CN105740967A - 一种制造云服务执行时间的预测方法及预测装置 - Google Patents

Abstract

一种制造云服务执行时间的预测方法及预测装置，对每一候选云服务的服务执行时间进行预测时，先确定该候选云服务服务执行时间的特征模式，再根据设定的特征模式和预测模型的对应关系，使用确定的所述特征模式对应的预测模型，计算该候选云服务服务执行时间的预测值；其中，所述预测模型采用自适应平滑系数的指数平滑算法进行预测。本发明对传统指数平滑预测方法进行了改进；提出了制造云服务执行时间特征模式的识别方法，在此基础上对制造云服务执行时间进行预测，增强了预测方法的自适应性，提高了预测精度，可为云制造环境下的服务组合、资源优化配置与管理等提供重要的数据支撑。

Description

一种制造云服务执行时间的预测方法及预测装置

技术领域

本发明涉及信息技术领域，具体地说，是指一种云制造环境中服务执行时间的预测方法及预测装置。

背景技术

制造业在国民经济中占据着重要地位，传统制造业在信息时代面临着巨大挑战和新的机遇。网络化制造模式成为制造业新的选择，但制造网格、敏捷制造等网络化制造模式在服务模式、制造资源共享分配、物理终端设备接入、信息安全等方面存在诸多问题。在此背景下，云制造应运而生。云制造通过嵌入式、物联网等技术将制造资源接入到网络中，按用户需求组织网上制造资源(即制造云)，为用户提供各类按需的制造服务，可实现制造企业间的高效协同以及各种制造资源高度共享与集成。

为保障云制造平台的高效运行，制造云服务质量(QoS)的建模与控制对云服务的组合与优化管理至关重要，在众多QoS指标中，云服务执行时间是保证制造云服务请求高效响应的重要QoS评价指标。同时，该指标在用户提交服务请求、服务匹配与组合优选、服务资源调度等云制造过程管理各个环节中均起着重要作用。

在已有的制造云服务管理中，服务执行时间的常规估计是采用对历史执行数据求取平均值的方法，预测精度不高。目前，部分学者对网格服务、Web服务执行时间预测进行了研究。郑晓霞等在2009年发表的“一种WebService响应时间的动态预测方法”一文中，提出了一种基于时间序列分析的Web服务响应时间动态预测方法，但其中对时间模式的总结稍有欠缺。陶洋等于2009年发表了“基于主机负载的任务执行时间预测研究”论文，蒋炎华于2011年发表了“网格环境下任务的执行时间预测技术研究”论文，胡德斌、唐毅等学者也对网格计算任务的执行时间预测方法进行了研究。但是，上述研究工作主要集中在网格计算环境，云制造平台上有物理设备资源接入、资源异构、组织动态变化等自身独有的特点，并不能够套用上述方法。

此外，现有的服务执行时间预测技术很少对预测对象进行分析，云制造环境中存在海量能够完成用户请求任务的云服务，如果对所有的云服务都进行执行时间预测，将浪费大量的时间和成本。

发明内容

有鉴于此，本发明提供了以下技术方案。

一种制造云服务执行时间的预测方法，包括：按照以下方式对每一候选云服务的服务执行时间进行预测：

确定该候选云服务服务执行时间的特征模式；

根据设定的特征模式和预测模型的对应关系，使用确定的所述特征模式对应的预测模型，计算该候选云服务服务执行时间的预测值；

其中，所述预测模型采用自适应平滑系数的指数平滑算法进行预测。

一种制造云服务执行时间的预测装置，其特征在于，包括服务执行时间预测模块，所述服务执行时间预测模块包括：

特征模式确定单元，用于确定每一候选云服务服务执行时间的特征模式；

执行时间预测单元，用于根据设定的特征模式和预测模型的对应关系，对每一候选云服务，使用确定的所述特征模式对应的预测模型，计算该候选云服务服务执行时间的预测值；其中，所述预测模型采用自适应平滑系数的指数平滑算法进行预测。

上述方案采用自适应平滑系数的计算方法，对传统指数平滑预测方法进行了改进；提出了制造云服务执行时间特征模式的识别方法，在此基础上对制造云服务执行时间进行预测，增强了预测方法的自适应性，提高了预测精度。预测结果可对QoS评价、服务组合优选、资源调度分配等制造云资源管理与决策提供重要的数据支撑，产生积极作用。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明实施例制造云服务执行时间预测方法的流程图；

图2为本发明实施例五种服务执行时间特征模式的示意图；

图3为本发明实施例制造云服务执行时间预测装置的模块图；

图4为本发明实施例制造云服务执行时间预测过程的示意图；

图5为本发明应用示例摩托车零部件生产工作流程的示意图；

图6为本发明应用示例中预测值、平均值(常规方法)与实际值的比较(以为例)的示意图；

图7为本发明应用示例中的标准误差分析的示意图。

具体实施方式

下面将结合附图及实施例对本发明的技术方案进行更详细的说明。需要说明的是，如果不冲突，本发明实施例以及实施例中的各个特征可以相互结合，均在本发明的保护范围之内。另外，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本发明的发明人经研究认识到，对制造云服务时间的预测应考虑并解决如下问题：

1.云制造涵盖更为广泛的资源，除了传统的计算资源，还有物理设备、制造能力、制造知识等其他类型的资源，这些制造资源经虚拟化后形成的相应云服务在时间特征上具有多变性，对制造云服务执行时间进行预测的前提是正确分析和识别服务执行时间的特征模式。

2.云制造平台在响应服务请求并根据用户需求组织资源时具有更强的动态性，有些服务并非固定存在，其相应的服务执行历史记录将较为有限，制造云服务执行时间预测方法应考虑历史参考数据不丰富的情况。

本实施例根据云制造环境中具有物理制造设备资源接入、制造资源异构、组织动态变化等特点，提出了云制造环境下的服务执行时间预测方法。

所述方法对每一候选云服务的服务执行时间进行预测，如图1所示，包括：

步骤110，将云制造任务分解为多个子任务，对每一子任务，采用基于语义相似度的分层信息匹配算法，从注册的云服务集WS中匹配得到该子任务的候选云服务；

当云制造平台接收到用户提交的制造云服务请求时，可以利用基于有向无环图(DirectedAcyclicGraph,DAG)的工作流建模方法，对用户提交的复杂任务进行分解并建立其工作流模型。在此基础上，采用基于语义相似度的分层云服务匹配方法，对可以执行各个子任务的候选云服务进行匹配，过滤掉大量匹配度低的服务，得到子任务对应的候选服务集。所述分层信息匹配算法可以使用基本信息、服务功能信息和服务质量信息中的至少二种作为匹配项进行匹配。

本实施例中，对每一子任务，采用基于语义相似度的分层信息匹配算法，从云服务集WS中匹配得到该子任务对应的候选云服务，包括：

以该子任务的基本信息为匹配项，计算云服务集WS中每一云服务的基本匹配度，将基本匹配度低于相应门限的云服务从云服务集WS中删除，得到云服务集WS₁；

以该子任务的服务功能信息为匹配项，计算云服务集WS₁中每一云服务的服务功能匹配度，将服务功能匹配度低于相应门限的云服务从云服务集WS₁中删除，得到云服务集WS₂；

对云服务集WS₂中每一云服务，以该子任务的服务质量信息为匹配项，计算该云服务的服务质量匹配度，并对该云服务的基本匹配度、服务功能匹配度和服务质量匹配度进行加权运算，得到该云服务的综合匹配度；

将综合匹配度低于相应门限的云服务从云服务集WS₂中删除，得到云服务集WS₃，将云服务集WS₃中的云服务作为该子任务的候选云服务。

需要说明的是，本步骤确定候选云服务的方法只是一个示例。因为提交的云制造任务千差万别，如果是简单的云制造任务，候选云服务确定模块并不一定需要按照层层筛选的方式来确定。而对于复杂的云制造任务，还可以增加其他的匹配项来筛选出合适数据的候选云服务。

以一个云制造项目为例，首先由用户提交一个任务请求T_ask，云制造平台管理系统对任务进行分解并得到工作流模型。假定该模型的子任务集合为T_ask＝{t₁,t₂,…,t_n}，各子任务对应的候选服务集为RSS＝{RSS₁,RSS₂,…,RSS_n}。其中，子任务t_i对应的候选服务集为m_i为可执行子任务t_i的候选服务个数。

匹配子任务与对应候选服务集的具体步骤为：

(1)基本信息匹配：设置基本匹配的阈值为η_Basic，用WS表示注册中心的服务集合，通过该步骤，得到基本匹配服务集合WS₁及相应的匹配度SD₁；

(2)服务功能信息匹配：服务功能信息匹配的阈值设置为η_Fun，在步骤(1)服务基本信息匹配的基础上再筛掉一部分服务，得到功能信息匹配服务集合WS₂及相应的匹配度SD₂；

(3)服务质量QoS匹配：通过QoS向量排列、QoS向量归一化及相似度计算，得到服务QoS匹配度向量SD₃；

(4)计算各个候选服务的综合匹配度：对于WS₂中的第i个服务S_i，计算综合匹配度Sim_i＝αSD_1i+βSD_2i+γSD_3i，其中α,β,γ分别为三类不同服务匹配度的权重，0＜α＜1,0＜β＜1,0＜γ＜1，且α+β+γ＝1，服务综合匹配的阈值设置为η。通过该步骤，过滤掉了大量匹配度低的服务，得到子任务最终对应的候选云服务集RSS。

步骤120，确定该候选云服务服务执行时间的特征模式；

本实施例对云制造环境中不同类型的服务在执行时间上所呈现的特征进行分析，总结了多种服务执行时间特征模式，提出基于自相关分析的服务执行时间特征识别算法，确定各个候选云服务执行时间的特征模式。

本步骤中，可以根据该候选云服务的服务执行时间历史数据，确定该候选云服务服务执行时间的特征模式，所述特征模式属于设定的特征模式集，所述特征模式集包括以下特征模式中的至少两种，这些特征模式如图2所示，具有以下特点：

平稳模式(M-S)：服务执行时间变化不大，上下变化的趋势不明显；

趋势模式(M-L)：服务执行时间呈现一定的趋势，在一段时间内不断上升或者不断下降；

周期模式(M-C)：服务执行时间呈现出周期性的变化；

暴发模式(M-B)：在一段时间内突然出现服务执行时间大幅度增大的情况；

随机模式(M-R)：服务执行时间无规律，变化趋势难以掌握。

根据该候选云服务的服务执行时间历史数据，确定该候选云服务服务执行时间的特征模式时，输入个自相关系数r_k，即可输出相应的特征模式，具体地，可以采用以下一种或多种判决方式：

根该候选云服务n个时刻的服务执行时间数据，计算自相关系数r_k；其中，r_k表示i时刻的服务执行时间y_i与i+k时刻的服务执行时间y_i+k的自相关系数，i＝1,2,…n，表示向下取整，k≥4，n≥16；

如果r₁＞ε、r₁＞r₂＞r₃且r_i＜σ(i＞3)，判决特征模式为平稳模式，ε,σ为设定的常数且σ＜ε；

如果r₁＞r₂＞r₃＞…＞r_k且至少有个r_i满足r_i＞ε，判决特征模式为趋势模式；

如果r_i,r_i+T,r_i+2T,…两两之间的偏差小于υ1，且r_i,r_i+T,r_i+2T,…与r_j(j≠i,i+T,i+2T,…)之间的偏差均大于υ2，判决特征模式为周期模式，υ1,υ2为设定的常数且υ1＜υ2，T为小于k/2的正整数；

如果r_i＜σ(i＝1,2,…n)，判决特征模式为随机模式；

如果不满足上述任一种模式的判决条件，则判决特征模式为暴发模式。

上述判决方式的顺序可以是顺序的，即先进行平稳模式的判决，再进行趋势模式的判决，再进行周期模式的判决，再进行随机模式的判决。但本发明不局限于此，也可以采用其他的顺序。ε,σ等常数可以取经验值。

本实施例中，上述自相关系数r_k的计算公式为：

$r_k=\frac{\underset{i=1}{\overset{n-k}{\Σ}}(y_i-\stackrel{\‾}{y})(y_{i+k}-\stackrel{\‾}{y})}{\underset{i=1}{\overset{n}{\Σ}}{(y_i-\stackrel{\‾}{y})}^2}---\left(1\right)$

其中为前n个观测时刻的平均执行时间；r_k表示i时刻服务执行时间y_i与i+k时刻的服务执行时间y_i+k的相关程度；n为服务执行时间历史数据序列的观测时刻数，表示向下取整。在周期性观测的情况下，n也相当于是观测周期数。需要说明的是，基于一组数值计算自相关系数并不局限于上述公式。

步骤130，根据设定的特征模式和预测模型的对应关系，使用确定的所述特征模式对应的预测模型，计算该候选云服务服务执行时间的预测值；其中，所述预测模型采用自适应平滑系数的指数平滑算法进行预测。

本实施例对于不同特征模式的制造云服务，选择相应的自适应指数平滑预测算法对其执行时间进行预测，得到每个子任务在对应的候选服务上的执行时间预测值。

本实施例中，设定的特征模式和预测模型的对应关系包括以下对应关系中的一种或多种：

平稳模式对应的预测模型采用自适应平滑系数的一次指数平滑算法；

趋势模式对应的预测模型采用自适应平滑系数的二次指数平滑算法；

周期模式对应的预测模型采用自适应平滑系数的三次指数平滑算法；

暴发模式对应的预测模型采用自适应平滑系数的二次指数平滑算法；

随机模式对应的预测模型采用自适应平滑系数的二次指数平滑算法。

需要说明的是，步骤120的模式划分只是一个示例，在另一个示例中，可以只划分为平稳模式、周期模式和其他模块，平稳模式和周期模式可以采用上述相同的判决方式，而将不符合这两种模式判决条件的均归为其他模式，对应于平稳模式的预测模型采用自适应平滑系数的一次指数平滑算法；对应于周期模式的预测模型采用自适应平滑系数的三次指数平滑算法，对应于其他模式的预测模型采用自适应平滑系数的二次指数平滑算法。

在本实施例中，

所述采用自适应平滑系数的一次指数平滑算法的计算公式以下：

${\hat{y}}_{t+1}=S_t^{\left(1\right)}={\mathrm{\α}}_t\×y_t+(1-{\mathrm{\α}}_t)S_{t-1}^{\left(1\right)}---\left(2\right)$

其中，α_t为t时刻的自适应平滑系数，y_t为t时刻的实际观测值，为t+1时刻的预测值， $S_1^{\left(1\right)}=(y_1+y_2+y_3)/3,t=1,2,3,\mathrm{....}$

所述采用自适应平滑系数的二次平滑法算法的计算公式如下：

$\left\{\begin{array}{c}{\hat{y}}_{t+T}=a_t+b_t\×T\\ S_t^{\left(1\right)}={\mathrm{\α}}_t\×y_t+(1-{\mathrm{\α}}_t)S_{t-1}^{\left(1\right)}\\ S_t^{\left(2\right)}={\mathrm{\α}}_t\×y_t+(1-{\mathrm{\α}}_t)S_{t-1}^{\left(2\right)}\\ a_t=2S_t^{\left(1\right)}-S_t^{\left(2\right)}\\ b_t=\frac{1-{\mathrm{\α}}_t}{{\mathrm{\α}}_t}(S_t^{\left(1\right)}-S_t^{\left(2\right)})\end{array}\right.---\left(3\right)$

其中，α_t为t时刻的自适应平滑系数，y_t为t时刻的实际观测值，为t+T时刻的预测值，T是设定的预测时间跨度，T为正整数， $S_1^{\left(1\right)}=S_1^{\left(2\right)}=(y_1+y_2+y_3)/3,t=1,2,3,\mathrm{....}$

所述采用自适应平滑系数的三次指数平滑算法的计算公式如下：

$\left\{\begin{array}{c}{\hat{y}}_{t+T}=a_t+b_t\×T+c_t\×T^2\\ S_t^{\left(1\right)}={\mathrm{\α}}_t\×y_t+(1-{\mathrm{\α}}_t)S_{t-1}^{\left(1\right)}\\ S_t^{\left(2\right)}={\mathrm{\α}}_t\×y_t+(1-{\mathrm{\α}}_t)S_{t-1}^{\left(2\right)}\\ S_t^{\left(3\right)}={\mathrm{\α}}_t\×S_t^{\left(2\right)}+(1-{\mathrm{\α}}_t)S_{t-1}^{\left(3\right)}\\ a_t=3S_t^{\left(1\right)}-3S_t^{\left(2\right)}+S_t^{\left(3\right)}\\ b_t=\frac{1-{\mathrm{\α}}_t}{2{(1-{\mathrm{\α}}_t)}^2}\left(\right(6-5{\mathrm{\α}}_t)S_t^{\left(1\right)}-2(5-4{\mathrm{\α}}_t)S_t^{\left(2\right)}+(4-3{\mathrm{\α}}_t\left)S_t^{\left(3\right)}\right)\\ c_t=\frac{{{\mathrm{\α}}_t}^2}{2{(1-{\mathrm{\α}}_t)}^2}(S_t^{\left(1\right)}-2S_t^{\left(2\right)}+S_t^{\left(3\right)})\end{array}\right.---\left(4\right)$

其中，α_t为t时刻的自适应平滑系数，y_t为t时刻的实际观测值，为t+T时刻的预测值，T是设定的预测时间跨度，T为正整数， $S_1^{\left(1\right)}=S_1^{\left(2\right)}=S_1^{\left(3\right)}=(y_1+y_2+y_3)/3,t=1,2,3,\mathrm{....}$

传统指数平滑法中，先根据经验值预先给定平滑系数，该给定方法受主观影响大，且自身是静态的，不能够适应序列的变化趋势，从而使预测的累积性误差不断增加，预测精度较差。为解决上述预测方法的不足，本实施例提出自适应平滑系数的计算方法，该平滑系数能够根据预测目标的不同而自适应地变化。在一个示例中，自适应平滑系数α_t按照以下公式计算：

$a_t={\left(\frac{E_t}{H_t}\right)}^2---\left(5\right)$

其中，E_t＝βe_t+(1-β)E_t-1，e_t为t时刻预测值与实际观测值y_t的偏差，H_t＝β|e_t|+(1-β)H_t-1，e₁＝0，E₁＝0，H₁＝βy₁，β为设定的误差序列初值，例如可以取β＝0.2。由于E_t≤H_t，使得0≤α_t≤1。

将历史数据输入对应的预测模型，即可以得到云制造环境中用户请求的各个任务在对应的候选云服务上执行时间的预测结果。

本实施例还提供了一种制造云服务执行时间的预测装置，如图3所示，包括候选云服务确定模块1和服务执行时间预测模块2，其中：

所述候选云服务确定模块1包括：

任务分解单元11，用于将云制造任务分解为多个子任务；

候选云服务确定单元13，用于对每一子任务，采用基于语义相似度的分层信息匹配算法，从注册的云服务集WS中匹配得到该子任务的候选云服务；其中，所述分层信息匹配算法使用基本信息、服务功能信息和服务质量信息中的至少二种作为匹配项进行匹配。

所述服务执行时间预测模块2包括：

特征模式确定单元21，用于确定每一候选云服务服务执行时间的特征模式；

执行时间预测单元23，用于根据设定的特征模式和预测模型的对应关系，对每一候选云服务，使用确定的所述特征模式对应的预测模型，计算该候选云服务服务执行时间的预测值；其中，所述预测模型采用自适应平滑系数的指数平滑算法进行预测。

可选地，

所述候选云服务确定单元包括：

第一筛选子单元，用于以该子任务的基本信息为匹配项，计算云服务集WS中每一云服务的基本匹配度，将基本匹配度低于相应门限的云服务从云服务集WS中删除，得到云服务集WS₁；

第二筛选子单元，用于以该子任务的服务功能信息为匹配项，计算云服务集WS₁中每一云服务的服务功能匹配度，将服务功能匹配度低于相应门限的云服务从云服务集WS₁中删除，得到云服务集WS₂；

第三筛选子单元，用于对云服务集WS₂中每一云服务，以该子任务的服务质量信息为匹配项，计算该云服务的服务质量匹配度，并对该云服务的基本匹配度、服务功能匹配度和服务质量匹配度进行加权运算，得到该云服务的综合匹配度；然后将综合匹配度低于相应门限的云服务从云服务集WS₂中删除，得到云服务集WS₃，WS₃中的云服务即该子任务的候选云服务。

可选地，

所述特征模式确定单元确定每一候选云服务服务执行时间的特征模式，包括：根据该候选云服务的服务执行时间历史数据，确定该候选云服务服务执行时间的特征模式，所述特征模式属于设定的特征模式集，所述特征模式集包括以下特征模式中的至少两种：平稳模式、趋势模式、周期模式、暴发模式和随机模式；

其中，确定该候选云服务服务执行时间的特征模式时，采用以下一种或多种判决方式：

根该候选云服务n个时刻的服务执行时间数据，计算自相关系数r_k；其中，r_k表示i时刻的服务执行时间y_i与i+k时刻的服务执行时间y_i+k的自相关系数，i＝1,2,…n，表示向下取整，k≥4，n≥16；

如果r₁＞ε、r₁＞r₂＞r₃且r_i＜σ(i＞3)，判决特征模式为平稳模式，ε,σ为设定的常数且σ＜ε；

如果r₁＞r₂＞r₃＞…＞r_k且至少有个r_i满足r_i＞ε，判决特征模式为趋势模式；

如果r_i,r_i+T,r_i+2T,…两两之间的偏差小于υ1，且r_i,r_i+T,r_i+2T,…与r_j(j≠i,i+T,i+2T,…)之间的偏差均大于υ2，判决特征模式为周期模式，υ1,υ2为设定的常数且υ1＜υ2，T为小于k/2的正整数；

如果r_i＜σ(i＝1,2,…n)，判决特征模式为随机模式；

如果不满足上述任一种模式的判决条件，则判决特征模式为暴发模式。

可选地，

所述执行时间预测单元使用的特征模式和预测模型的对应关系包括以下对应关系中的一种或多种：

平稳模式对应的预测模型采用自适应平滑系数的一次指数平滑算法；

趋势模式对应的预测模型采用自适应平滑系数的二次指数平滑算法；

周期模式对应的预测模型采用自适应平滑系数的三次指数平滑算法；

暴发模式对应的预测模型采用自适应平滑系数的二次指数平滑算法；

随机模式对应的预测模型采用自适应平滑系数的二次指数平滑算法。

可选地，

所述执行时间预测单元使用的预测模型中，采用自适应平滑系数的一次指数平滑算法的计算公式以下：

${\hat{y}}_{t+1}=S_t^{\left(1\right)}={\mathrm{\α}}_t\×y_t+(1-{\mathrm{\α}}_t)S_{t-1}^{\left(1\right)}$

其中，α_t为t时刻的自适应平滑系数，y_t为t时刻的实际观测值，为t+1时刻的预测值， $S_1^{\left(1\right)}=(y_1+y_2+y_3)/3,t=1,2,3,\mathrm{....}$

所述采用自适应平滑系数的二次平滑法算法的计算公式如下：

$\left\{\begin{array}{c}{\hat{y}}_{t+T}=a_t+b_t\×T\\ S_t^{\left(1\right)}={\mathrm{\α}}_t\×y_t+(1-{\mathrm{\α}}_t)S_{t-1}^{\left(1\right)}\\ S_t^{\left(2\right)}={\mathrm{\α}}_t\×y_t+(1-{\mathrm{\α}}_t)S_{t-1}^{\left(2\right)}\\ a_t=2S_t^{\left(1\right)}-S_t^{\left(2\right)}\\ b_t=\frac{1-{\mathrm{\α}}_t}{{\mathrm{\α}}_t}(S_t^{\left(1\right)}-S_t^{\left(2\right)})\end{array}\right.$

其中，α_t为t时刻的自适应平滑系数，y_t为t时刻的实际观测值，为t+T时刻的预测值，T是设定的预测时间跨度，T为正整数， $S_1^{\left(1\right)}=S_1^{\left(2\right)}=(y_1+y_2+y_3)/3,t=1,2,3,\mathrm{....}$

所述采用自适应平滑系数的三次指数平滑算法的计算公式如下：

$\left\{\begin{array}{c}{\hat{y}}_{t+T}=a_t+b_t\×T+c_t\×T^2\\ S_t^{\left(1\right)}={\mathrm{\α}}_t\×y_t+(1-{\mathrm{\α}}_t)S_{t-1}^{\left(1\right)}\\ S_t^{\left(2\right)}={\mathrm{\α}}_t\×y_t+(1-{\mathrm{\α}}_t)S_{t-1}^{\left(2\right)}\\ S_t^{\left(3\right)}={\mathrm{\α}}_t\×S_t^{\left(2\right)}+(1-{\mathrm{\α}}_t)S_{t-1}^{\left(3\right)}\\ a_t=3S_t^{\left(1\right)}-3S_t^{\left(2\right)}+S_t^{\left(3\right)}\\ b_t=\frac{1-{\mathrm{\α}}_t}{2{(1-{\mathrm{\α}}_t)}^2}\left(\right(6-5{\mathrm{\α}}_t)S_t^{\left(1\right)}-2(5-4{\mathrm{\α}}_t)S_t^{\left(2\right)}+(4-3{\mathrm{\α}}_t\left)S_t^{\left(3\right)}\right)\\ c_t=\frac{{{\mathrm{\α}}_t}^2}{2{(1-{\mathrm{\α}}_t)}^2}(S_t^{\left(1\right)}-2S_t^{\left(2\right)}+S_t^{\left(3\right)})\end{array}\right.$

其中，α_t为t时刻的自适应平滑系数，y_t为t时刻的实际观测值，为t+T时刻的预测值，T是设定的预测时间跨度，T为正整数， $S_1^{\left(1\right)}=S_1^{\left(2\right)}=S_1^{\left(3\right)}=(y_1+y_2+y_3)/3,t=1,2,3,\mathrm{....}$

可选地，

所述自适应平滑系数α_t按照以下公式计算：

$a_t={\left(\frac{E_t}{H_t}\right)}^2$

其中，E_t＝βe_t+(1-β)E_t-1，e_t为t时刻预测值与实际观测值y_t的偏差，H_t＝β|e_t|+(1-β)H_t-1，e₁＝0，E₁＝0，H₁＝βy₁，β为设定的误差序列初值。

如上所述，本实施例提出了自适应指数平滑法，通过对传统指数平滑法进行改进，增强其在该预测方法中的精度；提出了制造云服务执行时间特征模式的识别方法，根据识别的时间特征模式，对各个子任务在对应候选云服务上的执行时间进行预测，最终得到云制造环境中请求的各个子任务在其对应的候选云服务上执行时间的预测结果。该过程也可以参照图4所示预测过程的示意图。

本实施例制造云服务执行时间预测方法至少具有以下优点：

1、提出自适应平滑系数确定方法，对传统的指数平滑预测方法进行了改进，改进后的新方法能够自适应地根据预测误差的变化而改变自身的大小，使预测模型能够及时跟踪预测对象的变化趋势，减小预测误差。

2、通过服务的智能搜索与匹配，大大减小了预测对象的范围，确定了需要预测的制造云服务；

3、提出了云制造中服务执行时间特征模式的识别方法，根据不同的特征模式选用相应的预测模型，可大幅提高预测效率和预测精度。

本实施例的服务执行时间预测结果可以应用到制造云服务组合优选中，能够提高候选云服务QoS指标的精度，使服务组合结果更加符合实际情况，并为用户设定服务时间指标约束提供参考依据，将大大提升制造云服务的管理效率。本实施例具有针对性的云服务执行时间预测方法，可在一定程度上填补该领域的应用空白。

下面再以应用中的一个示例进行说明。

本示例以某摩托车制造企业生产某部件为例，对任务请求的各个子任务在相应候选服务上的执行时间进行预测。

步骤一云制造任务建模

该企业将生产任务T_ask提交给云制造平台，云制造管理系统对任务进行自动分解，得到子任务集合T_ask＝{t₁,t₂,t₃,t₄,t₅}，各子任务能被单一的简单制造云服务(云制造平台提供的云服务)独立完成，各子任务之间的逻辑关系用图5所示的工作流有向图表示。

步骤二云制造候选服务匹配

采用基于语义相似度的服务匹配方法，经过基本信息匹配、功能信息匹配后得到初步的候选云服务集合，再对此云服务集合中的各个云服务进行QoS匹配，计算其综合匹配度，根据预先设定的匹配度阈值对基本候选云服务集合进行过滤，最终得到各子任务对应的候选云服务集RSS_i,i＝1,...5，如表1所示。

表1摩托车零部件制造子任务及其候选服务集

步骤三制造云服务执行时间特征模式识别

假设各子任务在其对应候选云服务上的执行时间历史数据如表2所示，则根据式(1)计算各列历史数据的自相关系数，并由实施例所述的判决方式判断每个候选云服务执行时间的特征模式，判断的结果见表2。

表2服务执行时间历史数据(单位：小时)及特征模式

步骤四制造云服务执行时间预测模型选定

根据不同的特征模式，对各候选云服务的执行时间预测采用相应的预测模型：

(1)服务采用式(2)所示的改进的一次指数平滑法进行预测；

(2)服务以及采用式(3)所示的改进的二次指数平滑法进行预测；

(3)服务采用式(4)所示的改进的三次指数平滑法进行预测。

经过以上步骤，得到请求任务T_ask的各个子任务在其对应候选云服务上的执行时间预测值，如表3所示。可是，在现有研究中，通常将历史数据的平均值作为下一时刻云服务执行时间的预测值，图6给出了各个候选云服务执行时间的预测值、平均值(传统方法)与实际值的比较，标准误差的对比分析结果见图7。

表3服务执行时间预测结果(单位：小时)

由预测结果及相关分析图可知，本实施例对制造云服务执行时间的预测结果符合实际数据走势，且预测误差相对于传统方法具有明显改善，证明本发明所提方法对于云制造环境中服务执行时间的预测具有更高的合理性和科学性。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种制造云服务执行时间的预测方法，包括：按照以下方式对每一候选云服务的服务执行时间进行预测：

确定该候选云服务服务执行时间的特征模式；

根据设定的特征模式和预测模型的对应关系，使用确定的所述特征模式对应的预测模型，计算该候选云服务服务执行时间的预测值；

其中，所述预测模型采用自适应平滑系数的指数平滑算法进行预测。

2.如权利要求1所述的预测方法，包括：

对每一候选云服务的服务执行时间进行预测之前，还包括：

将云制造任务分解为多个子任务；

对每一子任务，采用基于语义相似度的分层信息匹配算法，从注册的云服务集WS中匹配得到该子任务的候选云服务；

其中，所述分层信息匹配算法使用基本信息、服务功能信息和服务质量信息中的至少二种作为匹配项进行匹配。

3.如权利要求1所述的预测方法，包括：

对每一子任务，采用基于语义相似度的分层信息匹配算法，从云服务集WS中匹配得到该子任务对应的候选云服务，包括：

以该子任务的基本信息为匹配项，计算云服务集WS中每一云服务的基本匹配度，将基本匹配度低于相应门限的云服务从云服务集WS中删除，得到云服务集WS₁；

以该子任务的服务功能信息为匹配项，计算云服务集WS₁中每一云服务的服务功能匹配度，将服务功能匹配度低于相应门限的云服务从云服务集WS₁中删除，得到云服务集WS₂；

对云服务集WS₂中每一云服务，以该子任务的服务质量信息为匹配项，计算该云服务的服务质量匹配度，并对该云服务的基本匹配度、服务功能匹配度和服务质量匹配度进行加权运算，得到该云服务的综合匹配度；

将综合匹配度低于相应门限的云服务从云服务集WS₂中删除，得到云服务集WS₃，将云服务集WS₃中的云服务作为该子任务的候选云服务。

4.如权利要求1所述的预测方法，包括：

确定该候选云服务服务执行时间的特征模式，包括：

根该候选云服务n个时刻的服务执行时间数据，计算自相关系数r_k；其中，r_k表示i时刻的服务执行时间y_i与i+k时刻的服务执行时间y_i+k的自相关系数，i＝1,2,…n，表示向下取整，k≥4，n≥16；

然后按照以下一种或多种判决方式，确定该候选云服务服务执行时间的特征模式：

如果r₁＞ε、r₁＞r₂＞r₃且r_i＜σ(i＞3)，判决特征模式为平稳模式，ε,σ为设定的常数且σ＜ε；

如果r₁＞r₂＞r₃＞…＞r_k且至少有个r_i满足r_i＞ε，判决特征模式为趋势模式；

如果r_i,r_i+T,r_i+2T,…两两之间的偏差小于υ1，且r_i,r_i+T,r_i+2T,…与r_j(j≠i,i+T,i+2T,…)之间的偏差均大于υ2，判决特征模式为周期模式，υ1,υ2为设定的常数且υ1＜υ2，T为小于k/2的正整数；

如果r_i＜σ(i＝1,2,…n)，判决特征模式为随机模式；

如果不满足上述任一种模式的判决条件，则判决特征模式为暴发模式。

5.如权利要求4所述的预测方法，包括：

所述特征模式和预测模型的对应关系包括以下对应关系中的一种或多种：

平稳模式对应的预测模型采用自适应平滑系数的一次指数平滑算法；

趋势模式对应的预测模型采用自适应平滑系数的二次指数平滑算法；

周期模式对应的预测模型采用自适应平滑系数的三次指数平滑算法；

暴发模式对应的预测模型采用自适应平滑系数的二次指数平滑算法；

随机模式对应的预测模型采用自适应平滑系数的二次指数平滑算法；

其中：

所述采用自适应平滑系数的一次指数平滑算法的计算公式以下：

${\hat{y}}_{t+1}=S_t^{\left(1\right)}={\mathrm{\α}}_t\×y_t+(1-{\mathrm{\α}}_t)S_{t-1}^{\left(1\right)}$

其中，α_t为t时刻的自适应平滑系数，y_t为t时刻的实际观测值，为t+1时刻的预测值，t＝1,2,3,…；

所述采用自适应平滑系数的二次平滑法算法的计算公式如下：

$\left\{\begin{array}{c}{\hat{y}}_{t+T}=a_t+b_t\×T\\ S_t^{\left(1\right)}={\mathrm{\α}}_t\×y_t+(1-{\mathrm{\α}}_t)S_{t-1}^{\left(1\right)}\\ S_t^{\left(2\right)}={\mathrm{\α}}_t\×y_t+(1-{\mathrm{\α}}_t)S_{t-1}^{\left(2\right)}\\ a_t=2S_t^{\left(1\right)}-S_t^{\left(2\right)}\\ b_t=\frac{1-{\mathrm{\α}}_t}{{\mathrm{\α}}_t}(S_t^{\left(1\right)}-S_t^{\left(2\right)})\end{array}\right.$

其中，α_t为t时刻的自适应平滑系数，y_t为t时刻的实际观测值，为t+T时刻的预测值，T是设定的预测时间跨度，T为正整数， $S_1^{\left(1\right)}=S_1^{\left(2\right)}=(y_1+y_2+y_3)/3,$ t＝1,2,3,…；

所述采用自适应平滑系数的三次指数平滑算法的计算公式如下：

$\left\{\begin{array}{c}{\hat{y}}_{t+T}=a_t+b_t\×T+c_t\×T^2\\ S_t^{\left(1\right)}={\mathrm{\α}}_t\×y_t+(1-{\mathrm{\α}}_t)S_{t-1}^{\left(1\right)}\\ S_t^{\left(2\right)}={\mathrm{\α}}_t\×y_t+(1-{\mathrm{\α}}_t)S_{t-1}^{\left(2\right)}\\ S_t^{\left(3\right)}={\mathrm{\α}}_t\×S_t^{\left(2\right)}+(1-{\mathrm{\α}}_t)S_{t-1}^{\left(3\right)}\\ a_t=3S_t^{\left(1\right)}-3S_t^{\left(2\right)}+S_t^{\left(3\right)}\\ b_t=\frac{1-{\mathrm{\α}}_t}{2{(1-{\mathrm{\α}}_t)}^2}\left(\right(6-5{\mathrm{\α}}_t)S_t^{\left(1\right)}-2(5-4{\mathrm{\α}}_t)S_t^{\left(2\right)}+(4-3{\mathrm{\α}}_t\left)S_t^{\left(3\right)}\right)\\ c_t=\frac{{{\mathrm{\α}}_t}^2}{2{(1-{\mathrm{\α}}_t)}^2}(S_t^{\left(1\right)}-2S_t^{\left(2\right)}+S_t^{\left(3\right)})\end{array}\right.$

其中，α_t为t时刻的自适应平滑系数，y_t为t时刻的实际观测值，为t+T时刻的预测值，T是设定的预测时间跨度，T为正整数， $S_1^{\left(1\right)}=S_1^{\left(2\right)}=S_1^{\left(3\right)}=(y_1+y_2+y_3)/3,$ t＝1,2,3,…。

6.如权利要求1或5所述的预测方法，包括：

所述自适应平滑系数α_t按照以下公式计算：

$a_t={\left(\frac{E_t}{H_t}\right)}^2$

其中，E_t＝βe_t+(1-β)E_t-1，e_t为t时刻预测值与实际观测值y_t的偏差， $e_t=y_t-{\hat{y}}_t,$ t＝1,2,3,…，H_t＝β|e_t|+(1-β)H_t-1，e₁＝0，E₁＝0，H₁＝βy₁，β为设定的误差序列初值。

7.一种制造云服务执行时间的预测装置，其特征在于，包括服务执行时间预测模块，所述服务执行时间预测模块包括：

特征模式确定单元，用于确定每一候选云服务服务执行时间的特征模式；

执行时间预测单元，用于根据设定的特征模式和预测模型的对应关系，对每一候选云服务，使用确定的所述特征模式对应的预测模型，计算该候选云服务执行时间的预测值；

其中，所述预测模型采用自适应平滑系数的指数平滑算法进行预测。

8.如权利要求7所述的预测装置，其特征在于：

所述预测装置还包括候选云服务确定模块，所述候选云服务确定模块包括：

任务分解单元，用于将云制造任务分解为多个子任务；

候选云服务确定单元，用于对每一子任务，采用基于语义相似度的分层信息匹配算法，从注册的云服务集WS中匹配得到该子任务的候选云服务；

所述候选云服务确定单元包括：

第一筛选子单元，用于以该子任务的基本信息为匹配项，计算云服务集WS中每一云服务的基本匹配度，将基本匹配度低于相应门限的云服务从云服务集WS中删除，得到云服务集WS₁；

第二筛选子单元，用于以该子任务的服务功能信息为匹配项，计算云服务集WS₁中每一云服务的服务功能匹配度，将服务功能匹配度低于相应门限的云服务从云服务集WS₁中删除，得到云服务集WS₂；

第三筛选子单元，用于对云服务集WS₂中每一云服务，以该子任务的服务质量信息为匹配项，计算该云服务的服务质量匹配度，并对该云服务的基本匹配度、服务功能匹配度和服务质量匹配度进行加权运算，得到该云服务的综合匹配度；然后将综合匹配度低于相应门限的云服务从云服务集WS₂中删除，得到云服务集WS₃，WS₃中的云服务即该子任务的候选云服务。

9.如权利要求7所述的预测装置，其特征在于：

所述特征模式确定单元包括：

自相关系数计算子单元，根该候选云服务n个时刻的服务执行时间数据，计算自相关系数r_k；其中，r_k表示i时刻的服务执行时间y_i与i+k时刻的服务执行时间y_i+k的自相关系数，i＝1,2,…n，表示向下取整，k≥4，n≥16；

模式判决单元，用于按照以下一种或多种判决方式，确定该候选云服务服务执行时间的特征模式：

如果r₁＞ε、r₁＞r₂＞r₃且r_i＜σ(i＞3)，判决特征模式为平稳模式，ε,σ为设定的常数且σ＜ε；

如果r₁＞r₂＞r₃＞…＞r_k且至少有个r_i满足r_i＞ε，判决特征模式为趋势模式；

如果r_i,r_i+T,r_i+2T,…两两之间的偏差小于υ1，且r_i,r_i+T,r_i+2T,…与r_j(j≠i,i+T,i+2T,…)之间的偏差均大于υ2，判决特征模式为周期模式，υ1,υ2为设定的常数且υ1＜υ2，T为小于k/2的正整数；

如果r_i＜σ(i＝1,2,…n)，判决特征模式为随机模式；

如果不满足上述任一种模式的判决条件，则判决特征模式为暴发模式。

10.如权利要求9所述的预测装置，其特征在于：

所述执行时间预测单元使用的特征模式和预测模型的对应关系包括以下对应关系中的一种或多种：

平稳模式对应的预测模型采用自适应平滑系数的一次指数平滑算法；

趋势模式对应的预测模型采用自适应平滑系数的二次指数平滑算法；

周期模式对应的预测模型采用自适应平滑系数的三次指数平滑算法；

暴发模式对应的预测模型采用自适应平滑系数的二次指数平滑算法；

随机模式对应的预测模型采用自适应平滑系数的二次指数平滑算法；

其中，

所述执行时间预测单元使用的预测模型中，采用自适应平滑系数的一次指数平滑算法的计算公式以下：

${\hat{y}}_{t+1}=S_t^{\left(1\right)}={\mathrm{\α}}_t\×y_t+(1-{\mathrm{\α}}_t)S_{t-1}^{\left(1\right)}$

其中，α_t为t时刻的自适应平滑系数，y_t为t时刻的实际观测值，为t+1时刻的预测值，t＝1,2,3,…；

所述采用自适应平滑系数的二次平滑法算法的计算公式如下：

$\left\{\begin{array}{c}{\hat{y}}_{t+T}=a_t+b_t\×T\\ S_t^{\left(1\right)}={\mathrm{\α}}_t\×y_t+(1-{\mathrm{\α}}_t)S_{t-1}^{\left(1\right)}\\ S_t^{\left(2\right)}={\mathrm{\α}}_t\×y_t+(1-{\mathrm{\α}}_t)S_{t-1}^{\left(2\right)}\\ a_t=2S_t^{\left(1\right)}-S_t^{\left(2\right)}\\ b_t=\frac{1-{\mathrm{\α}}_t}{{\mathrm{\α}}_t}(S_t^{\left(1\right)}-S_t^{\left(2\right)})\end{array}\right.$

其中，α_t为t时刻的自适应平滑系数，y_t为t时刻的实际观测值，为t+T时刻的预测值，T是设定的预测时间跨度，T为正整数， $S_1^{\left(1\right)}=S_1^{\left(2\right)}=(y_1+y_2+y_3)/3,$ t＝1,2,3,…；

所述采用自适应平滑系数的三次指数平滑算法的计算公式如下：

$\left\{\begin{array}{c}{\hat{y}}_{t+T}=a_t+b_t\×T+c_t\×T^2\\ S_t^{\left(1\right)}={\mathrm{\α}}_t\×y_t+(1-{\mathrm{\α}}_t)S_{t-1}^{\left(1\right)}\\ S_t^{\left(2\right)}={\mathrm{\α}}_t\×y_t+(1-{\mathrm{\α}}_t)S_{t-1}^{\left(2\right)}\\ S_t^{\left(3\right)}={\mathrm{\α}}_t\×S_t^{\left(2\right)}+(1-{\mathrm{\α}}_t)S_{t-1}^{\left(3\right)}\\ a_t=3S_t^{\left(1\right)}-3S_t^{\left(2\right)}+S_t^{\left(3\right)}\\ b_t=\frac{1-{\mathrm{\α}}_t}{2{(1-{\mathrm{\α}}_t)}^2}\left(\right(6-5{\mathrm{\α}}_t)S_t^{\left(1\right)}-2(5-4{\mathrm{\α}}_t)S_t^{\left(2\right)}+(4-3{\mathrm{\α}}_t\left)S_t^{\left(3\right)}\right)\\ c_t=\frac{{{\mathrm{\α}}_t}^2}{2{(1-{\mathrm{\α}}_t)}^2}(S_t^{\left(1\right)}-2S_t^{\left(2\right)}+S_t^{\left(3\right)})\end{array}\right.$

其中，α_t为t时刻的自适应平滑系数，y_t为t时刻的实际观测值，为t+T时刻的预测值，T是设定的预测时间跨度，T为正整数， $S_1^{\left(1\right)}=S_1^{\left(2\right)}=S_1^{\left(3\right)}=(y_1+y_2+y_3)/3,$ t＝1,2,3,…；

以上公式中，所述自适应平滑系数α_t按照以下公式计算：

$a_t={\left(\frac{E_t}{H_t}\right)}^2$

其中，E_t＝βe_t+(1-β)E_t-1，e_t为t时刻预测值与实际观测值y_t的偏差，t＝1,2,3,…，H_t＝β|e_t|+(1-β)H_t-1，e₁＝0，E₁＝0，H₁＝βy₁，β为设定的误差序列初值。