一种Web Service QoS组合预测方法
【专利摘要】本发明公开一种Web Service QoS组合预测方法，用时间序列预测模型从统计学角度进行数据分析，线性非线性时间序列分别建立ARIMA模型或者SETAR模型，预测未来QoS属性值；同时通过GM(1，1)模型模拟出整个QoS属性值发展趋势，对即使有数据缺失的情况，亦可建立高效的灰色预测模型进行预测；再采用递阶遗传算法优化后的径向基神经网络作为模型平台，以时间序列预测模型和GM(1，1)的预测结果作为神经网络的输入源，以递阶遗传算法训练径向基神经网络的参数。通过将不同预测模型进行适当地组合，形成所谓的组合预测方法，综合利用各种方法提供的有用信息，有利于提高输入质量，使得组合预测模型在效率、质量上优于单一模型，产生更好的预测结果。
【专利说明】-种Web Service QoS组合预测方法
【技术领域】
[0001] 本发明涉及一种Web Service QoS组合预测方法，特别是一种基于递阶遗传算法 (hierarchical genetic algorithm，HGA)和径向基（Radial Basis Function，RBF)神经 网络的Web Service QoS组合预测方法，使用时间序列模型与GM(1，1)模型进行数据预处 理，以遗传算法优化RBF神经网络。
【背景技术】
[0002] 随着互联网的发展，网络中出现了越来越多可以被利用的Web Service。然而Web Service是通过动态的Internet网络提供服务，因此Web Service的服务质量必能很好地 保持稳定，会随着网络环境、服务器负载等因素的变化而变化，从而会出现周期性，短暂性 的服务质量变化的情况。预测QoS服务属性值可以帮助软件密集型系统在QoS违反发生前 预防发生。
[0003]目如，许多方法倾向于使用差分自回归移动平均模型（Autoregressive Integrated Moving Average，ARIMA)预测QoS属性值，然而传统的预测方法在预测精度上 有着比较大的差异。
【发明内容】
[0004] 发明目的：针对现有技术中存在的问题，本发明提供一种以递阶遗传算法优化径 向基神经网络，结合时间序列模型与灰色预测模型的预测Web Service QoS属性值（以响 应时间为例）的组合方法。不同的模型又有不同的建模机制和出发点，通过同一问题使用 不同的预测方法，则提取不同的有用信息。将不同预测模型进行适当地组合，形成所谓的组 合预测方法，有利于综合各种方法提供的有用信息，提高预测的精度。
[0005] 技术方案：一种基于递阶遗传算法和径向基神经网络的Web Service QoS组合预 测方法，包括：
[0006] 确定时间序列预测模型：通过统计学方法对Web Service的响应时间（Response Time，RT)数据进行特征分析，确定使用线性模型ARIMA或者非线性自激励门限回归模型（ S elf-ExcitingThresholdAuto-Regressive，SETAR)〇
[0007] 构建灰色预测模型：通过使用GM(1，1)模型将某些有缺失的响应时间数据看做灰 色量，对原始数据进行处理变换为生成数，从而形成一个可信的预测过程。
[0008] 基于递阶遗传算法的径向基预测方法：以时间序列模型和GM(1，1)的输出作为模 型输入源，用递阶遗传算法训练RBF网络，同时实现网络参数和隐节点的优化。
[0009] 所述确定时间序列预测模型中，根据原始数据的线性非线性特征选择不同的时间 序列模型进行预测。具体步骤包括：
[0010] 数据预处理：白噪声检验，若为纯随机序列则无意义；检验数据是否正太分布，当 非正太分布式进行近似转换；稳定性检测，对于非平稳序列，可以逐次作差分直至转换为平 稳序列；可逆性检测；
[0011]彳旲型识别：通过序列的自相关系数（Autocorrelation function, ACF)和偏自相 关系数（Partial Autocorrelation Function，PACF)确定参数p (过去平稳观测值数）和 q(过去的错误数）；
[0012] 非线性检测；使用Hansen test来检测数据的非线性。以模式识别步骤的参数p 和延迟参数七作为输入，根据Hansen test的输出结果选择时间序列模型；Hansen test是 Β· Hansen 在 Testing for linearity 中提到的方法；
[0013] 延迟参数与阈值的识别：在Hansen test的输出结果中，选择一组最大的统计值 的延迟参数和阈值；
[0014] 指定模型；
[0015]模型估计：分别以最大可能性估量（MLE)和条件最小二乘法（CLS)评估ARIMA和 SETAR模型；
[0016] 模型检验与选择最佳模型：显著性检验；检验可逆性与平稳性是否满足；残差随 机性检验。当以上检验不满足时，重新返回指定模型步骤，建立新的模型；
[0017] 模型预测。
[0018] 所述灰色预测模型中，即使某些数据信息缺失，依然可以采用GM(1，1)模型构建 可信的预测过程，具体步骤包括：
[0019] 数据的检验与处理；建立模型；检验预测值，其中又分残差检验与级比偏差值检 验两步；模型预测。
[0020] 所述基于递阶遗传算法的径向基预测方法中，以时间序列模型与GM(1，1)模型预 测值为输入源，用递阶遗传算法处理对参数集进行编码的个体，通过对染色体解码，求得 RBF神经网络的隐节点数、隐含层中心值、基宽和输出的线性权值，构建RRF神经网络。模 型预测并通过新的数据及时修正模型。
[0021] 有益效果：与现有的技术相比，本发明所提供的基于递阶遗传算法和径向基神经 网络的Web Service QoS组合预测方法，将不同预测模型进行适当地组合，形成所谓的组合 预测方法，综合各种方法提供的有用信息，提高了预测的精度。
【专利附图】
【附图说明】
[0022] 图1为本发明实施例的整体框架图；
[0023] 图2为本发明实施例的时间序列预测方法流程图；
[0024] 图3为本发明实施例的灰色预测方法流程图；
[0025] 图4为本发明实施例的遗传算法优化径向基神经网络方法流程图。
【具体实施方式】
[0026] 下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明 而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价 形式的修改均落于本申请所附权利要求所限定的范围。
[0027] 如图1所示，本实施例提供的Web Service QoS组合预测方法包含了三个主要部 分：时间序列预测方法、灰色预测方法和遗传算法优化径向基神经网络方法。
[0028] 确定时间序列预测模型：通过统计学方法对Web Service的响应时间数据进行特 征分析，确定使用线性模型ARIMA或者非线性自激励门限回归模型。
[0029] 构建灰色预测模型：通过使用GM(1，1)模型将某些有缺失的响应时间数据看做灰 色量，对原始数据进行处理变换为生成数，从而形成一个可信的预测过程。
[0030] 基于递阶遗传算法的径向基预测方法：以时间序列模型和GM(1，1)的输出作为模 型输入源，用递阶遗传算法训练RBF网络，同时实现网络参数和隐节点的优化。
[0031] 如图2所示，时间序列模型预测步骤如下：
[0032] 步骤101，输入原始时间序列E = (ei, e2，…，er，…，en)，er表示响应时间， n表 示序列长度；
[0033] 步骤102,对时间序列进行白噪声检验；
[0034] 步骤103,若为白噪声序列，则为无意义的纯随机序列，结束预测过程；
[0035] 步骤104,若不是白噪声序列，则检验序列是符合正太分布；
[0036] 步骤105,若序列不符合正太分布，则进行近似转换；
[0037] 步骤106,若序列符合正态分布，则进行平稳性检验；
[0038] 步骤107,若为非平稳时间序列，则对序列做差分处理，直至平稳，求得平稳化处理 次数i ;
[0039] 步骤108,若为平稳时间序列，则进行可逆性检验；
[0040] 步骤109,若序列不可逆，则不能保证模型有唯一解，结束预测过程；
[0041] 步骤110,若序列可逆，则进入模式识别步骤，通过序列的ACF和PACF求解参数p 和q的值；
[0042] 步骤111，使用Hansen test来检测数据的非线性。以模式识别步骤的参数p和延 迟参数七作为输入，根据Hansen test的输出结果选择时间序列模型；
[0043] 步骤112,若为非线性时间序列，则在Hansen test的输出结果中，选择最大的统 计值一组的延迟参数和阈值，并进入下一步骤；
[0044] 步骤113,线性时间序列则使用上述步骤求得的参数P和q、延迟参数dp，建立 ARIMA模型，非线性时间序列则建立SETAR模型；
[0045] 步骤114，评估模型，分别以使用MLE和CLS评估ARIMA和SETAR模型；
[0046] 步骤115,对模型进行显著性检验；检验可逆性与平稳性是否满足；残差随机性检 验。若不满足则回到步骤113,否则进入下一步；
[0047] 步骤116,选择最佳模型；
[0048] 步骤117,进行响应时间预测。
[0049] 如图3所示，灰色预测方法的步骤如下：
[0050] 步骤201，设置参考数据x(°) = (x(°) (1)，x(°> (2),…，χ(°) (η))，式中η为数据个数；
[0051] 步骤2〇2,计算数列的级比
[0052]
【权利要求】
1. 一种Web Service QoS组合预测方法，其特征在于：包括以时间序列模型与灰色预 测模型分别处理数据，提取数据特征；基于递阶遗传算法的径向基预测方法； 确定时间序列预测模型：进行Web Service的QoS属性值特征的分析，确定使用线性模 型ARIMA或者非线性模型SETAR ; 构建灰色预测模型：通过使用GM(1，1)模型将QoS属性值某些有缺失的数据看做灰色 量，对原始数据进行处理变换为生成数，从而形成一个可信的预测过程； 基于递阶遗传算法的径向基预测方法：以时间序列模型和GM(1，1)的输出作为模型输 入源，用递阶遗传算法训练RBF网络，同时实现网络参数和隐节点的优化。
2. 如权利要求1所述的Web Service QoS组合预测方法，其特征在于：在确定时间序 列预测模型中，可根据原始数据的线性非线性特征选择不同的时间序列模型进行预测；具 体步骤包括： 数据预处理：白噪声检验，若为纯随机序列则无意义；检验数据是否正太分布，当非正 太分布式进行近似转换；稳定性检测，对于非平稳序列，可以逐次作差分直至转换为平稳序 列；可逆性检测； 模型识别：通过序列的自相关系数（ACF)和偏自相关系数（PACF)确定参数p和q ; 非线性检测；使用Hansen test来检测数据的非线性；以模式识别步骤的参数p和延迟 参数七作为输入，根据Hansen test的输出结果选择时间序列模型； 延迟参数与阈值的识别：在Hansen test的输出结果中，选择最大的统计值一组的延 迟参数和阈值； 指定模型； 模型估计：分别以最大可能性估量（MLE)和条件最小二乘法（CLS)评估ARIMA和SETAR 模型； 模型检验与选择最佳模型：显著性检验；检验可逆性与平稳性是否满足；残差随机性 检验；当以上检验不满足时，重新返回指定模型步骤，建立新的模型； 模型预测。
3. 如权利要求1所述的Web Service QoS组合预测方法，其特征在于：在构建灰色预 测模型中，即使某些数据信息缺失，依然可以采用GM(1，1)模型构建可信的预测过程，具体 步骤包括：数据的检验与处理；建立模型；检验预测值，其中又分残差检验与级比偏差值检 验两步；模型预测。
4. 如权利要求1所述的Web Service QoS组合预测方法，其特征在于：在基于递阶遗 传算法的径向基预测模型中，以时间序列模型与GM(1，1)模型预测值为输入源，用递阶遗 传算法处理对参数集进行编码的个体，通过对染色体解码，求得RBF神经网络的隐节点数、 隐含层中心值、基宽和输出的线性权值，构建RBF神经网络；模型预测并通过新的数据及时 修正模型。
【文档编号】H04L29/08GK104270281SQ201410447471
【公开日】2015年1月7日 申请日期:2014年9月3日 优先权日:2014年9月3日
【发明者】张鹏程, 刘宗磊, 朱跃龙, 冯钧, 万定生, 庄媛, 周宇鹏, 肖艳 申请人:河海大学