基于時間序列預測的跨組織資源鏈監控

王正成　咸　達

浙江理工大學，杭州，310018

基于時間序列預測的跨組織資源鏈監控

王正成咸達

浙江理工大學，杭州，310018

建立了以時間、成本、服務能力、信譽度綜合最優的監控模型，并利用改進的粒子群算法優化支持向量機參數對監控模型進行時間序列預測，當監控模型的實際值與預測值在規定的誤差范圍內時，該資源服務是正常運行的。最后通過一個算例進行監控預測研究，以均方根誤差(RMSE)作為評價監控模型的預測精度，研究結果及分析對比表明，該方法有效、可行。

跨組織資源鏈；粒子群算法；支持向量機；時間序列預測

0　引言

隨著網絡科技的快速發展，制造業面臨著資源、人才、技術、全球化市場的競爭，在這種競爭條件下，企業已經不可能從資源獲取、生產加工到產品服務全部由企業自身完成，企業必須按需集成各種資源，廣泛開展跨組織間的協作，有效地對資源進行共享以及優化配置以解決資源占有不平衡性、組織之間重復投資的問題。在跨組織協同制造資源集成共享過程中，首先需要對跨組織資源服務鏈進行構建，當構建完成之后，為確保資源任務能在規定的時間內完成，需要對每個資源服務進行監控，一旦出現某些突發情況，比如機器故障、費用超支等，可以立即采取有效的措施，進行生產安排、調度等，避免產生重大的損失。

企業內部資源監控主要體現在車間生產過程的監控，如對生產設備、生產任務的安排、人員協作、內部資源利用率等方面的監控。跨組織資源鏈監控是對企業組織間協作、資源的優化配置以及資源間共享等方面的監控。從系統整體性方面來講，企業內部監控屬于局部監控，主要負責某一方面或某一區域的資源監控，不能有效地實現全局的資源優化配置；而跨組織資源鏈監控是從全局出發，對資源鏈的各個資源服務點進行整體監控，構建系統性的綜合方案，從而實現對不同組織間的資源優化配置和監控。

目前大多數文獻對跨組織資源鏈監控問題的研究，主要分為對網絡監控架構和監控算法的研究，如：Adinolfi等[1]在云計算平臺上設計和實現了利用QoS進行監控的可移植應用程序QoS-MONaaS，減少了對平臺的依賴性；謝圣獻等[2]將基于語義P2P的無線傳感器網絡應用架構與RFID技術相結合，構建了供應鏈管理的語義監控平臺；劉志中等[3]提出了一種基于事例推理的QoS動態預測方法，該方法將Web服務的QoS與服務的外界環境、所處理的任務類型、任務大小關聯起來,利用事例推理技術預測Web服務處理新任務時的QoS；張海騰等[4]采用面向方面的編程,將方面代碼植入業務流程執行語言的Web服務消息調用處,以收集服務實例執行狀態、時間、事件信息,據此進一步計算出服務性能指標；Zadeh等[5]按照時序記錄QoS參數值，并利用神經網絡進行訓練，預測出下一個時間段的QoS參數的變化趨勢，從而實現網絡服務的監控；孫明杰等[6]提出了一種基于用戶監控需求的Web服務運行時監控方法,并設計出一個端到端的監控實施原型框架，對Web運行時監控和改善服務質量狀況起到積極作用。本文提出了一種監控策略，首先建立以時間、成本、服務能力、信譽度為監控指標的數學模型，在資源服務鏈運行過程中，利用該數學模型進行計算，并將結果按時間序列(可以是天數，或者任務執行的周期)進行記錄，根據該時間序列記錄，利用機器學習理論，使用改進粒子群算法的支持向量機對時間序列的下一天或者下一個周期進行整體監控指標預測，并對實際值與預測值進行評估，若有很大的偏差，則可以認為當前資源鏈運行過程中可能出現問題，應立即調查原因，以免造成不必要的損失。

1　數學模型

跨組織資源鏈是指服務于跨組織協同制造總任務根據產品形成過程分解形成的時序與約束關聯的一系列原子任務執行過程中的各種制造資源所構成的資源有向網絡結構。本文是基于跨組織資源鏈構建完成之后的研究，關于跨組織資源鏈的構建問題，本文不再闡述，可參考文獻[7]。

在實際的跨組織資源鏈監控中，有很多指標需要被監控，如時間、成本、生產質量、服務能力、信譽度等諸多因素，這些因素動態多變且復雜，很難用統一的數學模型加以描述，為不失一般性，本文通過對問題本質的分析，將問題一般化，建立以時間、成本、服務能力、信譽度為監控指標的數學模型，并做以下假設：

(1)本問題不考慮企業組織內部生產線上的作業監控以及調度、訂單分類問題。

(2)企業內部生產加工能力、生產任務的安排、訂單的變更可以反映到完成資源任務的快慢上，因此可以將該類問題統一歸結到時間模型上。

(3)服務能力將體現在快速精準地制定完成資源任務的時間、成本、面向客戶的物流能力以及對一些突發情況的應急能力等。

為此，本文將對資源鏈中的單個資源服務企業進行監控，從而可以擴展成為整條資源鏈的監控，下面將分別對時間、成本、服務能力、信譽度這四個指標進行介紹，并相應地建立數學模型。

資源服務企業的實際執行時間T主要由資源任務的生產制造時間T1和與其有連接點的協調時間T2構成，因此定義時間模型為

T=T1+T2

(1)

跨資源服務企業的實際執行成本C是由資源任務的生產制造成本C1和與其有連接點的協調時間C2構成的，因此定義成本模型為

C=C1+C2

(2)

服務能力F在模型中具體可以表現為服務的可用性，由一段時間內服務的平均正常工作時間Tnor和平均故障時間Terr(包括故障處理時間)完成，因此定義服務能力模型為

F=Tnor/(Tnor+Terr)

(3)

信譽度R是指所有用戶對資源服務的評價的均值，因此定義信譽度模型為

(4)

其中，n為所有參與服務評價的用戶數量。Ri為第i個用戶的評價值。

在資源服務環境中，用戶需要對資源服務使用后的評價進行反饋、校正和檢測并對最終的服務信譽度進行評估[8-9]，本文對信譽度指標進行歸一化處理，使該信譽度模型能夠與不同的信譽度評價系統相結合，即

Rrat=(R-Rmin)/(Rmax-Rmin)

(5)

式中，Rrat為歸一化的信譽度值；Rmax、Rmin分別為信譽度評價指標的最大值和最小值。

因此，為了衡量整體指標，建立以下模型：

Z=αT+βC+γF+δRrat

(6)

其中，Z為綜合指標；α、β、γ、δ為相應指標的權重，且α+β+γ+δ=1。

當監控指標模型建立后，需要按照時間序列進行記錄，可以按照天來記錄，也可以按照周來記錄，需要根據整個服務鏈的交貨期或者特定的生產安排來設定。所記錄的監控指標值是資源服務實際運行中的指標值。

2　時間序列預測

時間序列預測[10-11]是根據自然科學或社會科學中的某一變量的指標值或觀測值，按照其出現時間的先后次序，對該變量的未來指標值進行預測。設一個時間序列為{xn},n=1,2,…,N,則對未來的時間序列指標值預測可以根據之前的k個時間序列數據進行預測：

xn+s=f(xn-1,xn-2,…,xn-k)

(7)

式中，s為預測的步數；f()為非線性映射函數。

此時，可以得知，對時間序列預測的關鍵是對函數f()的準確模擬，本文利用支持向量機對輸入的時間序列{xn-1,xn-2,…,xn-k}進行訓練，使訓練后的支持向量機逼近f(),進而實現對時間序列數據{xn+1,xn+2,…,xn+s}的預測。

2.1支持向量機

(8)

其中，ω為權值向量；c為正則化參數；e為回歸誤差；b為常值誤差；φ()為非線性映射函數，將輸入數據映射到高維特征向量空間。

為求解此問題，需建立相應的拉格朗日函數，并將其轉化成為求解線性方程組：

(9)

l=[11…1]Ty=[y1y2…yN]T

a=[a1a2…aN]T

其中，Ω為核函數矩陣，Ωij=K(xi,xj)為核函數，I為單位矩陣，ai為拉格朗日權值。求解式(9)可得支持向量機回歸函數：

(10)

本文將核函數設為徑向基函數,即

K(xi,xj)=exp(‖xi-xj‖2/r)

(11)

式中，r為核參數。

此時需要優化的參數分別是式(9)中的正則化參數c和式(11)中的核參數r，只要對這兩個參數進行優化，就可以減小支持向量機訓練的誤差，從而提高時間序列的預測值的精確度，本文將利用粒子群優化算法對參數進行優化。

2.2改進的粒子群算法

(12)

(13)

由于粒子i在D維空間進行搜索，慣性權重w決定了粒子先前速度對當前速度的影響程度，直接關系到PSO算法的搜索能力與收斂速度，當慣性權重較大時，有利于全局搜索，且收斂速度快，但不易得到精確解；當慣性權重較小時，有利于局部搜索，但容易陷入局部最優解。本文中w將采用線性遞減策略計算，公式為

(14)

其中，wmax、wmin分別為慣性權重的最大值和最小值，Tmax為最大迭代次數，t為當前迭代次數。并將粒子的初始速度設為

(15)

其中，rand()為隨機數生成函數，用來生成0～1之間的隨機數，這樣在迭代開始時，可以很快地進行全局搜索，定位最優解的大致位置，隨著w的減小，粒子速度減小，開始進行局部搜索，尋找最精確的最優解。

若粒子的速度超出vmax，可能會使粒子飛過最優解；若粒子的速度太小，則導致粒子收斂速度過小，可能被局部最優解所吸引，無法找到最優解，因此對超過[vmin,vmax]的粒子速度，按照下式進行修正：

(16)

2.3算法步驟

優化支持向量機參數的步驟如下：

(1) 將式(9)中的正則化參數c和式(11)中的核參數r構成一個粒子，即X(c,r)，并初始化種群規模、學習因子、速度最大值和速度最小值，采用標準粒子群算法參數進行設置，利用式(15)初始化速度。

(2)根據適應度函數，計算各個粒子的適應度值，將各個粒子的位置與適應度值存儲在個體極值中，將種群中適應度值最優的粒子個體位置和適應度存儲在全局極值中。迭代次數t=1。本文中的適應度函數將采用均方根誤差，即

(17)

(3)利用式(12)和式(13)對速度和位置進行更新。

(4)更新速度和位置后，利用適應度函數重新計算各個粒子的適應度值；并更新個體極值和全局極值。

(5)令t←t+1;查看是否滿足終止條件,若不滿足則重復步驟(3)～(5)；若滿足則迭代終止，輸出群體中最優的粒子位置與全局極值。

(6)將最終優化好的參數(c,r)代入式(10)，從而獲得支持向量機模型，并可以對時間序列進行預測。

3　應用算例

以某企業作為跨組織資源鏈的節點進行監控，采集了該企業連續100天的執行時間、執行成本、服務能力與信譽度數據作為實驗數據，并利用式(6)計算綜合指標，其中，α=0.3,β=0.3,γ=0.2,δ=0.2。100天的時間序列如圖1所示。

圖1　采集100天的時間序列數據

最后在MATLAB平臺上進行仿真計算，利用改進粒子群算法優化支持向量機參數，其中，粒子數為30，迭代次數為200，學習因子c1=c2=1.494 45,wmax=0.9,wmin=0.4；vmax=6,vmin=-6，本算例將前90天的綜合指標值作為時間序列預測的訓練樣本，后10天作為測試集，并將利用改進后的粒子群算法優化支持向量機(PSO-SVM)和未經優化的支持向量機進行對比預測，結果如圖2所示，同時表1給出了這兩種算法的預測誤差對比。

圖2　預測對比圖

預測方法預測誤差(RMSE)PSOSVM0.2474SVM0.3510

結果表明，利用改進粒子群算法優化后的支持向量機比未經優化的支持向量機所預測的精度要高一些，即當利用本文算法進行實施監控時，若資源服務正常運行，實際值與預測值不會有太大的差值；若發現某一天實際值與預測值相差較大，則有可能是資源服務運行出現問題，應該立即查找原因，采取相應的措施。

4　結語

本文通過對跨組織協同制造資源鏈監控的研究，將問題抽象化，把時間、成本、服務能力，信譽度列為跨組織協同制造資源鏈監控的首選評價指標，由于每個企業作為首選的評價指標可能各不相同，故本文所涉及的數學模型具有一定的局限性，但是不失一般性，本文可以為將來的研究，即把跨組織資源服務鏈監控的各個指標考慮到具體的實際生產運作模型中提供一種有效的解決辦法。

[1]AdinolfiO,CristaldiR,CoppolinoL,etal.QoS-MONaaS:aPortableArchitectureforQoSMonitoringintheCloud[C]//8thInternationalConferenceonSignalImageTechnologyandInternetBasedSystems.Naples,2012:527-532.

[2]謝圣獻，賈保先.P2P環境下基于WSN和RFID的供應鏈管理語義監控平臺[J].數學的實踐與認識，2010，40(11)：86-91.

XieShengxian,JiaBaoxian.SCMSemanticMonitoringPlatformBasedonWirelessSensorNetworkandRFIDunderP2PEnvironment[J].MathematicsinPracticeandTheory, 2010, 40(11):86-91.

[3]劉志中，王志堅，周曉峰，等.基于事例推理的Web服務QoS動態預測研究[J].計算機科學，2011，38(2)：119-121.

LiuZhizhong,WangZhijian,ZhouXiaofeng,etal.DynamicPredictionMethodforWebServiceQoSBasedonCase-basedReasoning[J].ComputerScience,2011,38(2):119-121.

[4]張海騰，邵志清，鄭紅.Web服務運行時的監控和性能數據動態采集[J].計算機集成制造系統，2011,17(8)：1654-1659.

ZhangHaiteng,ShaoZhiqing,ZhengHong.RuntimeMonitoringandDynamicPerformanceAttributesDataAcquisitionofWebServices[J].ComputerIntegratedManufacturingSystems,2011,17(8):1654-1659.

[5]ZadehMH,SeyyediMA.QoSMonitoringforWebServicesbyTimesSeriesForecasting[C]//3rdIEEEInternationalConferenceonComputerScienceandInformationTechnology.Chengdu,2010：659-663.

[6]孫明杰，李必信，張鵬程.一種基于監控需求的Web服務運行時監控方法[J].東南大學學報(自然科學版)，2009，39(4)：716-722.

SunMingjie,LiBixin,ZhangPengcheng.MonitoringRequirements-basedMethodforRuntimeMonitoringofWebServices[J].JournalofSoutheastUniversity(NaturalScienceEdition),2009,39(4):716-722.

[7]王正成，潘曉弘，潘旭偉.基于蟻群算法的網絡化制造資源服務鏈構建[J].計算機集成制造系統，2010，16(1)：174-181.

WangZhengcheng,PanXiaohong,PanXuwei.ResourceServiceChainConstructionforNetworkedManufacturingBasedonAntColonyAlgorithm[J].ComputerIntegratedManufacturingSystems,2010,16(1):174-181.

[8]王尚廣，孫其博，楊放春.Web服務選擇中信譽度評估方法[J].軟件學報，2012，23(6)：1350-1367.

WangShangguang,SunQibo,YangFangchun.ReputationEvaluationApproachinWebServiceSelection[J].JournalofSoftware,2012,23(6):1350-1367.

[9]孫素云.Web服務信譽度評估模型的研究[J].計算機工程與設計，2008，29(9)：2259-2261.

SunSuyun.ResearchonReputationEvaluationModelofWebService[J].ComputerEngineeringandDesign,2008,29(9):2259-2261.

[10]DashevskiyM，LuoZ.TimeSeriesPredictionwithPerformanceGuarantee[J].IETCommunications，2011，5(8)：1044-1051.

[11]Martínez-RegoD,Fontenla-RomeroO,Alonso-BetanzosA.EfficiencyofLocalModelsEnsemblesforTimeSeriesPrediction[J].ExpertSystemswithApplications,2011,38(6)：6884-6894.

[12]HuangSC.OnlineOptionPriceForecastingbyUsingUnscentedKalmanFiltersandSupportVectorMachines[J].ExpertSystemswithApplications,2008,34(4): 2819-2825.

[13]DunisCL，RosilloR，FuenteD.ForecastingIBEX-35MovesUsingSupportVectorMachines[J].NeuralComputingandApplications,2013,23(1):229-236.

[14]WangLing,WangXiuting,FuJingqi,etal.ANovelProbabilityBinaryParticleSwarmOptimizationAlgorithmandItsApplication[J].JournalofSoftware,2008,9(3):28-35.

(編輯陳勇)

Cross-organizational Resources Chain Monitoring Based on Time Series Prediction

Wang ZhengchengXian Da

Zhejiang Sci-Tech University,Hangzhou,310018

This paper established time, cost, service capability, credibility integrated optimal monitoring model and the improved particle swarm algorithm was used to optimize parameters of support vector machine,the monitoring model was predicted by time series prediction.When the actual and predicted values of the model error ranges satisfied monitoring requirements, the resource service was normal. Finally, through an example, using the root mean square error(RMSE) as prediction accuracy of evaluation model,the results and comparative analysis show that the method is effective and feasible.

cross-organizational resources chain;particle swarm algorithm;support vector machine;time series prediction

2014-04-24基金項目：國家自然科學基金資助項目(71271192)；浙江省自然科學基金資助項目(LY12G01008)；浙江省科技廳公益計劃資助項目(2013C31036)

TP165;TH166DOI：10.3969/j.issn.1004-132X.2015.10.018

王正成，男，1974年生。浙江理工大學經濟管理學院教授、博士后研究人員。主要研究方向為先進制造模式、企業信息化。咸達，男，1988年生。浙江理工大學經濟管理學院碩士研究生。