一种基于服务群落演替预测模型的服务互联网控制方法

摘要

本发明属于服务计算中服务互联网控制优化的技术领域，尤其涉及一种基于服务群落演替预测模型的服务互联网控制方法。本方法构建了服务种群的服务个体新生率、服务种群的服务个体消亡率、服务种群的服务价值重要性以及服务种群密聚程度与服务种群密聚效应等参数指标，对服务互联网内部服务群落演替趋势进行预测，具有较高的准确性和客观性，可以清楚认识未来短期内服务互联网中服务群落的内部演替发展趋势，为进一步及时地制定针对服务群落不同演替态势调整管理策略，最终为保障服务互联网可持续健康繁荣发展提供了良好支撑。

说明书

技术领域

本发明属于服务计算中服务互联网控制优化的技术领域，尤其涉及一种基于服务群落演替预测模型的服务互联网控制方法。

背景技术

近年来，随着大数据、云计算技术的不断普及扩大，服务互联网这一概念也逐步形成。它作为一种泛在网络化与智能化服务基础，可以为其他行业提供支撑。服务互联网是一种由海量异质的服务个体构成的复杂服务网络。此处的服务不仅仅包括了网络服务，也涵盖了如科技服务、医疗养老服务与生活消费服务等。根据其内部存在的服务协作与服务竞争关系，在本质上也属于服务生态系统。服务互联网中的服务种群是指其内部服务功能相近的服务个体的集合，而服务群落是多个服务种群在外界服务需求影响下形成的较为固定的一种集合。如何了解服务互联网这一服务生态系统内部的服务群落在各种作用下的发展趋势，使用相关数学模型来量化并预测其演替状态，针对不同的服务群落采取不同的控制优化策略，实现服务群落整体能够满足外界服务需求能力的最大化，进而实现服务互联网服务价值创造能力的最大化，是服务互联网目前所面临的问题。

基于服务群落演替预测模型的服务互联网控制优化方法是指，以服务群落内部的各个服务种群的服务资源占用率随时间的变化来表示服务群落内部的演替情况，基于过去一段时间内的服务群落内部的各个服务种群的服务信息数据，将其进行量化处理，建立用于对服务互联网中服务群落的演替预测分析的一套数学模型，对其模型进行参数估计，能够对服务互联网内服务群落的演替趋势进行短期的趋势预测，从而可以进一步针对性地提出对服务互联网的控制优化方法。由人为直接制定的服务互联网的控制优化方法由于主观因素过强，缺少科学性，学术界一般采用基于线性模型与基于非线性模型的服务互联网控制优化方法。常用的服务互联网控制优化方法可以分为基于岭回归模型的服务互联网控制优化方法，基于套索回归模型的服务互联网控制优化方法等模型方法。

发明内容

本发明的目的是提出一种基于服务群落演替预测模型的服务互联网控制优化方法，利用服务群落内各服务种群服务资源占有率的动态变化特性，推断服务群落演替趋势的数学模型，并根据历史服务信息数据对模型的参数进行估计，使得模型能够对服务互联网中任意服务群落的未来短期内演替趋势进行预测分析。并对服务互联网进行优化控制。

本发明提出的基于服务群落演替预测模型的服务互联网控制方法，包括以下步骤：

(1)从真实世界的服务互联网典型应用案例中，采集时间段t内服务互联网内服务群落C中各服务种群的服务信息数，设定服务群落C中有n个服务种群，构建一个服务群落演替预测数据集DC，数据集DC中包括段时间t内的服务群落C中各服务种群的服务个体新生数、服务个体消亡数、服务种群的服务个体数量规模大小、服务种群的服务价值规模大小、服务资源占用情况、内部服务个体之间的服务业务往来次数、服务种群的服务个体数量规模变化率最大时的服务业务往来次数以及服务互联网内部总体服务业务往来次数；

(2)对步骤(1)的服务群落演替预测数据集DC中进行预处理，即对数据集DC中的数据元素的数据项的异常值进行检测，对不完整的数据元素补充缺失值，使数据集DC中的数据元素格式统一；

(3)利用线性归一化方法，对步骤(2)的经处理后的数据集进行归一化处理，得到归一化后的数据集DC；

(4)根据步骤(3)得到的数据集DC，分别计算得到时间段t内的各服务种群的发展状况，包括服务群落C中服务种群i的服务新生率Em

(5)根据步骤(3)得到的数据集DC中的数据，分别计算得到服务群落C中n个服务种群的价值重要性Con

其中，v

(6)根据步骤(3)得到的数据集DC中的数据，计算服务种群i的服务种群密聚程度Ad

Ae

其中，Ad

(7)根据步骤(4)、步骤(5)和步骤(6)，构建一个服务互联网中服务群落C的演替过程中服务种群i的服务资源占用变化率模型如下：

其中，q

(8)根据步骤(7)，对含有个n服务种群的服务群落C，构建服务互联网中服务群落C演替预测模型如下：

(9)由步骤(8)得到的服务群落演替预测模型，根据采集得到的数据集DC进行模型参数的估计，计算得出未来短期内该服务群落内各个服务种群的服务资源占有率的动态变化，即完成预测该服务群落的演替趋势；

(10)根据步骤(9)计算获得的服务群落的演替趋势，若任意一个服务种群的服务资源占用率q的变化情况为不断下降并接近于0，则表示该服务种群发生服务种群的消亡，调整该服务群落内部各个服务种群发展情况，以保证该服务种群的生存状况，维持或进一步提高服务群落对服务需求的满足能力，进而实现服务互联网服务价值创造能力的最大化。

本发明提出的基于服务群落演替预测模型的服务互联网控制优化方法，其优点是：

1、本发明方法对常用的基于模型的服务互联网控制优化方法进行归纳梳理，基于服务互联网的生态特性与系统特性，创新性地对其特性进行针对性量化，构建了服务种群的服务个体新生率、服务种群的服务个体消亡率、服务种群的服务价值重要性以及服务种群密聚程度与服务种群密聚效应等参数指标，代替传统专家人工判断的方式，并进一步构建了服务互联网下服务群落演替预测模型。

2、本方法克服了现有技术中对服务互联网服务群落演替趋势预测精度有限的问题，尽可能的去除了服务群落演替趋势预测中的主观因素印象，方法设计合理、快速准确，通过该方法对服务互联网内部服务群落演替趋势进行预测，具有较高的准确性和客观性，可以清楚认识未来短期内服务互联网中服务群落的内部演替发展趋势，为进一步及时地制定针对服务群落不同演替态势调整管理策略，最终为保障服务互联网可持续健康繁荣发展提供了良好支撑。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1为本发明方法基于真实世界服务互联网案例数据集下对某服务群落真实演替数据曲线图。

图2为本发明方法基于真实世界服务互联网案例数据集下对某服务群落演替情况的模型预测曲线图。

图3为本发明方法根据服务群落的演替预测结果进行控制优化后的服务群落演替结果曲线图。

具体实施方式

本发明提出的基于服务群落演替预测模型的服务互联网控制方法，包括以下步骤：

(1)从真实世界的服务互联网典型应用案例中，采集时间段t内服务互联网内服务群落C中各服务种群的服务信息数，设定服务群落C中有n个服务种群，构建一个服务群落演替预测数据集DC，数据集DC中包括段时间t内的服务群落C中各服务种群的服务个体新生数、服务个体消亡数、服务种群的服务个体数量规模大小、服务种群的服务价值规模大小、服务资源占用情况、内部服务个体之间的服务业务往来次数、服务种群的服务个体数量规模变化率最大时的服务业务往来次数以及服务互联网内部总体服务业务往来次数；

(2)对步骤(1)的服务群落演替预测数据集DC中进行预处理，即对数据集DC中的数据元素的数据项的异常值进行检测，对不完整的数据元素补充缺失值，使数据集DC中的数据元素格式统一；

(3)利用线性归一化方法，对步骤(2)的经处理后的数据集进行归一化处理，得到归一化后的数据集DC；

(4)根据步骤(3)得到的数据集DC，分别计算得到时间段t内的各服务种群的发展状况，包括服务群落C中服务种群i的服务新生率Em

(5)根据步骤(3)得到的数据集DC中的数据，分别计算得到服务群落C中n个服务种群的价值重要性Con

其中，v

(6)根据步骤(3)得到的数据集DC中的数据，计算服务种群i的服务种群密聚程度Ad

Ae

其中，Ad

(7)根据步骤(4)、步骤(5)和步骤(6)，构建一个服务互联网中服务群落C的演替过程中服务种群i的服务资源占用变化率模型如下：

其中，q

(8)根据步骤(7)，对含有个n服务种群的服务群落C，构建服务互联网中服务群落C演替预测模型如下：

(9)由步骤(8)得到的服务群落演替预测模型，根据采集得到的数据集DC进行模型参数的估计，计算得出未来短期内该服务群落内各个服务种群的服务资源占有率的动态变化，即完成预测该服务群落的演替趋势；

(10)根据步骤(9)计算获得的服务群落的演替趋势，若任意一个服务种群的服务资源占用率q的变化情况为不断下降并接近于0，则表示该服务种群发生服务种群的消亡，调整该服务群落内部各个服务种群发展情况，以保证该服务种群的生存状况，维持或进一步提高服务群落对服务需求的满足能力，进而实现服务互联网服务价值创造能力的最大化。

以下结合本发明的一个实施例进一步详细介绍本发明内容：

(1)从真实世界的服务互联网典型应用案例中，采集时间段t内服务互联网内服务群落C中各服务种群的服务信息数据。假设有一服务群落C中存在n个服务种群，构建一个服务群落演替预测数据集DC，数据集DC主要包括该段时间t内的服务群落C中各个服务种群的服务个体新生数、服务个体消亡数、服务种群的服务个体数量规模大小、服务种群的服务价值规模大小、服务资源占用情况、内部服务个体之间的服务业务往来次数、服务种群的服务个体数量规模变化率最大时的服务业务往来次数，以及服务互联网内部总体服务业务往来次数。

本实施例以某汽车产业集群的汽车制造服务群落作为方法的应用对象。时间段t设定为从过去到现在450周的前300周，其中汽车制造服务群落的服务信息数据主要包括该段时间内的汽车制造服务群落内的各个汽车制造服务种群的汽车制造服务个体新生数、汽车制造服务个体消亡数、汽车制造服务种群的汽车制造服务个体数量规模大小、汽车制造服务种群的服务价值规模大小、汽车制造服务资源占用情况、汽车制造服务业务往来次数、汽车制造服务种群的汽车制造服务个体数量规模变化率最大时的汽车制造服务业务往来次数，以及该汽车产业集群内部总体服务业务往来次数。同时，根据上述汽车制造群落内各个服务种群后150周内的服务资源占用情况绘制曲线图，如图1所示。

(2)对步骤(1)的服务群落演替预测数据集DC中进行预处理，即对数据集DC中的数据元素的数据项的异常值进行检测，对不完整的数据元素补充缺失值，使数据集DC中的数据元素格式统一；

面对缺失值，首先分析其所在字段缺失内容的比例和字段的重要程度。如果所在字段缺失严重，或字段重要程度较低，可直接删除不需要的字段。如需对缺失内容进行补充，可采用如下几种方式：对同一字段的数据进行分析(平均数、中位数、众数等)填充缺失值；手工填补遗漏值；

关于格式内容统一化，由于服务信息数据的来源和产生方式的差异，格式与内容很难保持一致。此时需要对服务信息数据的格式进行检查并统一化。同时需要对异常值进行检测和处理，异常值一般指严重偏离观测值的平均值的数据。异常值可能是逻辑错误值，或有效异常值。异常值检测是指删除或纠正服务信息数据中常见的逻辑错误值，防止产生低级服务信息数据分析错误，并对有效异常值进行重点分析。异常值检测主要内容有：去除重复值，防止服务信息数据重复录入；修正、筛选或去除不合理值、修正矛盾内容。

(3)利用线性归一化方法，对步骤(2)的经处理后的数据集进行归一化处理，得到归一化后的数据集DC；

归一化处理是常用方法，公式为X_Nor＝(X-Min)/(Max-Min)，Max为待归一化处理的数据集中数据的最大值，Min为待归一化处理的数据集中数据的最小值。X_Nor为数据X归一化处理后的值。

(4)根据步骤(3)得到的数据集DC，分别计算得到时间段t内的各服务种群的发展状况。包括服务群落C中服务种群i的服务新生率Em

(5)根据步骤(3)得到的数据集DC中的数据，分别计算得到服务群落C中n个服务种群的价值重要性Con

其中，v

(6)根据步骤(3)得到的数据集DC中的数据，计算服务种群i的服务种群密聚程度Ad

Ae

其中，Ad

(7)根据步骤(4)、步骤(5)和步骤(6)，构建一个服务互联网中服务群落C的演替过程中服务种群i的服务资源占用变化率模型如下：

其中，q

(8)由步骤(7)，针对含有个n服务种群的服务群落C，构建服务互联网中服务群落C演替预测模型如下：

针对所选择的汽车制造服务群落来说，上述服务群落演替预测模型则为：

根据上述模型，根据步骤(4)，步骤(5)，步骤(6)计算相关参数，如下表所示。

同时绘制模型预测曲线，如图2所示。如图1与图2所示，说明预测模型能够说明未来短期服务群落内各个服务种群的服务资源占用率变化趋势，即服务群落的演替发展情况。

(9)由步骤(8)得到的服务群落演替预测模型，可根据采集得到的数据集DC进行模型参数的估计，来计算得出未来短期内该服务群落内各个服务种群的服务资源占有率的动态变化，即完成预测该服务群落的演替趋势；

(10)根据步骤(9)计算获得的服务群落的演替趋势，如果发现某个服务种群的服务资源占用率q的变化情况为不断下降并接近于0，则说明该服务种群极有可能发生服务种群的消亡。因此，需要调整该服务群落内部各个服务种群发展情况，从而保证该服务种群的生存状况，来维持或进一步提高服务群落对服务需求的满足能力，进而实现服务互联网服务价值创造能力的最大化。

针对预测结果，发现汽车制造服务种群N4存在服务种群消亡的可能，因此需要服务互联网管理人员调整、管理汽车制造服务群落内部各个汽车制造服务种群的汽车制造服务个体新生率、汽车制造服务个体消亡率、汽车制造服务业务交互频繁度或汽车制造服务业务功能导向，例如增大汽车制造服务种群N4的服务个体新生率，调节其汽车制造服务业务的频繁度，或者控制其他汽车制造服务种群的服务个体的新生率或消亡率等，来避免因为恶性服务竞争等导致的服务种群消亡，从而来保障并提高汽车制造服务群落的服务需求的满足能力，进而控制优化该汽车产业集群的服务价值规模大小。优化后的汽车制造服务群落演替趋势曲线图如图3所示。