shí)間預(yù)測(cè)。
[0049] 如圖3所示，灰色預(yù)測(cè)方法的步驟如下：
[0050] 步驟201，設(shè)置參考數(shù)據(jù)x(°) = (x(°) (1)，x(°> (2),…，χ(°) (η))，式中η為數(shù)據(jù)個(gè)數(shù)；
[0051] 步驟2〇2,計(jì)算數(shù)列的級(jí)比
[0052]
【權(quán)利要求】
1. 一種Web Service QoS組合預(yù)測(cè)方法，其特征在于：包括以時(shí)間序列模型與灰色預(yù) 測(cè)模型分別處理數(shù)據(jù)，提取數(shù)據(jù)特征；基于遞階遺傳算法的徑向基預(yù)測(cè)方法； 確定時(shí)間序列預(yù)測(cè)模型：進(jìn)行Web Service的QoS屬性值特征的分析，確定使用線性模 型ARIMA或者非線性模型SETAR ; 構(gòu)建灰色預(yù)測(cè)模型：通過使用GM(1，1)模型將QoS屬性值某些有缺失的數(shù)據(jù)看做灰色 量，對(duì)原始數(shù)據(jù)進(jìn)行處理變換為生成數(shù)，從而形成一個(gè)可信的預(yù)測(cè)過程； 基于遞階遺傳算法的徑向基預(yù)測(cè)方法：以時(shí)間序列模型和GM(1，1)的輸出作為模型輸 入源，用遞階遺傳算法訓(xùn)練RBF網(wǎng)絡(luò)，同時(shí)實(shí)現(xiàn)網(wǎng)絡(luò)參數(shù)和隱節(jié)點(diǎn)的優(yōu)化。
2. 如權(quán)利要求1所述的Web Service QoS組合預(yù)測(cè)方法，其特征在于：在確定時(shí)間序 列預(yù)測(cè)模型中，可根據(jù)原始數(shù)據(jù)的線性非線性特征選擇不同的時(shí)間序列模型進(jìn)行預(yù)測(cè)；具 體步驟包括： 數(shù)據(jù)預(yù)處理：白噪聲檢驗(yàn)，若為純隨機(jī)序列則無意義；檢驗(yàn)數(shù)據(jù)是否正太分布，當(dāng)非正 太分布式進(jìn)行近似轉(zhuǎn)換；穩(wěn)定性檢測(cè)，對(duì)于非平穩(wěn)序列，可以逐次作差分直至轉(zhuǎn)換為平穩(wěn)序 列；可逆性檢測(cè)； 模型識(shí)別：通過序列的自相關(guān)系數(shù)（ACF)和偏自相關(guān)系數(shù)（PACF)確定參數(shù)p和q ; 非線性檢測(cè)；使用Hansen test來檢測(cè)數(shù)據(jù)的非線性；以模式識(shí)別步驟的參數(shù)p和延遲 參數(shù)七作為輸入，根據(jù)Hansen test的輸出結(jié)果選擇時(shí)間序列模型； 延遲參數(shù)與閾值的識(shí)別：在Hansen test的輸出結(jié)果中，選擇最大的統(tǒng)計(jì)值一組的延 遲參數(shù)和閾值； 指定模型； 模型估計(jì)：分別以最大可能性估量（MLE)和條件最小二乘法（CLS)評(píng)估ARIMA和SETAR 模型； 模型檢驗(yàn)與選擇最佳模型：顯著性檢驗(yàn)；檢驗(yàn)可逆性與平穩(wěn)性是否滿足；殘差隨機(jī)性 檢驗(yàn)；當(dāng)以上檢驗(yàn)不滿足時(shí)，重新返回指定模型步驟，建立新的模型； 模型預(yù)測(cè)。
3. 如權(quán)利要求1所述的Web Service QoS組合預(yù)測(cè)方法，其特征在于：在構(gòu)建灰色預(yù) 測(cè)模型中，即使某些數(shù)據(jù)信息缺失，依然可以采用GM(1，1)模型構(gòu)建可信的預(yù)測(cè)過程，具體 步驟包括：數(shù)據(jù)的檢驗(yàn)與處理；建立模型；檢驗(yàn)預(yù)測(cè)值，其中又分殘差檢驗(yàn)與級(jí)比偏差值檢 驗(yàn)兩步；模型預(yù)測(cè)。
4. 如權(quán)利要求1所述的Web Service QoS組合預(yù)測(cè)方法，其特征在于：在基于遞階遺 傳算法的徑向基預(yù)測(cè)模型中，以時(shí)間序列模型與GM(1，1)模型預(yù)測(cè)值為輸入源，用遞階遺 傳算法處理對(duì)參數(shù)集進(jìn)行編碼的個(gè)體，通過對(duì)染色體解碼，求得RBF神經(jīng)網(wǎng)絡(luò)的隱節(jié)點(diǎn)數(shù)、 隱含層中心值、基寬和輸出的線性權(quán)值，構(gòu)建RBF神經(jīng)網(wǎng)絡(luò)；模型預(yù)測(cè)并通過新的數(shù)據(jù)及時(shí) 修正模型。
【文檔編號(hào)】H04L29/08GK104270281SQ201410447471
【公開日】2015年1月7日 申請(qǐng)日期:2014年9月3日 優(yōu)先權(quán)日:2014年9月3日
【發(fā)明者】張鵬程, 劉宗磊, 朱躍龍, 馮鈞, 萬定生, 莊媛, 周宇鵬, 肖艷 申請(qǐng)人:河海大學(xué)