CN105046045B - 一种基于贝叶斯组合的Web服务QoS预测方法 - Google Patents
一种基于贝叶斯组合的Web服务QoS预测方法 Download PDFInfo
- Publication number
- CN105046045B CN105046045B CN201510305456.3A CN201510305456A CN105046045B CN 105046045 B CN105046045 B CN 105046045B CN 201510305456 A CN201510305456 A CN 201510305456A CN 105046045 B CN105046045 B CN 105046045B
- Authority
- CN
- China
- Prior art keywords
- model
- prediction
- error
- value
- arima
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于贝叶斯组合的Web服务QoS预测方法，提出贝叶斯组合预测模型对服务质量进行预测，该方法首先对时间序列特征进行识别，根据识别结果选取合适的基本预测模型，对已选取的模型进行训练，然后使用预测‑权值调整‑预测的循环结构进行预测。在预测的过程中，通过不断调整基本预测模型权重的方式使得结果逼近预测效果最好的模型，保持相对优良的预测精度。为了验证预测效果，对响应时间，吞吐量，可靠性等QoS属性进行预测，并且采用精度分析和有效性评估两种方式对实验结果进行比较，实验表明，不同特征的时间序列样本下，贝叶斯组合预测模型能保持较高的预测精度，趋近于最优的预测模型，提供较为稳定良好的预测表现。
Description
技术领域
本发明涉及一种基于贝叶斯组合的Web服务QoS预测方法，使用几种组合模型对时间序列进行预测，通过模型评估标准对结果进行评估，并及时调整模型权重，以优化测试结果。
背景技术
面向服务系统越来越多地通过互联网访问第三方Web服务，质量保证和软件维护由第三方控制，软件本身执行和管理也取决于第三方。面向服务系统的执行能力以及服务质量越来越依赖于第三方提供的服务，然而在复杂多变的Internet环境中，这种对于第三方服务的依赖会带来不确定的问题，使得服务无法满足QoS(Quality of Service，服务质量)需求。因此，需要对服务质量进行预测，通过预测判断是否可能发生服务失效，提前采取行动消除或减轻对系统质量的负面影响，避免威胁发生。近年来，Web服务QoS预测技术受到越来越多的关注，很多模型被提出并用于运行时QoS的预测，如神经网络模型、时间序列分析等。
目前针对原子Web服务，主要采用机器学习、数据挖掘的方法来预测QoS值，可以归纳划分为以下几类：(1)基于相似度的QoS预测方法。(2)基于神经网络的QoS预测方法。(3)基于时间序列预测的QoS预测方法。(4)其他QoS预测方法。单一的模型通常会在某一时段有良好的预测精度，但各种预测方法有特殊的信息特征和适用场合，目前还没有一种算法能在不同状况下、不同时刻都保持绝对优良的预测性能。Web服务在动态环境下，服务质量具有动态性和易变性，单一模型难以保持较好的预测性能，需要将预测方法组合起来，利用各种预测方法的长处，提高精度并扩大适用范围。因此提出了贝叶斯组合预测模型，根据QoS属性时间序列的特征，选取不同的基本预测模型进行组合，预测过程中通过已选取的基本预测模型的预测表现，更新各个基本模型的权重，使得模型预测结果能够逼近最优模型，从而具有稳定良好的预测精度。
发明内容
发明目的：针对现有技术中存在的问题，本发明提供一种Web服务QoS贝叶斯组合预测的方法，根据QoS历史数据不同的特征形态组合不同的基本模型进行预测，并给出预测模型评估标准，对响应时间、吞吐量及可靠性进行了预测实验。以提前发现软件的异常和一些QoS状况，为软件系统的动态自适应调整和演化等活动提供决策依据，从而保证软件系统的安全可靠运行。
技术方案：一种基于贝叶斯组合的Web服务QoS预测方法，包括以下步骤：
步骤2：对各个基本模型分别进行训练建模。
步骤3：用训练好的基本预测模型对时间序列进行预测。
步骤4：由贝叶斯组合模型对各个基本模型的预测结果进行组合。拟采用基于小波分析的ARIMA预测模型(WARIMA)、小波神经网络预测模型(WNN)以及ARIMAGARCH预测模型3种基本预测模型对QoS进行预测，来验证贝叶斯组合模型的有效性。针对平稳型、趋势型、周期型QoS属性，可以采用某个函数或者方程拟合，即采用RBF神经网络，多元自回归模型，K-近邻模型作为基本预测模型进行贝叶斯组合，通过实验及结果分析来验证贝叶斯组合模型的有效性。
步骤5：预测模型精度评估及有效性评估
精度评估：
1、相对误差均值：其中N为预测时段中预测量的个数，yi表示第i个实际观测值，y′i为第i个预测值。MSPE反映预测值偏离实际值的程度。
2、均方根误差：其中N为预测时段中预测量的个数，yi表示第i个实际观测值，y′i为第i个预测值。RMSE不仅反映相对误差的大小，还反映预测结果的稳定性。
3、相对误差概率分布：其中N为预测时段中预测量的个数，为相对误差小于p值的预测量个数，yi表示第i个实际观测值，y′i为第i个预测值。其中误差概率分布表示预测结果的可信度。以上误差值越小，意味着模型预测越准确。
有效性评估：
引入“二进制”预测评估指标，QoS属性是否违反约束，服务是否发生失效，这个问题本身要么为肯定，要么为否定，实例要么属于肯定类，要么属于否定类，因而QoS失效预测属于二分问题。二分问题会出现四种情况，如果一个实例是肯定类且被预测为肯定类，则称为真肯定(True positive,TP)，如果实例是肯定类被预测为否定类，则称为假否定(Falsepositive,FP)，如果实例是否定类被预测为否定类，则称为真否定(True negative,TN)，如果实例是否定类被预测为肯定类，则称为假肯定(False negative,FN)。列联表表示为：
根据联表，引入尺度评价：
真肯定率(r)描述实际失效的样本被预测为真肯定的概率：精度(p)描述预测真肯定占肯定的比率：假肯定率(fpr)描述被预测为假肯定的实例占所有否定类的比例：正确率(a)描述正确预测的概率：F值(Fβ)描述p和r的调和均值：对于失效预测来说，p值用来评估正确自适应行为在所有自适应中的比率，p值越大，误报的可能性越低。r值用来评估正确预报失效的的概率，r值越大，漏报概率越低。p和r都要高，才能取得较高的F值。因此F值越高，预测越准确。
步骤6：修正组合模型参数。第t+1时刻，组合模型预测的结果为：式中q′ t+1为t+1时刻贝叶斯组合模型预测值；为t+1时刻第m个基本预测模型在组合模型中的权值；为t+1时刻第m个基本预测模型预测值。
步骤7：根据各个模型与真实值的误差比较判断模型预测表现是否较好；
步骤8：若表现较好，就赋予较高的期望并继续预测。否则，重复步骤2-6。
附图说明
图1为ARIMA模型的建模流程图；
图2为BP神经网络的算法流程图；
图3为ARIMAGARCH模型预测流程图；
图4为RBF神经网络模型K-均值聚类算法流程图；
图5为多元回归分析模型预测流程图；
图6为本发明实施例的整体框架图；
图7为各模型及贝叶斯组合模型对响应时间的预测结果；
图8为各模型及贝叶斯组合模型对可靠性的预测结果；
图9为各模型及贝叶斯组合模型对吞吐量的预测结果。
图10为误差分布箱线图；
图11为F值分布箱线图。
具体实施方式
下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本实施例提供的Web服务QoS贝叶斯组合预测的方法包含了两个主要部分：对随机型QoS属性，采用神经网络模型(WNN)、基于小波分析的ARIMA(WARIMA)、ARIMAGARCA进行组合预测、对平稳型、趋势型、和周期型QoS属性，采用K-近邻预测模型、RBF神经网络模型、多元回归分析模型进行组合预测。
如图1所示：ARIMAGARCH模型在已建立ARIMA(p，q)模型的基础上，对模型残差方差使用GARCH(r，s)模型建模，ARIMA(p，q)模型与GARCH(r，s)模型分别表示序列的均值和条件方差。基于小波分析的ARIMA模型建模步骤如下：
步骤101：判断时间序列是否是白噪声时间序列，即是否是平稳序列。
步骤102：如果是白噪声序列，就表示序列不存在相关性，则不必要再进行预测。如果是非平稳则需要对数据差分，直到平稳。
步骤103：初步判断p，q，识别时间序列模型。
步骤104：根据p，q，对小于p，q的模型进行分析，一般以取得AIC值最小的模型作为最优模型。
小波神经网络以BP神经网络拓扑结构为基础，采用小波函数作为激励函数。BP神经网络相应的算法如下：
步骤201：初始化。在区间(-1，1)对各层的连接权值以及阙值设置一个非零随机数，对学习速率，目标误差ε，最大学习次数M进行初始化。
步骤202：导入N个学习样本X及其相应的期望输出Y，对第n个样本进行归一化处理。
步骤203：依次对各层实际输出以及误差计算：分别将输入层数据导入隐藏层第一、第二个神经节点内进行计算，再将隐藏层数据导入输入层神经节点计算。得到最终的输出值。Hj＝∑iwijxi+θj，wij是权重，θj是偏倚，f(x)是激活函数。输出层节点j的误差：Errj＝Oj(1-Oj)(Tj-Oj),Oj为输出值，Tj为实际值。
步骤204：如果n<N，转步骤202执行；如果n＝N，转入步骤205。
步骤205：依次修改各层的权重Δwij＝(l)ErrjOi,wij＝wij+Δwij，其中l为学习率。
步骤206：根据新的权值重新输出和误差计算。
步骤207：判断误差是否满足要求，如果误差小于目标误差，或者达到最大学习次数，则训练结束，否则跳到步骤202执行。
如图3所示，ARIMA-GARCH模型预测步骤如下：
步骤301：检验序列是否平稳。
步骤302：非平稳，进行平稳化处理。
步骤303：平稳，则计算自相关/偏相关函数。
步骤304：进行ARMA模式识别。
步骤305：使用最小二乘法进行模型参数估计。
步骤306：异方差检验。将样本分为两部分，并分别进行回归，计算两个子样的残差平方和所构成的比，以此判断是否存在异方差。
步骤307：若存在异方差，则建立ARMA-GARCH模型
步骤308：进行模型参数估计。
步骤309：若无异方差，则利用BIC准则进行模型评估。
步骤310：若模型评估有效，则接收模型。
步骤311：预测。
K-近邻预测模型的算法步骤为：
将已知的n个时间序列值，移动时间窗口，形成n-m(0<m<n)个样本实例时间窗口向后移动一步，形成包含待预测值的向量 为{xn-m+1，xn-m+2，…，xn；xn+1}，基于这组样本以及向量预测第n+1个序列值xn+1。
计算与实例的欧几里德距离，计算公式如下：
对欧几里德距离进行排序，找出的K个近邻，记为
依据序列值xi总是与前面m个序列值{xi-m，xi-m+1，...，xi-1}相关，向量中的最后一个分项被认为是与前m项相关的可能值，提取K个近邻 的最后一个分项，得到xn+1的K个最近邻x1j，x2j，…，xkj，其中j＝m+1，然后对这K个数加权平均即可算出，即：
如图4所示，RBF神经网络模型K-均值聚类算法具体步骤如下：
步骤401：初始化聚类中心，通常将第一次迭代的基函数中心设置为最初的l个样本，并设迭代步数n＝0；
步骤402：随机输入训练样本X；
步骤403：寻找训练样本Xi离哪个中心最近。
步骤404：调整中心。计算训练样本的平均值，即新的聚类中心。
步骤405：判断是否已经学完所有训练样本并且中心的分布不再改变，是则结束自组织学习，否则设n＝n+1转到步骤2。
最后得到的Tk(k＝1,2,…,l)即为RBF神经网络最终的基函数的中心。
如图5所示，多元回归分析模型预测过程步骤如下：
步骤501：分析影响因素(如吞吐量、相应时间等)，采集与影响因素相关的数据。
步骤502：特征分析，依据采集到的数据，判断时间序列变化趋势，选择对应的自变量及数学模型准备建模。
步骤503：模型建立，根据已选择的数学模型，采用相应的技术进行参数估计。通常使用最小二乘法估计法估计参数。
步骤504：步骤模型显著性检验，对预测模型的相关系数，方差进行显著性检验。
步骤505：根据已经建立的模型进行预测。
预测结果与测试样本进行比较分析，修正组合模型参数。在前一个时段预测表现较好的模型(与真实值最为接近)，在下一个时段赋予较高的期望，然后再继续用已经训练好的基本模型进行下一步预测，如果组合模型预测结果与实际结果持续产生较大的误差，则需要重复以上步骤。
从图7可以看出，组合模型在开始的几次预测中，由于基本模型初始权重与实际权重存在偏差，尽管基于小波分析的ARIMA模型预测准确，但组合模型预测值稍有偏差，随着预测的进行，基本模型权重被修改，预测准确的模型占优，即基于小波分析的ARIMA模型权重占优，组合模型预测值逼近对当前样本序列预测最优的基于小波分析的ARIMA模型。
从图8可以看出，在可靠性的预测中，可靠性样本变化较小，多数样本表现出线性规律，MR预测模型预测较K近邻模型和RBF模型更为准确，随着预测的进行，MR模型权重占优，贝叶斯组合模型的预测结果与其基本重合。
从图9可以看出，在对吞吐量的预测中，与响应时间样本相似，基于小波分析的ARIMA模型预测准确，优于其他两种模型，组合模型预测值逼近对当前样本序列预测最优的基于小波分析的ARIMA模型预测值。
图10中，纵坐标表示相对误差绝对值，(a)描述各个模型对响应时间序列预测的误差分布，(b)描述对吞吐量样本1预测的误差分布，(c)描述对吞吐量样本2预测的误差分布，(d)描述对可靠性预测的误差分布。从图可以看出，贝叶斯组合模型误差分布接近基本模型中最优模型的误差分布。
如图11(a)所示，ARIMAGARCH的F值分布最广，阙值的变动对该模型影响最大，预测效果最差。WARIMA预测结果F值分布更广，但相对集中。如图4-11(b)所示，所有模型上边缘与下边缘距离不超过0.2，上四分位数与下四分位数距离不超过0.1，阙值变动对模型影响小。MR与BC的箱线集中，F值均值高，模型预测效果好。BC箱线图与预测表现最好的MR模型接近，再次印证贝叶斯组合模型可以挑选最优的预测模型，使得预测更为稳定准确。
因此，随着预测不断进行，根据基本模型的预测表现改变基本模型在组合模型中的权重，使得组合模型接近甚至提升基本预测模型的预测表现，在预测过程中保持相对优良的预测精度。
Claims (2)
1.一种基于贝叶斯组合的Web服务QoS预测方法，其特征在于，包括以下步骤：
步骤1：识别时间序列特征，采用自相关分析法，时间序列的自相关系数计算公式如下：其中rk表示i期属性值xi与i+k期属性值xi+k的相关程度；根据公式判别时间序列是平稳模式、趋势模式、周期模式还是随机模式；
步骤2：对各个基本模型分别进行训练建模；各个基本模型分别指基于小波分析的ARIMA预测模型(WARIMA)、小波神经网络预测模型(WNN)以及ARIMA-GARCH预测模型；
步骤3：用训练好的基本预测模型对时间序列进行预测；
步骤4：由贝叶斯组合模型对各个基本模型的预测结果进行组合；采用基于小波分析的ARIMA预测模型(WARIMA)、小波神经网络预测模型(WNN)以及ARIMA-GARCH预测模型3种基本预测模型对随机型QoS属性进行预测，来验证贝叶斯组合模型的有效性；针对平稳型、趋势型、周期型QoS属性，采用RBF神经网络，多元自回归模型，K-近邻模型作为基本预测模型进行贝叶斯组合，来验证贝叶斯组合模型的有效性；
步骤5：预测模型精度评估及有效性评估；
步骤6：修正组合模型参数；第t+1时刻，组合模型预测的结果为：式中q′t+1为t+1时刻贝叶斯组合模型预测值；为t+1时刻第m个基本预测模型在组合模型中的权值；为t+1时刻第m个基本预测模型预测值；
步骤7：比较各个模型与真实值的误差；
步骤8：若误差较小，就继续预测；否则，重复步骤2-6；
ARIMA-GARCH模型在已建立ARIMA(p，q)模型的基础上，对模型残差方差使用GARCH(r，s)模型建模，ARIMA(p，q)模型与GARCH(r，s)模型分别表示序列的均值和条件方差；基于小波分析的ARIMA预测模型建模步骤如下：
步骤101：判断时间序列是否是白噪声时间序列，即是否是平稳序列；
步骤102：如果是白噪声序列，就表示序列不存在相关性，则不必要再进行预测；如果是非平稳则需要对数据差分，直到平稳；
步骤103：初步判断p，q，识别时间序列模型；
步骤104：根据p，q，对小于p，q的模型进行分析，取AIC值最小的模型作为最优模型；
小波神经网络以BP神经网络拓扑结构为基础，采用小波函数作为激励函数；BP神经网络相应的算法如下：
步骤201：初始化；在区间(-1，1)对各层的连接权值以及阙值设置一个非零随机数，对学习速率，目标误差ε，最大学习次数M进行初始化；
步骤202：导入N个学习样本X及其相应的期望输出Y，对第n个样本进行归一化处理；
步骤203：依次对各层实际输出以及误差计算：分别将输入层数据导入隐藏层第一、第二个神经节点内进行计算，再将隐藏层数据导入输入层神经节点计算；得到最终的输出值；wij是权重，θj是偏倚，f(x)是激活函数；输出层节点j的误差：Errj＝Oj(1-Oj)(Tj-Oj),Oj为输出值，Tj为实际值；
步骤204：如果n<N，转步骤202执行；如果n＝N，转入步骤205；
步骤205：依次修改各层的权重Δwij＝(l)ErrjOi,wij＝wij+Δwij，其中l为学习率；
步骤206：根据新的权值重新输出和误差计算；
步骤207：判断误差是否满足要求，如果误差小于目标误差，或者达到最大学习次数，则训练结束，否则跳到步骤202执行；
ARIMA-GARCH模型预测步骤如下：
步骤301：检验序列是否平稳；
步骤302：非平稳，进行平稳化处理；
步骤303：平稳，则计算自相关/偏相关函数；
步骤304：进行ARMA模式识别；
步骤305：使用最小二乘法进行模型参数估计；
步骤306：异方差检验；将样本分为两部分，并分别进行回归，计算两个子样的残差平方和所构成的比，以此判断是否存在异方差；
步骤307：若存在异方差，则建立ARMA-GARCH模型；
步骤308：进行模型参数估计；
步骤309：若无异方差，则利用BIC准则进行模型评估；
步骤310：若模型评估有效，则接收模型；
步骤311：预测。
2.如权利要求1所述的基于贝叶斯组合的Web服务QoS预测方法，其特征在于，利用相对误差均值、均方根误差、相对误差概率分布评估预测模型的精度；引入“二进制”预测评估指标对预测模型进行有效性评估：
精度评估：
相对误差均值：其中N为预测时段中预测量的个数，yi表示第i个实际观测值，y＇i为第i个预测值；MSPE反映预测值偏离实际值的程度；
均方根误差：其中N为预测时段中预测量的个数，yi表示第i个实际观测值，y＇i为第i个预测值；RMSE不仅反映相对误差的大小，还反映预测结果的稳定性；
相对误差概率分布：其中N为预测时段中预测量的个数，为相对误差小于p值的预测量个数，yi表示第i个实际观测值，y＇i为第i个预测值；中误差概率分布表示预测结果的可信度；以上误差值越小，意味着模型预测越准确。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510305456.3A CN105046045B (zh) | 2015-06-05 | 2015-06-05 | 一种基于贝叶斯组合的Web服务QoS预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510305456.3A CN105046045B (zh) | 2015-06-05 | 2015-06-05 | 一种基于贝叶斯组合的Web服务QoS预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105046045A CN105046045A (zh) | 2015-11-11 |
| CN105046045B true CN105046045B (zh) | 2018-06-19 |
Family
ID=54452585
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510305456.3A Expired - Fee Related CN105046045B (zh) | 2015-06-05 | 2015-06-05 | 一种基于贝叶斯组合的Web服务QoS预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105046045B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106357437B (zh) * | 2016-08-31 | 2019-07-12 | 河海大学 | 一种基于多元时间序列的Web Service QoS预测方法 |
| CN106447103A (zh) * | 2016-09-26 | 2017-02-22 | 河海大学 | 一种基于深度学习的Web服务QoS预测方法 |
| CN107633331A (zh) * | 2017-09-26 | 2018-01-26 | 北京福布罗科技有限公司 | 时间序列模型建立方法及装置 |
| CN108428012B (zh) * | 2018-03-12 | 2022-03-01 | 株洲联诚集团控股股份有限公司 | 一种优化神经网络的风机噪音预测方法 |
| CN109359385B (zh) * | 2018-10-17 | 2021-11-23 | 网宿科技股份有限公司 | 一种服务质量评估模型的训练方法及装置 |
| CN109299832A (zh) * | 2018-11-16 | 2019-02-01 | 北京奇虎科技有限公司 | 一种活跃用户数的预测方法及装置 |
| CN111209180B (zh) * | 2018-11-21 | 2023-04-25 | 中国移动通信集团浙江有限公司 | 一种基于模糊匹配的回归测试方法和装置 |
| CN110532681B (zh) * | 2019-08-28 | 2023-01-31 | 哈尔滨工业大学 | 基于narx网络-箱线图和常模式提取的燃机异常检测方法 |
| CN111240881A (zh) * | 2020-01-14 | 2020-06-05 | 中南民族大学 | 基于贝叶斯网络的Web服务组合异常诊断方法 |
| CN113420421B (zh) * | 2021-05-28 | 2023-07-25 | 西安邮电大学 | 移动边缘计算中基于时序正则化张量分解的QoS预测方法 |
| CN114816963B (zh) * | 2022-06-28 | 2022-09-20 | 南昌航空大学 | 嵌入式软件质量评估方法、系统、计算机及可读存储介质 |
| CN117575118B (zh) * | 2023-10-30 | 2024-05-28 | 江苏科学梦创展科技有限公司 | 一种科技馆参观路线规划方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09146915A (ja) * | 1995-11-20 | 1997-06-06 | Meidensha Corp | カオス時系列短期予測装置 |
| US7987106B1 (en) * | 2006-06-05 | 2011-07-26 | Turgut Aykin | System and methods for forecasting time series with multiple seasonal patterns |
| CN102866942A (zh) * | 2012-09-13 | 2013-01-09 | 河海大学 | 一种基于贝叶斯推断的软件服务质量监控方法及系统 |
| CN104102875A (zh) * | 2014-07-22 | 2014-10-15 | 河海大学 | 基于加权朴素贝叶斯分类器的软件服务质量监控方法及系统 |
| CN104270281A (zh) * | 2014-09-03 | 2015-01-07 | 河海大学 | 一种Web Service QoS组合预测方法 |
-
2015
- 2015-06-05 CN CN201510305456.3A patent/CN105046045B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09146915A (ja) * | 1995-11-20 | 1997-06-06 | Meidensha Corp | カオス時系列短期予測装置 |
| US7987106B1 (en) * | 2006-06-05 | 2011-07-26 | Turgut Aykin | System and methods for forecasting time series with multiple seasonal patterns |
| CN102866942A (zh) * | 2012-09-13 | 2013-01-09 | 河海大学 | 一种基于贝叶斯推断的软件服务质量监控方法及系统 |
| CN104102875A (zh) * | 2014-07-22 | 2014-10-15 | 河海大学 | 基于加权朴素贝叶斯分类器的软件服务质量监控方法及系统 |
| CN104270281A (zh) * | 2014-09-03 | 2015-01-07 | 河海大学 | 一种Web Service QoS组合预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105046045A (zh) | 2015-11-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105046045B (zh) | 一种基于贝叶斯组合的Web服务QoS预测方法 | |
| Ferreira et al. | Toward estimating autonomous neural network-based electric load forecasters | |
| Andreou et al. | Exchange-rates forecasting: A hybrid algorithm based on genetically optimized adaptive neural networks | |
| US8489247B1 (en) | Agent-based chaotic control of wind turbines | |
| WO2020164740A1 (en) | Methods and systems for automatically selecting a model for time series prediction of a data stream | |
| CN114362175B (zh) | 基于深度确定性策略梯度算法的风电功率预测方法及系统 | |
| CN112766603A (zh) | 一种交通流量预测方法、系统、计算机设备及存储介质 | |
| CN114202065B (zh) | 一种基于增量式演化lstm的流数据预测方法及装置 | |
| Cruz et al. | Neural network prediction interval based on joint supervision | |
| Hryhorkiv et al. | Forecasting financial time sesries using combined ARIMA-ANN algorithm | |
| Gao et al. | Modifier adaptation with quadratic approximation in iterative optimizing control | |
| CN113268929B (zh) | 短期负荷区间预测方法及装置 | |
| CN114186646A (zh) | 区块链异常交易识别方法及装置、存储介质及电子设备 | |
| Neshat et al. | Hybrid neuro-evolutionary method for predicting wind turbine power output | |
| Zemouri et al. | Combining a recurrent neural network and a PID controller for prognostic purpose: A way to improve the accuracy of predictions | |
| CN113807005B (zh) | 基于改进fpa-dbn的轴承剩余寿命预测方法 | |
| CN115544886A (zh) | 高速电梯的失效时间节点预测方法、系统、设备和介质 | |
| Li et al. | A novel interacting multiple-model method and its application to moisture content prediction of ASP flooding | |
| Ayala et al. | Swim velocity profile identification through a Dynamic Self-adaptive Multiobjective Harmonic Search and RBF neural networks. | |
| Moazami et al. | Modeling survival in model-based reinforcement learning | |
| Parra et al. | Deep learning prediction intervals based on selective joint supervision | |
| Addabbo et al. | Children capabilities and family characteristics in Italy | |
| Ni et al. | Recurrent self-organising maps and local support vector machine models for exchange rate prediction | |
| CN118134729B (zh) | 用于城市防洪的智慧预报方法及系统 | |
| CN116720662B (zh) | 基于集对分析的分布式能源系统适用性评估方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180619 Termination date: 20210605 |