一种基于多视角的物联网服务qos动态预测方法
技术领域
1.本发明涉及物联网服务领域，更确切地说，它涉及一种基于多视角的物联网服务qos动态预测方法。
背景技术：2.物联网系统由众多物联网应用程序(也称为物联网服务)组成，每个应用程序都获取从地理上分散的传感器收集的数据，并由一系列提供简单功能的原子服务。因此，在构建物联网系统的过程中，用户应该搜索原子服务，并将它们组合起来以完成某个目标或构成新的应用程序。随着物联网的日益普及，如何构建高质量的物联网服务是学术界和工业界的迫切需求。在构建高质量的物联网系统的过程中，一旦功能相似的服务数量急剧增加，根据非功能性能优化服务选择就变得很重要。
3.非功能性能通常用服务质量(qos)来描述，它由许多属性组成，包括响应时间、吞吐量、可靠性、可用性、安全性等。qos可以为服务选择和推荐提供有价值的信息。物联网场景下的服务qos属性会受到很多因素的影响，所以qos呈现出相应的时间动态特性。然而随着物联网系统规模不断扩大，物联网接入的终端用户以及实施的各项服务越来越多，物联网可能会出现网络延迟与拥堵等情况，这样会造成用户体验不佳以及传感器等信息传输不及时等情况，物联网必须要确保业务量不会因被延迟，或者是直接被丢弃。因此，如何实现物联网环境下的服务个性化推荐以及物联网环境状况的控制便需要动态准确的预测物联网服务的qos。
4.传统的协同过滤或者矩阵分解方法可以通过行为数据挖掘用户之间的关联性，并且具有解释性强的优点，已经被广泛应用在web服务的qos预测中，但已有方法未考虑物联网环境下qos的实时变化性，通过单一的相似度计算方法的改进来进行预测，导致预测精度不高。
技术实现要素：5.本发明的目的是克服现有技术中的不足，提供了一种基于多视角的物联网服务qos动态预测方法，包括以下步骤：
6.s1、记录用户使用物联网服务的qos数值，形成qos矩阵，将所述qos矩阵分解为用户潜在特征矩阵、服务潜在特征矩阵和时间潜在特征矩阵，挖掘用户潜在特征、服务潜在特征和时间潜在特征；
7.s2、利用图神经网络对情景信息建模，挖掘用户邻域的情景特征和服务邻域的情景特征；
8.s3、利用时序空洞卷积网络，对时间序列进行因果卷积，提取用户服务交互的时序特征；
9.s4、融合多视角特征预测qos值。
10.作为优选，s1中，将qos矩阵分解后，还包括：
11.s101、初始化特征矩阵，将每个用户潜在特征的特征向量、服务潜在特征的特征向量和时间片的潜在特征向量按照高斯分布进行初始化赋值；
12.s102、特征内积拟合qos矩阵，以用户潜在特征、服务潜在特征和时间潜在特征的特征向量内积作为交互的qos值，通过随机梯度下降算法更新特征向量以最小化误差。
13.作为优选，s2包括：
14.s201、度量用户和服务间的偏好、地理分布及ip地址，构建多尺度的多类型节点和多类型边的异构关系描述图；
15.s202、通过异构关系描述图卷积，汇聚不同类型的邻域信息，提取邻域特征。
16.作为优选，s4包括：
17.s401、拼接多视角的用户潜在特征、服务潜在特征和时间潜在特征，通过哈达玛积线性对用户和服务的交互特征融合，通过多层感知机进行非线性特征融合；
18.s402、拼接交互特征与时序特征，通过全连接层预测qos值。
19.作为优选，s101中，初始化特征矩阵包括初始化qos矩阵，初始化用户潜在特征矩阵，初始化服务潜在特征矩阵和初始化时间潜在特征矩阵，初始化qos矩阵表示为：
[0020][0021]
其中，r表示qos矩阵，p表示用户潜在特征矩阵，q表示服务潜在特征矩阵，c表示时间潜在特征矩阵；σ2为正太分布的方差参数；p(r|p,q,c,σ2)表示qos矩阵在条件p，q，c和σ2下的概率分布；n和m分别表示用户和服务的数量；i
us
表示用户u对服务s是否存在调用记录，若存在则为1，否则为0；r
us
表示qos矩阵中的符合带高斯噪声的正态分布的元素；
[0022]
用户潜在特征矩阵p、服务潜在特征矩阵q和时间潜在特征矩阵c也符合带高斯噪声的正态分布，其初始化公式如下：
[0023][0024][0025][0026]
其中，σ
p
、σq和σc是三个矩阵的正太分布方差参数，i表示是否存在调用记录，若存在则为1，不存在则为0。
[0027]
作为优选，s102中，特征内积拟合qos矩阵表示为：
[0028][0029]
其中，和分别表示用户u对服务s在时间片t调用的真实qos值和预测qos值，pu、qs和c
t
是用户u、服务s和时间片t的潜在特征向量，和表示潜在特征向量的
第k个元素，k是特征向量的长度，表示哈达玛积，即逐元素相乘，|
·
|表示向量一范数。
[0030]
作为优选，s201包括：
[0031]
s2011、对于用户和服务之间的相似性关系，采用皮尔逊系数计算服务之间的相似度；根据用户对服务调用偏好，服务i和服务j之间的相似度计算公式为：
[0032][0033]
其中，uc表示访问过服务i和j的用户集合，u是该集合中的一个用户，r
ui
和r
uj
为用户u访问服务i和j的qos值，和为服务i和j调用记录中的qos的平均值；
[0034]
用户u和用户v之间的相似度计算公式为：
[0035][0036]
其中，ic表示访问过用户u和v都访问过的服务集合，i是该集合中的一个服务，r
ui
和r
vi
为服务i被用户u和v调用的qos值，和为用户u和v调用记录中的qos的平均值；
[0037]
s2012、对于用户服务之间的地理位置关系，采用半正失公式计算地理距离，计算公式为：
[0038][0039]
其中，i和j表示用户i和用户j或者表示服务i和服务j，其地理经纬度分别为λi和λj， r表示球体的半径，即地球的半径，和δλ表示用户i和用户j或者服务i和服务j的经度和纬度的差值；
[0040]
s2013、对于网络地址的相似性，以32位ip地址的公共前缀长度判定两个用户或服务的相似度；
[0041]
s2014、根据s2011至s2013的计算结果，构建出具有两种类型节点和三种类型边的异构关系图来描述用户与服务之间的关系，所述两种类型节点包括用户节点和服务节点，所述三种类型边包括用户和服务间的偏好、地理分布临近性和ip地址相似性。
[0042]
作为优选，s202包括：
[0043]
s2021、对于有多种边类型的节点，分别对每一类边进行图卷积操作，最终将特征汇总，其公式如下所示：
[0044][0045]
其中表示节点i、边类型τ、卷积第l+1层的特征，σ为激活函数，b
(l)
和w
(l)
为第
l层的权重参数，是节点i在边类型τ上的邻居节点集合，j是该集合中的一个节点，c
ji
表示节点i和j的节点度数的根方的乘积；
[0046]
s2022、对于不同边类型的卷积结果，按下列公式进行汇聚：
[0047][0048]
其中表示节点i、卷积第l+1层的总特征，表示节点i、边类型τ、卷积第l+1 层的特征，agg表示汇聚操作，所述汇聚操作包括求和、取均值和取极值中的任一一种。
[0049]
作为优选，s3中，时序空洞卷积表示为：
[0050][0051]
其中，k表示输出的第k个通道，seq(c,w)表示输入第c个通道的第w个元素，filter(k,c,s) 表示卷积核中对应于第c个输入通道、第k个输出通道的第s个元素，d为空洞参数。
[0052]
作为优选，s401的计算公式为：
[0053]
φu＝cat(pu,gu)
[0054]
φs＝cat(qs,gs)
[0055][0056]
φm＝mlp(cat(φu,φs))
[0057]
其中，pu和qs为用户u与服务s矩阵分解得到的潜在特征，gu和gs为用户u与服务s异构图卷积得到的情景特征，cat表示向量拼接操作，φu和φs表示用户u与服务s总特征，φh表示用户u与服务s的特征经过哈达玛积得到的线性特征，mlp表示多层感知机网络，φm为用户u与服务s的特征经过多层感知机得到的非线性特征；
[0058]
s402中，时序特征φ
t
表示为：
[0059]
φ
t
＝cat(c
t
,tem)
[0060]
其中，c
t
为时间潜在特征，tem为时序空洞卷积得到的时序特征；
[0061]
通过全连接层预测qos值的计算公式为：
[0062][0063]
其中，σ表示一个激活函数，w和b分别是全连接层的权重和偏置参数。
[0064]
本发明的有益效果是：本发明通过多个视角分别挖掘潜在特征信息、情景特征和时序特征，对挖掘出的特征进行线性和非线性的融合，实现高效的动态物联网服务qos预测。并且，本技术考虑物联网环境下qos的实时变化性，结合多种相似度计算方法进行预测，预测结果的精确度较高。
附图说明
[0065]
图1为本技术提供的一种基于多视角的物联网服务qos动态预测方法的流程图；
[0066]
图2为本技术提供的qos矩阵分解流程图；
[0067]
图3为本技术提供的异构图卷积情景信息挖掘流程图；
[0068]
图4为本技术提供的特征融合及预测流程图。
具体实施方式
[0069]
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出，对于本技术领域的普通人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
[0070]
实施例1：
[0071]
一种基于多视角的物联网服务qos动态预测方法，如图1所示，包括以下步骤：
[0072]
s1、记录用户使用物联网服务的qos数值，形成qos矩阵，将qos矩阵分解为用户潜在特征矩阵、服务潜在特征矩阵和时间潜在特征矩阵，挖掘用户潜在特征、服务潜在特征和时间潜在特征。
[0073]
示例地，在s1中，对大小为n
×
m的稀疏qos矩阵r，将其分解为用户特征矩阵p、服务特征矩阵q和时间特征矩阵c。其中p为n
×
k大小，q为m
×
k大小，q为t
×
k大小，k 远小于n、m和t。
[0074]
s2、利用图神经网络对情景信息建模，挖掘用户邻域的情景特征和服务邻域的情景特征。
[0075]
s3、利用时序空洞卷积网络，对时间序列进行因果卷积，提取用户服务交互的时序特征。
[0076]
s4、融合多视角特征预测qos值。
[0077]
s1中，如图2所示，将qos矩阵分解后，还包括：
[0078]
s101、初始化特征矩阵，将每个用户潜在特征的特征向量和服务潜在特征的特征向量按照高斯分布进行初始化赋值；
[0079]
s102、特征内积拟合qos矩阵，以用户潜在特征、服务潜在特征和时间潜在特征的特征向量内积作为交互的qos值，通过随机梯度下降算法更新特征向量以最小化误差。
[0080]
如图3所示，s2包括：
[0081]
s201、度量用户和服务间的偏好、地理分布及ip地址，构建多尺度的多类型节点和多类型边的异构关系描述图；
[0082]
s202、通过异构关系描述图卷积，汇聚不同类型的邻域信息，提取邻域特征。
[0083]
如图4所示，s4包括：
[0084]
s401、拼接多视角的用户潜在特征、服务潜在特征和时间潜在特征，通过哈达玛积线性对用户和服务的交互特征融合，通过多层感知机进行非线性特征融合；
[0085]
s402、拼接交互特征与时序特征，通过全连接层预测qos值。
[0086]
s101中，初始化特征矩阵包括初始化qos矩阵，初始化用户潜在特征矩阵，初始化服务潜在特征矩阵和初始化时间潜在特征矩阵，初始化qos矩阵表示为：
[0087][0088]
其中，r表示qos矩阵，p表示用户潜在特征矩阵，q表示服务潜在特征矩阵；σ2为正太分布的方差参数；n和m分别表示用户和服务的数量；i
us
表示用户u对服务s是否存在调用
记录，若存在则为1，否则为0；r
us
表示qos矩阵中的符合带高斯噪声的正态分布的元素；
[0089]
用户潜在特征矩阵p、服务潜在特征矩阵q和时间潜在特征矩阵c也符合带高斯噪声的正态分布，其初始化公式如下：
[0090][0091][0092][0093]
其中，σ
p
、σq和σc是三个矩阵的正太分布方差参数。
[0094]
传统的矩阵分解方法将每一个用户和服务表示为一个长度为k的特征向量，以二者的内积作为该用户调用该服务的qos值，即
[0095][0096]
其中r
us
和分别表示用户u对服务s调用的真实和预测qos值，pu和qs是用户u和服务s 的潜在特征向量，和表示潜在特征向量的第k个元素，k是特征向量的长度，
°
表示哈达玛积，即逐元素相乘，|
·
|表示向量一范数。
[0097]
而在本技术的s102中，进一步考虑在线系统中的时间元素，可以将矩阵r分解为用户特征矩阵p、服务特征矩阵q和时间特征矩阵c，则上式可拓展为：
[0098][0099]
其中，和分别表示用户u对服务s在时间片t调用的真实qos值和预测qos值，pu、qs和c
t
是用户u、服务s和时间片t的潜在特征向量，和表示潜在特征向量的第k个元素，k是特征向量的长度，表示哈达玛积，即逐元素相乘，|
·
|表示向量一范数。
[0100]
s201包括：
[0101]
s2011、对于用户和服务之间的相似性关系，采用皮尔逊系数计算服务之间的相似度；根据用户对服务调用偏好，服务i和服务j之间的相似度计算公式为：
[0102][0103]
其中，uc表示访问过服务i和j的用户集合，u是该集合中的一个用户，r
ui
和r
uj
为用户u访问服务i和j的qos值，和为服务i和j调用记录中的qos的平均值；
[0104]
用户u和用户v之间的相似度计算公式为：
[0105][0106]
其中，ic表示访问过用户u和v都访问过的服务集合，i是该集合中的一个服务，r
ui
和r
vi
为服务i被用户u和v调用的qos值，和为用户u和v调用记录中的qos的平均值；
[0107]
s2012、对于用户服务之间的地理位置关系，采用半正失公式计算地理距离，计算公式为：
[0108][0109]
其中，i和j表示用户i和用户j或者表示服务i和服务j，其地理经纬度分别为λi和λj， r表示球体的半径，即地球的半径，和δλ表示用户i和用户j或者服务i和服务j的经度和纬度的差值；
[0110]
需要说明的是，对于用户服务之间的地理位置关系，本技术计算其地理距离，此处不区分用户与服务，即本技术既计算两个用户之间的地理距离，也计算两个服务之间的地理距离，同时也计算用户和服务之间的地理距离。
[0111]
s2013、对于网络地址的相似性，以32位ip地址的公共前缀长度判定两个用户或服务的相似度；
[0112]
s2014、根据s2011至s2013的计算结果，构建出具有两种类型节点和三种类型边的异构关系图来描述用户与服务之间的关系。示例地，两种类型节点包括用户节点和服务节点，三种类型边包括用户和服务间的偏好、地理分布临近性和ip地址相似性。此外，本技术不对节点类型的数量与边类型的数量进行限定，具体种类数量可视应用场景而定。
[0113]
s202包括：
[0114]
s2021、本技术通过异构图卷积操作学习每个节点的表示特征。对于每个节点，本技术对其邻居节点进行采样，并汇总该集合节点的特征，该过程称为图卷积操作。对于有多种边类型的节点，分别对每一类边进行图卷积操作，最终将特征汇总，其公式如下所示：
[0115][0116]
其中表示节点i、边类型τ、卷积第l+1层的特征，σ为激活函数，b
(l)
和w
(l)
为第l层的权重参数，是节点i在边类型τ上的邻居节点集合，j是该集合中的一个节点，c
ji
表示节点i和j的节点度数的根方的乘积；
[0117]
s2022、对于不同边类型的卷积结果，按下列公式进行汇聚：
[0118][0119]
其中表示节点i、卷积第l+1层的总特征，表示节点i、边类型τ、卷积第l
+1 层的特征，agg表示汇聚操作，汇聚操作包括求和、取均值和取极值中的任一一种。
[0120]
s3中，时序空洞卷积具体为：
[0121]
采用因果卷积，即当前时间点t的输出只依赖于时间点t和之间的数据，避免了未来数据的泄露，适用于时序预测的场景。
[0122]
时序卷积的过程如下公式：
[0123][0124]
其中seq表示一条输入时间序列，filter是卷积核，seq(w)和filter(s)分别表示其中的第 w和第s个元素，h(x)表示输出向量的第x个元素。
[0125]
进一步考虑多通道输入及多通道输出，为了扩大卷积视野，减少运算量，引入空洞卷积参数d，即输出层数据点t由输入层的点t,t-d,t-2d,...卷积得来，进而时序空洞卷积表示为：
[0126][0127]
其中，k表示输出的第k个通道，seq(c,w)表示输入第c个通道的第w个元素，filter(k,c,s) 表示卷积核中对应于第c个输入通道、第k个输出通道的第s个元素，d为空洞参数。
[0128]
s401的计算公式为：
[0129]
φu＝cat(pu,gu)
[0130]
φs＝cat(qs,gs)
[0131][0132]
φm＝mlp(cat(φu,φs))
[0133]
其中，pu和qs为用户u与服务s矩阵分解得到的潜在特征，gu和gs为用户u与服务s异构图卷积得到的情景特征，cat表示向量拼接操作，φu和φs表示用户u与服务s总特征，фh表示用户u与服务s的特征经过哈达玛积得到的线性特征，mlp表示多层感知机网络，φm为用户u与服务s的特征经过多层感知机得到的非线性特征；
[0134]
s402中，时序特征φ
t
表示为：
[0135]
φ
t
＝cat(c
t
,tem)
[0136]
其中，c
t
为时间潜在特征，tem为时序空洞卷积得到的时序特征；
[0137]
通过全连接层预测qos值的计算公式为：
[0138][0139]
其中，σ表示一个激活函数，w和b分别是全连接层的权重和偏置参数。
[0140]
实施例2：
[0141]
本技术提供了一种基于多视角的在线qos预测系统，可以应用实施例1中的基于多视角的物联网服务qos动态预测方法，该系统包括：在一个具有n个用户和m个服务的场景中，用户对服务的调用记录产生了一个n
×
m的qos矩阵r，该矩阵十分稀疏，其中的大量元素是空的，即用户只调用少数的服务，产生少量的qos值。通过时序矩阵分解、异构图卷积和时
序空洞卷积抽取潜在特征、情景特征和时序特征，对特征交互进行线性和非线性建模，得出 qos预测值。
[0142]
实施例3：
[0143]
在前述实施例的基础上，本技术在公开服务qos数据集wsdream上进行了效果验证，具体结果如下：
[0144]
实验在不同的数据稀疏度条件下进行，分别为5％、10％、15％和20％，采用平均绝对误差 mae和均方根误差rmse两个指标进行度量。将本发明方法与三种已有服务qos预测方法进行对比，包括
[0145]
1)uipcc：利用皮尔逊系数结合用户和服务相似性的协同过滤方法；
[0146]
2)pmf：利用贝叶斯方法推导出隐式特征的后验概率的矩阵分解方法；
[0147]
3)rncf：基于多层循环神经网络的协同过滤方法。
[0148]
实验结果如下表所示，本方法取得了更为精准的预测效果，并且随着数据密度的增加，预测效果呈现出进一步提升的趋势。由此可以验证本方法的正确性和有效性。
[0149]
表1
[0150][0151]
技术特征：1.一种基于多视角的物联网服务qos动态预测方法，其特征在于，包括以下步骤：s1、记录用户使用物联网服务的qos数值，形成qos矩阵，将所述qos矩阵分解为用户潜在特征矩阵、服务潜在特征矩阵和时间潜在特征矩阵，挖掘用户潜在特征、服务潜在特征和时间潜在特征；s2、利用图神经网络对情景信息建模，挖掘用户邻域的情景特征和服务邻域的情景特征；s3、利用时序空洞卷积网络，对时间序列进行因果卷积，提取用户服务交互的时序特征；s4、融合多视角特征预测qos值。2.根据权利要求1所述的基于多视角的物联网服务qos动态预测方法，其特征在于，s1中，将qos矩阵分解后，还包括：s101、初始化特征矩阵，将每个用户潜在特征的特征向量、服务潜在特征的特征向量和时间片的潜在特征向量按照高斯分布进行初始化赋值；s102、特征内积拟合qos矩阵，以用户潜在特征、服务潜在特征和时间潜在特征的特征向量内积作为交互的qos值，通过随机梯度下降算法更新特征向量以最小化误差。3.根据权利要求1所述的基于多视角的物联网服务qos动态预测方法，其特征在于，s2包括：s201、度量用户和服务间的偏好、地理分布及ip地址，构建多尺度的多类型节点和多类型边的异构关系描述图；s202、通过异构关系描述图卷积，汇聚不同类型的邻域信息，提取邻域特征。4.根据权利要求1所述的基于多视角的物联网服务qos动态预测方法，其特征在于，s4包括：s401、拼接多视角的用户潜在特征、服务潜在特征和时间潜在特征，通过哈达玛积线性对用户和服务的交互特征融合，通过多层感知机进行非线性特征融合；s402、拼接交互特征与时序特征，通过全连接层预测qos值。5.根据权利要求2所述的基于多视角的物联网服务qos动态预测方法，其特征在于，s101中，初始化特征矩阵包括初始化qos矩阵，初始化用户潜在特征矩阵，初始化服务潜在特征矩阵和初始化时间潜在特征矩阵，初始化qos矩阵表示为：其中，r表示qos矩阵，p表示用户潜在特征矩阵，q表示服务潜在特征矩阵，c表示时间潜在特征矩阵；σ2为正太分布的方差参数；p(r|p，q，c，σ2)表示qos矩阵在条件p，q，c和σ2的概率分布；n和m分别表示用户和服务的数量；i
us
表示用户u对服务s是否存在调用记录，若存在则为1，否则为0；r
us
表示qos矩阵中的符合带高斯噪声的正态分布的元素；用户潜在特征矩阵p、服务潜在特征矩阵q和时间潜在特征矩阵c也符合带高斯噪声的正态分布，其初始化公式如下：
其中，σ
p
、σ
q
和σ
c
是三个矩阵的正太分布方差参数，i表示是否存在调用记录，若存在则为1，不存在则为0。6.根据权利要求2所述的基于多视角的物联网服务qos动态预测方法，其特征在于，s102中，特征内积拟合qos矩阵表示为：其中，和分别表示用户u对服务s在时间片t调用的真实qos值和预测qos值，p
u
、q
s
和c
t
是用户u、服务s和时间片t的潜在特征向量，和表示潜在特征向量的第k个元素，k是特征向量的长度，表示哈达玛积，即逐元素相乘，|
·
|表示向量一范数。7.根据权利要求3所述的基于多视角的物联网服务qos动态预测方法，其特征在于，s201包括：s2011、对于用户和服务之间的相似性关系，采用皮尔逊系数计算服务之间的相似度；根据用户对服务调用偏好，服务i和服务j之间的相似度计算公式为：其中，u
c
表示访问过服务i和j的用户集合，u是该集合中的一个用户，r
ui
和r
uj
为用户u访问服务i和j的qos值，和为服务i和j调用记录中的qos的平均值；用户u和用户v之间的相似度计算公式为：其中，i
c
表示访问过用户u和v都访问过的服务集合，i是该集合中的一个服务，r
ui
和r
vi
为服务i被用户u和v调用的qos值，和为用户u和v调用记录中的qos的平均值；s2012、对于用户服务之间的地理位置关系，采用半正失公式计算地理距离，计算公式为：
其中，i和j表示用户i和用户j或者表示服务i和服务j，其地理经纬度分别为λ
i
和λ
j
，r表示球体的半径，即地球的半径，和δλ表示用户i和用户j或者服务i和服务j的经度和纬度的差值；s2013、对于网络地址的相似性，以32位ip地址的公共前缀长度判定两个用户或服务的相似度；s2014、根据s2011至s2013的计算结果，构建出具有两种类型节点和三种类型边的异构关系图来描述用户与服务之间的关系，所述两种类型节点包括用户节点和服务节点，所述三种类型边包括用户和服务间的偏好、地理分布临近性和ip地址相似性。8.根据权利要求3所述的基于多视角的物联网服务qos动态预测方法，其特征在于，s202包括：s2021、对于有多种边类型的节点，分别对每一类边进行图卷积操作，最终将特征汇总，其公式如下所示：其中表示节点i、边类型τ、卷积第l+1层的特征，σ为激活函数，b
(l)
和w
(l)
为第l层的权重参数，是节点i在边类型τ上的邻居节点集合，j是该集合中的一个节点，c
ji
表示节点i和j的节点度数的根方的乘积；s2022、对于不同边类型的卷积结果，按下列公式进行汇聚：其中表示节点i、卷积第l+1层的总特征，表示节点i、边类型τ、卷积第l+1层的特征，agg表示汇聚操作，所述汇聚操作包括求和、取均值和取极值中的任一一种。9.根据权利要求1所述的基于多视角的物联网服务qos动态预测方法，其特征在于，s3中，时序空洞卷积表示为：其中，k表示输出的第k个通道，seq(c，w)表示输入第c个通道的第w个元素，filter(k，c，s)表示卷积核中对应于第c个输入通道、第k个输出通道的第s个元素，d为空洞参数。10.根据权利要求4所述的基于多视角的物联网服务qos动态预测方法，其特征在于，s401的计算公式为：φ
u
＝cat(p
u
，g
u
)φ
s
＝cat(q
s
，g
s
)
φ
m
＝mlp(cat(φ
u
，φ
s
))其中，p
u
和q
s
为用户u与服务s矩阵分解得到的潜在特征，g
u
和g
s
为用户u与服务s异构图卷积得到的情景特征，cat表示向量拼接操作，φ
u
和φ
s
表示用户u与服务s总特征，φ
h
表示用户u与服务s的特征经过哈达玛积得到的线性特征，mlp表示多层感知机网络，φ
m
为用户u与服务s的特征经过多层感知机得到的非线性特征；s402中，时序特征φ
t
表示为：φ
t
＝cat(c
t
，tem)其中，c
t
为时间潜在特征，tem为时序空洞卷积得到的时序特征；通过全连接层预测qos值的计算公式为：其中，σ表示一个激活函数，w和b分别是全连接层的权重和偏置参数。
技术总结本发明涉及一种基于多视角的物联网服务QoS动态预测方法，包括：记录用户使用物联网服务的QoS数值，形成QoS矩阵，将QoS矩阵分解为用户潜在特征矩阵、服务潜在特征矩阵和时间潜在特征矩阵，挖掘对应特征；对情景信息建模，挖掘用户邻域的情景特征和服务邻域的情景特征；利用时序空洞卷积网络，对时间序列进行因果卷积，提取用户服务交互的时序特征；融合多视角特征预测QoS值。本发明的有益效果是：本发明通过多个视角分别挖掘特征，并进行线性和非线性的融合，实现高效的动态物联网服务QoS预测；并且，本发明考虑物联网环境下QoS的实时变化性，结合多种相似度计算方法进行预测，预测结果的精确度较高。精确度较高。精确度较高。
技术研发人员：陈垣毅 于鹏 林弋皓 王德志 郑增威
受保护的技术使用者：浙大城市学院
技术研发日：2022.06.06
技术公布日：2022/11/1
