[发明专利]一种基于复杂时空情境感知的服务质量预测方法及系统

权利要求书

1.一种基于复杂时空情境感知的服务质量预测方法，其特征在于，所述服务质量预测方法包括：

构建预测用的深度神经网络；所述深度神经网络包括相互关联的输入层、嵌入层、空间特征交互层、空间特征向量重组层、空间特征向量拟合层以及输出层；具体包括：构建输入层；在所述输入层中输入的每条数据记录均包含空间特征子集以及时间特征集合T中的一个时间特征值；所述空间特征子集包括m个不同的空间特征值；在所述输入层的基础上构建嵌入层；所述嵌入层用于将每条输入的数据记录中的每个特征值映射为固定长度的嵌入向量；在所述嵌入层的基础上构建空间特征交互层；所述空间特征交互层用于将空间特征嵌入向量进行两两交互生成二阶交互特征向量；在所述空间特征交互层的基础上构建空间特征向量重组层；所述空间特征向量重组层用于将二阶交互特征向量与m个空间特征嵌入向量合并为一个新的空间特征向量集合；在所述空间特征向量重组层的基础上构建空间特征向量拟合层；所述空间特征向量拟合层用于基于注意力机制，将所述空间特征向量集合中的所有向量拟合为一个综合特征向量；在所述空间特征向量拟合层的基础上构建输出层，进而得到深度神经网络；所述输出层用于将所述综合特征向量与时间特征嵌入向量进行交互后输出服务质量；

确定输入样本和输出样本；所述输入样本为从服务调用历史数据中提取出每条数据记录的各项特征所组成的特征集合；所述特征集合包括空间特征集合和时间特征集合；所述空间特征集合包括用户特征和服务特征；所述用户特征包括用户id、用户ip地址、用户所在地以及用户的自治域；所述服务特征包括服务id、服务的ip地址、服务所在地以及服务的自治域；所述时间特征集合包括多个不同的时间特征值；一个所述时间特征值代表一个时隙，所述时隙为每条数据记录中服务调用的时间；所述输出样本为每条数据记录的服务质量数值；

根据所述输入样本和所述输出样本，训练所述深度神经网络，得到服务质量预测模型；

获取目标用户特征、目标服务特征以及目标服务调用时间；

将所述目标用户特征、所述目标服务特征以及所述目标服务调用时间输入到所述服务质量预测模型的输入层中，获取所述服务质量预测模型的输出层输出的目标服务质量；

所述空间特征集合表示为US＝{us1，us2，…，usn}，所述空间特征集合中共包含n＝m*k个互异的空间特征值；所述空间特征集合包括m类不同的空间特征，每类空间特征中都包含k个不同的特征值；

所述时间特征集合表示为T＝{t1，t2，…tp}，所述时间特征集合包括p个不同的时间特征值；

所述基于注意力机制，将所述空间特征向量集合中的所有向量拟合为一个综合特征向量，具体包括：

基于多层感知机，计算所述空间特征向量集合中每个向量的隐藏解释值；

计算每个隐藏解释值与第一矩阵之间的相似性值；所述第一矩阵为随机初始化的服从正态分布的矩阵；

采用softmax函数对所有相似性值进行转换和归一化处理，得到所述空间特征向量集合中每个向量的权重系数；

根据所述空间特征向量集合中每个向量以及每个向量对应的权重系数，采用加权求和算法，得到综合特征向量。

2.根据权利要求1所述的服务质量预测方法，其特征在于，所述将空间特征嵌入向量进行两两交互生成二阶交互特征向量，具体包括：

将任意两个空间特征嵌入向量对应位置的元素作相乘处理，生成二阶交互特征向量。

3.根据权利要求1所述的服务质量预测方法，其特征在于，所述根据所述输入样本和所述输出样本，训练所述深度神经网络，得到服务质量预测模型，具体包括：

对所述深度神经网络中的各参数进行初始化；所述参数包括特征的嵌入向量、各层的权重以及偏置值；

确定目标函数；

根据所述输入样本和所述输出样本中的特征值，采用反向传播方式最小化所述目标函数来学习更新所述深度神经网络中的各参数，得到服务质量预测模型。

4.根据权利要求3所述的服务质量预测方法，其特征在于，所述对所述深度神经网络中的各参数进行初始化，具体包括：

对所述深度神经网络中的各参数进行随机初始化，使初始化后的参数服从正态分布。