[发明专利]移动边缘计算中基于时序正则化张量分解的QoS预测方法

权利要求书

1.一种移动边缘计算中基于时序正则化张量分解的QoS预测方法，其特征在于，包括：

获取用户访问服务的QoS记录；

基于QoS记录构建表示用户、服务以及时间关系的三维张量模型；

使用CP分解方法对所述三维张量模型进行分解，在分解过程中引入与用户维、服务维以及时间维的相关的约束正则项分别对所述三维张量模型的用户、服务以及时间的权重进行分解约束，并且引入时序正则项对三维张量模型的时间维的时序关系进行分解约束，分别得到用户因子矩阵、服务因子矩阵以及时间因子矩阵；

使用所述用户因子矩阵、服务因子矩阵以及时间因子矩阵，预测具体用户在具体时刻调用具体服务的QoS值；

所述使用CP分解方法对所述三维张量模型进行分解，在分解过程中引入与用户维、服务维以及时间维的相关的约束正则项分别对所述三维张量模型的用户、服务以及时间的权重进行分解约束，并且引入时序正则项对三维张量模型的时间维的时序关系进行分解约束，分别得到用户因子矩阵、服务因子矩阵以及时间因子矩阵包括：

构建预测所述三维张量模型的近似张量与原始张量误差最小的第一优化问题；

在当用户i在k时刻调用服务j获取的QoS与预测的用户i在k时刻调用服务j获取的QoS相同，则所述第一优化问题最小的条件下，将所述第一优化问题转化为第二优化问题；

在所述第二优化问题中引入用户维、与用户维、服务维以及时间维的相关的约束正则项分别对所述三维张量模型的用户、服务以及时间的权重进行分解约束，并且引入时序正则项对三维张量模型的时间维的时序关系进行分解约束，将所述第二优化问题转化为第三优化问题；

对所述第三优化问题进行求解，分别得到用户因子矩阵、服务因子矩阵以及时间因子矩阵。

2.根据权利要求1所述的预测方法，其特征在于，所述基于QoS记录构建表示用户、服务以及时间关系的三维张量模型包括：

将在时间周期1处的I个用户作为矩阵行，J个服务作为矩阵列，构建二维矩阵；

基于所述QoS记录，将QoS记录中QoS值按照用户与服务的对应关系，填充如所述二维矩阵中；

构建K个时间周期矩阵以及三维张量矩阵；

将每个时间周期矩阵确定为张量矩阵的第三维度，所述填充后的二维矩阵确定为所述张量矩阵的剩余维度，获得三维张量模型。

3.根据权利要求1所述的预测方法，其特征在于，在所述第二优化问题中引入用户维、与用户维、服务维以及时间维的相关的约束正则项分别对所述三维张量模型的用户、服务以及时间的权重进行分解约束，并且引入时序正则项对三维张量模型的时间维的时序关系进行分解约束，将所述第二优化问题转化为第三优化问题包括：

确定时间因子矩阵的时序系数向量，组成时序系数矩阵；

在所述第二优化问题中引入用户维、与用户维、服务维以及时间维的相关的约束正则项分别对所述三维张量模型的用户、服务以及时间的权重进行分解约束，并且引入时序系数矩阵中的时序系数向量对三维张量模型的时间维的时序关系进行分解约束，将所述第二优化问题转化为第三优化问题。

4.根据权利要求3所述的预测方法，其特征在于，所述第一优化问题表示为：

其中，表示估计的近似张量，表示原始张量，y_ijk是张量中的元素值，表示用户i在k时刻调用服务j获取的QoS，是张量中的元素值，表示预测的用户i在k时刻调用服务j获取的QoS，I,J,K分别是张量每一维度的最大值，是张量中的元素值，u_ir是因子矩阵U中第i行第r列的值，s_jr是因子矩阵S中第j行第r列的值，t_kr是因子矩阵T中第k行第r列的值，R表示近似张量的秩。

5.根据权利要求4所述的预测方法，其特征在于，所述第二优化问题表示为：

所述引入正则化项的第二优化问题表示为：

其中，是引入的与因子矩阵U,S,T相关的约束正则项，λ_u,λ_s,λ_t分别是对应的正则化参数。