1.一种云服务QoS深度学习预测模型的构建方法，其特征在于，所述构建方法包括以下步骤：S1：确定本模型的基本概念，基本概念为：多尺度特征、全局特征矩阵 局部特征矩阵G、个体特征矩阵和个体评价S2：根据确定的基本概念，提出QoS深度学习预测模型，模型分为三个工作阶段：预处理、特征提取和深度神经网络预测，预处理为对用户‑服务QoS原始矩阵进行非负矩阵分解，特征提取是通过对用户‑服务QoS原始矩阵使用非负矩阵分解，得到全局特征矩阵和个体特征矩阵，分别从中提取全局特征和个体特征，基于距离属性提取局部特征，深度神经网络预测通过设计MM‑DNN，处理特征并最终预测出缺失的QoS值；

S3：提出算法流程，算法流程包括多尺度特征提取和MM‑DNN学习；

S4：评估QoS深度学习预测模型的性能，在真实世界的QoS数据集WS‑DREAM进行实验，采用平均绝对误差MAE和均方根误差RMSE作为评价预测结果的评价指标，设置试验参数后，在设置的参数范围中确定使模型性能最优的参数，并在VI‑F中使用最优参数对模型性能进行评估，分析不同的参数设置对本文模型预测准确度的影响，以确定模型的参数的最佳取值，进行了消融实验，比较模型的三种不同设置，分析MM‑DNN的网络结构和矩阵密度对时间消耗的影响，最后在四个不同矩阵密度5％、10％、15％、20％下，比较四种方法的MAE和RMSE；

所述S1中的多尺度特征包括全局特征、局部特征和个体特征；

所述全局特征矩阵是对用户‑服务QoS原始矩阵Q进行非负矩阵分解后拟合得到的矩阵，从该矩阵中提取全局特征；

所述局部特征矩阵是由全局特征矩阵 中提取出的相似用户对相似云服务的拟合QoS值构成的矩阵，从该矩阵中得到局部特征；

所述个体特征矩阵包括用户个体特征U和云服务个体特征矩阵S；

所述个体评价 用来描述用户对云服务的评价，来自全局特征矩阵 中用户i对云服务j的拟合QoS值，对模型每个阶段的特征进行修正；

所述S2中全局特征提取为从全局特征矩阵 中提取用户i对所有云服务的评价 和T所有用户对服务j的评价(USj)作为全局特征，全局特征 记为：

式(4)中， 为归并操作，将两个向量连接在一起；

所述S2中局部特征提取先进行基于距离的用户相似度和云服务相似度计算，用户b，v之间的距离dbv计算如式(5)所示：式(5)中，γb，θb∈(‑180,180]，分别表示用户b的纬度和经度，r为地球半径，dbv小表示两个用户地理位置靠近，拥有更相似的QoS值，cxy为云服务x和y之间的距离相似度；

然后对距离进行排序，根据距离选出相似用户和相似服务，拟合QoS值，构成局部特征矩阵G，并将其转换成一维向量，作为局部特征 如式(6)所示；

式(6)中， 为形状变换函数，实现将矩阵转换成向量，提取出用户u1、u3对于云服务s4、s5的拟合QoS值，生成局部特征矩阵G，将生成的局部特征矩阵G转换成一维向量作为局部特征；

所述S2中个体特征提取为从用户个体特征矩阵U中提取用户i的特征向量Ui作为用户个体特征，从服务个体特征矩阵S中提取云服务j的特征向量Sj作为服务个体特征，个体特征表示为：其中， 为归并操作，实现将两个向量连接在一起；

所述S2中深度神经网络预测结构分为四个阶段：

阶段1有一个归并层和L个全连接层，输入全局特征，经过一层全连接层之后在归并层中归并个体评价对特征进行修正，再通过全连接层进一步提取其中的与局部特征大小相同的信息，该阶段的前馈过程表示为：式(8)中，y0为MM‑DNN的输入，yk为第k个全连接层的输出，αk和βk分别表示第k个全连接层的权重和偏置， 为激活函数ReLU，如式(9)所示：阶段2有两个归并层和M个全连接层，在一层归并层中归并局部特征，经过一层全连接层之后在归并层中归并个体评价，再馈入全连接层，过程如式(10)所示：阶段3有两个归并层和Z个全连接层，在一层归并层中连接个体特征，经过一层全连接层之后在归并层中归并个体评价，再经过全连接层进行学习，过程如式(11)所示：前三个阶段都使用BN和Dropout；

阶段4有一个归并层和一个全连接层，在归并层中连接个体评价 通过一层全连接层进一步学习从而修正结果，输出QoS预测值，如式(12)所示：参数训练过程中采用平均绝对误差MAE作为损失函数，如式(13)所示：式(13)中，pij为QoS深度学习预测模型得出的用户i对云服务j的QoS预测值，N为需要预测的QoS值的个数；

优化网络中的参数，采用梯度下降法来进行模型训练，使损失最小化，如式(14)所示：式(14)中，λ为迭代过程中控制梯度下降快慢的学习率，k∈{1,2,…,L+M+Z}，初始值α1和β1通过产生随机数方式得到。

2.根据权利要求1所述的一种云服务QoS深度学习预测模型的构建方法，其特征在于，所述S2中预处理是对用户‑服务QoS原始矩阵Q进行非负矩阵分解，得到用户的非负个体特征矩阵 和服务的非负个体特征矩阵 U的每一列Ui代表用户i的l维个体特征向量，S中的每一列Sj代表服务j的l维个体特征向量；

对Q进行非负矩阵分解，使U、S内积接近Q，如式(1)所示：

式(1)中，为通过U、S拟合出的全局特征矩阵；

从用户‑服务QoS原始矩阵Q中获得QoS值并进行学习后得到U和S，使用用户‑服务QoS原始矩阵和全局特征矩阵之间误差的平方作为损失函数，如式(2)所示：利用乘法更新规则来最小化式(2)中的损失函数，如式(3)所示：

式(3)中，uki为用户个体特征矩阵中用户i的第k个特征，skj为服务个体特征矩阵中服务j的第k个特征。

3.根据权利要求1所述的一种云服务QoS深度学习预测模型的构建方法，其特征在于，所述S3中多尺度特征提取为算法1，MM‑DNN学习为算法2，算法1获得全局特征、局部特征、个体特征，将这三种特征作为算法2的输入，并在MM‑DNN进行分阶段特征融合，最后算法2返回用户对云服务的QoS预测值。

4.根据权利要求1所述的一种云服务QoS深度学习预测模型的构建方法，其特征在于，所述S4中采用平均绝对误差MAE和均方根误差RMSE作为评价预测结果的评价指标，如式(15)(16)所示：式(15)中，MAE为误差绝对值的平均值，表示预测值与真实值之间的平均距离；

式(16)中，RMSE是预测值与真实值之间偏差的平方和均值的平方根。

5.一种云服务QoS深度学习预测模型的构建系统，其特征在于，所述云服务QoS深度学习预测模型的构建系统存储在计算机可读存储器内，所述存储器被配置用于运行所述云服务QoS深度学习预测模型的构建系统，执行权利要求1至4任一项所述的云服务QoS深度学习预测模型的构建方法。