主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
2019-2020年专刊出版计划 微信服务介绍 最新一期:2019年第1期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
张鹏程,王丽艳,吉顺慧,李雯睿.一种基于多元时间序列的Web Service QoS预测方法.软件学报,0,(0):0
一种基于多元时间序列的Web Service QoS预测方法
A Web Service QoS Forecasting Approach Using Multivariate Time Series
  
DOI:10.13328/j.cnki.jos.005425
中文关键词:  服务质量  多元时间序列  相空间重构  LM算法  RBF神经网络  动态多步预测
英文关键词:Quality of Service  Multivariate time series  Phase-space reconstruction  LM algorithm  RBF neural network  Dynamic multiple step forecasting
基金项目:国家自然科学基金(61572171,61702159,61202097);江苏省自然科学基金(BK20170893);中央高校基本科研业务费(B15020191)
作者单位E-mail
张鹏程 河海大学 计算机与信息学院, 江苏 南京 211100 pchzhang@hhu.edu.cn 
王丽艳 河海大学 计算机与信息学院, 江苏 南京 211100  
吉顺慧 河海大学 计算机与信息学院, 江苏 南京 211100  
李雯睿 南京晓庄学院 信息工程学院, 江苏 南京 211171  
摘要点击次数: 1316
全文下载次数: 833
中文摘要:
      为准确并多步预测Web服务的服务质量(Quality of Service,QoS),方便用户选择更好的Web服务,提出了一种基于多元时间序列的QoS预测方法MulA-LMRBF (Multiple step forecasting with Advertisement-Levenberg Marquardt Radial Basis Function).充分考虑多个QoS属性序列之间的关联,采用平均位移法(Average Dimension,AD)确定相空间重构的嵌入维数和延迟时间,将QoS属性历史数据映射到一个动力系统中,近似恢复多个QoS属性之间的多维非线性关系.将短期服务提供商QoS广告数据加入数据集中,采用列文伯格-马夸尔特法(Levenberg-Marquardt,LM)算法改进的径向基(Radial Basis Function,RBF)神经网络预测模型,动态更新神经网络的权重,提高预测精度,实现QoS动态多步预测.通过网络开源数据和自测数据的实验表明,本方法与传统方法相比有较好预测效果,更适合动态多步预测.
英文摘要:
      In order to accurately forecast Quality of Service (QoS) of different Web Services with multi-step, and help users to choose the most suitable Web service at hand, this paper proposes a novel QoS forecasting approach called MulA-LMRBF (Multiple-step forecasting with Advertisement by Levenberg-Marquardt improved Radial Basis Function Network) based on multivariate time series. Considering the correlation among different QoS attributes series, we use phase-space reconstruction to map historical multivariate QoS data into a dynamic system, where the multi-dimensional nonlinear relations of QoS attributes are completely restored. Average Dimension (AD) is used to estimate the embedding dimension and delay time of reconstructed phase space. We also add the short-term QoS advertisement data of service provider to form a more comprehensive data set. Then, RBF (Radial Basis Function) neural network improved by the Levenberg-Marquardt (LM) algorithm is used to update the weight of the neural network dynamically, which improves the forecasting accuracy and realizes the dynamic multiple-step forecasting. Experiments are conducted based on several public network data sets and self-collected data set. The experimental results demonstrate that MulA-LMRBF is better than previous approaches with high precise and is more suitable for multi-step forecasting.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利