一种基于深度学习的Web服务QoS预测方法与流程

技术特征：

1.一种基于深度学习的Web服务QoS预测方法，其特征在于，包括以下步骤：

步骤1：数据归一化处理；设序列x中的最大值和最小值分别为x_max和x_min，对于序列中所有元素x_i有公式：使得新序列x’中所有元素都在[0,1]区间内；

步骤2：选取小波函数和分解尺度，并对数据进行单支重构；

步骤3：建立DRNN模型；

步骤4：由DRNN模型对进行过小波分解重构的数据进行预测；

步骤5：将各个子序列训练处的模型的预测结果进行叠加，得到最终的预测值。

2.如权利要求1所述的基于深度学习的Web服务QoS预测方法，其特征在于，利用相对误差均值、均方根误差、相对误差概率分布评估预测模型的精度；引入“二进制”预测评估指标对预测模型进行有效性评估。

3.如权利要求2所述的基于深度学习的Web服务QoS预测方法，其特征在于，精度评估包括：

1)、相对误差均值：其中N为预测时段中预测量的个数，y_i表示第i个实际观测值，y′_i为第i个预测值；MSPE反映预测值偏离实际值的程度；

2)、均方根误差：其中N为预测时段中预测量的个数，y_i表示第i个实际观测值，y′_i为第i个预测值。RMSE不仅反映相对误差的大小，还反映预测结果的稳定性；

3)、相对误差概率分布：其中N为预测时段中预测量的个数，为相对误差小于p值的预测量个数，y_i表示第i个实际观测值，y′_i为第i个预测值；其中误差概率分布表示预测结果的可信度。以上误差值越小，意味着模型预测越准确。

4.如权利要求2所述的基于深度学习的Web服务QoS预测方法，其特征在于，有效性评估：

引入“二进制”预测评估指标，QoS属性是否违反约束，服务是否发生失效，这个问题本身要么为肯定，要么为否定，实例要么属于肯定类，要么属于否定类，因而QoS失效预测属于二分问题；二分问题会出现四种情况，如果一个实例是肯定类且被预测为肯定类，则称为真肯定(True positive,TP)，如果实例是肯定类被预测为否定类，则称为假否定(False positive,FP)，如果实例是否定类被预测为否定类，则称为真否定(True negative,TN)，如果实例是否定类被预测为肯定类，则称为假肯定(False negative,FN)；

引入尺度评价：

真肯定率(r)描述实际失效的样本被预测为真肯定的概率：精度(p)描述预测真肯定占肯定的比率：假肯定率(fpr)描述被预测为假肯定的实例占所有否定类的比例：正确率(a)描述正确预测的概率：F值(F_β)描述p和r的调和均值：对于失效预测来说，p值用来评估正确自适应行为在所有自适应中的比率，p值越大，误报的可能性越低；r值用来评估正确预报失效的概率，r值越大，漏报概率越低。p和r都要高，才能取得较高的F值；因此F值越高，预测越准确。