一種WebServiceQoS組合預測方法
2023-09-22 22:51:40
一種Web Service QoS組合預測方法
【專利摘要】本發明公開一種Web Service QoS組合預測方法,用時間序列預測模型從統計學角度進行數據分析,線性非線性時間序列分別建立ARIMA模型或者SETAR模型,預測未來QoS屬性值;同時通過GM(1,1)模型模擬出整個QoS屬性值發展趨勢,對即使有數據缺失的情況,亦可建立高效的灰色預測模型進行預測;再採用遞階遺傳算法優化後的徑向基神經網絡作為模型平臺,以時間序列預測模型和GM(1,1)的預測結果作為神經網絡的輸入源,以遞階遺傳算法訓練徑向基神經網絡的參數。通過將不同預測模型進行適當地組合,形成所謂的組合預測方法,綜合利用各種方法提供的有用信息,有利於提高輸入質量,使得組合預測模型在效率、質量上優於單一模型,產生更好的預測結果。
【專利說明】-種Web Service QoS組合預測方法
【技術領域】
[0001] 本發明涉及一種Web Service QoS組合預測方法,特別是一種基於遞階遺傳算法 (hierarchical genetic algorithm,HGA)和徑向基(Radial Basis Function,RBF)神經 網絡的Web Service QoS組合預測方法,使用時間序列模型與GM(1,1)模型進行數據預處 理,以遺傳算法優化RBF神經網絡。
【背景技術】
[0002] 隨著網際網路的發展,網絡中出現了越來越多可以被利用的Web Service。然而Web Service是通過動態的Internet網絡提供服務,因此Web Service的服務質量必能很好地 保持穩定,會隨著網絡環境、伺服器負載等因素的變化而變化,從而會出現周期性,短暫性 的服務質量變化的情況。預測QoS服務屬性值可以幫助軟體密集型系統在QoS違反發生前 預防發生。
[0003]目如,許多方法傾向於使用差分自回歸移動平均模型(Autoregressive Integrated Moving Average,ARIMA)預測QoS屬性值,然而傳統的預測方法在預測精度上 有著比較大的差異。
【發明內容】
[0004] 發明目的:針對現有技術中存在的問題,本發明提供一種以遞階遺傳算法優化徑 向基神經網絡,結合時間序列模型與灰色預測模型的預測Web Service QoS屬性值(以響 應時間為例)的組合方法。不同的模型又有不同的建模機制和出發點,通過同一問題使用 不同的預測方法,則提取不同的有用信息。將不同預測模型進行適當地組合,形成所謂的組 合預測方法,有利於綜合各種方法提供的有用信息,提高預測的精度。
[0005] 技術方案:一種基於遞階遺傳算法和徑向基神經網絡的Web Service QoS組合預 測方法,包括:
[0006] 確定時間序列預測模型:通過統計學方法對Web Service的響應時間(Response Time,RT)數據進行特徵分析,確定使用線性模型ARIMA或者非線性自激勵門限回歸模型( S elf-ExcitingThresholdAuto-Regressive,SETAR)〇
[0007] 構建灰色預測模型:通過使用GM(1,1)模型將某些有缺失的響應時間數據看做灰 色量,對原始數據進行處理變換為生成數,從而形成一個可信的預測過程。
[0008] 基於遞階遺傳算法的徑向基預測方法:以時間序列模型和GM(1,1)的輸出作為模 型輸入源,用遞階遺傳算法訓練RBF網絡,同時實現網絡參數和隱節點的優化。
[0009] 所述確定時間序列預測模型中,根據原始數據的線性非線性特徵選擇不同的時間 序列模型進行預測。具體步驟包括:
[0010] 數據預處理:白噪聲檢驗,若為純隨機序列則無意義;檢驗數據是否正太分布,當 非正太分布式進行近似轉換;穩定性檢測,對於非平穩序列,可以逐次作差分直至轉換為平 穩序列;可逆性檢測;
[0011]彳旲型識別:通過序列的自相關係數(Autocorrelation function, ACF)和偏自相 關係數(Partial Autocorrelation Function,PACF)確定參數p (過去平穩觀測值數)和 q(過去的錯誤數);
[0012] 非線性檢測;使用Hansen test來檢測數據的非線性。以模式識別步驟的參數p 和延遲參數七作為輸入,根據Hansen test的輸出結果選擇時間序列模型;Hansen test是 Β· Hansen 在 Testing for linearity 中提到的方法;
[0013] 延遲參數與閾值的識別:在Hansen test的輸出結果中,選擇一組最大的統計值 的延遲參數和閾值;
[0014] 指定模型;
[0015]模型估計:分別以最大可能性估量(MLE)和條件最小二乘法(CLS)評估ARIMA和 SETAR模型;
[0016] 模型檢驗與選擇最佳模型:顯著性檢驗;檢驗可逆性與平穩性是否滿足;殘差隨 機性檢驗。當以上檢驗不滿足時,重新返回指定模型步驟,建立新的模型;
[0017] 模型預測。
[0018] 所述灰色預測模型中,即使某些數據信息缺失,依然可以採用GM(1,1)模型構建 可信的預測過程,具體步驟包括:
[0019] 數據的檢驗與處理;建立模型;檢驗預測值,其中又分殘差檢驗與級比偏差值檢 驗兩步;模型預測。
[0020] 所述基於遞階遺傳算法的徑向基預測方法中,以時間序列模型與GM(1,1)模型預 測值為輸入源,用遞階遺傳算法處理對參數集進行編碼的個體,通過對染色體解碼,求得 RBF神經網絡的隱節點數、隱含層中心值、基寬和輸出的線性權值,構建RRF神經網絡。模 型預測並通過新的數據及時修正模型。
[0021] 有益效果:與現有的技術相比,本發明所提供的基於遞階遺傳算法和徑向基神經 網絡的Web Service QoS組合預測方法,將不同預測模型進行適當地組合,形成所謂的組合 預測方法,綜合各種方法提供的有用信息,提高了預測的精度。
【專利附圖】
【附圖說明】
[0022] 圖1為本發明實施例的整體框架圖;
[0023] 圖2為本發明實施例的時間序列預測方法流程圖;
[0024] 圖3為本發明實施例的灰色預測方法流程圖;
[0025] 圖4為本發明實施例的遺傳算法優化徑向基神經網絡方法流程圖。
【具體實施方式】
[0026] 下面結合具體實施例,進一步闡明本發明,應理解這些實施例僅用於說明本發明 而不用於限制本發明的範圍,在閱讀了本發明之後,本領域技術人員對本發明的各種等價 形式的修改均落於本申請所附權利要求所限定的範圍。
[0027] 如圖1所示,本實施例提供的Web Service QoS組合預測方法包含了三個主要部 分:時間序列預測方法、灰色預測方法和遺傳算法優化徑向基神經網絡方法。
[0028] 確定時間序列預測模型:通過統計學方法對Web Service的響應時間數據進行特 徵分析,確定使用線性模型ARIMA或者非線性自激勵門限回歸模型。
[0029] 構建灰色預測模型:通過使用GM(1,1)模型將某些有缺失的響應時間數據看做灰 色量,對原始數據進行處理變換為生成數,從而形成一個可信的預測過程。
[0030] 基於遞階遺傳算法的徑向基預測方法:以時間序列模型和GM(1,1)的輸出作為模 型輸入源,用遞階遺傳算法訓練RBF網絡,同時實現網絡參數和隱節點的優化。
[0031] 如圖2所示,時間序列模型預測步驟如下:
[0032] 步驟101,輸入原始時間序列E = (ei, e2,…,er,…,en),er表示響應時間, n表 示序列長度;
[0033] 步驟102,對時間序列進行白噪聲檢驗;
[0034] 步驟103,若為白噪聲序列,則為無意義的純隨機序列,結束預測過程;
[0035] 步驟104,若不是白噪聲序列,則檢驗序列是符合正太分布;
[0036] 步驟105,若序列不符合正太分布,則進行近似轉換;
[0037] 步驟106,若序列符合正態分布,則進行平穩性檢驗;
[0038] 步驟107,若為非平穩時間序列,則對序列做差分處理,直至平穩,求得平穩化處理 次數i ;
[0039] 步驟108,若為平穩時間序列,則進行可逆性檢驗;
[0040] 步驟109,若序列不可逆,則不能保證模型有唯一解,結束預測過程;
[0041] 步驟110,若序列可逆,則進入模式識別步驟,通過序列的ACF和PACF求解參數p 和q的值;
[0042] 步驟111,使用Hansen test來檢測數據的非線性。以模式識別步驟的參數p和延 遲參數七作為輸入,根據Hansen test的輸出結果選擇時間序列模型;
[0043] 步驟112,若為非線性時間序列,則在Hansen test的輸出結果中,選擇最大的統 計值一組的延遲參數和閾值,並進入下一步驟;
[0044] 步驟113,線性時間序列則使用上述步驟求得的參數P和q、延遲參數dp,建立 ARIMA模型,非線性時間序列則建立SETAR模型;
[0045] 步驟114,評估模型,分別以使用MLE和CLS評估ARIMA和SETAR模型;
[0046] 步驟115,對模型進行顯著性檢驗;檢驗可逆性與平穩性是否滿足;殘差隨機性檢 驗。若不滿足則回到步驟113,否則進入下一步;
[0047] 步驟116,選擇最佳模型;
[0048] 步驟117,進行響應時間預測。
[0049] 如圖3所示,灰色預測方法的步驟如下:
[0050] 步驟201,設置參考數據x(°) = (x(°) (1),x(°> (2),…,χ(°) (η)),式中η為數據個數;
[0051] 步驟2〇2,計算數列的級比
[0052]
【權利要求】
1. 一種Web Service QoS組合預測方法,其特徵在於:包括以時間序列模型與灰色預 測模型分別處理數據,提取數據特徵;基於遞階遺傳算法的徑向基預測方法; 確定時間序列預測模型:進行Web Service的QoS屬性值特徵的分析,確定使用線性模 型ARIMA或者非線性模型SETAR ; 構建灰色預測模型:通過使用GM(1,1)模型將QoS屬性值某些有缺失的數據看做灰色 量,對原始數據進行處理變換為生成數,從而形成一個可信的預測過程; 基於遞階遺傳算法的徑向基預測方法:以時間序列模型和GM(1,1)的輸出作為模型輸 入源,用遞階遺傳算法訓練RBF網絡,同時實現網絡參數和隱節點的優化。
2. 如權利要求1所述的Web Service QoS組合預測方法,其特徵在於:在確定時間序 列預測模型中,可根據原始數據的線性非線性特徵選擇不同的時間序列模型進行預測;具 體步驟包括: 數據預處理:白噪聲檢驗,若為純隨機序列則無意義;檢驗數據是否正太分布,當非正 太分布式進行近似轉換;穩定性檢測,對於非平穩序列,可以逐次作差分直至轉換為平穩序 列;可逆性檢測; 模型識別:通過序列的自相關係數(ACF)和偏自相關係數(PACF)確定參數p和q ; 非線性檢測;使用Hansen test來檢測數據的非線性;以模式識別步驟的參數p和延遲 參數七作為輸入,根據Hansen test的輸出結果選擇時間序列模型; 延遲參數與閾值的識別:在Hansen test的輸出結果中,選擇最大的統計值一組的延 遲參數和閾值; 指定模型; 模型估計:分別以最大可能性估量(MLE)和條件最小二乘法(CLS)評估ARIMA和SETAR 模型; 模型檢驗與選擇最佳模型:顯著性檢驗;檢驗可逆性與平穩性是否滿足;殘差隨機性 檢驗;當以上檢驗不滿足時,重新返回指定模型步驟,建立新的模型; 模型預測。
3. 如權利要求1所述的Web Service QoS組合預測方法,其特徵在於:在構建灰色預 測模型中,即使某些數據信息缺失,依然可以採用GM(1,1)模型構建可信的預測過程,具體 步驟包括:數據的檢驗與處理;建立模型;檢驗預測值,其中又分殘差檢驗與級比偏差值檢 驗兩步;模型預測。
4. 如權利要求1所述的Web Service QoS組合預測方法,其特徵在於:在基於遞階遺 傳算法的徑向基預測模型中,以時間序列模型與GM(1,1)模型預測值為輸入源,用遞階遺 傳算法處理對參數集進行編碼的個體,通過對染色體解碼,求得RBF神經網絡的隱節點數、 隱含層中心值、基寬和輸出的線性權值,構建RBF神經網絡;模型預測並通過新的數據及時 修正模型。
【文檔編號】H04L29/08GK104270281SQ201410447471
【公開日】2015年1月7日 申請日期:2014年9月3日 優先權日:2014年9月3日
【發明者】張鵬程, 劉宗磊, 朱躍龍, 馮鈞, 萬定生, 莊媛, 周宇鵬, 肖豔 申請人:河海大學