[发明专利]一种基于卡尔曼滤波修正的云服务动态QoS预测方法

权利要求书

1.一种基于卡尔曼滤波修正的云服务动态QoS预测方法，其特征在于，包括以下步骤：

步骤1：基于用户-服务的历史QoS数据构建用户-服务-时间的三阶张量；

步骤2：对于得到的三阶张量进行缺失数据填补，并将填补后的三阶张量划分为训练集和验证集；

步骤3：建立CNN-BiLSTM网络模型，并将所述训练集和验证集输入到该模型中，对模型进行训练；

步骤4：输入待预测的下一时刻的某用户对某服务的QoS数据，利用训练好的CNN-BiLSTM网络模型进行预测，得到初步的QoS预测值；

步骤5：判断得到的初步的QoS预测值是否存在稀疏值，若存在，则将初步的QoS预测值作为最终的QoS预测值；若不存在，则基于卡尔曼滤波算法，将得到的初步的QoS预测值与实时观测QoS值进行融合，得到最终的QoS预测值。

2.根据权利要求1所述的一种基于卡尔曼滤波修正的云服务动态QoS预测方法，其特征在于，步骤2的具体操作步骤为：

步骤21：对于得到的三阶张量Y∈R^I×J×K进行非负tucker分解，得到填补稀疏值后的张量Y，且非负tucker分解的目标函数为：

其中，为待预测张量中的元素，i、j、k分别为用户数、服务数和时间片数；

步骤22：将填补稀疏值后的张量Y沿时间维展开为时间向量集，该展开过程表示为

步骤23：将所述时间向量集划分为训练集和验证集。

3.根据权利要求1所述的一种基于卡尔曼滤波修正的云服务动态QoS预测方法，其特征在于，步骤3所建立的CNN-BiLSTM网络模型包括依次连接的CNN神经网络层、BiLSTM神经网络层以及全连接层；

CNN神经网络层，用于提取时间序列中的局部特征；

BiLSTM神经网络层，用于在CNN网络获取局部特征的基础上，进一步学习时间序列上下文的整体时序特征；

全连接层，用于将BiLSTM神经网络层输出的时序特征展开为一维序列。

4.根据权利要求3所述的一种基于卡尔曼滤波修正的云服务动态QoS预测方法，其特征在于，所述CNN神经网络层的窗口长度为5，共包括64个一维卷积核的卷积层，对时间序列进行卷积、池化和特征提取，其计算公式为：

F_t＝σ(W*x_t+b)     (15)

其中，σ表示激活函数，x_t表示输入的时间向量，W和b分别表示对应的权重和偏置，F_t为CNN网络的输出向量。

5.根据权利要求4所述的一种基于卡尔曼滤波修正的云服务动态QoS预测方法，其特征在于，所述BiLSTM神经网络层每层包含64个LSTM单元，其计算公式为：

其中，表示在n时刻BiLSTM网络的正向输出，表示n时刻BiLSTM网络的反向输出，x_n代表BiLSTM网络在n时刻的输入，h_n代表BiLSTM网络在n时刻的输出，w_n、v_n为各自的权重矩阵；b_n为偏置。

6.根据权利要求1所述的一种基于卡尔曼滤波修正的云服务动态QoS预测方法，其特征在于，步骤3的具体操作步骤包括：

步骤31：对输入的训练集和测试集中的数据进行最大最小归一化处理，其计算公式为：

其中，X为时间序列中的原始数据，X_min为时间序列中的最小值，X_max为时间序列中的最大值，X_norm为归一化后的数据；

步骤32：将归一化后的时间向量集中的每个向量的前K-1个时间片作为模型训练数据；

步骤33：通过得到的训练数据，在测试集上对CNN-BiLSTM网络进行训练，最终得到训练好的CNN-BiLSTM网络模型。