预测感知（共3篇）
预测感知 篇1
近年来,公路交通带动着社会经济的飞速发展,为社会创造了无法估量的财富,同时交通事故的频繁发生也给社会造成了大量的人员伤亡和巨大的人力、物力和财力的损失。根据美国国家公路交通安全管理局和弗吉尼亚州技术局发布的《自然驾驶条件下的100辆车进行的研究》显示,80%的公路交通事故是由驾驶员在事故前3 s内的疏忽造成的[1]。资料同时显示,如果在潜在交通事故发生的前1 s能有效地给驾驶员发出警报,则可避免90%的交通事故[2,3]。如果在交通事故前2 s驾驶员采取相应的措施,几乎所有的交通事故都能避免[4]。
目前已投入使用的大多数主动安全预警装置,如汽车电子稳定性控制系统、底盘一体化控制技术、智能安全辅助系统以及人/车安全状况监控与干预技术等[5],仍停留在对汽车行驶状态以及周围行车环境的检测和报警功能上,不能有效地对汽车自身可能的行驶运动状态进行预报以及对潜在的行车危险进行预警[6]。鉴于当前汽车主动安全预警装置的问题以及公路交通的严峻形势,进行汽车姿态感知与状态预测技术的研究,可以提高驾驶车辆的主动安全,对减少道路交通事故将起到十分重要的作用。
1 平台的工作原理
基于MEMS传感器的汽车姿态感知与状态预测平台,通过安装在车上的分布式传感器网络,实时地在线监测汽车三轴加速度、三轴角速度以及三轴磁场等汽车运行状态参数,这些数据是未经过处理的模拟信号,通过滤波器进行数字滤波、数据融合处理后,经过A/D转换成数字信号传送到处理器单元。利用监测到的数据对汽车姿态进行解算,并不断更新。针对解算后的汽车姿态信息,在PC机上建立先进的自回归(AR)算法模型,用于预测未来短暂时刻汽车的运行姿态角,并且设定了安全行驶汽车姿态角阈值。若汽车运行状态超出这个限定值,系统便发出预警信号,提醒驾驶人员采取相应措施。图1所示为汽车姿态感知与状态预测平台的工作原理。
2 平台的硬件设计
平台所用到的主要设备包括运动处理组件MPU-6050、BMP085压力传感器、HMC5883L磁力计、电源处理模块、数据处理单元STM32F103、PC机、车载直流电源及试验车辆等。运动处理组件MPU-6050内部集成有三轴陀螺仪和三轴加速器,可以实时监测汽车运动的三轴角速度和三轴加速度。BMP085压力传感器用于监测大气压力及海拔高度,HMC5883L磁力计用来测量汽车所在位置地球磁场的方向和大小,数据处理单元STM32F103用来对感知到的数据进行姿态解算处理,电源处理模块以及车载直流电源为设备提供所需的电源,PC机用来建立模型并进行状态信息预报。
2.1 运动处理模块
MPU-6050为全球首例整合三轴陀螺仪与三轴加速器与单一芯片的六轴运动处理组件,并内建数字运动处理组件(Motion Processor)与九轴运动感测融合演算技术(Motion Fusion)。芯片内置16 bit AD转换器,具有16位数据输出,采用标准I2C通信协议,并含可藉由第二个I2C端口连接其他厂牌的加速器、磁阻传感器或其他传感器。MPU-6050的陀螺仪传感器的量程范围为±250°/s、±500°/s、±1 000°/s、±2 000°/s,可准确追踪快速与慢速动作,加速度计的量程范围为±2 g、±4 g、±8 g、±16 g。
2.2 压力传感器
BMP085是一款高精度、超低能耗的数字压力传感器,绝对精度最低可以达到0.03 h Pa,压力范围为300~1 100 h Pa(海拔9 000 m~-500 m),最小分辨率0.03 h Pa(0.25 m),在标准模式工作电流仅5μA。在低功耗模式下,分辨率为0.06 h Pa(0.5 m);在高线性模式下,分辨率为0.03 h Pa(0.25 m),并具有温度输出功能以及温度补偿功能。
2.3 磁力计
霍尼韦尔HMC5883L是一种表面贴装的高集成模块,并带有数字接口的弱磁传感器芯片,其内部集成电路包括放大器、自动消磁驱动器、偏差校准及能使罗盘精度控制在1°~2°的12位模拟/数字转换器。传感器自有的对于正交轴低敏感性的结构,能用于测量地球磁场的方向和大小,其测量范围从几毫高斯到几高斯(gauss)。
2.4 数据处理单元
STM32F103T8是一款使用高性能ARM Cortex-M3内核的增强型32位贴片控制器,用于车辆姿态解算。其工作频率为72 MHz,内置高速存储器(64 KB的Flash和20KB的SRAM),可编程输入/输出端数量为26个,模/数转换器输入数为10个,内部具有4个定时器,丰富的增强I/O端口,包含2个12位的ADC、4个定时器,还包含标准和先进的通信接口:主要包括CAN、I2C、SPI、USART和USB。
2.5 电源模块
电源处理模块的作用是将汽车上提供的电能转换为稳定可靠的电源,供车载感知与智能终端平台使用。汽车上主要提供有12 V和24 V两种直流电源,但选用的模块需要5 V、3.3 V两种直流稳压电源。而且由于车载电源长时间工作在恶劣的环境下,电压不稳定,造成输入源对设计的电路也存在一定的干扰,电源处理模块设计时采用了二级电源供电模式,第一级电源转换由车载12 V转换到5 V,第二级电源从5 V转换到3.3 V。
3 平台的软件设计
3.1 下位机软件设计
传感器的输出值是车体相对于惯性坐标系而言的,在进行车体姿态解算时需要分清各种坐标系统之间的关系,其中涉及到坐标变换[7]。
针对下位机的数据处理与过程控制功能,选用模块化结构,即由一个主程序和若干功能子程序共同组成。其中,功能子程序主要包括延时子程序、LED显示子程序、I2C接口操作子程序、气压计子程序、磁力计子程序、运动组件子程序、姿态解算子程序和上位机的指令处理子程序等,并且各个子程序按照信息处理的复杂程度分配了合适的延时时间,这样可以确保数据处理完整,避免发生子程序运行时间过长等问题。主程序则是按照处理流程依次调用各个功能子程序来实现传感器的感知与姿态解算的功能。为了减少采集到的数据误差,采用了数字滤波技术,在程序设计中主要用到算术平均滤波。下位机主程序的流程如图2所示。
3.2 上位机软件设计
车载感知与状态预测的上位机程序运行界面如图3所示,主要包括数据帧接收模块、传感器实测数据显示模块、预测项选择模块、预测初始化模块、预测结果显示模块以及功能操作模块。
数据帧接收模块主要用来显示下位机通过RS232串口向上位机传送的16进制数据帧,其每一帧数据均包括帧起始标志、数据实体以及帧结束标志。传感器实测数据显示模块用来在线实时更新运动处理组件、磁力计、温度计以及下位机解算到的车辆的姿态信息。通过传感器实测数据模块,用户可以及时了解车辆运行时的三轴加速度、三轴角速度、三轴磁场、大气压力、大气温度、海拔高度以及解算出来的横摆角、俯仰角和侧倾角等信息。预测项选择模块包括对三轴加速度、三轴角速度以及下位机解算出来的横摆角、侧倾角和俯仰角的预测。可以在预测开始前选择需要预测的内容,也可以在系统预测进行过程中,通过选择不同的按钮来改变预测内容。预测初始化模块用于设置静止时系统预测样本数据采集的时间,默认设置为20 s。预测结果显示模块用来显示所选择的预测项目未来3 s内的预测数值。当预测结果接近设定的阈值时,则发出警示信息,提醒驾驶人员交通安全。状态预测程序设计中,采用自回归(AR)建模预测方法[8,9]对运行中的车辆状态开展预测。每一个预测时刻都对应一个误差率,用来表征预测精度。功能操作模块主要用来打开串口,在设定完初始时间后,确认开始预测,并保存下位机上传的数据和选定的预测项数据,以便后期对车辆感知信息进行综合评价和分析。
4 实车道路试验
为了检验汽车姿态感知与状态预测平台的运行效果,对该平台进行了实车道路试验。试验时,运动处理组件、磁力计、气压计放置在汽车质心处。为了验证不同汽车行驶条件下汽车姿态感知与状态预测的效果,针对纵向加速度及俯仰角的实时监测与预报道路试验,选择车辆急加速后马上急减速的试验方法;对于横向加速度,选择蛇形试验方法[10];对于横摆角及侧倾角,选择定转向盘连续加速试验的方法[11];以及采用绕八字弯试验方法来开展道路试验。
在进行状态预测前,将预测建模时间设置为60 s,即开始预测前60 s的数据用于建立多层递阶建模,建模完成后,便可对预测项作1 s~3 s的短期预测,预测信息随着姿态数据不断更新而实时改变。最后以试验阶段的任意2 min内试验测得汽车姿态数据分别与软件1 s、2秒和3 s的预测值进行比较,可得横摆角的试验值与预报值的对比曲线如图4所示,侧倾角的试验值与预报值的对比曲线如图5所示,表1给出了道路试验中横摆角和侧倾角预测值的平均相对误差率。
基于MEMS传感器进行的汽车姿态感知与状态预测平台的研究,自主设计了汽车姿态监测硬件平台,并开发了相应的软件,用于传感器数据处理、姿态解算以及状态预测。进行了实车道路试验,并针对横摆角和侧倾角的试验值与预测值进行了比较,两者的曲线走势基本吻合,最后给出了试验值和预测值的相对误差率。结果表明,汽车姿态感知与状态预测平台的研究取得了一定的效果,为以后开展更高性能的汽车主动安全预警系统提供了一定的理论依据和工程应用指导。
摘要：设计了集成加速度计、角速度计和磁力计的MEMS汽车姿态感知平台,并通过单片机对感知信息进行数据滤波、数据融合以及姿态解算等步骤,获得汽车的实时姿态信息。在PC机上建立了自回归模型,用于对汽车运动姿态的实时感知和短期预测。
关键词：汽车姿态,状态预测,MEMS传感器,自回归模型,汽车主动安全
参考文献
[1]薄大明,王元海,王军利,等.公安交通安全管理现状分析与对策研究[J].中国人民公安大学学报(自然科学版),2008(1):82-85.
[2]公安部交通管理局.道路交通事故统计年报[G].无锡:公安部交通管理科学研究所,2009.
[3]National Transportation Safety Board.Vehicle and infrastruc-ture-based technology for the prevention of rear-end coll-isions[R].Special Investigation Report-Highway Vehicle,2001.
[4]黄金敢.交通事故动力学分析及再现研究[D].福州:福州大学,2004.
[5]刘军,董晶晶,时枭鹏,等.汽车运动状态在线测量及预报技术[J].中国公路学报,2011(4):114-121.
[6]永井正夫.基于先进控制技术的车辆主动安全领域研究展望[J].汽车安全与节能学报,2010(1):14-22.
[7]何国国.汽车运动状态在线测量及预报技术研究[D].镇江:江苏大学,2010.
[8]夏安邦.系统建模理论与方法[M].北京:机械工业出版社,2008.
[9]PANDIT S M,Wu Shienming.Time series and analysiswith application[M].Maclison John Wiley and Sons,1983.
[10]GB/T6323.1-94.汽车操纵稳定性试验方法蛇行试验[S].1994.
[11]GB/T6323.6-94.汽车操纵稳定性试验方法稳态回转试验[S].1994.
预测感知 篇2
关键词：导水裂隙带高度,物联网感知技术,地理信息系统 (GIS) ,预测
煤炭资源一直作为我国经济发展的能源基础, 是保持我国经济高速发展的重要保障。煤炭作为我国各种资源生产的保障产业, 其行业发展在我国国民经济中的地位是长期而稳定的。作为我国的主体保障能源, 自1978年以来, 煤炭在能源生产结构中所占的比例都达到70%以上。
目前, 我国应用最为普遍的导水裂隙带高度预计方法为《水体下煤开采规程》中推荐的统计经验公式, 它只是作为一种经验公式用来计算导水裂隙带高度的大小, 只能大概计算出部分水体下开采的导水裂隙带高度。但是影响导水裂隙带发育高度的因素还有很多, 因此, 有很多矿区的导水裂隙带高度的发育与规程中的经验公式的计算结果并不完全相符。
物联网 (Internet of Things:Io T) 是1995年比尔·盖茨在《未来之路》一书中提出的, 到现在已经发展了十多年。直到2005年ITU (国际电信联盟) 才在《ITU互联网报告2005———物联网》会议中正式提出了“物联网”这一概念
把物联网 (Io T, Internet of Things) 与GIS有机结合起来, 提出Io T-GIS耦合感知技术并应用于导水裂隙带预测研究中, 该技术是通过传感设备全方位地捕获和感知矿山下裂隙发育征兆, 整合信息和运用算法, 实现各种信息互补与感知协同, 以准确快速的预测出导水裂隙带高度的发育。
1 影响导水裂隙带高度发育的因素
1.1 影响因素研究现状及评价
按照规程中的经验公式对导水裂隙带高度的预计, 主要考虑以下几个影响因素。
(1) 煤层厚度。更准确地说应该是采高影响的导水裂隙带的高度, 采高能够反映煤炭开采过程中开挖垂向高度大小对开挖后顶板岩体应力重分布、变形和破裂范围的影响, 因此作为主要指标之一。
(2) 顶板岩层单轴抗压强度。根据力学基础理论, 不同采空区顶板岩层的强度不同, 采完过后顶板的岩体应力重分布、破裂范围和变形也不同;单轴抗压强度能够准确地反映和确定岩层岩石的强度。
(3) 顶板岩层结构类型。煤层顶板岩层有不同的类型, 破裂后高度范围也各不相同, 实验表明, 软弱岩层破裂, 采动破裂高度的发育相对较小;坚硬的岩层高度较大。
一般来说, 目前影响导水裂隙带发育高度的因素主要只考虑以上三种, 但是岩石顶板的类型的划分比较复杂。
1.2 其他的影响因素
煤矿生产开采条件复杂多样, 所以在考虑影响导水裂隙带高度发育的时候, 除了考虑以上几个因素之外, 还应从以下几个影响因素中进行综合考虑。
(1) 工作面斜长。以目前的开采经验来看, 开采空间尺寸是其考虑重点, 当不充分采动时, 会影响高度的发育, 充分开采后, 其基本上起不到任何作用。
(2) 推进速度。煤炭开采中推进速度的快慢会不同程度上破坏岩层, 推进速度快, 破坏程度大, 反之则小。
(3) 采深。有力学理论基础知识可知, 深度不同, 其应力大小和状态不同。
(4) 关键层位置。关键层位置也是影响因素之一。同样的采深, 如果关键层的位置不同, 那么导水裂隙带高度的发育就不同……
综上所述, 影响导水裂隙带高度发育的因素多种多样, 并不是通过单一的因素就能就能确定, 预测时应该考虑到各种因素的综合作用。
2 物联网感知技术
2.1 物联网概念
物联网的概念复杂, 不做陈述, 下图是其概念模型, 如图1所示。
物联网是一种泛在网络。它的基础和核心仍然是互联网。
把物联网感知技术在应用在煤炭中, 是一种为实现安全监控和诊断故障而产生的技术。
未来物联网感知技术一定会是煤炭高效安全开采的保障, 一定会作为一个重要的应用领域应用在煤炭开采上。
2.2 Io T-GIS耦合感知
为提高安全监测能力, 利用物联网采集信息的方式, 构建动态的导水裂隙带高度发育的信息感知与处理平台, 实现其高度发育的正确预测。Io T是一种开拓性的思路和方法。GIS是一门集合性的学科。把这两种方法和学科进行紧密的结合, 构建一种耦合感知系统, 全方位的获取影响导水裂隙带高度发育因素的参数, 通过综合处理数据, 建立一种与导水裂隙带高度的线性关系。
如图2所示为Io T-GIS耦合感知平台的架构。
2.3 感知算法的步骤
感知算法是物联网感知技术的核心。利用耦合感知平台获取其参数数据, 经过综合处理以后, 建立一种层次分析 (AHP) 模型, 如图3所示。
其模型分为三部分, 最上面的为目的层, 中间的为准则层, 下面的为决策层。
导水裂隙带高度发育是各种因素综合影响的结果, 通过遥感仪器获取AHP值后, 经过物联网感知技术的综合处理, 预测出导水裂隙带高度的发育。
3 实例验证
为了获取各个因素对导水裂隙带高度发育的影响大小, 以下是调研和收集山东省某矿的导水裂隙带高度的实例, 如表1所示。
在工作面部署Io T-GIS耦合感知网络平台, 监控该工作面相关影响因素数据, 抽取多组样本数据, 经过优化处理以后, 得出AHP值, 经过物联网感知技术的综合处理后得出导水裂隙带高度的大小, 如表2所示。
4 结论
(1) 物联网技术的发展具有良好的前景, 其在煤矿开采中也得到了多方面的应用。物联网感知技术重点在于“感”和“知”上, 其核心是无线传感器网络。
(2) 物联网感知技术能够很好地将各种影响因素进行综合分析处理, 准确的预测出导水裂隙带高度的大小, 为预防顶板水害提供科学依据。
(3) 物联网技术在煤炭中应用是一种突破, 它为煤炭的高效生产和安全管理搭建了一个信息化的综合平台。
参考文献
[1]孟祥瑞, 等.基于Io T-GIS耦合感知的煤层底板突水预测研究[J].中国安全科学学报, 2013, 23 (2) :87-91.
[2]胡小娟, 等.综采导水裂隙带多因素影响指标研究与高度预计[J].煤炭学报, 2012, 37 (4) :613-620.
[3]许家林, 等.基于关键层位置的导水裂隙带高度预计方法[J].煤炭学报, 2012, 37 (5) :762-769.
[4]康永华.采煤方法变革对导水断裂带发育规律的影响[J].煤炭学报, 1998, 23 (3) :262-266.
[5]王军号.基于物联网感知的煤矿安全监控信息处理方法研究[D].安徽理工大学学报, 2013.
预测感知 篇3
研究者普遍认为,基于Qo S的Web服务的搜索和选择是一项非常重要的技术,因为它可以有效保证以Web服务为基本元组的应用系统的质量。Web服务的Qo S属性包括可用性、费用、响应时间和产量等。作为衡量Web服务的非功能性属性的主要指标之一,Qo S是重要的决策依据。通过测量和比较不同候选Web服务的Qo S值,我们可以找出最优值所对应的那个Web服务。在实际情况中,一些Qo S属性如服务价格的值基本上保持稳定,但另一些如响应时间和产量却常常是动态变化的,因此Qo S的应用较为复杂。事实上,我们很难预先知道一个Web服务的非功能性性能。一种解决方法就是预测服务的Qo S值。Qo S预测的方法包括利用统计学模型、仿真模拟和数据挖掘等技术[1]。
近年来,利用数据挖掘技术做服务预测得到了较大关注。常见的运用于服务组合领域的数据挖掘技术主要有对Web服务或用户进行分类、挖掘服务之间、用户之间或服务与用户之间的关联规则等。Ying Chen收稿日期:2014-11-08
作者简介:刘宇乔(1990-),女,内蒙古鄂尔多斯人,同济大学硕士研究生,研究方向为服务组合预测。等人在一个服务型系统框架的研究中详细阐述了4种数据挖掘技术的用法,包括服务分类分析、服务(用户)聚类、服务关联规则分析和服务顺序调用模式分析等。Jorge Cardoso[1]利用数据挖掘技术对组合服务工作流的Qo S数据进行处理,实现对工作流Qo S值的预测。目前,关联规则挖掘在服务组合领域运用较为广泛。如张明卫[3]等人曾提出挖掘组合服务分支路径关联规则的方法。
现存研究有一个共同的缺点:不能充分反应用户的偏好,即不能体现用户情景对服务组合的影响。其结果就是,相同请求得到的组合服务总是相同的,而用户的差异性被忽略了。事实上,在服务组合中,仅仅考虑客观属性指标(包括功能性属性和非功能性属性)是不够的,用户情景属性(如地理位置和偏好等)也是影响组合结果的重要因子。具体说来,用户情景与Web服务的Qo S密切相关,一些Qo S属性会根据用户情景属性的变化而发生变化。基于此,该文提出结合Qo S和用户情景对组合服务的影响,运用数据挖掘技术找出Qo S与用户情两者之间的关联规则,根据找到的关联规则对Web服务做出Qo S预测,从而明确哪些Web服务对特定用户是最优选择。
1 问题描述
理想情况下,当用户的服务请求相似时,同一组Web服务即可满足他们的需求。但实际情况是,虽然功能性需求可以保证满足,但非功能性需求的实现情况对不同用户的差异性很大。由于Qo S会随着用户情景的变化而变化,即使用户的服务请求相似,适合某一用户的Web服务不一定是其他用户的最优选择。这些用户不同的地理位置或网络环境都将对服务的调用结果产生重要影响。
下面我们具体用一个例子来加以说明。如图1所示,用户A和用户B发出同一个服务请求。4个组件服务对其功能性需求做出响应(假设该服务组合的模式是序列模式)。被两个用户调用后,Web服务S1,S2和Sr的Qo S值是一样的,但服务S3的Qo S值却存在差异。有时候,即使是很小的差异,也会对整个组合服务的运行结果产生巨大影响。引起这种Qo S差异的主要因素是用户情景因子,A、B用户的情景(如地理位置、偏好等)不同,导致调用同一Web服务S3得到的Qo S值不同。为解决这个问题,一些学者对用户相似性进行了研究,认为同一Web服务经相似用户调用后得到的Qo S值是一致的,所以相似用户的相同的服务请求可得到相同的执行结果。因此,要想知道某个Web服务对一个新用户是否合适,可以通过研究与该用户具有相似情景的用户调用这个服务的日志,预测服务的Qo S值来间接判断。
2 基于关联规则挖掘的Web服务Qo S预测方法
与传统的量化属性因子值、计算用户相似度的方法不同,本研究把不同情景属性作为影响Qo S的独立因子,运用数据挖掘方法挖掘用户情景与服务Qo S的相互关系。关联规则挖掘对于分析一个数据集中各元素关联关系非常有效。一个关联规则常被表示为X→Y,意思是当元素集合X出现的时候,集合Y会以较大概率出现。对于本研究,用户情景属性与服务Qo S属性作为元素单元组成数据集,我们的主要目标就是挖掘这两种属性元素的关联关系。为了保证得出有效关联规则,在应用挖掘算法的时候需设置限制参数。关联规则挖掘最常用的两个参数是支持度和置信度。
假设I={I1,I2,I3,...Im}是元素项的集合。给定一个交易数据库D,其中每个事务(Transaction)t是I的非空子集,即,每一个交易都与一个唯一的标识符TID对应。关联规则在D中的支持度(support)是D中事务同时包含X、Y的百分比,即概率,算法如公式(1) 所示;置信度 (confidence)是D中事务已经包含X的情况下,包含Y的百分比,即条件概率,算法如公式(2) 所示。如果满足最小支持度阈值和最小置信度阈值,则认为关联规则是有趣的。这些阈值是根据挖掘需要人为设定的。
为了运用关联挖掘算法,首先需要建立数据事务集D。为此,对于每条服务组合执行日志,我们提取出所有的用户情景属性和Web服务Qo S属性,以及对应的Web服务ID,将它们组成一条有效事务,每个情景属性(或Qo S属性)即为该条事务一个元素项目(简称项目)。表1所示为一条包含两个情景属性元素项和一个Qo S属性项目的服务事务。一条组合服务包含的组件服务可能有2个、3个甚至更多,则可从该条组合服务中可提取出满足要求的相应个数的服务事务。
其次,需要对各元素项目的值进行规范化,使它们落在重复出现的几个值域内,以便进行关联规则挖掘。具体处理措施如下:对离散分布的用户情景属性值,我们把它们根据需要分在若干个区间域内;对连续分布的Qo S属性值,我们把它们划分成不同的等级,用整数1~5表示,代表质量从高到低。
本研究的主要目标是挖掘用户情景和Web服务Qo S的关联关系,我们选用Apriori[4]算法来实现。对于给定的用户情景—Qo S事务集D,首先找出所有高频项组。高频项组是指支持度大于等于所设定的最小支持度的项目组合,含有k个项目的高频项组称为高频k-项目。算法递归地从高频k-项目的项目组中再产生高频k+1-项目,直到无法再找到更长的高频项目组为止。然后从高频项目组产生关联规则。利用前一步骤的高频k-项目组来产生规则,在最小置信度条件门槛下,若一规则所求得的置信度满足最小置信度,称此规则为关联规则。最后对关联规则进行过滤,得到我们所需的“用户情景→服务Qo S”规则。
3 总结与未来工作展望
本文提出一种运用关联规则挖掘技术做Web服务Qo S预测的方法。作为Web服务的重要特征指标,Qo S受用户情景影响,随着用户的不同而动态变化。为了针对不同用户作个性化服务推荐,本研究着力于挖掘用户情景属性与Qo S属性的关联关系,根据关联关系分析某一Web服务是否可为某一用户提供高质量Qo S,从而判断是否将该服务推荐给该用户。实验结果表明我们的方法能够保证较高的预测准确率,有广阔的应用前景。
虽然本研究实现了准确预测服务Qo S的目标,但所用算法有待进一步改进:传统的Apriori算法有两大缺点,即可能产生大量的候选集,以及可能需要重复扫描数据库,当实验数据量较大时,实验性能可能会受到影响。未来的研究工作拟探索用FP-树频集算法挖掘用户情景与服务Qo S的关联关系。
参考文献
[1]Cardoso J.Workflow Quality of Service Management using Da-ta Mining Techniques[C].3rd International IEEE ConferenceIntelligent Systems London,2006:479-482.
[2]Chen Y,Cohen B.Data mining and service rating in service-ori-ented architectures to improve information sharing[C].Aero-space Conference,2005 IEEE,2005:1-11.
[3]张明卫,魏伟杰,张斌,等.基于组合服务执行信息的服务选取方法研究[J].计算机学报,2008,31(8):1398-1411.